畜禽養殖疾病診斷智能傳感技術研究進展

李奇峰，李嘉位，馬為紅，高榮華，余禮根，丁露雨，于沁楊

畜禽養殖疾病診斷智能傳感技術研究進展

李奇峰，李嘉位，馬為紅，高榮華，余禮根，丁露雨，于沁楊

北京農業信息技術研究中心，北京 100097

畜牧業是我國農業的重要組成部分，目前我國畜牧業向著規模化、集約化發展，同時也增加了畜禽疾病診斷的難度。為提高畜禽養殖中的動物福利水平，并降低畜牧養殖中因動物疫病與健康異常帶來的經濟損失與公共衛生安全風險，近年出現了一批通過數字化、智能化手段實現畜禽疫病診療的自動化方法，如機器視覺分析、動物音頻分析、紅外溫度感知、深度學習分類等，這些方法可以有效提高對患病或異常畜禽動物的診斷效率、縮短診斷周期、降低畜牧養殖中人工巡檢勞動力。畜禽疫病自動診療方法不同于常規的基于病理學知識的診斷方法，其主要通過各類傳感器自動獲取畜禽在養殖過程中的圖像、聲音、體溫、心率、排泄物等各類特征信息，而后通過梅爾倒譜系數、Logistics回歸分析等數學模型和支持向量機、深度學習等智能算法對采集的信息進行綜合分析與處理，并對動物的健康狀態做出評價與預測。文章分別從畜禽形態診斷技術、行為診斷技術、聲音診斷技術、體溫診斷技術、其他生理參數診斷技術等幾個方面總結闡述了目前動物疫病智能診斷技術研究的進展和一些基礎的方法原理，這些方法基于動物外型與體尺、行為與動作、鳴叫與聲音、體溫、排泄物、呼吸與心率等數字化特征，通過數學模型對傳感器采集到的特征進行實時分析與分歸類，基本實現了對理想環境下動物健康狀態的評價。目前的畜禽動物疾病自動診療技術研究成果豐富，但相關診斷方法大多是在理想環境下進行，而實際的生產養殖環境中干擾因素很大，目前的診斷方法大多無法很好地排除干擾并精確提取出所需特征信息；并且目前的數字化禽畜疾病診斷方法多是基于禽畜的一種特征信息進行分析診斷，這使得診斷系統的診斷準確度受到影響，診斷結果說服力不足。同時目前的大多數數字化禽畜疾病診斷方法還存在診斷泛化能力差、抗干擾能力差等問題，這些問題制約了其推廣與應用。未來畜禽疾病自動診斷的研究重點是提高其傳感算法的精度和數學模型的適用性與魯棒性，并進一步發展基于多種特征耦合與數據融合的智能化畜禽疾病診療專家系統，爭取實現實時、高效、智能、精準的畜禽健康診斷。

畜禽疫病智能化診斷；行為診斷；生理診斷；畜禽傳感監測

畜牧業是農業的重要組成部分，我國的畜禽養殖業總產值占到在農林牧漁業的30%以上，涉及2億多人的就業[1]。為適應市場需求與畜牧業轉型升級，畜牧業逐漸朝向集約化、規模化與智能化發展，畜牧養殖生產密度急劇擴大[2-3]。在這種條件下，動物疫病爆發風險增大、人畜共患病危險升級，繼而會對動物福利、生產效益、產品出口、公共衛生安全構成嚴重威脅。提升動物疫病防治信息化與智能化水平是應對威脅的重要手段[4-5]。

目前在動物養殖疫病防控工作中，獸醫在畜禽養殖舍內每日巡檢為主要手段，然而巡檢工作量巨大，工作環境惡劣，專業巡檢員供不應求，存在交叉感染風險，常導致疾病動物診斷滯后，錯過治療窗口時間，帶來群體感染等情況。為了避免養殖過程疾病造成損失，畜禽養殖場通常采取抗生素程序化用藥等方法進行應對，由此導致抗生素的大劑量添加，會對環境、畜禽造成危害[6]。隨著信息技術的進步，畜禽疾病檢測技術不斷發展，出現了一批針對畜禽進行自動疾病診療的智能方法。如OKINDA等[7]開發了一套機器視覺系統，可自動提取肉雞的形態學特征與行走特征，基于特征信息構建了肉雞健康狀況預測算法。通過對肉雞NDV攻毒后連續13 d的試驗，證實該算法可以從第3天起對患病肉雞進行診斷，該方法實現患病肉雞的健康監測與早期預警。HUANG等[8]提出了一種從雞舍內嘈雜聲音中自動提取雞叫聲音的方法，將梅爾倒譜系數作為特征，用支持向量機進行分類，可以實時檢測到發生禽流感的病雞，準確率在84%—90%之間。NASIRAHMADI等[9]提出了一種通過圖像獲取豬只姿態特征的方法，并實現對豬的胸骨臥姿進行評分，該評分可作為豬只健康狀態的重要指標，為豬只疾病的早期識別提供技術支撐。鄭國生等[10]通過對奶牛休息時間、反芻時間、采食時間進行監測，通過Logistics回歸分析實現了奶牛健康狀態評價，奶牛異常狀態識別準確率達到了91%。

畜禽疫病智能診療通過信息化和人工智能技術手段采集動物的各類特征信息，通過構建智能分級評分模型或專家系統對動物疫病做出自動診斷。本文重點介紹通過體表形態特征、行為特征、聲音特征、體溫與排泄物等生理特征對疾病進行智能自動診療的信息化技術研究進展。

本文主要從畜禽形態與行為診斷、畜禽聲音診斷、畜禽體溫診斷和其他診斷等以下幾個方面展開介紹，相關診斷技術內容及邏輯如圖1所示。

圖1 畜禽養殖智能傳感診斷技術框圖

1 畜禽形態與行為診斷技術

形態與行為特征是畜禽動物發生疾病最直觀的外在表現，是動物健康狀態評價的重要指標[11]，也是獸醫對畜禽動物進行疾病診斷的重要依據。在無接觸測量中，常用機器視覺與紅外激光技術獲取動物的圖像或點云信息，進而對動物的體表形態異常進行識別與判斷，一般流程如圖2所示。

圖2中，模式知識庫是識別的核心，可以通過動物形態與行為特征對畜牧動物的健康狀態進行定義與分類[12]。圖像（流）采集一般基于俯視或主視角度的2D圖像傳感器，有些研究結合深度相機、激光傳感器、熱像儀等設備同步采集動物圖像中更多維度的信息，獲取了更豐富的數據對動物健康狀態進行評價。

1.1 畜禽外表形態診斷技術

患病動物個體常表現為身體結構變化、輪廓變化、關鍵部位形態（如雞冠部、牛腿部等）變化。目前的研究多針對上述特征開展，通過建立模式知識庫對動物健康狀態進行分類、分級評價，繼而實現動物疫病異常診斷。

1.1.1 基于可見光和深度圖像的畜禽形態識別 ZHUANG[13]等提出了一種基于姿勢的家禽疾病檢測算法。他采集了正對肉雞的圖像，使用K均值聚類和橢圓模型對圖像進行分割，并自動提取肉雞的骨骼姿態夾角、肉雞輪廓凹凸度、輪廓伸長度、輪廓圓度、輪廓外接矩形伸長度、面積線性率、骨架拼接角等7個特征，然后使用POLY核函數的SVM模型對健康肉雞和患病肉雞做出自動分類，準確率為99.469%，該算法可以提供早期預警。ZHUANG[14]的另一項研究中，以健康和生病肉雞的羽毛質地（自然或蓬松）和常規姿勢（站立或躺下）的不同為依據，設計了一種IFSSD深度神經網絡模型對其進行分類，該方法實時識別雞群中出現的病雞，準確率達到90%以上。畢敏娜等[15]提出了一種基于雞頭特征信息的病雞識別方法。她從圖像中定位到雞冠雞垂區域，利用雞冠和雞垂輪廓的幾何關系來定位雞頭。在雞頭中，分別提取雞眼瞳孔輪廓與雞冠的H通道顏色特征構成共生矩陣，通過ARA特征選擇算法獲得病雞特征向量，最后采用支持向量機進行病雞訓練分類，結果表明病雞識別正確率為92.5%。李亞碩等[16]通過雞冠顏色特征，構建了一套機器視覺系統對病雞進行識別，在識別后可以定位到病雞的具體位置，病雞的正確識別率為96%，誤識別率為2%。AZZARO等[17]從奶牛上方3米處采集俯視圖像，并以奶牛的前肋骨，尾巴以及左右鉤為基本點進行形狀參考與坐標定位，自動提取了23個關鍵解剖學節點，通過節點位置數據進行建模與計算，最終得出奶牛的五分制身體狀況評分（BCS），身體狀態評分可以作為奶牛健康狀態評價與疾病診斷的重要指標。SPOLIANSKY等[18]利用3D Kinect相機開發了另一種奶牛的五分制體況評分（BCS）系統，他沒有通過定位關鍵點，而是直接采集奶牛11個高度特征信息、1個水平距離特征，結合牛體重和年齡，賦予每個信息相應權重，實現BCS自動計算，BCS誤差0.5分以內的準確率為100%，1.0分以內準確率為91%。進而依據該評分可以實現奶牛脂肪肝、酮病、乳腺炎、跛行和不育等不良狀態的預警。BL?MKE等[19]通過機器視覺技術的一種自動化系統，在屠宰場中通過2D相機拍攝豬體，并通過模型算法識別生豬耳部和尾部病變，耳部病變識別率為77.0%、特異性為96.5%；準確度為95.4%；尾部病變識別率為77.8%；特異性為99.7%；準確性為99.5%。這種方法為養殖過程中的豬只健康監測提供了新的思路。滕光輝等[20]基于Kinect傳感器實用三維重構技術獲取了母豬的臀部高寬比、臀股面積及曲率半徑，最終以曲率半徑為依據建立了母豬體況估測模型，準確率達到91.7%，體況體重評價結果可以反映母豬的健康與發育狀態。

