豬場咬尾行為早期自動監測預警研究（下）

張振玲 （編譯）

(徐州生物工程職業技術學院動物工程系，江蘇 徐州 221006)

2 結果

2.1 咬尾暴發情況

斷奶后（16～41 d）(平均f標準誤差＝28.2f9.3），23組不斷尾豬中有15組（占65.2%）暴發咬尾，其中有5起咬尾發生在斷奶圈，10起在保育圈。

2.2 咬尾損傷隨時間推移的評分情況

共記錄12 440個咬尾損傷。圖1顯示了暴發組平均咬尾損傷評分在咬尾暴發前后數周的占比情況。

咬尾暴發前幾周，傷害和新鮮度分數開始增加，而腫脹和尾部長度分數僅在暴發之前或之后才增加。在暴發前后2周，非暴發組豬的損傷評分為0的平均比率仍保持在0.6～0.7（暴發前2周為0.677f0.064；前1周為0.663f0.061；暴發1周后為0.709 9f0.067 1；2周后為0.592 9f0.069 3），這一比例在暴發組顯著下降（暴發前2周為0.556f0.061 6，前1周為0.375f0.375；暴發1周后 為 0.198f0.062 7，2周后為 0.206 5f0.068 2）（圖1）。線性混合模型揭示了不斷尾處理的咬尾損傷極為顯著（F1，7＝ 24.98，P＝ 0.002）、不斷尾處理周數（F3，50＝ 9.53；P＜ 0.001）以及兩者之間的交互作用均極為顯著（F3，50＝ 8.01，P＜ 0.001）。LSD 方差分析顯示對照組與處理組比較，除暴發前2周差異不顯著外，其余周差異均顯著（P＜0.05）。

圖1 15組不同咬尾損損傷評分在咬尾暴發前后數周平均占比圖

2.3 3D數據采集

收集到的3D數據為1 200 d（23組h52.2 d），但由于各種技術原因，僅收集962 d，其中827 d用于分析（其中有135 d尾姿數據不到100，故分析中舍棄)。通過機器視覺算法，共獲得2 152 101個3D尾姿測量數據結果，但每天的數量變化很大。1 d中數據最多為20 371，平均（±標準誤）為2 237（±2 746）。其中，尾角測量值為0?時的占58.2%（3D 0；1 251 601次），表明尾姿過低，不能檢測到角度。角度0?～30?占19.3%（3D 1；416 250 次 )，30?～ 60?占 14.9%（3D 2；321 552次 ），60?～ 90?占7.6%（3D 3 162 698次 )。

2.4 2D視頻數據進行3D數據驗證

3名觀察者共產生926個3D尾姿數據（圖2）。該算法擅長識別低靠身體的尾部（并且很好地識別低懸垂尾部），均屬低尾姿。人眼識別為卷尾（302頭）的被3D算法準確識別為低尾姿267頭（3D 0），占88.4%（267/302）。人眼識別為未卷尾（624條）被準確地識別為尾姿不低（3D 1，2或 3），占66.8%（417/624）。卡方檢驗顯示卷尾與3D 0（低尾姿）極顯著相關（χ2=248.5，P<0.001）。因此，該算法的總體準確率（正確識別684/總926）為73.9%。對于低尾姿，該算法識別為3D 0的準確率為53.4%（71/133）。若將卷尾和下垂尾的視覺識別合起來，將其識別為3D 0，則該算法的靈敏度為77.7%，特異性為72.3%，準確率為74.8%。在檢測到的474次3D 0低尾姿中，有71.3%屬卷尾或低姿松弛，高尾姿有56.2%（50/89）被正確識別為3D 2或3D 3。盡管經常觀察到卷尾（386/926=41.7%的人眼檢查率），但3D算法處理得不太好，在所有3D類別中識別率相當均勻（圖2）。

