基于計算機視覺的奶牛生理參數監測與疾病診斷研究進展及挑戰

摘要：利用先進的信息技術推動智能養殖業發展已經成為奶牛養殖研究領域的重要目標和任務。計算機視覺技術具有非接觸、免應激、低成本及高通量等優點，在畜牧生產中應用前景廣闊。本文在闡述了計算機視覺技術在智能化養殖業發展中重要性的基礎上，首先介紹了基于計算機視覺的奶牛生理參數監測進展，包括體尺、體溫、體重的前沿監測設備、技術和模型參數。然后闡述了奶牛跛行及乳腺炎等疾病診斷的前沿技術發展過程和研究現狀。目前，相關技術研究和應用推廣存在檢測準確性不高，受環境因素影響較大，非標準化養殖場結構制約檢測系統普及，以及檢測系統成本較高等問題和挑戰。最后，本文結合中國養殖業發展現狀，針對保證檢測準確性、減少環境干擾等問題，就如何提高計算機視覺技術在智能化養殖業中的準確性和普適性提出了相關建議，旨在為中國奶牛養殖業的科學管理和現代化生產提供新方法和新思路。關鍵詞：奶牛養殖;計算機視覺;生理參數監測;疾病診斷;精細畜牧業;智能養殖

中圖分類號：S-1;S8-01"""""" 文獻標志碼：A"""""""" 文章編號：SA202204005

引用格式：康熙， 劉剛， 初夢苑， 李前， 王彥超.基于計算機視覺的奶牛生理參數監測與疾病診斷研究進展及挑戰[J].智慧農業（中英文）， 2022， 4（2）：1-18.

KANG Xi， LIU Gang， CHU Mengyuan， LI Qian， WANG Yanchao. Advances and challenges in physiological param ‐ eters monitoring and diseases diagnosing of dairy cows based on computer vision[J]. Smart Agriculture， 2022， 4（2）：1-18.（in Chinese with English abstract）

1引言

牛奶是健康中國、強壯國人的重要食物，奶業的振興關系到了農業供給側結構性改革的全局[1]。隨著經濟的發展和國家的大力扶持，奶業的規模不斷提高，中國居民人均奶類消費量逐年上升，已成為了牛奶生產和奶制品消費的大國[2]。奶牛的健康是牛奶產量和質量的基礎和保障，近些年來受到了國家的極大重視。在“十三五”期間，奶牛健康養殖項目被劃入農牧行業的優先發展方向，奶業振興取得了顯著成效：2020年，全國奶類產量3530萬噸，百頭以上奶牛規模養殖比重達67.2%，分別比2015年提高了7%和18.9%。奶牛年均單產達到8.3噸，比2015年提高了2.3噸[3]。2021年，中國奶牛單產達到8.6噸，比2020年提高3.6%[4]。然而，中國的牛奶產業仍然存在整體競爭力不足、受進口沖擊嚴重等問題[3]。因此，《中華人民共和國國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要》（簡稱“十四五”規劃）制定了提高全國奶類產量、增大養殖規模以及提升養殖場現代化設施裝備建設水平的發展目標[5]，旨在促進中國奶業發展，提升中國奶產品的質量和競爭力。

隨著新一代信息技術應用在奶牛養殖過程中，多種先進技術取代了人工操作，提高了工作效率、降低了人工成本。發達國家的信息化水平較高，養殖業中的環境監控、個體識別、精準飼喂及數字化管理等技術發展迅速。早在二十世紀八十年代，以色列、美國等農業大國已經將奶牛智能化養殖技術投入到了畜牧生產應用中。以色列阿菲金公司研發了全球第一套計算機牧場管理軟件——阿菲牧（ AfiFarm ），將牧場數據信息收集、整理和奶牛養殖技術融合[6]。中國相關研究起步較晚，裝備智能化程度不高，但無人化設施養殖發展勢頭強勁[7]。近年來，中國奶牛養殖業結構從農戶散養化逐漸向著集成化、自動化、規模化和現代化的方向發展[8， 9]，處于傳統養殖向智能養殖的過渡階段，存在專用傳感器落后、決策算法準確度低以及缺乏智能化精準作業裝備的問題[10]。因此，利用先進的信息技術實現智能養殖建設，進而保障奶牛身體健康、提高奶牛生活福利和養殖場經濟效益已經成為奶牛養殖研究領域的重要目標和任務。

計算機視覺技術具有非接觸、免應激、低成本及高通量等優點，在畜牧生產中應用前景廣闊[8， 11]。該技術可以通過相機模擬工作人員觀察視角，結合人工智能技術模擬人類思維，代替養殖場工作人員完成一系列工作，節約人力成本。并且由于計算機視覺系統工作時間長、穩定性高，可以很大程度地提高工作效率與數據利用率。此外，一些新型相機可以獲取目標的深度信息和溫度信息，以非接觸的方式實現奶牛體尺、溫度等生理信息獲取，高效無接觸地實現奶牛部分生理參數的監測和疾病的診斷。因此，計算機視覺技術應用于奶牛養殖業，可以避免奶牛應激，節約人力物力并且提高工作效率，是智能養殖業發展中的重要技術手段。

為進一步明確當前基于計算機視覺技術針對奶牛生理參數監測與疾病診斷的研究進展以及面臨的問題和挑戰。本文在闡述了計算機視覺技術在智能化養殖業發展中重要性的基礎上，介紹了基于計算機視覺的奶牛生理參數和疾病診斷的前沿技術，探討了相關技術研究和應用推廣所面臨的問題和挑戰，并結合中國養殖業發展現狀，就如何提高計算機視覺技術在智能化養殖業中的普適性提出了相關建議，旨在為中國奶牛養殖業的科學管理和現代化生產提供新方法和新思路，為中國智能養殖業和農業現代化發展提供理論參考和技術支撐。

2奶牛生理參數監測

奶牛生理參數主要包括體尺、體溫、呼吸頻率和血液生化指標等，奶牛生理參數的監測對于保障奶牛的生產性能、健康狀況和經濟價值具有十分重要的意義[12]。其中，基于計算機視覺技術的奶牛體溫和體尺參數監測已被廣泛研究，通過無應激的手段實時監測奶牛生理參數，可為養殖場人員及時提供奶牛生理指標，以確保奶牛的養殖安全和生活福利。奶牛生理參數監測技術示意圖如圖1所示。本節介紹奶牛體尺、體溫和體重三方面的監測研究進展。

2.1奶牛體尺監測

奶牛的體尺參數不僅為畜牧專家選種育種提供參考依據，還是養殖場評估奶牛個體或群體生產性能的重要標準[13]。長期以來，奶牛體尺通常采用測杖、卷尺和皮尺等工具進行手工測量，該方式易受人為主觀因素影響，且有損動物福利。隨著養殖場向著規模化發展，人工測量不僅更加費時費力，而且數據管理較為困難[14]。

計算機視覺技術可以實現奶牛體尺的無接觸、無應激測量[15]。研究者借助可見光相機、深度相機等設備獲取奶牛圖像數據后，通過圖像預處理、計算、預測與度量等操作，實現奶牛體尺參數的自動化測量，并取得了豐碩的研究成果。

奶牛體尺自動測量技術在研究初期多是基于二維圖像展開的，研究人員利用可見光相機、熱紅外相機或深度相機獲取奶牛二維圖像數據并進行處理分析[16]。但熱紅外相機成本普遍較高，并且熱紅外圖像分辨率和對比度偏低，不利于奶牛體尺測量技術的應用和推廣。后續有研究借助可見光相機采集奶牛彩色圖像，但彩色圖像中的奶牛目標易受養殖場復雜環境影響，分割效果較為粗糙。深度相機的工作原理通常是根據相機與物體之間的距離進行成像，所以目標分割難度較小，分割效果更加清晰。因此，后續研究多采用深度相機進行數據采集。表1總結了當前較為典型的基于計算機視覺的奶牛體尺檢測研究成果。

早期研究多利用傳統的數字圖像處理方法定位奶牛體尺測點，估測奶牛體尺參數[20]，但該方法易受環境等外界因素影響，導致奶牛體尺估測精度較低。隨著人工智能技術的快速發展，深度學習技術應用于奶牛體尺測點定位研究，顯著地提高了檢測精度[26]。深度學習技術可以篩選質量較好的圖像，用于定位體尺測點，在奶牛形態測量評估中具有較大的應用潛力[25]。基于二維圖像的奶牛體尺測量研究處理算法較為簡單，且計算速度快，基本滿足奶牛體尺實時測量的要求。但對于奶牛胸圍、腹圍、管圍等體尺圍度的測量，則表現出一定的局限性。

隨著三維重建技術的不斷發展以及消費級深度相機的普及應用，研究人員將三維點云處理技術應用于奶牛體尺自動測量領域，并且驗證了三維點云處理技術在奶牛體尺參數自動測量方面的可行性[18， 27]。有研究采用 Kinect 、Xtion 等消費級深度相機采集奶牛深度圖像，并將深度圖像轉換為三維點云，通過三維點云處理方法定位奶牛體尺測點，進而計算體尺參數[19， 28]。但消費級深度相機通常易受強光照干擾，且當觀測對象運動時容易出現圖像模糊，影響奶牛體尺測點定位精度。研究人員針對這一問題，利用三維激光掃描儀直接獲取奶牛體表點云數據，并重構完整的奶牛點云模型，進而計算奶牛各項體尺數據，精度有了較大提高[22]。但三維掃描儀采集的數據量較大，導致點云處理時間較長，且三維掃描儀成本較高，不利于奶牛體尺測量技術的實時計算與應用推廣。因此，大多數研究仍采用消費級深度相機進行奶牛體尺自動測量，通過算法創新與改進，提升奶牛體尺測點定位精度[23]。隨著奶牛體尺測量研究的逐步深入，奶牛圍度體尺自動測量受到研究者的廣泛關注，多目相機的體尺檢測以及奶牛體尺對體重、發育程度和健康狀況的評估成為目前奶牛體尺自動測量研究的熱點[16，29，30]。