圖2 基于動物形態與行為的疾病診斷基本流程

基于動物形態特征對疾病進行自動診斷的研究中通常以動物關鍵形態參數、骨骼角度參數、輪廓幾何特征，能直觀地檢測到畜禽身體形態異常狀態，對動物疾病做出診斷。但此類方法對圖像采集位置的要求較高，容易受到拍攝角度、干擾物以及動物不同姿態的影響，導致目標區域分割困難、動物跟蹤和監測障礙，算法復用性、抗干擾性不強，產生對感興趣區域的定位和分類誤差。近年來出現的深度卷積網絡模型可以較好地克服環境、姿態和角度的影響，目前的相關研究中發現，深度卷積網絡對目標識別、分割、分類等問題取得了較好的效果，如高云等[21]在深度卷積神經網絡的基礎上建立了Pig Net網絡，用于對群豬圖像尤其是對粘連豬體進行實例分割, 實現獨立豬體的分辨和定位，進而為動物疾病的分類與診斷提供技術基礎，Pig Net網絡模型分割準確率超過86%，單幅圖像處理速度約2秒，可以滿足應用需要。薛月菊等[22]將FasterR-CNN用于哺乳期母豬高危動作監測的豬體定位過程中，同樣較好地克服了光線變化、豬體形態不同、仔豬粘連的問題。鄧寒冰等[23]將深度神經網絡應用于肉牛形體部位識別，也取得了94%的準確率。但此類方法對動物形態的圖像數據量以及標簽精度有較高要求，這是制約深度卷積網絡在畜禽動物疾病診斷中應用的主要瓶頸，該問題可以通過遷移學習等方法應對，也可以通過加強數據復用性來解決，這是未來研究需要突破的方向之一。

1.1.2 基于紅外熱成像的畜禽異常識別 紅外熱成像攝像機可以識別具有遠紅外范圍的熱輻射，并將產生的輸出為熱譜圖，熱譜圖在動物身體分割、定位、疾病檢測方面較普通圖像有較大優勢[24-25]，尤其在動物體表寄生蟲識別、動物局部組織病變識別等方面。CORTIVO等[26]基于寄生蟲與牛體溫度的差異，通過采集牛體表背部、臉部、陰囊部的紅外圖像，自動計算牛體上的蜱蟲、蒼蠅、果蠅數目，圖像計算結果與目視結果相關性達到0.9以上。乳房炎是奶牛最值得關注的健康問題之一[27-28]，熱紅外技術對此類疾病檢測也有應用，SATHIYABARATHI等[29]分別從母牛乳房側面、眼睛表面采集紅外熱像圖，識別特定位置的紅外熱像信息，并通過兩個位置平均特征溫度早期診斷奶牛的臨床乳腺炎，診斷靈敏度和特異性均達到95%以上。STOKES等[30]采集了奶牛蹄部的紅外圖像，通過識別冠狀動脈溫度的分布情況來實現針對奶牛皮膚炎的（DD）篩查，通過閾值設置與定位，實驗發現自然狀態下陽性識別率為55%—80%，但經過清潔之后的識別準確率可以達到91%。MARTINS等[31]嘗試在綿羊乳腺炎診斷中運用紅外圖像技術，利用代謝變化與局部溫度的變化關系，將乳腺炎狀態不同的綿羊進行三級分類（健康，亞疾病和疾病），準確率為73%。AMEZCUA[32]使用紅外熱像儀檢測母豬下肢的炎癥，檢測腿部各骨骼的溫度，以識別母豬不同程度的跛行。ZHANG等[33]基于YOLOv3提出了一種從熱紅外圖中自動定位奶牛的眼睛和乳房的方法，平均準確率為83%，進而自動測定奶牛眼睛和乳房的溫度，實現奶牛乳腺炎的自動識別。

使用紅外圖像對畜禽動物外型、外表的識別研究中，容易克服背景環境對采集對象的干擾，并識別到敏感區域綜合特征，可用于動物關節炎癥、發育異常、體表寄生蟲等疾病的識別，有較好的疾病診斷準確率。但當動物發生重疊，或有視野內出現其他高溫物體（如電燈、加溫器）時，對識別結果有較大干擾，對于此類問題，可研究可見光與紅外熱成像融合算法，充分利用紅外熱成像的面域溫度值特性和可見光的特征提取的優勢，生成融合圖像分析處理，提高畜禽養殖疾病診斷的檢測能力。

1.2 畜禽行為特征診斷技術

因動物姿態、動作難以限定，基于靜態形態特征的識別在應用中局限性較大，而通過動態行為對動物進行疾病自動診療的方法可以較好地克服這個問題。動物行為一般包括其采食、飲水、排泄、躺臥、站立等基礎生理行為，以及步態、反射、交互、咬尾等高級社交行為[34]，這些行為可以有效地反映動物福利水平與精神狀態[35]，是動物疾病診斷的重要依據。

動物行為是判斷動物生長狀態、精神狀態、健康水平的重要表征，一般通過在適當位置部署圖像傳感器對動物群體或個體進行連續監控，從而獲取其行為特征，進而對動物疾病做出預警或識別。

1.2.1 基礎生理行為異常識別 采食、飲水、呼吸、排泄、躺臥、站立等動物基礎生理行為是動物健康狀態的最直觀反映，被很多學者用來作為動物疾病與異常的診斷標準[36]。MADSEN等[37]通過對幼豬的水消耗量進行不間斷監測，進而提出了一種使用狀態空間模型對幼豬健康狀態進行評價的方法，試驗表明這種方法可以在發病前1天提前檢測到幼豬腹瀉等疾病的暴發。CORNOU等[38]發明了一種母豬自動喂食器，基于自動喂食器可以直接獲取母豬的采食量數據，通過單變量動態線性模型建模的個體采食量標準對母豬的健康異常狀態與疾病進行預警和監控，疾病預警靈敏度為41%至70%。AYDIN[39]使用Kinect深度相機從俯視角度采集肉雞的3D圖像，并對肉雞的躺臥與站立狀態進行識別，并檢測躺臥狀態出現的次數（NOL），統計肉雞躺臥狀態的持續時間（LTL），試驗證明3D視覺相機系統與人工標記結果對比得知分類準確率達到93%，最終根據肉雞躺臥時間與健康狀態的負相關性，提出了一種間接評價肉雞腿部健康狀態的方法。朱偉興等[40]設計了一種病豬行為自動監測系統，在群養狀態下對豬群的排泄區域進行不間斷監控，采用改進的運動目標檢測算法和基于像素塊對稱特征的圖像識別算法定位具有異常行為的疑似病豬，病豬檢測正確率為78.38%。母牛躺臥動作可以作為疾病診斷的反映之一，PORTO等[41]設計了一種基于計算機視覺的自動檢測牛舍中奶牛躺臥行為的系統，該系統檢測母牛躺臥行為的靈敏度高達92%。溫長吉等[42]提出了一種基于共軛梯度追蹤算法的稀疏超完備詞典學習算法，用于奶牛跛足行為的早期識別，通過實際視頻數據測試，識別準確率為92%—93%，平均響應時間為0.043s，取得了較好的效果。WU等[43]提出了基于Deeplab V3 算法的奶牛目標分割方法，通過基于相位的視頻放大算法放大微弱的呼吸運動，進而將相關特征用于呼吸頻率檢測的平均光流方向，最終實現基于Lucas-Kanade光流算法的奶牛呼吸頻率檢測，平均準確度為93.04%，通過呼吸頻率的變化可以有效識別奶牛健康的異常。英國布里斯托大學WEEKS等[44]針對肉雞的飲食行為與姿態進行了深入探究，他指出健康肉雞與跛行肉雞的飲食行為體現出較大的差異，健康肉雞通常在站立情況下采食，而跛行肉雞超過一半采食是在臥倒狀態下完成的。并且健康肉雞與跛行肉雞的采食次數也出現了較大的差異。最終他提出肉雞的腿部健康程度與肉雞躺臥的持續時間之間存在極顯著（＜0.001）的關系，該關系可用于肉雞的疾病早期診斷。LAO等[45]開發了一種算法來自動處理和分析母豬的3D深度圖像，從深度圖像中自動識別母豬行為（躺、坐、站、跪、進食、喝水和移位），各行為分類平均準確率為95%左右，通過各行為分布可為豬只疾病爆發、生活環境脅迫等情況做出預警。宋懷波等[46]基于視頻分析與目標跟蹤技術開發了一種多目標奶牛反芻行為監測方法，該方法跟蹤奶牛的平均誤差22—28像素，基于此可以實現全天候監控奶牛反芻行為，進而反映奶牛健康狀態。YANG等[47]利用Faster R-CNN深度學習模型，開發了一種基于視頻監控的豬只采食行為識別方法，該方法可以從豬只的所有活動行為中實時識別豬只的攝食行為，準確率達到99.6%，召回率為86.93%，該方法可以從側面反映豬只的健康狀態。陶源棟等[48]用Kinect監測梅山豬的呼吸，通過DBSCAN密度聚類算法定位豬腹部區域，獲得腹部深度值的變化曲線，通過離散傅里葉變換得到深度值-時間擬合曲線，利用極點值出現的時間計算母豬呼吸頻次，準確率為85.3%，進而對豬只出現的健康問題進行預警和判斷。TSAI等[49]通過TinyYOLOv3深層神經網絡搭建了一種奶牛頭部的檢測算法，根據牛頭的位置跟蹤實現奶牛喝水行為與飲水量的監測，最終實現奶牛的熱應激等異常健康狀態的自動檢測，檢測精度為98.7%。

此類方法通常基于自動獲取的動物活動規律、行為規律對疾病進行判斷，因患病動物的行為習慣統計特征差異顯著，所以此類算法在理想條件下靈敏度與特異性普遍較高。方法難點在于長時間對動物的準確定位與跟蹤，并計算其行為軌跡與特點。此外，基于動物活動規律、行為的統計需要實時處理視頻流，算法效率也是制約條件之一。