2.5 咬尾暴發群前后3D低尾姿情況

圖2 人眼檢查2D數據（縱坐標）驗證3D尾姿數據（橫坐標）的條形圖

在15個暴發組中，繪制了相對于咬尾暴發日的3D 0低尾姿日占比（圖3）。每組可用數據25 ～ 51 d（ 平 均 41.93f7.95 d），擬合的簡單多項回歸模型具有極顯著 意 義（F2，543=101.33，P <0.001；R2=26.9；表2）線性項和二次冪項均有極顯著性差異（線性估計為33.2h104，P <0.001；二次冪項估計為 -2.5h104，P <0.001）。正的線性項表示3D 0（低尾姿）隨時間推移而增加，而負二次項則表示數據正在下降（呈倒u形；圖3），反映了隨咬尾暴發臨近，低尾姿比例增加，然后在采取各種緩解措施以減少咬尾的情況下，暴發后低尾姿下降。擬合第二類回歸模型，每組擬合單條直線（F44,501=42.97，P<0.001），擬合效果較好（R2=77.2）。在15個咬尾暴發組中，有13組線性關系顯著（P<0.05），其中9組呈正相關，3 D 0（低尾姿）隨時間推移而增加，4例呈負相關。11組具有顯著的二次冪（非線性相關）（P<0.05），其中10組具有負的二次冪系數，表明3D 0（低尾姿）與時間呈倒 U 關系（圖3）。一組有一個正二次項表示 U 形的。

2.6 暴發組中咬尾暴發前3D 0低尾姿情況

對15個暴發組，每一天低尾姿（3D 0）的比例與暴發前的數據進行擬合（用于分析的數據如圖3所示，位于y軸的左側），在此分析中，每組有1～37 d的可用數據（平均20.87f9.87）。這些數據擬合的簡單多項回歸模型間具有顯著的相關性（F2，243=54.3，P <0.001；R2=30.3)。正線性項（193.3h104，P <0.001）表明低尾姿豬的比例在咬尾暴發前有所增加，而二次正相關系數（3.6h104，P<0.001）則呈上升趨勢。模型擬合各組的獨立直線，總體擬合度較好（F41，204=32.4，P<0.001；R2=84.0），其中 8條呈顯著正線性相關（6條不顯著），8條具有顯著的正二次系數（非線性，二次函數））。

圖3 咬尾暴發前后數天不同組的低尾姿（3D 0）的比例

2.7 暴發組中咬尾暴發前1周和2周3D低尾姿比較

有足夠資料可用于分析的10個暴發組（第2周和第1周至少有2天的數據），低尾姿豬的比例（3D 0）在暴發前第1周（0.562f0.009）極顯著高于暴發前第 2周（0.473f0.009，F1,107=47.5，P <0.001；圖 4）。

此結果得到了同一數據回歸分析的支持（極顯著）（F1,107=67.6，P <0.001）。 正 的 回 歸 系 數（0.013f0.002）表明在暴發前14 d低尾的比例增加。

2.8 暴發組與對照組間3D低尾姿的比較

圖4 在暴發前的若干天檢測到低尾姿（3 D 0）的比例

采用線性混合模型，比較各批次內暴發組和對照組在暴發前第2周、前第1周、暴發后第1周、后第2周的咬尾發生情況。在校正了生長階段對咬尾暴發極顯著影響（斷奶階段=0.53f0.09，保育 階 段 =0.63f0.09；F1,215=126.5，P <0.001）后，暴發組豬的低尾姿率顯著高于對照豬（F1,5=7.47，P =0.046；圖5）。最小顯著性差異檢驗顯示，暴發組與對照組豬在咬尾暴發前第1周、暴發后第1和第2周間的低尾姿差異顯著（P <0.05）。有極顯著的時間處理交互作用（F3，93= 29.5，P＜ 0.001），低尾姿隨時間的推移而增加，而對照組則不是。