綜上所述，利用消費級深度相機采集奶牛深度信息，并轉換為三維點云數據，通過計算機視覺和深度學習等先進技術，自動計算奶牛體尺參數，成為目前奶牛體尺自動測量領域的主要方法與研究熱點。但如何提高點云處理速度、體尺測點定位精度、算法普適性與魯棒性仍是目前研究亟需突破的關鍵問題。

2.2奶牛體溫監測

體溫是評價奶牛健康和生理狀況的第一指

標，及時準確地檢測體溫變化對奶牛養殖和健康管理具有重要意義[31]。奶牛的正常體溫為38.5～39.5℃，疾病、發情和熱應激等原因均會造成奶牛體溫的變化[32]。直腸溫被認為是評定動物體熱平衡狀態的首要生理指標[33]，臨床上通常使用直腸溫代表奶牛體溫，因此傳統的奶牛體溫檢測多采用人工直腸測溫方法[33]。然而，這種方法費時費力、創傷性較大，并且由于測溫時奶牛需要被控制，極易引起應激反應，導致奶牛體溫升高，從而降低體溫檢測的準確性[34]。熱紅外相機可以探測物體輻射出的紅外線，轉化成為人眼可見的二維圖像，非接觸式地測量物體表面溫度[35]。隨著熱成像技術的發展和熱紅外相機的廣泛應用，這種無損、無接觸的測溫方式有效地避免了上述傳統測溫方式所帶來的問題，為奶牛體溫檢測研究提供了新的方向。熱紅外相機的主要組成結構為：光學鏡頭、紅外探測器和信號采集電路。物體表面輻射出的紅外電磁波由光學鏡頭接收，再傳輸到紅外探測器，紅外探測器將紅外輻射轉換成對應的圖像，獲取物體的溫度分布狀況，其工作原理如圖2所示。

研究人員開展了基于熱紅外相機的奶牛體溫檢測相關研究，表2所示為該領域較為典型的研究成果。從方法和技術層面來看，將熱成像技術應用于養殖場的奶牛體溫檢測工作中，主要面臨以下三大問題，大部分的研究也是圍繞這三項問題開展的。

首先，動物的體溫一般使用其體核溫度（動物機體內部器官或深部組織的熱量狀態）表示[33]，熱紅外相機獲取的是奶牛體表溫度。因此，探究體表溫度與體核溫度間的相關性以及體表溫度能否作為體核溫度的有效代替指標是需要解決的關鍵問題。近年來，許多研究人員開展了熱紅外圖像中奶牛不同部位體表溫度與體核溫度之間相關性的研究。其中，熱紅外相機所檢測的奶牛身體部位主要包括眼睛、耳后、前額、腹部、外陰、乳房和蹄部等[37]。結果表明，奶牛眼睛、前額溫度與直腸溫之間存在較高的相關性，可用于奶牛體溫的檢測[36，37，40]。

其次，由于熱紅外相機獲取的是奶牛熱圖像，其中感興趣區域（Region of interest ， ROI ）的溫度提取需要在圖像中對該區域進行定位，眼睛等 ROI區域通過專用的軟件由人工標定，費時費力且自動化水平較低。因此，研究人員開展了熱紅外圖像中 ROI區域自動定位的方法研究。由于熱紅外圖像分辨率較低、ROI 區域面積較小、特征不明顯并且奶牛姿態多變，導致了直接對 ROI區域定位的精度較低。研究人員通過 ROI區域與頭部、身體的相對位置關系，結合圖像處理、骨架樹及深度學習等模型實現了熱紅外圖像中 ROI 區域較為準確的定位[32，41，42]，但上述方法仍受奶牛頭部姿態變化影響，定位精度仍有待提高。

最后，雖然奶牛作為高等動物具有完善的體溫調節機制，能夠在外界環境溫度改變時，通過調節機體的產熱和散熱過程，維持體核溫度的相對恒定[33]。但體表溫度易受環境變化的影響，因此研究人員針對明確影響熱紅外相機溫度檢測的養殖場環境因素，以及如何對該影響進行補償進而提高檢測精度的問題開展了研究。研究結果表明，奶牛體表溫度會隨環境溫度的變化而變化[39]，且不同部位表面溫度受環境溫度影響不同，其中奶牛眼溫受環境影響較小[38]，較為適合用于基于熱紅外視頻的奶牛體溫監測研究。此外，相機與拍攝目標的距離、大氣對紅外輻射能量的吸收等因素都會影響其檢測精度。因此，在實際應用中，應充分考慮各種影響測量準確性的因素，并加以調節反饋進而保證獲取溫度的準確性。

總而言之，基于熱紅外視頻的奶牛體溫監測技術相較于人工檢測方法具有節省人力物力、無損傷和無應激等優點，是智慧畜牧業中畜禽信息智能感知技術的重要組成部分，但該技術對奶牛體溫獲取的精度仍有待進一步提高，熱紅外圖像中的目標精準檢測以及監測系統對環境魯棒性的提升是基于熱紅外視頻的奶牛體溫監測技術普及應用的關鍵。

2.3奶牛體重監測

奶牛體重監測在飼養繁殖過程中占據著重要地位，奶牛體重參數不僅反映其日增重、產奶量、食物轉化率與生產性能等重要指標，還是監測奶牛生長發育狀況的主要依據[43]。目前國內大多養殖場仍采用傳統的體重秤稱重方式，由于奶牛難以長時間保持靜止不動姿態站立于體重秤上，因此在實際測量過程中，奶牛稱重結果精度不高。并且驅趕奶牛上稱時，易對奶牛造成應激，稱重結果更加難以控制，且有損動物福利。

隨著信息技術的快速發展，有研究提出應用計算機視覺等技術，進行奶牛體重等生理參數的自動測量[44]。該方式不僅可以無應激、無接觸式測量奶牛體重，避免造成奶牛應激，而且省時省力，數據管理與存儲效率較高[45]。研究者借助可見光相機、深度相機等數據采集設備，實現了基于計算機視覺的奶牛體重自動測量，取得了較多研究成果，如表3所示。

根據體重估測模型中所采用的模型參數不同，基于計算機視覺的奶牛體重測量研究主要分為三類，包括基于體尺、基于面積與基于體積的奶牛體重測量模型。研究初期已有許多研究者提出了采用人工測量的奶牛體尺參數，建立經驗公式、多元回歸模型等用于估測奶牛體重。因此，基于計算機視覺的奶牛體重自動測量技術在研究初期，多將研究重點集中于奶牛體尺自動測量方面，通過降低體尺測量誤差，優化體重估測模型，來提高奶牛體重估測模型精度[46，47]。基于體尺參數的奶牛體重估測模型，通常選取奶牛體斜長、體高、胸圍、腹圍與管圍等體尺參數構建多元回歸模型[52]。其中，多項研究表明，奶牛體重與胸圍、體深、腹寬等參數相關性較強[53]。

基于面積的奶牛體重測量模型，又可分為基于投影面積與基于表面積的測量模型。其中，基于投影面積的奶牛體重測量模型，通常是利用可見光相機或深度相機采集奶牛俯視或側視圖像數據，通過圖像預處理、奶牛目標分割等操作，計算奶牛身體區域像素點數作為奶牛在圖像中的投影面積，并進一步結合奶牛體尺等數據建立體重估測模型。另外，基于表面積的奶牛體重測量模型，通常采用深度相機采集奶牛俯視與側視等多視角深度數據，并將深度圖像轉換為三維模型，通過計算奶牛三維模型的表面積，估測奶牛體重[50，51]。其中，雖然基于投影面積的奶牛體重估測模型的圖像處理步驟簡潔、構建速度快，但模型精度通常低于基于表面積的奶牛體重估測模型。

基于體積的奶牛體重測量模型與基于表面積的體重模型方法相似，二者都是先利用深度相機構建奶牛三維模型，然后計算模型體積參數，建立奶牛體重估測回歸模型[54，55]。其中，也有研究提出基于奶牛體深與體直長等參數，將軀干近似為圓柱體，基于奶牛頭部體尺參數，將頭部近似為圓錐體，計算圓柱體與圓錐體體積之和，估測奶牛、豬等家畜體重。但相關研究大多仍采用基于奶牛三維模型體積參數，構建體重估測模型。因此，構建精準的奶牛三維模型、提高多視角數據配準精度，成為該方法的研究重點。

綜上所述，利用深度相機構建奶牛三維模型，利用計算機視覺、深度學習與多元回歸分析等先進技術，計算奶牛直線體尺、圍度體尺、投影面積、表面積與體積等表型參數，優化奶牛體重估測模型，成為目前基于計算機視覺的奶牛體重測量領域的研究熱點[56]。但仍需進一步探明各項表型參數與奶牛體重的相關性，提高奶牛體重估測模型普適性與魯棒性。