1.2.2 運動與交互高級行為異常識別 除了動物的基本生理行為之外，步態行為、互動行為、群體聚集行為等也可以有效反映動物精神狀態和健康狀況[50]。這些行為往往可以實現在更早時候，對動物可能出現的疾病進行預警。康熙等[51]提出了一種基于機器視覺技術的奶牛跛行檢測系統，它通過時空插值算法，實現奶牛牛蹄定位，通過定位牛蹄軌跡檢測跛行，奶牛跛行檢測準確率為93.3%，跛行分類準確率為77.8%。英國牛津大學動物學系學者DAWKINS等[52]針對24只肉雞的小群體進行視頻監控，使用“視頻光流法”研究肉雞群體運動產生的流動模式，通過光流峰值對雞群活動軌跡進行分析，并將肉雞雞群的活動量與肉雞的腿部健康情況做了擬合關聯模型，提出均勻的光流狀態下，肉雞死亡率低的結論。沈明霞等[53]針對肉雞個體，提取其運動速度、步幅、步幅差等變量，同時構建了一種肉雞步態評級方法，實現肉雞腿部疾病的早期預警與識別，識別準確率達到78%。JABBAR等[54]通過3D視頻系統，提取奶牛行走過程中的脊柱和鉤骨特征，基于此對奶牛的早期跛行進行二分類識別，識別準確率達到95.7%。KASHIHA等[55]開發了一種基于橢圓擬合算法的豬只跟蹤算法，并通過ImLS參數確定豬只屬于靜止狀態或移動狀態。他通過俯視攝像頭采集豬欄內豬群的運動視頻，結合手動貼標，實現了自動識別每只豬的運動量，從而有效地將運動能力差的豬只進行區分與識別。朱家驥等[56]研發了一種基于星狀骨架模型的豬步態分析模型，通過提取豬只關鍵輪廓點的運動過濾，通過頻譜分析，計算出豬的前肢步態頻率，進而實現豬只的步態評價，為豬只疾病診斷提供支持。XIAO等[57]用雙目視覺實現了對籠養雞的健康狀態進行監控，他通過2D分割與3D重建提取了雞的身體和頭部輪廓，檢測速度可以達到25 fps，身體分割精度為91.2%—94.6%，之后在3D空間中，他計算雞飲食行為中體現的頭部運動速度、身體運動速度等，通過這些參數可以有效發現患病雞以及有死亡風險的雞。CHEN等[58]使用Realsense深度相機自動檢測豬只的攻擊行為，并評價豬只的侵略性，其方法檢測準確率、靈敏度、特異性、精確度均在96%以上，因豬只侵略會導致皮膚外傷、感染、甚至致命傷害，所以攻擊行為頻率可以作為豬只健康、福利的重要評價指標。高云等[59]提出了使用3DCONV的群養豬侵略性行為識別算法-3DConvNet，將深度學習模型用于群養豬撕咬、撞擊、追逐、踩踏4大類，咬耳、咬尾、咬身、頭撞頭、頭撞身、追逐以及踩踏7小類侵略性行為進行分類，進而對豬只受傷進行預警，分類準確度為95.70%，單幀圖像處理時間為0.5 s。

除了圖像方法之外，也有學者通過其他傳感器對動物行為進行監測，進而診斷動物可能出現的疾病。如ESCALANTE等[60]通過加速度傳感器采集的母豬運動數據，對母豬的行走、站立等行為進行自動分類，進而分析母豬健康狀態。SHEN等[61]通過奶牛鼻帶上壓力傳感器測量奶牛咀嚼中的壓力值變化規律，進而對其反芻行為進行測量與評價。但此類設備屬于侵入式，容易引起動物應激，且存在設備續航低、干擾重等問題。

高級行為是動物福利狀況的主要體現之一，基于高級行為的動物疾病診斷可提供參考性建議，是動物健康狀態的判據，可用于少量高品質畜牧動物的生產監控，但一般不作為疾病診斷的主要依據。

一般針對動物體表形態、行為的研究是通過機器視覺技術完成的，現有技術常針對可見光圖像、深度圖像、紅外熱成像圖像進行研究。可見光圖像的采集成本最低、相關技術豐富、研究時間最長，隨著近年來深度神經網絡的發展，分割、識別、定位取得了越來越好的效果，可廣泛用于檢測動物的局部特征（蹄部、頭部等）與常規行為（躺臥、進食、飲水、運動、侵略性行為等），進而為動物疾病診斷提供支撐[62-63]。深度圖像在可見光圖像中添加了距離傳感器，可以獲取3D圖像信息，3D圖像可通過Kinect、Realsense等設備進行采集，深度圖像可以在動物形態測量、體型評價發揮更好的作用，也有助于提升圖像分割準確率，但深度圖像受光線影響嚴重，尤其是自然光對測量的影響較大。紅外熱成像圖像在動物與背景分割方面具有良好的效果，可通過動物各部位的溫度差異對圖像進行較為理想的分割與定位，此外紅外圖像對動物各部位炎癥的識別有很好的效果。技術對比如表1所示。

表1 疾病識別中動物外型、行為采集技術對比

2 畜禽聲音診斷技術

動物發出的聲音是其情緒、健康情況判別的重要依據，因此音頻技術可用于動物的疾病預警、行為檢測、飲食檢測、情緒識別等方面[64-65]。在實際研究與應用中，通常在動物養殖區域的特定位置安放拾音器，實時采集舍內聲音，對聲音進行背景去噪與濾波等預處理，隨后對聲音進行斷點檢測與分幀加窗，提取聲音信號的能量密度頻譜特征，通過數學模型對動物發出各類特異聲音進行自動分類與識別，最終依據特異聲音出現的頻率、密度、響度、持續時長等參數對動物健康狀態或環境適應狀態進行判斷，一般流程如圖3所示。

針對聲音異常的動物疾病診斷研究一般分為兩個方面，第一類是通過提取動物正常生理活動發出的聲音，從而反映動物的生理規律，從生理規律發掘動物疾病診斷的方法，如楊稷等[66]通過采集肉雞在喂食器中啄食的聲音，計算肉雞啄食次數，進而分析肉雞的實時采食量，通過采食量判別肉雞的健康狀態；另一類是提取動物發出的病理或異常聲音，從而對可能出現的疾病進行預警或識別，如徐亞妮等[67]針對母豬生產環境研制了一種濾除高頻噪音與環境，并自動識別母豬咳嗽聲的方法，為母豬呼吸系統疾病的早期診斷提供了判斷依據。

2.1 生理聲音識別

正常生理聲音通常包括采食聲、飲水聲、啃咬聲、打斗聲、鳴叫聲等，這些聲音可以作為動物生理狀態判別的信號，間接作為動物疾病診斷的依據。SHENG等[68]通過拾音器采集了綿羊的采食音頻，基于高斯核的支持向量機在采食音頻中將咀嚼的聲音片段進行分割與提取，從每個咀嚼聲片段中提取7個特征變量用于建立飼料量消耗判斷模型，最終采用最小二乘回歸和彈性網絡方法分別確定基于單變量和多變量的飼草攝入量估計模型的系數，模型最佳準確度為89.32%，飼料攝入量的識別精度為80.84%，該結果對綿羊健康失衡的識別、飼養方案建議有一定參考意義。DENIZ等[69]開發了一套嵌入式系統通過可穿戴集成在牛身上，用于實時采集牧牛發出的聲音信號，并將啃咬聲音、咀嚼聲音進行分類識別，可實現針對牛覓食狀態的監控，進而判斷其健康狀況，分類準確率約為78%。閆麗等[70]針對哺乳期母豬開發了一種基于偏度聚類的聲音提取與分類方法，通過聲音最大功率比的差異，將母豬聲音自動分為哺乳聲、無食咀嚼聲、采食聲、飲水聲等四類，準確率達到95.17%以上，基于此結果實現對母豬行為狀態的自動監測，有助于母豬健康狀態判定、母豬母性行為識別的自動實現。余禮根等[71]采集了棲架模式下養殖的蛋雞叫聲，通過決策樹模型將蛋雞產蛋叫聲、愉悅叫聲、尖叫聲、爭斗聲進行分類識別，平均識別準確率為88.3%，此結果可為畜禽健康狀態判定、生產預警提供理論依據。

圖3 基于聲音的動物疾病診斷一般流程

2.2 病理異常聲音識別

病理聲音包括動物的咳嗽聲、噴嚏聲、異常呼嚕聲、應激鳴叫聲等，這些聲音可以作為動物健康或狀態異常直接依據。EXADAKTYLOS等[72]提出了一種針對生病豬咳嗽聲音的監測方法。為了最大可能地排除誤診情況，他采集了病豬的咳嗽聲、檸檬酸誘發健康豬只的偶發咳嗽聲、豬只的正常叫聲，并通過平均歐式距離進行分類識別，結果表明病豬咳嗽的監測準確率為82.2%，該算法可以減少養殖員的勞動，并加快病豬疾病診斷的速度。韓磊磊等[73]以改進梅爾頻率倒譜系數、短時能量和短時過零率組成的復合特征參數為依據，通過決策樹支持向量機對生豬的噴嚏聲、咳嗽聲、饑餓聲等異常聲音進行分類，平均識別率為94.4%。宣傳忠等[74]針對圈養羊只呼吸道疾病初期的監測與識別，以杜泊羊為例設計了羊咳嗽信號的自動采集與識別系統，他通過梅爾倒譜系數，基于BP神經網絡改善的隱馬爾可夫模型（HMM），針對羊只咳嗽聲音的總體識別準確率達到92.04%。HUANG等[75]針對禽流感監測設計了一種基于聲音的診斷方法。他對雞進行禽流感攻毒試驗，并以核酸檢測為標準，獲取了禽流感病雞與健康雞的聲音。隨后對聲音信號進行自適應端點檢測、分幀加窗后，提取雞聲音的梅爾倒譜系數，通過不同核函數的SVM對病雞進行分類識別，最優結果準確率為88.125%，而且在病雞感染后的22 h內識別確診率便可超過80%，可實現禽流感的早期診斷。

聲音信號對動物疾病的判斷和分析比較直觀，且成本相對較低，應用前景廣闊。尤其在夜間，布設在大型畜牧養殖場內的拾音器可以較好地識別動物發出的異常聲音，從而有效解放人工勞動力，提高動物養殖福利、降低因動物疾病導致的養殖損失。目前基于聲音對動物疾病進行識別的主要難點有兩個，第一是去噪，動物養殖環境中，風機轉動、飼料機運作等均會產生較大環境噪聲，這部分聲音在濾波過程中會影響處理結果，在今后的研究中，需要優化拾音器部署方式，并選用魯棒性更強的濾波算法；第二是聲音特征的分類，動物叫聲不同于人類語言，其蘊含特征信息少、豐富度差，對識別和分類造成了一定困難。針對動物疾病聲音診斷研究中常用特征參數如表2所示。