2.9 3D低尾姿作為損傷評分預測指標

采用線性混合模型，確定各組（包括暴發組和對照組）的3D低尾姿與尾部損傷的總體關系。表2中的負效應系數表明，當低尾姿較少時（3D 0），有較多未受傷尾（損傷0、新鮮0、腫脹0）或輕微損傷尾（損傷1或2）。相比之下，表2中的正的系數表明，較低的尾部（3D 0）預示更大比例的受損尾部（損傷評分3或4）、新鮮受傷的尾部（新鮮度評分1、4或5）或減少的尾部長度（長度1）。

3 討論

咬尾在某種程度上是不可預測的，何時暴發仍然是變化和難以預測的。

圖5 咬尾暴發前2周和后2周3D低尾姿(3D 0) 占比的估計均值（±標準誤）

表2 尾部損傷評分與3D低尾數據的關系

本研究第1個目的是用觀察者對尾部姿態的視覺評估來驗證3D尾部姿態檢測算法。算法性能并不完美，而且對于最常見的尾部姿態如尾巴卷曲，顯然算法還有改進的余地。只有3D 0是足夠可靠的可以用于進一步分析。第2個目的是確定是否自動檢測到（3D 0）低尾姿在咬尾暴發前發生變化。回歸分析表明，低尾姿率在咬尾暴發前有所增加且呈上升趨勢，在暴發后再次下降。當對咬尾暴發前的2周進行比較時，有證據表明，從前2周到前1周，以及在14 d內，低尾姿數都在增加。這些結果也為其他作者所提出的咬尾暴發前低尾姿勢確實增加提供支持，并可用作咬尾暴發的預警信號。第3個目的是比較咬尾暴發組和非暴發組（對照組）的3D尾部姿勢數據。在咬尾暴發前前1周和暴發1周和2周后，即使考慮了不同生長階段的影響，暴發組的低尾率也高于對照組。這為使用這種技術作為咬尾預警信號的想法提供了進一步的支持。盡管對照并非完全沒有尾巴受傷，但這些暴發組與對照組的低尾姿確實存在差異。增加暴發組和對照組之間尾部損傷程度對比的方法是使用高水平的環境富集材料，以降低對照組咬尾風險。然而，這種環境變化本身可能會影響到尾巴姿勢以致于引起困擾，而且咬尾的不可預測性和群體間的變異性可能仍然會導致一些尾巴損傷和環境富集的對照圈咬尾的暴發。第4個目的是確定不同時間和不同組群的3D尾部姿勢數據與尾部損傷評分之間是否存在普遍的關系。這一分析忽略了暴發組和對照組之間的區別。一系列線性混合模型顯示3D尾部姿勢數據與尾部損傷評分之間有顯著的關系：當組中有許多未受傷的豬，或輕度受傷的豬時，檢測到有較少的低尾姿（3D 0）。當該組中有更多受傷的豬時，低尾姿比例更大。圖3中的倒“U”圖也反映了隨著暴發越來越近而低尾姿增加，以及當采取措施停止進一步的咬尾以使尾巴（損傷）恢復時，咬尾暴發后低尾姿下降。

有些研究發現在咬尾暴發之前，豬的活動增加了。因此，豬的活動情況也有作為預警信號的潛力。從原理上講，每天3D尾巴檢測的數量可以作為豬行為活動的代表，因為豬必須站在攝像機下才能被檢測到，但是由于每天檢測到數據變化很大，也無法分析這一點。檢測到尾姿次數的多變性有各種可能的原因。所有的攝像頭都連接到一臺PC上，因此系統可同時從所有圈中獲取數據。相機所能捕捉到圈里豬的數量可能會有所不同。豬尾部運動量（如尾部擺動）可能在幾天內有所變化在，這可能會影響到檢測數據。在整個項目進行過程中，對數據捕獲和尾部姿態檢測算法作了一些優化，因此不可用而舍棄的數據也減少了，并在以后的批次中檢測到的數據量也增加了，但每天的檢測次數仍然是可變的。