3奶牛疾病診斷

奶牛疾病會嚴重影響奶牛生活福利和養殖場經濟效益，并會為奶制品安全和人類健康帶來一定的不利因素[57]。因此，對奶牛疾病的有效防治可以從根本上保證奶牛健康和牛奶品質，減少養殖場經濟損失以促進中國奶業發展。奶牛常見的疾病主要包括乳房炎、跛行、酮病以及不孕癥等[58]，其中針對奶牛乳房炎和跛行的檢測在計算機視覺領域研究廣泛。基于計算機視覺的奶牛疾病診斷技術可以高效、無應激地實現奶牛疾病的檢測和預警，以保證患病奶牛被及時地發現和治療，減少養殖場的經濟損失。

3.1奶牛乳房炎檢測

奶牛乳房炎是影響奶牛養殖生產環節最嚴重的疾病之一，不僅會造成奶牛產奶量下降、牛奶品質降低，而且會增加奶牛的淘汰率和死亡率，給奶牛養殖企業帶來巨大的經濟損失[59，60]。及早發現乳房炎可以防止乳房炎進一步惡化，減少養殖場的經濟損失。然而，由于奶牛隱性乳房炎的病因較為復雜、臨床癥狀不明顯，人工監測的方法容易造成乳房炎漏檢并且工作效率較低。因此，亟需探究一種用于早期和準確檢測乳房炎的技術方法，以保證奶牛福利和養殖場的經濟效益。

近年來，研究人員針對奶牛乳房炎檢測問題探索并開發了一系列方法和設備。早期的方法主要依托于檢測牛奶的理化性質[61]，其中小型奶牛場最為常用的是加州乳房炎檢測法（ Califor‐ nia Mastitis Test ， CMT ），該方法具有檢測速度快、價格便宜、操作簡單等優點，但其結果無法直接量化，需要安排專業人員進行檢查[62]。另外一種比較常見的方法是體細胞檢測法（ Somat‐ic Cell Count ， SCC ），即通過測量乳汁中的體細胞數來判定奶牛的健康狀態[63]。一般情況下健康奶牛的乳汁體細胞數為25萬個/mL左右，然而當奶牛患病時，體細胞數量會快速升高[64]，當體細胞數量高于所設定的閾值時，可判斷奶牛患有乳房炎，但該方法的檢測過程繁瑣，耗費時間較長。pH 計檢測法也是一種較為準確的乳房炎檢測方法，但該方法在每次使用前需要進行標定，過程較繁瑣[65]。自上世紀80年代以來，研究人員一直致力于基于牛奶理化性質的奶牛乳房炎自動檢測傳感器的開發[66]，已開發的傳感器包括 SCC 測量傳感器[67，68]、L-乳酸脫氫酶傳感器[69] 以及生物傳感器[70]等等。然而，該類傳感器需要嚴格控制采集樣品的環境條件，難以應用到實際生產的大規模牛群檢測中[71，72]。

作為一種無創方法，紅外熱成像技術可以無接觸地測量皮膚放射出的熱量，從而反應皮下循環和新陳代謝[73]。乳房炎將導致奶牛乳房區域溫度升高，通過紅外熱成像技術可以檢測到乳房發出的熱輻射變化[74]，因此許多研究者利用這一特點，開展了基于熱紅外視頻的奶牛乳房健康狀況評估技術研究[75]。該項技術可以降低奶牛乳房炎檢測成本，適應奶牛規模化養殖模式，因此在奶牛乳房炎檢測領域發展迅速。表4展示了近年來基于計算機視覺技術的奶牛乳房炎檢測相關研究。

就研究方法而言，在利用熱成像技術檢測奶牛乳房炎的工作中，大部分研究是圍繞三種方法進行的。首先是直接通過熱紅外相機采集奶牛乳房的熱紅外圖像，通過觀察熱紅外圖像中奶牛乳房的溫度來判斷奶牛是否患有乳房炎[78];其次是通過比較左右兩側乳房溫差與所設溫差閾值的大小來診斷奶牛乳房炎，因為未患乳房炎的奶牛左右乳房溫度間差異不明顯，而當奶牛患有乳房炎時，患病乳房表面溫度將高于健康乳房的溫度。采用左右乳房溫差法診斷乳房炎可以減小環境因素（養殖場溫濕度[79]、風速[80]等）以及奶牛自身因素（乳房清潔度[81]、奶牛活動量[82]等）對乳房溫度的影響，但是當奶牛左右兩側同時患有乳房炎時，其左右乳房溫差可能小于設定閾值，造成乳房炎的誤判;最后，通過比較奶牛眼乳溫差與所設閾值的大小來判斷奶牛是否患有乳房炎。由上文可知，熱紅外圖像中的奶牛眼溫可用于代表奶牛體溫，通過眼乳溫差法可以明確奶牛乳房溫度與體溫的相對變化。但乳房作為敏感區域，其表面溫度很容易受到環境因素的影響，造成檢測誤差。因此，在今后的研究中建議同時考慮奶牛的眼溫和左右乳房的溫度，既能減小環境等因素的影響又能避免左右乳房同時患病造成的誤判，從而提高乳房炎檢測的準確性。

就研究技術而言，實現奶牛乳房炎自動化檢測的關鍵在于熱圖像中對奶牛眼睛和乳房區域的快速及準確定位，現階段常用的檢測技術主要包括傳統圖像處理技術和深度學習技術。傳統圖像處理技術提取奶牛關鍵部位的圖像[41，76]，易受環境噪聲等因素的干擾[83]，影響乳房炎檢測精度。近年來，深度學習技術發展迅速，該技術能夠準確地從復雜背景中提取目標和特征，滿足對自然場景中奶牛關鍵部位的高精度檢測要求，因此已被廣泛應用于奶牛乳房炎的自動檢測研究中[77]。此外，在使用眼乳溫差法檢測奶牛乳房炎時，通常會采取“優先定位頭部，再定位眼睛”的策略，以解決奶牛眼睛區域過小、定位準確率低的問題，但奶牛頭部姿態的多樣性會影響奶牛眼睛溫度提取的準確性，因此奶牛頭部姿態的判斷成為了奶牛熱圖像的篩選條件[42]，以確保后續奶牛眼睛溫度提取的準確性。

綜上所述，計算機視覺技術可應用于奶牛乳房炎檢測工作中，通過對奶牛關鍵部位的準確定位，提取其溫差信息并與所設定的閾值進行比較，實現奶牛乳房炎檢測。然而目前基于溫度閾值的乳房炎檢測方法準確性仍不高，并且易受環境等因素干擾。因此，乳房炎檢測方法的研究以及提高系統的魯棒性是基于計算機視覺的奶牛乳房炎檢測技術的關鍵研究方向。

3.2奶牛跛行檢測

奶牛跛行主要是由趾間皮炎、蹄底潰瘍和蹄葉炎等肢蹄病引起的肢蹄疼痛，而導致的奶牛肢蹄承重能力下降和步態異常[84]。奶牛跛行不僅降低了奶牛福利及潛在產奶量，還會影響奶牛繁殖性能，增加奶牛過早淘汰的風險，奶牛跛行現已成為僅次于乳房炎的影響奶牛健康的第二大類疾病，會對養殖場造成巨大的經濟損失[85-87]。

傳統的奶牛跛行檢測方法以人工觀察法為主，通過觀察奶牛弓背、點頭、步態跟隨性以及對稱性等方面的異常，對奶牛進行運動評分。使用最廣泛的奶牛運動評分標準是經典的五分制奶牛運動評分系統[88]，根據奶牛的背部姿態、站立姿勢和行走步態變化，將奶牛跛行分為1～5分值，評分越高表示奶牛跛行越嚴重。然而該方法受觀察者的個人經驗及主觀因素影響較大，并且需要耗費大量的人力物力。除此之外，人工觀察法對奶牛輕微的步態異常不敏感，無法有效辨識輕度跛行[89]。

近年來，計算機視覺技術快速發展，利用該技術可以自動感知奶牛步態行為，避免奶牛應激反應。基于計算機視覺的奶牛跛行識別已成為本研究領域的一個主要研究方向。一些研究者通過相機采集奶牛行走視頻數據，從視頻圖像序列中提取跛行特征并識別奶牛跛行，取得了較好的研究成果[90，91]，表5展示了近年來基于計算機視覺技術的奶牛跛行檢測相關研究。

3.2.1跛行檢測系統介紹

基于計算機視覺的奶牛跛行檢測系統所使用的相機種類主要有三種，包括二維可見光相機、三維深度相機和熱紅外相機。基于可見光相機的計算機視覺技術，由于可見光相機普遍具有高清晰度和較廣的拍攝視野的優點，在檢測奶牛跛行研究中得到了廣泛的應用，其工作系統如圖3所示。攝像機放置在通道的一側，以確保獲取的奶牛行走側視圖清晰完整;工控機與可見光相機連接，其中可見光相機用于視頻獲取，工控機用于圖像處理和算法執行;射頻識別采集器（ Radio Frequency Identification ， RFID ）記錄每頭奶牛的 ID編號，用于對應視頻中的奶牛。

研究人員利用可見光相機獲取奶牛自然行走視頻，并對視頻中奶牛行走所表現出的步態特征進行量化和分析，進而通過閾值或機器學習等方法實現奶牛跛行的檢測和分類[92，98， 102]。可見光相機所接收的光波頻率與人眼相同，易于研究人員觀察分析，并且視頻中包含奶牛的姿態信息和步態對稱性的動態信息，比較適用于奶牛跛行的檢測研究，因此利用可見光相機獲取奶牛行走視頻成為了早期基于計算機視覺的奶牛跛行檢測研究的主流方法。