3 畜禽體溫診斷技術

體溫異常是疾病最顯著的表達窗口，通過對動物體溫的監控，可以有效發現健康狀態異常的動物，直接給予疾病判斷。通常認為體溫信息對動物疾病的診斷和治療非常有幫助，有助于早期發現患病動物，確定疾病嚴重程度等。常用的針對動物體溫自動測量的技術手段有兩大類，第一是通過集成的可穿戴或植入設備進行動物體溫監測，這種方法測量精準、不受干擾[76]；第二是通過紅外溫度檢測技術或熱成像技術對動物體溫進行遠程測量，這種非接觸的方法便于部署、使用方便[77]。一般動物體溫測量流程如圖4所示。

表2 動物疾病識別中常用音頻特征參數

圖4 動物體溫自動測量技術一般流程

3.1 穿戴式、植入式測溫

穿戴式設備一般通過綁帶、粘膠等方法將溫度傳感器或電極貼片固定于動物身體某個部位實現溫度測量；植入式設備是將膠囊式微縮傳感器植于動物皮下或體內，以實現針對動物體溫的不間斷監測。就測量精度而言，植入式傳感器精度高于穿戴式傳感器，而設備固定難度與此相反。張國鋒等[78]設計了通過植入式RFID溫度芯片測量豬只體溫的系統，得出植入豬表皮以下0.5—1.0 cm處時可有效獲取豬體溫度的結論。屈東東等[79]將DS18B20型溫度傳感器置于奶牛耳道內，采集其耳道邊沿溫度，在30—50℃范圍內測量精度可達到±0.2℃，基于此設備設計了群養奶牛體溫監控系統，通過奶牛體溫變化情況對奶牛可能出現的疾病進行診斷和預警。何東健等[80]將測溫傳感器封裝于3D打印的高密度乙烯外殼內，之后將該圓柱形節點植入奶牛陰道測量其溫度，通過陰道溫度反演得到奶牛標準直腸體溫，以實現對奶牛健康狀況的監測，傳感器測量精度可達到±0.05℃。HENTZEN等[81]將膠囊式測溫傳感器植入生豬皮下進行不間斷溫度測量，并將結果通過無線電磁波發送至接收器，測量結果和直腸溫度標準體溫基本一致，可以獲得與直腸溫度傳統測量相近的精確度。李贊[82]設計了一種柔性貼片式溫度傳感器，并將其固定于后備豬的后腿內側，通過皮下溫度反演得到豬的標準直腸溫度，進而通過母豬體溫變化趨勢對母豬發情、異常等狀態進行檢測。蔡勇[83]利用射頻技術和接觸溫度感測技術開發了一種自動獲取母牛體表溫度的系統，實現了對母牛體表溫度的24h自動監測。通過統計分析和數據均衡，擬合出牛體表溫度的修正公式，得到了牛體表溫度的日變化。胡肄農[84]設計了一種方法，將數字無線溫度傳感節點佩戴于生豬耳后頸動脈流經的皮膚上進行溫度測量。為了降低環境影響，他在溫度傳感節點設計了接觸層、導熱層、絕熱層，并在每層內部署一個溫度傳感器，通過3個測量值校準得到最終的測量值，并通過豬體表溫度測量值反演計算得到豬只核心體溫，實現豬只體溫的不間斷準確測量。

通過穿戴式、植入式傳感器測量動物體溫一般可以取得較高的準確度，受到環境影響比較小，但是由于動物應激反應可能導致傳感器的位移，進而影響測量精度，同時設備續航問題也是影響其應用的主要原因之一。

3.2 紅外熱成像非接觸測溫

用紅外熱成像圖像非接觸測量動物體溫，對動物沒有侵害性，且使用紅外熱像儀測量溫度可以減少勞力消耗，簡化操作過程，減輕動物應激壓力，因此成為近年來的研究熱點。基于紅外熱成像圖像的動物溫度測量，一般先選擇動物的某區域作為熱窗，通過熱窗的溫度反演其體溫，常用熱窗一般有頭部、耳后部、胸部等。SALLES[85]等通過熱像儀收集不同身體部位的圖像來測量體表溫度，得出熱成像前額溫度與直腸溫度的相關性最高的結論。他還指出牛前額和左右兩側的溫度與環境溫度和濕度密切相關，可用于將來識別牛環境脅迫的不良狀態。SIEWERT等[86]通過紅外熱像儀測量了豬頭的溫度，并通過不同熱窗區域檢測了豬的早期發燒。該方法在試驗中的特異性約為85%，靈敏度為86%。IYASERE等[87]為了研究肉雞核心體溫（CBT）的測量方法與變化規律，同時使用植入的微芯片和紅外測溫儀的方法對肉雞各部分溫度進行測量，得出肉雞的翅下溫度與核心體溫關聯度最大（= 0.71，＜0.05）的結論。沈明霞等[88]基于紅外熱成像技術，通過深度卷積神經網絡提取肉雞頭部、腿部區域，并計算其熱窗溫度值，再結合環境溫度、濕度、光照強度等參數，基于多元線性回歸提出了一種白羽肉雞的體溫自動檢測方法，體溫檢測模型平均相對誤差分別為0.29%—0.33%。

熱紅外用于動物體溫測量時，設備部署方便、非接觸測量不會引起動物應激反應與損傷，但是該方法受到環境溫度和測量距離影響比較嚴重，測溫精度不高，需要研究相關的線性校正算法。

穿戴式、植入式測溫傳感器與紅外熱像儀對動物體溫測量都有較多的研究與應用，技術對比如表3所示。

表3 疾病識別中動物體溫采集技術對比

4 畜禽其他診斷技術

除了動物外表、行為、聲音、體溫等重要參數之外，還有一部分研究通過動物的其他生理體征作為疾病信息化診斷的依據，如味道、心率、呼吸頻率等生物體征。ELLIS等[89]為了診斷牛分枝桿菌引起的牛結核病，研制了一種電子鼻設備。他收集了患病牛和健康牛的呼吸樣品，通過氣相色譜-質譜儀分析，通過主成分分析和線性判別算法分析色譜數據，為健康牛和疾病牛的分類提供了概念證明。類似地，SANDERINK等[90]通過電子鼻對奶牛進行呼吸采樣，檢測樣本中特異氣體成分的含量與濃度，進而對奶牛的異常狀態進行識別，經過初步實驗證明，基于電子鼻的診斷方法可以達到甚至超過大多數基于視覺檢查和步行活動的現有方法。張宏等[91]基于心電傳感器BMD101及無線射頻模塊CC2430開發了一種穿戴式豬用心電監測系統，對豬心率的連續無線監測，并通過豬健康心率的閾值進行對比，實現豬健康狀態異常的自動識別與診斷。逯玉蘭等[92]基于豬只呼吸對無線網絡通信信道射頻信號的影響，通過對豬欄內Wi-Fi信號的檢測，實現豬只呼吸頻率的監測，與人工測定相比，誤差為1.398%。賈桂鋒等[93]通過經驗模態分解方法，研究了一種能量窗變換法，用于校正豬用心率檢測器信號的非平穩性，取得了較好的效果。AHMED等[94]使用視頻記錄了豬只的排泄行為特征，進而通過數學模型自動識別出了實驗中感染沙門氏菌的生豬個體。此外有部分研究使用穿戴式電容式傳感器[95]或加速度傳感器[96]監測胸部壓力變化，從而得到呼吸頻率、血壓信息等，如穿戴式連續血壓監測系統[97]、睡眠呼吸暫停監測系統[98]、基于光電容積脈搏波的呼吸監測系統[99]、基于脈搏波的連續血壓監測方法[100]等，但這部分研究對于動物的應用尚屬于起步階段。

這些新興技術作為傳統圖像、聲音信息的補充，通過電子鼻、通訊射頻信號、三軸加速度傳感器、電容穿戴式傳感器等設備對畜禽疾病進行檢測。這些方法初步取得了一定的效果，然而此類方法檢測算法不穩定、設備續航差、測量條件要求高，目前難以將其獨立作為畜禽疾病的診斷依據，但可以作為輔助手段為畜禽疾病診斷提供更多可能性，可以從更多維度獲取動物健康狀態的評價依據，使疾病自動識別準確率進一步提高。

5 討論

5.1 畜禽疾病診斷信息化自動診斷方法

畜禽疾病主要依據動物的形態特征、動作特征、位置特征（運動量、飲水量、采食量等）、聲音特征、呼吸特征、體溫特征等進行判斷，特征采集主要通過機器視覺方法、音頻處理技術、穿戴式傳感器等方法實現。以疾病診斷所需的主流特征為例，整理和匯總了特征采集與診斷技術發展現狀（表4）。

表4 疾病自動診療主流代表方法

相關算法已經針對豬、牛、雞等畜禽展開了相關的應用，如通過RBF-SVM基于圖像提取的雞體表輪廓凹凸率、偏心率實現生病雞的識別[7]，通過Kinect采集的深度圖像實現母豬體況自動評分[20]，使用三軸加速度采集豬運動信息，通過分類樹實現豬姿態識別與健康判別[58]，通過Faster R-CNN模型實現豬進食動作的識別、牛反芻行為識別等[45-46]，通過UWB定位母豬運動軌跡[105]，YOLOv3模型識別動物飲水行為[49]，基于發聲圖譜實現蛋雞異常聲音與豬咳嗽聲的監測[69，73]，通過Lucas-Kanade光流法、WIFI載波曲線、點云聚類方法監測牛呼吸頻率[47,61,90]，通過PT100植入傳感器監測奶牛體溫[78]，通過熱紅外圖像監測豬頭部溫度[84]等。

5.2 當前畜禽養殖智能診斷存在問題

目前畜禽動物疫病檢測設備與方法通常基于動物外型與形態特征、動物行為與動作特征、動物鳴叫與聲音特征、動物體溫特征、動物排泄物特征、心率特征等實現疾病的自動診療（表5）。