本項研究就是找出豬早期咬尾信號，這個信號對于豬農來說要足夠早以便識別咬尾暴發跡象并采取措施。本研究咬尾暴發的標準是：在圈外確認有3頭有新鮮傷口的豬，或者一頭或多頭尾巴流血，或者有明顯的咬尾行為。尾部評分數據（基于從圈內對尾部的密切觀察）顯示，至少暴發前1～2周，尾部損傷的跡象逐漸增加（圖1）。其他研究者對暴發使用了不同的定義或標準。Zonderland等人分析了單頭豬只水平的數據，并表明豬尾巴在從沒有損壞到小孔咬痕的過渡過程中，以及在從未受傷或有咬痕的尾巴過渡到有明顯的尾部損傷時，更有可能夾在兩腿之間。Lahrmann等采用的標準是每圈內出現4頭有受傷的豬（包括正在恢復的及擦傷）。若我們使用Lahrmann等的定義，很可能會比我們的方法更早地在某些圈暴發咬尾。 早期 信號中早期的概念顯然與 咬尾 的定義有關。在咬尾暴發之前就有明顯的尾巴傷害（因為在尾巴咬傷暴發之前就有仔細的尾巴打分），這表明如果結合尾部姿勢能夠開發一種自動檢測尾部損傷的方法（如尾巴顏色或尾部溫度），也可以提供咬尾暴發的早期預警。

各組（圖3、圖4）之間的低尾姿（3D 0）占比差異較大，這也反映在改進的每組擬合回歸模型中。從3D數據預測咬尾暴發可能是監測咬尾的較好方法。有時，隨著時間的推移，尾巴姿勢的趨勢在同齡群體之間會發生變化，可能與咬尾無關。特別是，當低尾姿（3D 0）的豬被轉到新圈時，它們在對照組和暴發組中的比例往往會同時顯著增加。顯然，我們還需要了解影響這一 本底 尾姿的因素，這將有助于進一步完善預警系統。例如，尾巴姿勢可能是豬的喚醒狀態時或情緒狀態的普通信號，這意味著它可能被其他生理或社會壓力源或疾病狀態所改變，而不僅僅是早期咬尾的信號。另一擔憂是，咬尾風險的多因素性最有可能意味著某些類型的暴發可能比其他類型更容易被早期發現。如果由飲水、料槽、通風或供暖故障引起的應激而導致的咬尾暴發，可能會相對更快地發生。

本研究中尾姿變化和尾部損傷暴發前的變化與其他研究者所發現的類似。這些變化加上尾部受傷情況（即使在缺乏高科技手段的情況下），也可以作為豬農的咬尾暴發早期預警信號（在有足夠時間密切和頻繁地檢查他們的豬的情況下）。提高對早期預警信號的認識和使用可以減少咬尾的不可預測性，使養豬者更有信心遵守歐盟理事會第2008/120/EC號指令的要求，停止使用斷尾作為預防咬尾的 殺手锏”。

本研究的發現為以下設想提供了 理論證據”：使用3D攝像機來記錄尾部姿勢可以發展成一種預警系統，以防止咬尾暴發。這一技術能否商品化，將取決于實時預測系統能否成功設計，并取決于該系統的經濟成本和效益。3D相機的成本相對較高，但如果除咬尾預測外還用于檢測豬的生長、攻擊行為或健康不良行為指標等其他重要經濟特性等多功能系統，則使用3D相機在經濟上更為可行

本研究首次表明，利用Time-of- fl ight 3D攝像機和機器視覺算法檢測低尾姿有望提供豬咬尾自動預警信號。尾姿檢測算法具有足夠的準確性，低尾姿率隨時間的推移而增加，在暴發組中高于對照組，且與尾部損傷增加有關。本研究通過提供有關動物生長、健康、行為和福利的實時信息，為快速發展的 精確畜牧養殖業 領域做出貢獻，利用新技術為豬場管理決策提供信息。（全文完）