隨著電子信息技術的快速發展，各類功能強大的新型相機也隨之普及和應用，深度相機和熱紅外相機可以獲得目標的深度和溫度信息[97，99]，這些信息可以表達可見光相機無法提取的生理指標，為跛行檢測提供了不同的研究角度和方向。基于可見光相機的奶牛跛行檢測研究目前存在一定的局限性：首先，許多農場由于建筑結構限制，不具備安裝側視相機的空間[103];其次，照明條件和背景的變化會影響特征提取效果[104];最后，可見光相機采集的二維信息使得后期算法對奶牛跛行特征的空間位置關系判別較為模糊，難以滿足奶牛跛行高精度檢測的需要。相比之下，深度相機在一定程度上可以避免上述問題[21]。

深度相機可以檢測每個像素點到相機的距離，以獲得目標的三維空間信息，在一定程度上降低了光照等周圍環境變化的干擾。利用奶牛步態三維空間信息，可準確獲得奶牛行走過程中的空間位置關系，便于剖析奶牛時空運動層次結構，為跛行奶牛時空運動變化規律研究提供數據基礎。在基于深度相機奶牛的跛行檢測研究中，深度相機普遍被架設于通道上方，以獲取奶牛行走過程中其背部姿態的三維視頻圖像，研究人員主要通過奶牛的背部姿態和脊柱彎曲角度檢測奶牛跛行。與可見光相機相比，深度相機對環境條件的要求更低，更容易獲取圖像。此外，深度相機更適合長期觀察和數據收集以進行統計分析[91]。但另一方面，由于深度圖像數據量較大并且相機的視野較小[97]，需要控制奶牛行走速度[105]。此外，步態是奶牛跛行檢測的重要指標[106]，無法獲得腿部圖像限制了深度相機檢測奶牛跛行的全面性。

后續的研究發現，當牛蹄受損時，其冠狀動脈區域溫度會發生變化[99]，因此研究人員通過熱紅外相機獲取牛蹄表面溫度并分析其溫度變化實現了奶牛跛行檢測[100]。由于早期跛行奶牛的運動特征變化并不顯著[107]，紅外熱成像技術作為跛行早期檢測和預防的一種診斷方法具有較大潛力。但熱成像技術在早期的跛行檢測研究中主要用于檢測牛蹄溫度，并且需要近距離拍攝奶牛牛蹄熱圖像，難以實現自動化系統集成。

總而言之，三種相機均可以用于奶牛跛行檢測研究，依托不同類型相機所構建的檢測系統，具有不同的拍攝角度、數據采集格式和檢測方法，并且各有優缺點。不同的研究依據其檢測的環境和需求，需要選擇不同類型的相機實現跛行檢測。

3.2.2跛行檢測方法介紹

跛行奶牛和健康奶牛行走過程中的行為姿態存在差異[108]，例如跛行奶牛行走時速度慢、步幅小并伴隨著背部彎曲和頭部擺動[109]。這些行為變化主要是由于奶牛會通過減少病肢蹄的承重以減少蹄部的疼痛。上述行為變化成為了跛行檢測研究的重要依據。早期研究人員檢測跛行主要利用運動評分系統中描述的奶牛運動特征，例如弓背[97]，頭部擺動[110] 和步態不均勻[96]等。除此之外，研究人員還發現一些運動特征與跛行之間存在著相關性，包括蹄踏時間[111]、軌跡跟蹤[112]、牛蹄關節角度[113]、奶牛頸背部斜率[93] 以及支撐相的差異等[94]。上述奶牛運動特征均可以用于檢測跛行，但效果不同，并且在特征選擇上，還應考慮從視頻圖像中提取不同特征的難度。早期的研究大多使用單一特征來評估跛行，單特征檢測具有信息收集速度快，分類算法簡單等優點，但不能準確、全面地表征奶牛跛行程度[109]。例如，弓背曲率可以用于檢測跛行，但是一些跛行的奶牛不會表現弓背，而一些非跛行的奶牛由于患有腹痛、心包疾病和胸膜肺炎等疾病，也會表現出弓背[114]。研究人員根據對跛行奶牛各種異常行為指標的調查，總結出對稱性、跟蹤、脊柱彎曲、頭部擺動、速度和外展的權重分別為24%、20%、19%、15%、12%和9%，因此使用多個特征進行跛行檢測理論上可以使檢測更加全面[109]。

隨著圖像處理技術的發展，許多研究致力于使用圖像處理技術，從視頻中更準確的提取奶牛跛行特征[112]。圖像處理技術面臨的主要問題是如何從復雜的背景中準確地定位行走的奶牛。傳統的背景減除法易受外部因素干擾，奶牛前景分割精度較低[115]。因此，研究人員提出一系列提高圖像處理效果的方法，包括增加背景和前景對比度、多種圖像處理方法結合以及分析像素特征等[115-118]。然而，使用圖像處理算法檢測奶牛關鍵位置信息，仍存在效率較低且檢測效果不佳等問題。近年來，隨著深度學習技術迅速的發展和應用，在圖像分類與目標跟蹤方面，其精度已經普遍超過了傳統的圖像處理方法。研究人員發現利用深度學習技術可以較為準確地檢測奶牛運動特征，滿足了自然場景中奶牛關鍵部位高精度檢測的要求[104]。

選擇并獲取跛行特征信息后，研究人員會依據各種特征信息對跛行進行分類[111]。傳統分類方法為閾值分析，根據不同跛行等級的特征數據定義分類閾值，并根據奶牛的特征值和分類閾值確定其跛行等級。由于奶牛是復雜且時變的個體[119]，用于檢測跛行的變量會受到奶牛個體特異性影響[120]，早期的大部分研究多是針對奶牛群體定義跛行檢測的閾值和標準，但沒有關注個體差異[107]。后續的研究中，研究人員使用 k-鄰域、雙向長短期記憶網絡以及其他機器學習和深度學習算法對奶牛跛行進行分類[93，95，96]，準確率均超過90%。關于哪一種分類算法最適用于跛行檢測，尚未達成共識[121]。然而，當使用多個特征檢測跛行時，理論上可以得到更準確的檢測結果，因此機器學習（包括深度學習）算法將會有更廣闊的應用空間。

綜上所述，基于計算機視覺的奶牛跛行識別已經取得了較好的研究進展，識別準確率以及自動化程度已經顯著提高。基于可見光相機、深度相機以及熱紅外相機的方法都可以較好地實現奶牛跛行檢測，但三者各有優勢和劣勢，適用場景也各不相同，因此在養殖場進行實際應用階段，需要根據實際情況選取最適合的方案。

4面臨的挑戰和發展建議

目前，有關計算機視覺奶牛生理參數監測與疾病診斷技術的研究多集中在方法探究和算法研發階段，并沒有實現大范圍的普及應用，成熟的商業化產品較少。計算機視覺技術應用于精細畜牧業的構建中，不僅需要其具有良好的檢測精度，還需要充分考慮其檢測速度、設備成本、系統魯棒性和操作難度，現有技術尚未達到智能養殖對應用系統可靠、準確、低成本及易維護的需求[11]。因此，本文根據計算機視覺技術在養殖業中的研究成果，結合養殖業的發展現狀和養殖場的實際需求，總結了計算機視覺技術在奶牛生理參數監測和疾病診斷方面普及應用所面臨的問題和挑戰，并提出了相應的發展建議。

4.1面臨的問題和挑戰

（1） 檢測準確性仍有待提高。目前基于計算機視覺的奶牛生理參數監測和疾病診斷相關研究，其結果大多無法滿足養殖場應用的精度需求。分析其原因在于，首先，計算機視覺技術固有的信息限制問題。計算機視覺技術的非接觸信息獲取方式減少了奶牛的應激反應并且提高了工作效率。然而，這種方式獲取的信息種類單一，導致了該技術針對一些生理參數或疾病的檢測無法沿用傳統或者精度較高的方法。因此，僅依靠計算機視覺技術所獲取的有限信息無法實現精準檢測;其次，生物的個體特異性影響問題。所有畜禽包括奶牛都是復雜且時變的個體[119]，不同個體的生長情況、生長階段以及對疾病的忍耐程度等特征存在差異，影響了后續監測和診斷算法結果的精度。最后，信息提取存在誤差。計算機視覺檢測模型需要從系統所獲取的圖像中提取特定的信息用于后續的監測和診斷，目前的信息提取精度相較于人工標定仍存在差距，尤其是受奶牛姿態或環境因素影響嚴重，進而導致了后續檢測結果精度的下降。

（2） 環境因素影響較大。目前中國的養殖場并沒有完全實現規模化和現代化，環境條件仍是制約計算機視覺技術應用普及的重要因素。由于養殖場環境復雜，環境氣候、光照條件、奶牛糞污及氣體腐蝕等因素對設備壽命以及檢測結果的影響較大[11]。一方面，應通過有效的信息感知與環境調控[9]改善養殖場的設施環境以提高奶牛的生活福利和養殖場的經濟效益，為更多種類的傳感器在養殖場中的應用提供有利條件，進而提高養殖場的智能化與自動化，形成良性循環;另一方面，在針對計算機視覺的奶牛養殖研究過程中，要充分考慮環境等外界因素對系統穩定性和準確性的影響，通過硬件設計與算法修正，提高計算機視覺系統在養殖場環境下的魯棒性。