表5 疾病自動診療依據特征表

目前的自動診療手段可以基本實現針對動物疾病的初步識別與判斷，但仍然存在以下共性問題：（1）特征數據采集困難，大多數研究都是在實驗室環境下的標準結構中進行的，而在實地運用中，常因為復雜的現場環境、動物的運動和移動影響測量設備的運行、對數據結果有較大影響，導致落地應用與成果落地進程緩慢；（2）目前的研究分散，沒有統一標準，導致動物各類特征的結構化數據極其匱乏，數據復用性差，導致各類數據挖掘、深度分析模型無法發揮應用作用。目前的研究大多是通過預先設定的固有邏輯進行判斷，導致目前的疾病自動識別模式適應性差、魯棒性低、精確度差，進而導致技術推廣難、應用面窄、智能程度低；（3）大多數疾病診療模型均通過單一特征進行識別，而各方法之間集成度差、協議不統一、診斷標準特異，形成“技術孤島”，很少出現多種特征耦合診斷動物疾病的方法，制約了自動診療技術的發展，難以達到人工獸醫的診療水平。（4）信息化技術設備成本高昂，安裝維護不方便，部分設備會對動物產生應激影響，對設備與系統的部署與應用造成較大障礙。

5.3 未來發展趨勢與展望

基于上述問題，基于表征信息的畜禽疫病與異常狀態智能自動診斷技術發展趨勢可以概括為：（1）提高診斷方法的實用性，通過更改設備部署、數據采集方案，算法層面降低對數據特異性的要求，以適應目前的實際生產需求，為大量動物特征數據的獲取提供基礎；（2）建立動物特征數據的統一結構化標準，加大數據采集量，收集多地域、多種類型、多種環境下大量動物特征數據，基于大數據對疾病診療模型做出優化、調整，將“算法驅動”改為“數據驅動”，以實現模擬獸醫真實診療經驗、提高方法準確度與魯棒性；（3）打破各疾病診斷方法之間的“孤島”，探索綜合通過多種動物特征進行疾病診斷的專家系統。

長遠來看，針對各種動物的全自動畜禽疾病診斷專家系統是降低人工勞動、提高養殖效率與安全性的最優解決方案[102]。目前動物疾病診斷專家系統，如豬病輔助診斷模型[103]、雞病防治診斷專家系統[104]、養病防治專家系統[105]等，這些系統多是通過用戶對系統以文字或語音的方式輸入癥狀，系統通過查找庫的形式反饋診斷結果，不具備自動分析決策與自動數據采集能力。未來有望實現集成多種設備，實現動物各類表型特征的不間斷采集，通過一套智能量化專家系統對采集的結構化數據進行融合分析，最終實現畜禽養殖中動物疾病的全自動監控。

6 結論與建議

本文首先闡述了畜禽疫病智能診療技術的重要意義和必要性，隨后對畜禽疫病與異常狀態智能自動診斷技術的研究現狀、相關成果、發展趨勢進行深入總結、歸納與分析，并系統地闡述了畜禽疫病自動診斷技術的難點和發展趨勢。

目前基于動物形態、行為、聲音、體溫、心率、排泄物、呼吸等各類特征對畜禽疫病自動診療的理論方法和技術已經比較成熟，可以基本實現通過數學模型實現對特征數據的分析、決策與判斷，極大地提升畜禽養殖疫病監測的數字化水平。然而，大多數相關研究停留在試制、試研層面，個別研究有小范圍內試用與測試，但大多未考慮到實際養殖環境中應用的實際需求，未能全面考慮到各類干擾對自動判斷模型的干擾，相關的研究也沒有具體開展，因此亟需整合現有的技術資源與養殖經驗，著力通過數字化和智能化技術和方法為畜禽養殖提供助力。

未來畜禽養殖疾病診斷智能傳感技術的研究建議主要包括，一是優化各類傳感器的數字采集能力，克服養殖環境多塵、高溫、高濕的惡劣環境，并在使用中保持良好的數據采集穩定性，克服因動物位置移動、姿態變化、應激反應造成的測量誤差；二是提高數學模型的魯棒性與適用性，擴大試驗數據的來源，考慮不同養殖條件下對動物疫病診療準確率的控制，不能局限于單一、少量數據得出的結論；三是智能化畜禽疾病診療多傳感器特征融合的研究，可綜合考慮動物形態、行為、聲音、體溫、心率、排泄物、呼吸等生理特征中的幾個和多個特征對自動診斷結果的影響，并在各特征耦合的情況下，打通各診療模型之間的數據孤島，形成全面、高效、智能、精準的畜禽動物疫病綜合診斷方法。

[1] 孫康泰, 王小龍, 張建民, 蔣大偉, 葛毅強. “十三五”國家重點研發計劃中的畜牧獸醫科技布局與評述. 畜牧獸醫學報, 2020(1): 198-204.

SUN K T, WANG X L, ZHANG J M, JIANG D W, GE Y Q. The distribution and review of National Key Research and Development Program in Animal Husbandry and Veterinary Medicine Field during the 13th Five-Year Period. Acta Veterinaria et Zootechnica Sinica, 2020(1): 198-204. (in Chinese)

[2] 李建雄. 市場經濟條件下我國畜牧業生產組織的創新研究[D]. 北京: 中國社會科學院研究生院, 2016.

LI J X. Research on innovation of animal husbandry production organization in China under market economy[D]. Beijing: Graduate School of Chinese Academy of Social Sciences, 2016. (in Chinese)

[3] 王健. 當前畜牧業發展形勢及重點任務. 獸醫導刊, 2019(13): 1.

WANG J. Current Development Situation and Key Tasks of Animal Husbandry. Veterinary Orientation, 2019(13): 1. (in Chinese)

[4] 國務院辦公廳. 國家中長期動物疫病防治規劃（2012—2020年）: http: //www. gov. cn/zwgk/2012-05/25/content_2145581. htm.

General Office of the State Council. National animal disease prevention and control for the medium and long term planning (2012-2020): http: //www. gov. cn/zwgk/2012-05/25/content_2145581. htm. (in Chinese)

[5] 韓艷東. 信息化對現代畜牧業建設作用及趨勢. 中國畜禽種業, 2018, 14(5): 21.

HAN Y D. Effect of informatization on the construction of modern animal husbandry and its trend. The Chinese Livestock and Poultry Breeding, 2018, 14(5): 21. (in Chinese)

[6] 楚維斌, 史彬林, 紅雷, 趙啟龍. 抗生素在畜禽生產中的應用·危害及科學使用. 安徽農業科學, 2015, 43(19): 128-130.

CHU W B, SHI B L, HONG L, ZHAO Q L. The application, harm and scientific use of antibiotics in livestock production. Journal of Anhui Agricultural Sciences, 2015, 43(19): 128-130. (in Chinese)

[7] OKINDA C, LU M Z, LIU L S, NYALALA, MUNERI C, WANG J T, ZHANG H L, SHEN M X. A machine vision system for early detection and prediction of sick birds: A broiler chicken model. Biosystems Engineering, 2019, 188: 229-242.

[8] HUANGJ D, WANG W Q, ZHANG T M. Method for detecting avian influenza disease of chickens based on sound analysis. Biosystems Engineering, 2019, 180: 16-24,

[9] NASIRAHMADI A, STURM B, OLSSON A C, JEPPSSON K H, MüLLER S, EDWARDS S, HENSEL O. Automatic scoring of lateral and sternal lying posture in grouped pigs using image processing and Support vector machine. Computers and Electronics in Agriculture, 2019, 156: 475-481.

[10] 鄭國生, 施正香, 滕光輝. 基于不同行為時間的奶牛健康狀況評價. 農業工程學報, 2019, 35(19): 238-244.

ZHENG G S, SHI Z X, TENG G H. Health assessment of cows based on different behavior time. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(19): 238-244. (in Chinese)

[11] HALACHMI I, POLAK P, ROBERTS D J, KLOPCIC M. Cow body shape and automation of condition scoring. Journal of Dairy Science, 2008, 91(11): 4444-4451.

[12] 陸明洲, 沈明霞, 丁永前, 楊曉靜, 周波, 王志國. 畜牧信息智能監測研究進展. 中國農業科學, 2012, 45(14): 2939-2947.

LU M Z, SHEN M X, DING Y Q, YANG X J, ZHOU B, WANG Z G. Review on the intelligent technology for animal husbandry information monitoring. Scientia Agricultura Sinica, 2012, 45(14): 2939-2947. (in Chinese)

[13] ZHUANG X L, BI M N, GUO J L, WU S Y, ZHANG T M. Development of an early warning algorithm to detect sick broilers. Computers and Electronics in Agriculture, 2018, 144: 102-113.

[14] ZHUANG X L, ZHANG T M. Detection of sick broilers by digital image processing and deep learning. Biosystems Engineering, 2019, 179: 106-116,

[15] 畢敏娜, 張鐵民, 莊曉霖, 焦培榮. 基于雞頭特征的病雞識別方法研究. 農業機械學報, 2018, 49(1): 51-57.

BI M N, ZHANG T M, ZHUANG X L, JIAO P R. Recognition method of sick yellow feather chicken based on head features. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(1): 51-57. (in Chinese)

[16] 李亞碩, 毛文華, 胡小安, 張小超. 基于機器視覺識別雞冠顏色的病雞檢測方法. 機器人技術與應用, 2014(5): 23-25.

LI Y S, MAO W H, HU X A, ZHANG X C. Detection method for sick chicken based on machine vision recognition of comb color. Robot Technique and Application, 2014(5): 23-25. (in Chinese)

[17] AZZARO G, CACCAMO M, FERGUSON J D, BATTIATO S, FARINELLA G M, GUARNERA G C, PUGLISI G, PETRIGLIERI R, LICITRA G. Objective estimation of body condition score by modeling cow body shape from digital images. Journal of Dairy Science, 201194(4): 2126-2137.

[18] SPOLIANSKY R, EDAN Y, PARMET Y, HALACHMI I. Development of automatic body condition scoring using a low-cost 3-dimensional Kinect camera. Journal of Dairy Science, 2016, 99(9): 7714-7725.

[19] BL?MKE L, VOLKMANN N, KEMPER N. Evaluation of an automated assessment system for ear and tail lesions as animal welfare indicators in pigs at slaughter. Meat Science, 2020, 159: 107934.

[20] 滕光輝, 申志杰, 張建龍, 石晨, 余炅樺. 基于Kinect傳感器的無接觸式母豬體況評分方法. 農業工程學報, 2018, 34(13): 211-217.

TENG G H, SHEN Z J, ZHANG J L, SHI C, YU J H. Non-contact sow body condition scoring method based on Kinect sensor. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(13): 211-217. (in Chinese)

[21] 高云, 郭繼亮, 黎煊, 雷明剛, 盧軍, 童宇. 基于深度學習的群豬圖像實例分割方法. 農業機械學報, 2019, 50(4): 179-187.