（3） 非標準化養殖場結構制約了檢測系統普及。目前，中國推行的養殖場設計規范主要針對的是生物安全、畜禽防疫、環境保護和奶牛福利等問題[122]。雖然養殖場的現代化、規范化發展在一定程度上為智能傳感器設施提供了裝備空間，但計算機視覺系統對養殖場建筑結構與硬件設施要求較高，目前養殖場結構仍沒有實現完全的標準化，限制了計算機視覺系統的普及應用。基于計算機視覺的奶牛生理參數監測與疾病診斷系統工作需要奶牛依次通過相機拍攝視野，因此需要養殖場具備相應的采集通道，并且在通道兩側與上方需要有足夠的空間用于系統搭建。由于缺乏標準化規定，養殖場建筑結構與硬件設施差異較大，因此系統的普適性和泛化性仍有待提高。

（4） 檢測系統成本較高。檢測系統的成本和檢測能力是影響其在養殖場使用的兩個主要因素。計算機視覺系統主要由相機和計算機（工控機）組成。相機（可見光相機、深度相機和熱紅外相機）價格跨度較大，尤其是熱紅外相機目前價格相對較高。但廉價相機采集的數據會為后續的數據處理過程帶來困難（如鬼影圖像），從而影響檢測結果。因此對于檢測系統的開發，不僅要保證其檢測性能，同時也要充分考慮其價格成本的受眾情況。

4.2未來發展建議

計算機視覺技術作為中國畜禽養殖業智能化發展的重要環節，可以在奶牛生理參數監測與疾病診斷領域充分發揮其無應激、高效率等優勢，為了更好地推動基于計算機視覺的奶牛生理參數監測與疾病診斷研究發展，盡早實現產業化集成和應用推廣，本文提出以下發展建議。

（1） 針對目前研究精度仍有待提高的問題，作者認為后續的研究仍要以算法研發為主要工作，包括感知算法和決策算法均存在較大的提升空間，感知算法要力求“測得準”，決策算法則要追求“測得對”，充分發揮計算機視覺技術可以連續檢測、數據量大的優勢，利用云計算、深度學習與大數據等智能計算技術對大量信息進行分析和處理[9]。

（2） 在檢測系統普及應用方面，需要在硬件設計過程中充分考慮系統的普適性和裝備的靈活性，在不影響養殖場正常工作的基礎上減少空間占用率。在系統成本方面，首先，隨著電子技術的發展，同性能水平電子設備的價格會趨于下降[123];此外，當多項研究技術被集成到計算機視覺系統中時，設備成本會間接降低。因此，應提高系統的功能集成化與數據利用率，拓展計算機視覺系統功能，并且在不影響系統檢測能力的前提下，減少設備成本，探究均衡設備成本與精度的解決方案[124]。

目前，中國畜禽養殖業逐步向規模化及標準化方向過渡[9]，計算機視覺技術結合大數據、云計算和深度學習等智能技術在畜牧生產中應用前景廣闊，相關研究人員應在充分考慮養殖場需求的基礎上，探索適用于中國不同區域、不同模式與規模養殖場的高精度、低成本計算機視覺奶牛生理參數監測與疾病診斷系統，為提高動物福利、加強養殖場的信息管理效率以及生物安全防治提供有力的技術支持，助推中國智能養殖業和農業現代化快速發展。

參考文獻：

[1] 王艷陽， 李彤， 劉佳麗， 等.中國奶牛產業發展現狀與對策[J].黑龍江畜牧獸醫， 2017（24）：23-26.

[2] 陳艷飛.奶牛產業發展現狀與未來[J].養殖與飼料 ，2018（7）：105-106.

[3] 農業農村部：\"十四五\"奶業競爭力提升行動方案[J].北方牧業， 2022（5）：14-15.

[4] 李勝利， 姚琨， 曹志軍， 等.2021年奶牛產業技術發展報告[J].中國畜牧雜志， 2022（3）：244-249.

[5] 劉一明.實施九大任務提振奶業發展——\"十四五\"奶業競爭力如何提升有了行動方案[N].農民日報， 2022-03-03（6）.

[6] 劉繼芳， 韓書慶， 齊秀麗.中國信息化畜禽養殖技術應用現狀與展望[J].中國乳業， 2021（12）：47-52.

LIU J， HAN S， QI X. Application progress and pros‐pects of the livestock and poultry informatized breed‐ing" technology" in" China[J]. China" Dairy， 2021（12）：47-52.

[7] 王國占 ， 侯方安 ， 車宇. 國內外無人化農業發展狀況[J].農機科技推廣， 2020（8）：8-9， 15.

[8] 高學杰.高產奶牛養殖技術要點與疾病防控[J].畜禽業， 2022， 33（3）：128-130.

[9] 滕光輝.畜禽設施精細養殖中信息感知與環境調控綜述[J].智慧農業， 2019， 1（3）：1-12.

TENG" G. Information" sensing" and" environment" con‐trol" of precision" facility" livestock" and" poultry" farm ‐ing[J]. Smart Agriculture， 2019， 1（3）：1-12.

[10]趙春江.智慧農業發展現狀及戰略目標研究[J].智慧農業， 2019， 1（1）：1-7.

ZHAO C. State-of-the-art and recommended develop‐mental" strategic" objectives" of" smart" agriculture[J].Smart Agriculture， 2019， 1（1）：1-7.

[11]韓書慶， 張晶， 程國棟， 等.奶牛跛行自動識別技術研究現狀與挑戰[J].智慧農業（中英文）， 2020， 2（3）：21-36.

HAN S， ZHANG J， CHENG G， et al. Current state and challenges" of" automatic" lameness" detection" in" dairy cattle[J]. Smart Agriculture， 2020， 2（3）：21-36.

[12]徐文嬌， 董彥君， 董玉蘭， 等.不同年齡段奶牛臨床參數和血常規生理指標調查分析[J].中國獸醫雜志 ， 2017， 53（10）：28-30.

XU W， DONG Y， DONG Y， et al. Different age para‐ graph" the" cow" clinical" parameters" and" routine" blood physiological index analysis[J]. Chinese Journal of Vet‐ erinary Medicine， 2017， 53（10）：28-30.

[13]吳宇峰， 李一鳴， 趙遠洋， 等.基于計算機視覺的奶牛體況評分研究綜述[J].農業機械學報 ， 2021， 52（S1）：268-275.

WU Y， LI Y， ZHAO Y， et al. Review" of research on body condition score for dairy cows based on comput‐ er vision[J]. Transactions of the CSAM， 2021， 52（S1）：268-275.

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

ZHANG X， ZHANG M， WANG L， et al. Research sta‐ tus and development analysis of wearable information monitoring technology in animal husbandry[J]. Trans‐ actions of the CSAM， 2019， 50（11）：1-14.

[15]李勝利， 姚琨， 曹志軍， 等.2021年奶牛產業技術發展報告[J].中國畜牧雜志， 2022， 58（3）：239-244.

LI S， YAO K， CAO Z， et al. Technical development re‐ port of the dairy industry in 2021[J]. Chinese Journal of Animal Science， 2022， 58（3）：239-244.

[16] STAJNKO D， BRUS M， HO?EVAR M. Estimation ofbull" live" weight" through" thermographically" measured body dimensions[J]. Computers and Electronics in Ag‐ riculture， 2008， 61（2）：233-240.

[17] TA?DEMIR" ? ， üRKMEZ A， ?NAL" ? . A fuzzy rule-based system for predicting the live weight of Holstein cows whose body dimensions were determined by im ‐ age analysis[J]. Turkish Journal of Electrical Engineer‐ ing amp; Computer Sciences， 2011， 19（4）：689-703.

[18]郭浩， 張勝利， 馬欽， 等.基于點云采集設備的奶牛體尺指標測量[J].農業工程學報， 2014， 30（5）：116-122.

GUO H， ZHANG S， MA Q， et al. Cow body measure‐ ment" based" on" Xtion[J]. Transactions" of the" CSAE， 2014， 30（5）：116-122.

[19] MARINELLO F， PEZZUOLO A， CILLIS D， et al. Ap‐plication of Kinect-Sensor for three-dimensional body measurements" of cows[C]//7th European" Conference on Precision Livestock Farming， ECPLF 2015. Milan， Italy： European" Conference" on" Precision" Livestock Farming， 2015：661-669.

[20] NIR O， PARMET Y， WERNER D， et al.3D Computer-vision" system" for" automatically" estimating" heiferheight" and" body" mass[J]. Biosystems" Engineering，2018， 173：4-10.

[21] PEZZUOLO A， GUARINO M， SARTORI L， et al. Afeasibility study on the use of a structured light depth-camera" for" three-dimensional" body" measurements" ofdairy cows in free-stall barns[J]. Sensors， 2018， 18（3）：ID 673.

[22] LE COZLER Y， ALLAIN C， CAILLOT A， et al. High-precision scanning system for complete 3D cow bodyshape imaging and analysis of morphological traits[J].Computers and Electronics in Agriculture， 2019， 157：447-453.

[23]李琦， 劉偉， 趙建敏.基于雙目視覺及 Mask RCNN的牛體尺無接觸測量[J].黑龍江畜牧獸醫 ， 2020（12）：46-50.

LI Q， LIU W， ZHAO J. Non-contact measurement ofbovine body size based on binocular vision and MaskRCNN [J]. Heilongjiang" Animal" Science" and" Veteri‐nary Medicine， 2020（12）：46-50.

[24]初夢苑.基于三維重建的奶牛體尺檢測與體重預估研究[D].保定：河北農業大學， 2020.

CHU M. Research on body measurement and weightestimation of cows based on 3D reconstruction[D]. Ba‐oding： Hebei Agricultural University， 2020.

[25] KAMCHEN S G， SANTOS E FDOS， LOPES L B， etal. Application of depth sensor to estimate body massand" morphometric" assessment" in" Nellore" heifers[J].Livestock Science， 2021， 245： ID 104442.