GAO Y, GUO J L, LI X, LEI M G, LU J, TONG Y. Instance-level segmentation method for group pig images based on deep learning. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(4): 179-187. (in Chinese)

[22] 薛月菊, 楊曉帆, 鄭嬋, 陳暢新, 甘海明, 李詩梅. 基于隱馬爾科夫模型的深度視頻哺乳母豬高危動作識別. 農業工程學報, 2019, 35(13): 184-190.

XUE Y J, YANG X F, ZHENG C, CHEN C X, GAN H M, LI S M. Lactating sow high-dangerous body movement recognition from depth videos based on hidden Markov model. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(13): 184-190. (in Chinese)

[23] 鄧寒冰, 許童羽, 周云成, 苗騰, 張聿博, 徐靜, 金莉, 陳春玲. 基于DRGB的運動中肉牛形體部位識別. 農業工程學報, 2018, 34(5): 166-175.

DENG H B, XU T Y, ZHOU Y C, MIAO T, ZHANG Y B, XU J, JIN L, CHEN C L. Body shape parts recognition of moving cattle based on DRGB. Transactions of the Chinese Society of Agricultural Engineering, 2012, 34(5): 166-175. (in Chinese)

[24] LOKESHBABU D S, JEYAKUMAR S, VASANT P J, SATHIYABARATHIG M, MANIMARAN A, KUMARESAN A, HEARTWIN A. SIVARAMD M, RAMESHAE K P, MUKUND A, SIDDARAMANNA F. Monitoring foot surface temperature using infrared thermal imaging for assessment of hoof health status in cattle: A review. Journal of Thermal Biology, 2018, 78: 10-21,

[25] TAMI M. BROWN-BRANDL, ROGER A. EIGENBERG, JOSEPH L P, Using thermal imaging as a method of investigating thermal thresholds in finishing pigs. Biosystems Engineering, 2013, 114(3): 327-333.

[26] CORTIVO P D, DIAS E, BARCELLOS J O J, PERIPOLLI V, COSTA JR J B G, B S L DALLAGO, MCMANUS C M. Use of thermographic images to detect external parasite load in cattle. Computers and Electronics in Agriculture, 2016, 127: 413-417.

[27] 李廣棟, 呂東穎, 田秀芝, 姬鵬云, 郭江鵬, 路永強, 劉國世. 組學技術在奶牛乳房炎上應用的相關研究進展. 中國農業科學, 2019, 52(2): 350-358.

LI G D, Lü D Y, TIAN X Z, JI P Y, GUO J P, LU Y Q, LIU G S. Research progress of omics technologies in cow mastitis. Scientia Agricultura Sinica, 2019, 52(2): 350-358. (in Chinese)

[28] 陳仁金, 楊章平, 毛永江, 陳瑩, 常玲玲, 吳海濤, 冀德君, 李云龍, 張亞琴. 中國荷斯坦牛LYZ基因多態性及其與乳房炎的關聯分析. 中國農業科學, 2010, 43(23): 4936-4941.

CHEN R J, YANG Z P, MAO Y J, CHEN Y, CHANG L L, WU H T, JI D J, LI Y L, ZHANG Y Q. Polymorphism of LYZ gene and its association with mastitis trait in Chinese Holstein. Scientia Agricultura Sinica, 2010, 43(23): 4936-4941. (in Chinese)

[29] SATHIYABARATHI M, JEYAKUMAR S, MANIMARAN A, PUSHPADASS H A, SIVARAM M, RAMESHA K P, DAS D N, KATAKTALWARE M A. Infrared thermal imaging of udder skin surface temperature variations to monitor udder health status in(Deoni) cows. Infrared Physics & Technology, 2018, 88: 239-244.

[30] STOKES J E, LEACH K A, MAIN D C J, WHAY H R. An investigation into the use of infrared thermography (IRT) as a rapid diagnostic tool for foot lesions in dairy cattle. The Veterinary Journal, 2012, 193(3): 674-678.

[31] MARTINS R F S, PAIM T D P, CARDOSO C D A, DALLAGO B S L, MELO C B D, LOUVANDINI H, MASTITIS C M. Detection in sheep by infrared thermography. Research in Veterinary Science, 2013, 94(3): 722-724,

[32] AMEZCUA, WALSH M, SHANNON, LUIMES R H, FRIENDSHIP R M. Infrared thermography to evaluate lameness in pregnant sows. The Canadian Veterinary Journal, 2014, 55: 268-272.

[33] ZHANG X D, KANG X, FENG N N, LIU G. Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector. Computers and Electronics in Agriculture, 2020, 178: 105754.

[34] URSINUS W W, REENEN C G V, KEMP B, BOLHUIS J E. Tail biting behaviour and tail damage in pigs and the relationship with general behaviour: Predicting the inevitable. Applied Animal Behaviour Science, 2014, 156: 22-36.

[35] MURPHY E, REBECCA E N, STAAY F J. A review of behavioural methods to study emotion and mood in pigs,. Applied Animal Behaviour Science, 2014, 159: 9-28.

[36] MATTHEWS S G, MILLER A L, CLAPP J, PLOTZ T, KYRIAZAKIS L. Early detection of health and welfare compromises through automated detection of behavioural changes in pigs. The Veterinary Journal, 2016, 217: 43-51,

[37] MADSEN T N, KRISTENSEN A R. A model for monitoring the condition of young pigs by their drinking behavior. Computers and Electronics in Agriculture, 2005, 48(2): 138-154.

[38] CORNOU C, VINTHER J, KRISTENSEN A R. Automatic detection of oestrus and health disorders using data from electronic sow feeders. Livestock Science, 2008, 118(3): 262-271.

[39] AYDIN A. Using 3D vision camera system to automatically assess the level of inactivity in broiler chickens. Computers and Electronics in Agriculture, 2017, 135: 4-10.

[40] 朱偉興, 浦雪峰, 李新城, 陸晨芳. 基于行為監測的疑似病豬自動化識別系統. 農業工程學報, 2010, 26(1): 188-192.

ZHU W X, PU X F, LI X C, LU C F. Automatic identification system of pigs with suspected case based on behavior monitoring. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(1): 188-192. (in Chinese)

[41] PORTO S M C, ARCIDIACONO C, ANGUZZA U, CASCONE G. A computer vision-based system for the automatic detection of lying behaviour of dairy cows in free-stall barns. Biosystems Engineering, 2013, 115(2): 184-194.

[42] 溫長吉, 張金鳳, 李卓識, 婁月, 于合龍, 姜海龍. 改進稀疏超完備詞典方法識別奶牛跛足行為. 農業工程學報, 2018, 34(18): 219-227.

WEN C J, ZHANG J F, LI Z S, LOU Y, YU H L, JIANG H L. Improved sparse and super-complete dictionary method for identification of lameness in dairy cows. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(18): 219-227. (in Chinese)

[43] WU D H, YIN X Q, JIANG B, JIANG M, LI Z Y, SONG H B. Detection of the respiratory rate of standing cows by combining the Deeplab V3+ semantic segmentation model with the phase-based video magnification algorithm. Biosystems Engineering, 2020, 192: 72-89.

[44] WEEKS C A, DANBURY D T, DAVIES H C. The behaviour of broiler chickens and its modification by lameness. Applied Animal Behaviour Science, 2000(67): 111-125.

[45] LAO F D, T. BROWN-BRAND L, STINN J P, LIU K, TENG G H, XIN H. Automatic recognition of lactating sow behaviors through depth image processing. Computers and Electronics in Agriculture, 2016, 125: 56-62.

[46] 宋懷波, 牛滿堂, 姬存慧, 李振宇, 祝清梅. 基于視頻分析的多目標奶牛反芻行為監測. 農業工程學報, 2018, 34(18): 211-218.

SONG H B, NIU M T, JI C H, LI Z Y, ZHU Q M. Monitoring of multi-target cow ruminant behavior based on video analysis technology. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(18): 211-218. (in Chinese).

[47] YANG Q M, XIAO D Q, LIN S C. Feeding behavior recognition for group-housed pigs with the Faster R-CNN. Computers and Electronics in Agriculture, 2018, 155: 453-460.

[48] 陶源棟, 沈明霞, 劉龍申, 陸明洲, 許佩全, 施宏. 基于Kinect的母豬呼吸頻率測定算法. 南京農業大學學報, 2017, 40(5): 921-927.

TAO Y D, SHEN M X, LIU L S, LU M Z, XU P Q, SHI H. Study on measurement algorithm of sow respiratory frequency based on Kinect. Journal of Nanjing Agricultural University, 2017, 40(5): 921-927. (in Chinese)

[49] TSAI Y C, HSU J T, DING S T, RUSTIA D J, LIN T T. Assessment of dairy cow heat stress by monitoring drinking behaviour using an embedded imaging system. Biosystems Engineering, 2020, 199: 97-108.

[50] NASIRAHMADI A, HENSEL O, EDWARDS S A, STURM B. Automatic detection of mounting behaviours among pigs using image analysis. Computers and Electronics in Agriculture, 2016, 124: 295-302.

[51] 康熙, 張旭東, 劉剛, 馬麗. 基于機器視覺的跛行奶牛牛蹄定位方法. 農業機械學報, 2019, 50(S1): 276-282.

KANG X, ZHANG X D, LIU G, MA L. Hoof location method of lame dairy cows based on machine vision. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 276-282. (in Chinese)

[52] DAWKINS M S, RUSSEL C, STEPHEN J R. Flock behavior and chicken welfare. Animal Behaviour, 2012, 84(1): 219-223.

[53] 沈明霞, 李嘉位, 陸明洲, 劉龍申, 孫玉文, 李泊. 基于動態多特征變量的黃羽肉雞跛行狀態定量評價方法. 農業機械學報, 2018, 49(9): 35-44.

SHEN M X, LI J W, LU M Z, LIU L S, SUN Y W, LI B. Evaluation method of limping status of broilers based on dynamic multi-feature variables. Transactions of the Chinese Society for Agricultural Machinery, 2008, 49(9): 35-44. (in Chinese)

[54] JABBAR K A, HANSEN M F, SMITH M L, SMITH L N. Early and non-intrusive lameness detection in dairy cows using 3-dimensional video. Biosystems Engineering, 2017, 153: 63-69.