[26] ZHANG J， ZHUANG Y， JI H，" et" al. Pig weight" andbody size estimation using a multiple output regressionconvolutional neural network： A fast and fully automat‐ic method[J]. Sensors， 2021， 21（9）： ID 3218.

[27] GUO H， MA X， MA Q， et al. LSSA_CAU： An interac‐tive 3D point clouds analysis software for body mea‐surement" of livestock with" similar" forms" of cows" orpigs[J]. Computers" and" Electronics" in" Agriculture，2017， 138：60-68.

[28] FORBES A， DE OLIVEIRA M， DENNIS M R. Struc‐tured light[J]. Nature Photonics， 2021， 15（4）：253-262.

[29] HEINRICHS A J， ROGERS G W， COOPER J B. Pre‐dicting body weight and wither height in Holstein heif‐ers using body measurements[J]. Journal of Dairy Sci‐ence， 1992， 75（12）：3576-3581.

[30] LESOSKY M， DUMAS S， CONRADIE I， et al. A liveweight-heart" girth relationship" for" accurate" dosing" ofeast African shorthorn zebu cattle[J]. Tropical AnimalHealth and Production， 2012， 45（1）：311-316.

[31]劉忠超， 范偉強， 何東健.奶牛體溫檢測研究進展[J].黑龍江畜牧獸醫， 2018（19）：41-44.

LIU Z， FAN W， HE D. Research progress of body tem ‐perature detection in dairy cows[J]. Heilongjiang Ani‐mal Science and Veterinary Medicine， 2018（19）：41-44.

[32]何東健， 宋子琪.基于熱紅外成像與骨架樹模型的奶牛眼溫自動檢測[J].農業機械學報， 2021， 52（3）：243-250.

HE" D，" SONG Z. Automatic" detection" of dairy" cow's eye" temperature" based" on" thermal" infrared" imaging technology and skeleton tree model[J]. Transactions of the CSAM， 2021， 52（3）：243-250.

[33]張磊， 董茹月， 侯宇， 等.奶牛體溫評價指標及測定方法研究進展[J].動物營養學報， 2020， 32（2）：548-557.

ZHANG L， DONG R， HOU Y， et al. Research progress on evaluation indices and measurements of body tem ‐ perature in dairy cows[J]. Chinese Journal of Animal Nutrition， 2020， 32（2）：548-557.

[34] CUTHBERTSON" H，" TARR" G，" GONZáLEZ" L" A.Methodology" for" data" processing" and" analysis" tech‐ niques of infrared video thermography used to measure cattle temperature in real time[J]. Computers and Elec‐ tronics in Agriculture， 2019， 167： ID 105019.

[35] WILLARD S， DRAY S， FARRAR R， et al. Use of in‐frared thermal imaging to quantify dynamic changes in body temperature" following" lipopolysaccharide （LPS） administration in dairy cattle[J]. Journal of Animal Sci‐ ence， 2007， 85： ID26.

[36] HOFFMANN" G，" SCHMIDT" M，" AMMON" C，" et" al.Monitoring the body temperature of cows" and calves using video recordings from an infrared thermography camera[J]." Veterinary" Research" Communications， 2013， 37（2）：91-99.

[37] SALLES M S V， SILVA S CDA， SALLES F A， et al.Mapping the body surface temperature of cattle by in‐ frared" thermography[J]. Journal" of Thermal" Biology， 2016， 62：63-69.

[38] PENG D， CHEN S， LI G， et al. Infrared thermographymeasured body surface temperature and its relationship with rectal temperature in" dairy" cows under different temperature-humidity indexes[J]. International Journal of Biometeorology， 2019， 63（3）：327-336.

[39]何金成， 張鮮， 李素青， 等.環境溫濕度及測量部位對奶牛紅外熱成像溫度的影響[J].浙江大學學報（農業與生命科學版）， 2020， 46（4）：500-508.

HE J， ZHANG X， LI S， et al. Effects of ambient tem ‐ perature" and" relative" humidity" and" measurement" site on the" cow's body temperature measured by" infrared thermography[J]. Journal of Zhejiang University （Ag‐ ric.amp; Life Sci.）， 2020， 46（4）：500-508.

[40] JADDOA M A， GONZALEZ L， CUTHBERTSON H，et al. Multiview eye localisation to measure cattle body temperature" based" on" automated" thermal" image" pro‐ cessing" and" computer" vision[J]. Infrared" Physics amp; Technology， 2021， 119： ID 103932.

[41]張旭東， 康熙， 馬麗， 等.基于熱紅外圖像的奶牛乳房炎自動檢測方法[J].農業機械學報 ， 2019， 50（S1）：248-255， 282.

ZHANG X， KANG X， MA L， et al. Automatic detec‐tion method of dairy cow mastitis based on thermal in‐frared image[J]. Transactions of the CSAM， 2019， 50（S1）：248-255， 282.

[42] ZHANG X， KANG X， FENG N， et al. Automatic rec‐ognition of dairy cow mastitis from erthmal images bya deep learning detector[J]. Computers and Electronicsin Agriculture， 2020， 178： ID 105754.

[43]孫雨坤， 岳奎忠， 李文茜， 等.圖像信息技術在奶牛生產中的應用[J].動物營養學報， 2018， 30（5）：1626-1632.

SUN Y， YUE K， LI W， et al. Application of image infor‐mation technology in dairy cow production[J]. ChineseJournal ofAnimal Nutrition， 2018， 30（5）：1626-1632.

[44] KUZUHARA Y，" KAWAMURA K， YOSHITOSHI" R，et al. A preliminarily study for predicting body weightand milk properties in lactating Holstein cows using athree-dimensional" camera" system[J]. Computers" andElectronics in Agriculture， 2015， 111：186-193.

[45] HANSEN M F， SMITH M L， SMITH L N， et al. Auto‐mated monitoring of dairy cow body condition， mobilityand weight using a single 3D video capture device[J].Computers in Industry， 2018， 98：14-22.

[46] TASDEMIR" S， URKMEZ A， INAL S. Determinationof body measurements on the Holstein cows using digi‐tal image analysis and estimation of live weight withregression" analysis[J]. Computers" and" Electronics" inAgriculture， 2011， 76（2）：189-197.

[47]張立倩.基于模糊逼近計算視覺算法的奶牛體重測量[J].科技通報， 2013， 29（11）：149-152.

ZHANG L. The cows weight calculation based on non-measurement" machine" vision[J]. Bulletin" of" Scienceand Technology， 2013， 29（11）：149-152.

[48] SONG X， BOKKERS E A M， VAN DER TOL P P J， etal. Automated body weight prediction of dairy cows us‐ing 3-dimensional vision[J]. Journal of Dairy Science，2018， 101（5）：4448-4459.

[49]牛金玉.基于三維點云的奶牛體尺測量與體重預測方法研究[D].楊凌：西北農林科技大學， 2018.

NIU J. Body size measurement and weight predictionfor dairy cows based on 3D point cloud[D]. Yangling：Northwest Aamp;F University， 2018.

[50] LE COZLER Y， ALLAIN C， XAVIER C， et al. Volumeand" surface" area" of" Holstein" dairy" cows" calculatedfrom complete 3D shapes acquired using a high-preci‐sion scanning system： Interest for body weight estima‐tion[J]. Computers" and" Electronics" in" Agriculture，2019， 165： ID 104977.

[51]初夢苑， 劉剛， 司永勝， 等.基于三維重建的奶牛體重預估方法[J].農業機械學報， 2020， 51（S1）：378-384.

CHU M， LIU G， SI Y， et al. Predicting method of dairycow weight based on three-dimensional reconstruction[J]. Transactions of the CSAM， 2020， 51（S1）：378-384.

[52] MEHMET K， BARDAK?IO?LU H E. Estimation ofbody weight and body condition score in dairy cows bydigital image analysis method[J]. Veterinary Journal of Mehmet Akif Ersoy University， 2021， 6（3）：115-121.

[53]孫曉玉， 韓廣文， 于孟虎，等.荷斯坦牛體尺、體重性狀遺傳參數的估測及與產奶性能的相關分析[J].中國奶牛， 1999（3）：39-40.

SUN X， HAN G， YU M， et al. Estimation of genetic parameters of body size and body weight in Holstein cattle and their correlation with milk production perfor‐ mance[J]. China Dairy Cattle， 1999（3）：39-40.

[54] XIANG" Y，" NAKAMURA" S，" TAMARI" H，" et" al.3Dmodel" generation" of" cattle" by" shape-from-silhouette method for ict agriculture[C]//201610th International Conference on Complex， Intelligent， and Software In‐ tensive Systems （CISIS）. Piscataway， New York， USA： IEEE， 2016：611-616.

[55] XAVIER C， LE COZLER Y， DEPUILLE L， et al. Theuse of 3-dimensional imaging of Holstein cows to esti‐ mate" body "weight" and" monitor" the" composition" of body weight change throughout lactation[J]. Journal of Dairy Science， 2022， 105（5）：4508-4519.

[56] RUCHAY A， KOBER V， DOROFEEV K， et al. Com ‐parative" analysis" of machine" learning" algorithms" for predicting live weight of Hereford cows[J]. Computers and Electronics in Agriculture， 2022， 195： ID 106837.

[57]杭孝.早期預警在奶牛疾病中的應用分析[J].今日畜牧獸醫， 2021， 37（9）：25-26.

[58]季鳳娟.奶牛常見疾病的防治措施[J].畜禽業， 2022，33（1）：111-112.