[55] KASHIHA M A, BAHR C, QTT S, MOONS C P H, NIEWOLD T, ATUYTTENS F, BERCKMANS D. Automatic monitoring of pig locomotion using image analysis. Livestock Science, 2014, 159: 141-148.

[56] 朱家驥, 朱偉興. 基于星狀骨架模型的豬步態分析. 江蘇農業科學, 2015, 43(12): 453-457.

ZHU J J, ZHU W X. Analysis of pig gait based on stellate skeleton model. Jiangsu Agricultural Sciences, 2015, 43(12): 453-457. (in Chinese)

[57] XIAO L F, DING K Y, GAO Y W, RAO X Q. Behavior-induced health condition monitoring of caged chickens using binocular vision. Computers and Electronics in Agriculture, 2019, 156: 254-262.

[58] CHEN C, ZHU W X, LIU D, STEIBEL J, SIEGFORD J, WURTZ K, HAN J J, NORTON T. Detection of aggressive behaviours in pigs using a RealSence depth sensor. Computers and Electronics in Agriculture, 2019, 166: 105003.

[59] 高云, 陳斌, 廖慧敏, 雷明剛, 黎煊, 李靜, 羅俊杰. 群養豬侵略性行為的深度學習識別方法. 農業工程學報, 2019, 35(23): 192-200.

GAO Y, CHEN B, LIAO H M, LEI M G, LI X, LI J, LUO J J. Recognition method for aggressive behavior of group pigs based on deep learning. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(23): 192-200. (in Chinese)

[60] ESCALANTE H J, RODRIGUEZ S V, CORDERO J, KRISENSEN A R, CORNOU C. Sow-activity classification from acceleration patterns: A machine learning approach. Computers and Electronics in Agriculture, 2013, 93: 17-26.

[61] SHEN W Z, ZHANG A J, ZHANG Y, WEI X L, SUN J. Rumination recognition method of dairy cows based on the change of noseband pressure. Information Processing in Agriculture, 2020. DOI: 10.1016/ j.inpa.2020.01.005.

[62] 鄧寒冰, 周云成, 許童羽, 苗騰, 徐靜. 基于RGB-D的肉牛圖像全卷積網絡語義分割優化. 農業工程學報, 2019, 35(18): 151-160.

DENG H B, ZHOU Y C, XU T Y, MIAO T, XU J. Optimization of cattle’s image semantics segmentation with fully convolutional networks based on RGB-D. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(18): 151-160. (in Chinese)

[63] 宋懷波, 吳頔華, 陰旭強, 姜波, 何東健. 基于Lucas-Kanade稀疏光流算法的奶牛呼吸行為檢測. 農業工程學報, 2019, 35(17): 215-224.

SONG H B, WU D H, YIN X Q, JIANG B, HE D J. Detection of cow breathing behavior based on Lucas-Kanade sparse optical flow algorithm. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(17): 215-224. (in Chinese)

[64] 趙曉洋. 基于動物發聲分析的畜禽舍環境評估[D]. 杭州: 浙江大學, 2019.

ZHAO X Y. Environmental assessment of livestock houses based on vocal analysis of animals[D]. Hangzhou: Zhejiang University, 2019. (in Chinese)

[65] WANG X S, ZHAO X Y, HE Y, WANG K Y. Cough sound analysis to assess air quality in commercial weaner barns. Computers and Electronics in Agriculture, 2019, 160: 8-13.

[66] 楊稷, 沈明霞, 劉龍申, 陸明洲, 何燦隆, 李嘉位. 基于音頻技術的肉雞采食量檢測方法研究. 華南農業大學學報, 2018, 39(5): 118-124.

YANG J, SHEN M X, LIU L S, LU M Z, HE C L, LI J W. Research of detection method for broiler chicken feed intake based on audio technology. Journal of South China Agricultural University, 2018, 39(5): 118-124. (in Chinese)

[67] 徐亞妮. 基于語音識別技術的母豬咳嗽監測系統研究與實現[D]. 南京: 南京農業大學, 2016.

XU Y N. Research and implementation of sow’s cough monitoring system based on voice recognition technology[D]. Nanjing: Nanjing Agricultural University, 2016. (in Chinese)

[68] SHENG H, ZHANG S F, ZUO L S, DUAN G H, ZHANG H L, OKINDA C, SHEN M X, CHEN K L, LU M Z, NORTON T. Construction of sheep forage intake estimation models based on sound analysis. Biosystems Engineering, 2020, 192: 144-158.

[69] DENIZ N N, CHELOTTI J O, GALLI J R, PLANISICH A M, LARRIPA M J, RUFINER H L, GIOVANINI L L. Embedded system for real-time monitoring of foraging behavior of grazing cattle using acoustic signals. Computers and Electronics in Agriculture, 2017, 138: 167-174.

[70] 閆麗, 邵慶, 吳曉梅, 謝秋菊, 孫昕, 韋春波. 基于偏度聚類的哺乳期母豬聲音特征提取與分類識別. 農業機械學報, 2016, 47(5): 300-306.

YAN L, SHAO Q, WU X M, XIE Q J, SUN X, WEI C B. Feature extraction and classification based on skewness clustering algorithm for lactating sow. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 300-306. (in Chinese)

[71] 余禮根, 滕光輝, 李保明, 勞鳳丹, 曹晏飛. 棲架養殖模式下蛋雞發聲分類識別. 農業機械學報, 2013, 44(9): 236-242.

YU L G, TENG G H, LI B M, LAO F D, CAO Y F. Classification methods of vocalization for laying hens in perch system. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9): 236-242. (in Chinese)

[72] EXADAKTYLOS V, SILVA M, AERTS J M, TAYLOR C J, BERCKMANS D. Real-time recognition of sick pig cough sounds. Computers and Electronics in Agriculture, 2008, 63(2): 207-214.

[73] 韓磊磊, 田建艷, 張蘇楠, 李江麗. 基于決策樹支持向量機和模糊推理的生豬異常聲音識別. 畜牧與獸醫, 2019, 51(3): 38-44.

HAN L L, TIAN J Y, ZHANG S N, LI J L. Porcine abnormal sounds recognition using decision-tree-based support vector machine and fuzzy inference. Animal Husbandry & Veterinary Medicine, 2019, 51(3): 38-44. (in Chinese)

[74] 宣傳忠, 武佩, 張麗娜, 馬彥華, 張永安, 鄔娟. 羊咳嗽聲的特征參數提取與識別方法. 農業機械學報, 2016, 47(3): 342-348.

XUAN C Z, WU P, ZHANG L N, MA Y H, ZHANG Y A, WU J. Feature parameters extraction and recognition method of sheep cough sound. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 342-348. (in Chinese)

[75] HUANG J D, WANG W Q, ZHANG T M. Method for detecting avian influenza disease of chickens based on sound analysis. Biosystems Engineering, 2019, 180: 16-24.

[76] 張小栓, 張夢杰, 王磊, 羅海玲, 李軍. 畜牧養殖穿戴式信息監測技術研究現狀與發展分析. 農業機械學報, 2019, 50(11): 1-14.

ZHANG X S, ZHANG M J, WANG L, LUO H L, LI J. Research status and development analysis of wearable information monitoring technology in animal husbandry. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(11): 1-14. (in Chinese)

[77] ZHANG Z Q, ZHANG H, LIU T H. Study on body temperature detection of pig based on infrared technology: A review. Artificial Intelligence in Agriculture, 2019, 1: 14-26.

[78] 張國鋒, 陶莎, 于麗娜, 褚琦, 賈敬敦, 高萬林. 基于植入式RFID感溫芯片的豬體溫與飲水監測系統. 農業機械學報, 2019, 50(S1): 297-304.

ZHANG G F, TAO S, YU L N, CHU Q, JIA J D, GAO W L. Pig body temperature and drinking water monitoring system based on implantable RFID temperature Chip. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(S1): 297-304. (in Chinese)

[79] 屈東東, 劉素梅, 吳金杰, 李陽, 王傳忠. 群養奶牛體溫實時監測系統設計與實現. 農業機械學報, 2016, 47(S1): 408-412.

QU D D, LIU S M, WU J J, LI Y, WANG C Z. Design and implementation of monitoring system for multiple cows body temperature. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(S1): 408-412. (in Chinese)

[80] 何東健, 劉暢, 熊虹婷. 奶牛體溫植入式傳感器與實時監測系統設計與試驗. 農業機械學報, 2018, 49(12): 195-202.

HE D J, LIU C, XIONG H T. Design and experiment of implantable sensor and real-time detection system for temperature monitoring of cow. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12): 195-202. (in Chinese)

[81] HENTZEN M, HOVDEN D, JANSEN M, ESSEN G V. Design and validation of a wireless temperature measurement system for laboratory and farm animals. Proceedings of Measuring Behavior 2012: 466-471.

[82] 李贊. 一種柔性貼片式在線測量方式在生豬體溫測量中的應用研究[D]. 長春: 吉林農業大學, 2018.

LI Z. Application of a flexible patch online measurement method in pig body temperature measurement[D]. Changchun: Jilin Agricultural University, 2018. (in Chinese)

[83] 蔡勇. 牛體表溫度自動采集系統研發及其與體內溫度擬合曲線的研究[D]. 北京: 中國農業科學院, 2015.

CAI Y. The study on the designing of theautomatical acquisition system for cow surface temperature and the fitting for surface temperature with rectal temperature[D]. Beijing: Chinese Academy of Agricultural Sciences, 2015. (in Chinese)

[84] 胡肄農. 動物體溫無線測量系統的研究. 中國畜牧獸醫學會信息技術分會, 2014: 54-63.

HU Y N. Study on the wireless measurement system of animal body temperature. Information Technology Branch of Chinese Society of Animal Husbandry and Veterinary Medicine, 2014: 54-63. (in Chinese)

[85] SALLES M S, SILVA S C, SALLES F A, JR L C, FARO L E, LEAN P A, OLIVEIRA C E, MARTELLO L S. Mapping the body surface temperature of cattle by infrared thermography. Journal of Thermal Biology, 2016, 62(Part A): 63-69.

[86] SIEWERT C, DANICKE S, KERSETEN S, BROSIG B, ROHWEDER D, BEYERVACG M, SEIFERT H. Difference method for analysing infrared images in pigs with elevated body temperatures. Zeitschrift für Medizinische Physik, 2014, 24: 6-15.

[87] IYASERE O S, EDWARDS S A, BATESON M, MITCHELL M, GUY J H. Validation of an intramuscularly-implanted microchip and a surface infrared thermometer to estimate core body temperature in broiler chickens exposed to heat stress. Computers and Electronics in Agriculture, 2017, 133: 1-8,

[88] 沈明霞, 陸鵬宇, 劉龍申, 孫玉文, 許毅, 秦伏亮. 基于紅外熱成像的白羽肉雞體溫檢測方法. 農業機械學報, 2019, 50(10): 222-229.

SHEN M X, LU P Y, LIU L S, SUN Y W, XU Y, QIN F L. Body temperature detection method of ross broiler based on infrared thermography. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(10): 222-229. (in Chinese)

[89] ELLIS C K, STAHL R S, NOL P, WATERS W R, PALMER M V, RHYAN J C, VERCAUTEREN K C, MCCOLLUM M, SAKMAN M D. A pilot study exploring the use of breath analysis to differentiate healthy cattle from cattle experimentally infected with, PLoS One, 2014, 9(2): e89280.

[90] SANDERINK F E, GERRITSEN J W, KOERKAMP P W, MOURIK S V. Automatic detection of oestrus cows via breath sampling with an electronic nose: A pilot study. Biosystems Engineering, 2017, 156: 1-6.

[91] 張宏, 沈明霞, 陸明洲, 劉龍申, 張弛, 張光躍. 穿戴式豬用心電監測系統設計. 南京農業大學學報, 2016, 39(5): 872-879.

ZHANG H, SHEN M X, LU M Z, LIU L S, ZHANG C, ZHANG G Y. Design of wearable electrocardiogram monitoring system for pig. Journal of Nanjing Agricultural University, 2016, 39(5): 872-879. (in Chinese)

[92] 逯玉蘭, 李廣, 郝玉勝, 林強. 基于Wi-Fi無線感知技術的豬呼吸頻率監測. 農業工程學報, 2019, 35(24): 183-190.

LU Y L, LI G, HAO Y S, LIN Q. Monitoring pig respiration frequency using Wi-Fi wireless sensing technology. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(24): 183-190. (in Chinese)

[93] 賈桂鋒, 王自唱, 向興發, 武墩, 高云, 黎煊, 馮耀澤. 短時經驗模態分解實時識別生豬心電QRS波群. 農業工程學報, 2018, 34(10): 172-177.

JIA G F, WANG Z S, XIANG X F, WU D, GAO Y, LI X, FENG Y Z. Short-time empirical mode decomposition method of real-time QRS complex identifying for electrocardiography of pig. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(10): 172-177. (in Chinese)

[94] AHMED S T, MUN H S, YOE H, YANG C J. Monitoring of behavior using a video-recording system for recognition of Salmonella infection in experimentally infected growing pigs. Animal: An International Journal of Animal Bioscience, 2015, 9: 115-121.

[95] KIM D G, WANG C W, HO J G, MIN S D, KIM Y, CHOI M H. Development and feasibility test of a capacitive belt sensor for noninvasive respiration monitoring in different postures, Smart Health, 2020, 16: 100106.

[96] YUZER A H, SUMBUL H, POLAT K. A novel wearable real-time sleep apnea detection system based on the acceleration sensor. IRBM, 2020, 41: 39-47.

[97] 蔣皆恢, 徐俊, 周虎成, 嚴壯志. 一款基于穿戴式的無創連續血壓監測系統. 中國醫療器械雜志, 2018, 42(6): 400-404.

JIANG J H, XU J, ZHOU H C, YAN Z Z. Wearable device for non-Invasive continuously blood pressure monitoring. Chinese Journal of Medical Instrumentation, 2008, 42(6): 400-404. (in Chinese)

[98] 盛婷鈺, 方震, 陳賢祥, 趙湛. 腕表式睡眠呼吸暫停監測系統設. 傳感器與微系統, 2018, 37(7): 96-98.

SHENG T Y, FANG Z, CHEN X X, ZHAO Z. Design of wearable sleep apnea monitoring system. Transducer and Microsystem Technologies, 2018, 37(7): 96-98. (in Chinese)

[99] 陳真誠, 宋浩, 朱健銘, 梁永波. 基于光電容積脈搏波的呼吸監測系統研究. 中國醫學物理學雜志, 2019, 36(5): 579-584.

CHEN Z C, SONG H, ZHU J M, LIANG Y B. Respiration monitoring system based on photolethysmography. Chinese Journal of Medical Physics, 2019, 36(5): 579-584. (in Chinese)

[100] 李珊珊. 基于脈搏波的穿戴式連續血壓監測方法的研究. 東南大學, 2017.

LI S S. Study on wearable continuous measurement method of blood pressure base on pulse wave. Southeast University, 2017. (in Chinese)

[101] ZHUANG S J, MASELYNE J, NUFFEL A V, VANGEYTE J, SONCK B. Tracking group housed sows with an ultra-wideband indoor positioning system: A feasibility study. Biosystems Engineering, 2020, 200: 176-187.

[102] 高宏巖. 動物疾病專家診斷系統及其應用. 中國畜牧獸醫學會信息技術分會, 中國畜牧獸醫學會, 2017: 331-335.

GAO H Y. Expert diagnosis system of animal diseases and its application. Information Technology Branch of Chinese Society of Animal Husbandry and Veterinary. 2017: 331-335. (in Chinese)

[103] 王柯. 一種豬病知識庫自動訓練學習方法及豬病輔助診斷裝置. 北京市飼料工業協會. 2016北京論壇, 2016: 200-204.

WANG K. Automatic training and learning method of a knowledge base for Pig disease and its auxiliary diagnostic device. Beijing Feed Industry Association. 2016 Beijing Forum, 2016: 200-204. (in Chinese)

[104] 謝南林, 廖廣賢, 周盈庭. 基于網絡的雞病防治與診斷專家系統設計. 養殖與飼料, 2017(9): 73-74.

XIE N L, LIAO G X, ZHOU Y T. Design of a web-based expert system for chicken Disease Prevention and Diagnosis. Animals Breeding and Feed, 2017(9): 73-74. (in Chinese)

[105] 哈達. 羊病防治專家系統的開發. 畜牧獸醫科技信息, 2018(5): 68-69.

HADA. Development of an expert system for prevention and treatment of sheep disease. Chinese Journal of Animal Husbandry and Veterinary Medicine, 2018(5): 68-69. (in Chinese)

Research Progress of Intelligent Sensing Technology for Diagnosis of Livestock and Poultry Diseases

LI QiFeng, LI JiaWei, MA WeiHong, GAO RongHua, YU LiGen, DING LuYu, YU QinYang

Beijing Research Center for Information Technology in Agriculture, Beijing 100097

Animal husbandry is an important part of agriculture. At present, animal husbandry is developing towards large-scale and intensive development, which also increases the difficulty of diagnosis of livestock and poultry diseases. In recent years, in order to improve the level of animal welfare in livestock and poultry breeding, and to reduce the economic losses and public health safety risks caused by animal diseases and health abnormalities in livestock breeding, a number of automated methods for the diagnosis and treatment of livestock and poultry diseases through digital and intelligent means have emerged, such as machine vision analysis, animal audio analysis, infrared temperature perception, deep learning classification, etc. These methods could effectively improve the diagnosis efficiency of diseased or abnormal livestock and poultry, shorten the diagnosis cycle, and reduce the labor force of manual inspection in animal husbandry. The automatic diagnosis and treatment method of livestock and poultry diseases is different from the conventional diagnosis methods based on pathological knowledge, which mainly uses various sensors to automatically obtain various characteristics information of livestock and poultry during the breeding process, such as images, sounds, body temperature, heart rate, and excrement. The collected information is comprehensively analyzed and processed through mathematical models, such as Mel cepstrum coefficient, Logistics regression analysis and intelligent algorithms such as support vector machines and deep learning, and then the animal’s health status is evaluated and predicted. The current research progress of animal disease intelligent diagnosis technology and some basic method principles was summarized from several aspects, such as livestock and poultry morphological diagnosis technology, behavior diagnosis technology, sound diagnosis technology, body temperature diagnosis technology, and other physiological parameter diagnosis technology. Those methods were based on the digital characteristics of animal appearance and body size, behavior and movement, call and sound, body temperature, excrement, respiration and heart rate, the characteristics collected by the sensor, which were analyzed and classified in real time through mathematical models, and the analysis was basically achieved. The current research results on automatic diagnosis and treatment of livestock and poultry diseases were abundant, but most of the related diagnosis methods were carried out in an ideal environment. However, the interference factors in the actual production and breeding environment were very large, and the most of the current diagnostic methods could not eliminate the interference well and accurately extract the required characteristic information. Besides, the current digital livestock disease diagnosis methods were mostly based on the analysis and diagnosis of one kind of livestock feature information, which affected the diagnosis accuracy of the diagnosis system and the diagnosis results were not convincing. At the same time, the most of the current digital diagnosis methods for poultry and livestock diseases still had some problems such as poor diagnosis generalization ability and poor anti-interference ability, which restricted their promotion and application. The focus of future research on automatic diagnosis of livestock and poultry diseases is to improve the accuracy of its sensing algorithms and the applicability and robustness of mathematical models, and to develop an intelligent diagnosis and treatment expert system for livestock and poultry diseases based on multiple feature coupling and data fusion, realize real-time, efficient, intelligent and accurate livestock and poultry health diagnosis.

disease intelligent diagnosis for livestock and poultry; behavioral diagnosis; physiological diagnosis; sensor monitoring for livestock and poultry

10.3864/j.issn.0578-1752.2021.11.016

2020-06-17；

2020-12-22

國家重點研發計劃項目（2018YFE0108500）、北京市農林科學院國際合作基金（2019HP002）、省部級-平谷農業科創區農業人工智能創新服務平臺建設及示范應用（Z191100004019007）

李奇峰，E-mail：liqf@nercita.org.cn。李嘉位，E-mail：ljw86@qq.com，李奇峰與李嘉位為同等貢獻作者。通信作者馬為紅，E-mail：mawh@nercita.org.cn

（責任編輯 林鑒非）