[59] HORTET P， SEEGERS H. Loss in milk yield and relat‐ed composition changes resulting from clinical mastitis in" dairy" cows[J]. Preventive" Veterinary" Medicine， 1998， 37（1-4）：1-20.

[60]彭丹丹， 陳健， 趙越， 等.臟污程度對奶牛乳區溫度分布規律的研究[J].畜牧獸醫學報 ， 2016， 47（4）：844-851.

PENG D， CHEN J， ZHAO Y， et al. Effect of smudgy degree on temperature distribution of the udder surface in dairy cow[J]. Acta Veterinaria et Zootechnica Sinica， 2016， 47（4）：844-851.

[61] VIGUIER C， ARORA S， GILMARTIN N， et al. Masti‐tis detection： Current trends and future perspectives[J]. Trends in Biotechnology， 2009， 27（8）：486-493.

[62] MIR A Q， BANSAL B K，" GUPTA D K. Subclinicalmastitis" in" machine" milked" dairy" farms" in" Punjab： Prevalence， distribution of bacteria and current antibi‐ ogram[J]. Veterinary World， 2014， 7（5）：291-294.

[63] SCHUKKEN Y H， WILSON D J， WELCOME F， et al.Monitoring udder health and milk quality using somat‐ ic" cell" counts[J]. Veterinary" Research， 2003， 34（5）：579-596.

[64] MAURO Z， VERONICA R， FABIO L， et al. First eval‐uation of infrared thermography as a tool for the moni‐ toring of udder health status in farms of dairy cows[J]. Sensors， 2018， 18（3）： ID 862.

[65]蔡一欣， 馬麗， 劉剛.奶牛隱性乳房炎便攜式計算機視覺快速檢測系統設計與試驗[J].農業工程學報 ，2017， 33（S1）：63-69.

CAI Y， MA L， LIU G. Design and experiment of rapiddetection system of cow subclinical mastitis based onportable computer vision technology [J]. Transactionsof the CSAE， 2017， 33（S1）：63-69.

[66] VOORT M， JENSEN D， KAMPHUIS C， et al. Invitedreview： Toward" a" common" language" in" data-drivenmastitis" detection" research[J]. Journal" of" Dairy" Sci‐ence， 2021， 104（10）：10449-10461.

[67] LVENDAHL P，" SRENSEN" L P. Frequently" recordedsensor data may correctly provide health status of cowsif" data" are" handled" carefully" and" errors" are" filteredaway [J]. Biotechnology， Agronomy， Society and Envi‐ronment， 2016， 20（1）：3-12.

[68] DENG Z， HOGEVEEN H， LAM T， et al. Performanceof online" somatic" cell" count" estimation" in" automaticmilking" systems[J]. Frontiers" in" Veterinary" Science，2020， 7： ID 221.

[69] JORGENSEN" C" H，" KRISTENSEN" A" R，" OSTER‐GAARD S， et al. Use" of online measures of l-lactatedehydrogenase" for" classification" of" posttreatmentmammary" Staphylococcus" aureus" infection" status" indairy cows[J]. Journal of Dairy Science， 2016， 99（10）：8375-8383.

[70] DALEN" G， RACHAH A， NORSTEBO H， et al. Thedetection of intramammary infections using online so‐matic" cell" counts[J]. Journal" of Dairy" Science， 2019，102（6）：5419-5429.

[71] HOGEVEEN" H，" KAMPHUIS" C，" STEENEVELD" W，et al. Sensors and clinical mastitis： The quest for theperfect alert [J]. Sensors， 2010， 10（9）：7991-8009.

[72] DOMINIAK" K" N，" KRISTENSEN" A" R. Prioritizingalarms" from" sensor-based" detection" models" in" live‐stock" production—A" review" on" model" performanceand alarm reducing methods[J]. Computers and Elec‐tronics in Agriculture， 2017， 133：46-67.

[73] JONES B F， PLASSMANN P. Digital infrared thermalimaging of human skin [J]. IEEE Engineering in Medi‐cine and Biology Magazine， 2002， 21（6）：41-48.

[74] SATHIYABARATHI M， JEYAKUMAR S， MANIMA ‐RAN A， et al. Infrared thermography to monitor bodyand udder skin surface temperature differences in rela‐tion" to" subclinical" and" clinical" mastitis" condition" inKaran fries （bos taurus×bos indicus） crossbred cows[J].Indian" Journal" of" Animal" Sciences， 2018， 88（6）：694-699.

[75]楊春合， 顧憲紅， 曹正輝， 等.奶牛左右乳區溫度溫差作為隱性乳房炎檢測指標的可行性研究[J].畜牧獸醫學報， 2015， 46（9）：1663-1670.

YANG C， GU X， CAO Z， et al. Study on possibility ofleft and right quarter skin temperature difference as a detecting" indicator" for" subclinical" mastitis" in" dairy cows[J]. Acta Veterinaria et Zootechnica Sinica， 2015， 46（9）：1663-1670.

[76]郭艷嬌， 楊圣慧， 遲宇， 等.基于熱紅外圖像的奶牛乳區溫度分布與乳房炎識別方法[J].農業工程學報 ， 2022， 38（2）：250-259.

GUO Y， YANG S， CHI Y， et al. Recognizing mastitis using" temperature" distribution" from" thermal" infrared images" in" cow" udder" regions[J]. Transactions" of the CSAE， 2022， 38（2）：250-259.

[77]王彥超， 康熙， 李孟飛， 等.基于改進 YOLO v3-tiny的奶牛乳房炎自動檢測方法[J].農業機械學報， 2021，52（S1）：276-283.

WANG Y， KANG X， LI M， et al. Automatic detection method for dairy cow mastitis based on improved YO ‐ LOv3-tiny[J]. Transactions" of" the" CSAM， 2021， 52（S1）：276-283.

[78] HOVINEN M， SIIVONEN J， TAPONEN S， et al. De‐tection of clinical mastitis with the help of a thermal camera[J]. Journal" of" Dairy" Science， 2008， 91（12）：4592-4598.

[79] WOLLOWSKI L， BERTULAT S， KOSSATZ A， et al.Short" communication： Diagnosis" and" classification" of clinical and subclinical mastitis utilizing a dynamome‐ ter and a handheld infrared thermometer[J]. Journal of Dairy Science， 2019， 102（7）：6532-6539.

[80]陳麗媛， 洪小華， 顏培實.我國南方冬季和夏季肉牛體感溫度研究[J].畜牧與獸醫， 2015， 47（2）：40-44.

CHEN" L，" HONG" X，" YAN" P. Effective" temperature equation of cows during winter and summer seasons in southern" of China[J]. Animal" Husbandry" and" Veteri‐ nary Medicine ， 2015， 47（2）， 40-44.

[81] FRANZE U， GEIDEL S， HEYDE U， et al. Investiga‐tion" of" infrared" thermography" for" automatic" health monitoring in dairy cows[J]. Züchtungskunde， 2012， 84（2）：158-170.

[82] BERRY R J， KENNEDY A D， SCOTT S L， et al. Dailyvariation" in" the" udder" surface" temperature" of" dairy cows measured by infrared thermography： Potential for mastitis detection[J]. Canadian Journal of Animal Sci‐ ence， 2003， 83（4）：687-693.

[83] POURSABERI A， BAHR C， PLUK A， et al. Real-timeautomatic" lameness" detection" based" on" back" posture extraction in dairy cattle： Shape analysis of cow with image processing techniques [J]. Computers and Elec‐ tronics in Agriculture， 2010， 74（1）：110-119.

[84] TADICH" N，" FLOR" E，" GREEN" L. Associations" be‐tween hoof lesions and locomotion score in 1098 un‐ sound dairy cows[J]. The Veterinary Journal， 2010， 184（1）：60-65.

[85] SJ?STR?M K， FALL N， BLANCO-PENEDO I， et al.Lameness prevalence and risk factors in organic dairyherds" in" four" European" countries[J]. Livestock" Sci‐ence， 2018， 208：44-50.

[86] GRIMM K， HAIDN B， ERHARD M， et al. New in‐sights into the association between lameness， behavior，and" performance" in" Simmental" cows[J]. Journal" ofDairy Science， 2019， 102（3）：2453-2468.

[87] AFONSO J S， BRUCE M， KEATING P， et al. Profil‐ing detection and classification of lameness methods inBritish dairy cattle research： A systematic review andmeta-analysis[J]. Frontiers" in" Veterinary" Science，2020， 7：542-562.

[88] SPRECHER D J， HOSTETLER D E， KANEENE J B.A lameness scoring system that uses posture and gait topredict dairy cattle reproductive performance[J]. Theri‐ogenology 1997， 47：1179-1187.

[89] SCHLAGETER-TELLO" A，" BOKKERS" E" A" M，KOERKAMPPW G G， et al. Relation between observedlocomotion traits and locomotion score in dairy cows[J].JournalofDairy Science， 2015， 98（12）：8623-8633.

[90] ALSAAOD" M，" FADUL" M，" STEINER A. Automaticlameness detection in cattle[J]. The Veterinary Journal，2019， 246：35-44.

[91] PIETTE D， NORTON T， EXADAKTYLOS V， et al. In‐dividualised" automated" lameness" detection" in" dairycows and the impact of historical window length on al‐gorithm performance[J]. Animal， 2020， 14（2）：409-417.

[92] POURSABERI A， BAHR C， PLUK A， et al. Real-timeautomatic" lameness" detection" based" on" back" postureextraction in dairy cattle： Shape analysis of cow withimage processing techniques[J]. Computers" and Elec‐tronics in Agriculture， 2010， 74（1）：110-119.

[93]宋懷波， 姜波， 吳倩， 等.基于頭頸部輪廓擬合直線斜率特征的奶牛跛行檢測方法[J].農業工程學報 ，2018， 34（15）：190-199.

SONG H， JIANG B， WU Q， et al. Detection of dairycow" lameness" based" on" fitting" line" slope" feature" ofhead" and neck" outline[J]. Transactions" of the" CSAE，2018， 34（15）：190-199.

[94] KANG X， ZHANG X D， LIU G. Accurate detection oflameness in dairy cattle with computer vision： A newand individualized detection strategy based on the anal‐ysis of the supporting phase[J]. Journal of Dairy" Sci‐ence， 2020， 103（11）：10628-10638.

[95] JIANG B， SONG H， WANG H， et al. Dairy cow lame‐ness detection using a back curvature feature[J]. Com ‐puters" and" Electronics" in" Agriculture， 2022， 194：106729-106731.

[96] KANG X， LI S， LI Q， et al. Dimension-reduced spatio‐temporal" network" for" lameness" detection" in" dairycows[J]. Computers" and" Electronics" in" Agriculture，2022， 197：106922-106932.

[97] VIAZZI S， BAHR C， HERTEM TVAN， et al. Compari‐son of a three-dimensional and two-dimensional cam ‐era system for automated measurement of back posture in dairy cows[J]. Computers and Electronics in Agricul‐ ture， 2014， 100：139-147.

[98] JABBAR K A， HANSEN M F， SMITH M L， et al. Ear‐ly and non-intrusive lameness detection in dairy cows using 3-dimensional video[J]. Biosystems Engineering， 2017， 153：63-69.

[99] ALSAAOD M， BüSCHER W. Detection of hoof lesionsusing" digital" infrared thermography" in" dairy" cows[J]. Journal of Dairy Science， 2012， 95（2）：735-742.

[100] ALSAAOD" M，" SYRING" C，" DIETRICH" J，" et" al. A field trial of infrared thermography as a non-invasive diagnostic tool for early detection of digital dermatitis in dairy cows[J]. The Veterinary Journal， 2014， 199（2）：281-285.

[101]康熙， 李樹東， 張旭東， 等.基于熱紅外視頻的奶牛跛行運動特征提取與檢測[J].農業工程學報 ， 2021， 37（23）：169-178.

KANG X， LI S， ZHANG X， et al. Features extraction and" detection" of cow" lameness" movement" based" on thermal infrared videos[J]. Transactions of the CSAE， 2021， 37（23）：169-178.

[102] FLOWER" F" C，" SANDERSON" D" J，" WEARY" D" M. Hoof" pathologies" influence" kinematic" measures" of dairy cow gait[J]. Journal of Dairy" Science， 2005， 88（9）：3166-3173.

[103]RUTTEN C J， VELTHUIS A G J， STEENEVELD W， et al. Invited review： Sensors to support health manage‐ ment" on" dairy" farms[J]. Journal" of" Dairy" Science， 2013， 96（4）：1928-1952.

[104] JIANG" B，" WU" Q，" YIN" X，" et" al. FLYOLOv3 deep learning for key parts of dairy cow body detection[J]. Computers and Electronics in Agriculture， 2019， 166：104982-104990.

[105]OKURA F， IKUMA S， MAKIHARA Y， et al. RGB-D video-based individual identification of dairy cows us‐ ing gait and texture analyses[J]. Computers and Elec‐ tronics in Agriculture， 2019， 165：104944-104953.

[106] BEGGS D S， JONGMAN E C， HEMSWORTH P H， et al. Lame cows on Australian dairy farms： A compari‐ son of farmer-identified lameness and formal lameness scoring， and the position of lame cows within the milk‐ ing" order[J]. Journal" of Dairy" Science， 2019， 102（2）：1522-1529.

[107] VIAZZI" S，" BAHR" C，" SCHLAGETER-TELLO A，" et al. Analysis" of" individual" classification" of" lameness using" automatic" measurement" of" back" posture" in dairy cattle[J]. Journal of Dairy Science， 2013， 96（1）：257-266.

[108] WEIGELE H C， GYGAX L， STEINER A， et al. Mod‐ erate lameness leads to marked behavioral changes in dairy cows[J]. Journal of Dairy Science， 2018， 101（3）：2370-2382.

[109] JONES B W. Behavioral gait change characterizationand detection using precision dairy monitoring technol‐ogies[D]. Lexington： University of Kentucky， 2017.

[110]NUFFEL" AVAN，" ZWERTVAEGHER" I，" WEYEN ‐BERG" SVAN，" et" al. Lameness" de-tection" in" dairycows： Part 2. Use of sensors to automatically registerchanges" in" locomotion" or" behavior. Animals （Basel）2015， 5， 861-885.

[111] BERCKMANS D， BAHR" C， LEROY T，" et" al. Auto‐matic detection of lameness in dairy cattle—Analyzingimage parameters related to lameness[C]//8th Interna‐tional Livestock Environment Symposium， ILES VIII.St. Joseph， Michigan， USA： American Society of Agri‐cultural and Biological Engineers， 2008：949-956.

[112] SONG X， LEROY T， VRANKEN E， et al. Automaticdetection" of" lameness" in" dairy" cattle—Vision-basedtrackway" analysis" in" cow's" locomotion[J]. Computersand Electronics in Agriculture， 2008， 64（1）：39-44.

[113]PLUK A， BAHR C， POURSABERI A，et al. Automaticmeasurement of touch and release angles of the fetlockjoint for lameness detection in dairy cattle using visiontechniques[J]. Journal" of Dairy" Science， 2012， 95（4）：1738-1748.

[114] RADOSTITS O M， GAY C C， HINCHCLIFF K W， etal. Veterinary medicine： A textbook of the diseases ofcattle， horses， sheep， pigs and goats[M]. London： Saun‐ders Ltd.， 2007.

[115]POURSABERI A，" BAHR" C，" PLUK A，" et" al. Onlinelameness" detection" in" dairy" cattle" using" body" move‐ment pattern （BMP）[C]// The 11th International Con‐ference" on" Intelligent" Systems" Design" and" Applica‐tions. Piscataway，" New" York，" USA： IEEE， 2011：732-736.

[116] ZHAO" K，" BEWLEY" J" M，" HE" D，" et" al. Automaticlameness detection in dairy cattle based on leg swinganalysis with an image processing technique[J]. Com ‐puters" and" Electronics" in" Agriculture， 2018， 148：226-236.

[117] JIANG" B，" SONG" H，" HE" D. Lameness" detection" ofdairy cows based on a double normal background sta‐tistical model[J]. Computers" and" Electronics" in Agri‐culture， 2019， 158：140-149.

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

KANG X， ZHANG X， LIU G， et al. Hoof location meth‐od" of lame" dairy" cows" based" on" machine" vision[J].Transactions of the CSAM， 2019（S1）：276-282.

[119] SCHLAGETER-TELLO" A，" HERTEM" TVAN，" BOK ‐KERS E A M， et al. Performance of human observersand" an" automatic 3-dimensional" computer-vision-based" locomotion" scoring" method" to" detect "lamenessand hoof lesions in dairy cows[J]. Journal of Dairy Sci‐ence， 2018， 101（7）：6322-6335.

[120] PIETTE D， NORTON T， EXADAKTYLOS V， et al. In‐ dividualised" automated" lameness" detection" in" dairy cows and the impact of historical window length on al‐ gorithm" performance[J]." Animals. 2020，" 14（2）：409-417.

[121] O'LEARY N W， BYRNE D T， O'CONNOR A H， et al. Invited review： Cattle lameness detection with acceler‐ ometers[J]. Journal" of" Dairy" Science， 2020， 103（5）：3895-3911.

[122]張珂， 吳志明， 閆若潛， 等.奶牛養殖場生物安全體系建設的現狀、問題及對策[J].動物醫學進展 ， 2016，37（7）：110-114.

ZHANG K， WU M， YAN R， et al. Current situation，problems and countermeasures for construction of bios‐ecurity system in dairy farms[J]. Progress in VeterinaryMedicine， 2016， 37（7）：110-114.

[123]閆河， 陳曉暾.我國電子信息制造業出廠價格指數特征探究[J].價格理論與實踐， 2015（10）：75-77.

[124] KANG X， ZHANG X， LIU G. A review： Developmentof computer vision-based lameness detection for dairycows" and" discussion" of the" practical" applications[J].Sensors， 2021， 21（3）：753.

Advances and Challenges in Physiological Parameters Monitoring and Diseases Diagnosing of Dairy CowsBased on Computer Vision

KANG Xi1，2，3 ， LIU Gang1，2* ， CHU Mengyuan1，2 ， LI Qian1，2 ， WANG Yanchao1，2

（1. Key Lab of Smart Agriculture Systems， Ministry of Education， China Agricultural University， Beijing 100083，" China;2. Key Laboratory of Agricultural Information Acquisition Technology， Ministry of Agriculture and Rural Af‐fairs， China Agricultural University， Beijing 100083， China;3. School of Computing and Data Engineering， Ning‐boTech University， Ningbo 315200， China ）

Abstract： Realizing the construction of intelligent farming by using advanced information technology， thus improving the living welfare of dairy cows and the economic benefits of dairy farms has become an important goal and task in dairy farming research field. Computer vision technology has the advantages of non-contact， stress-free， low cost and high throughput，" and has a broad application prospect in animal production. On the basis of describing the importance of computer vision technology in the devel‐ opment of intelligent farming industry， this paper introduced the cutting-edge technology of cow physiological parameters and disease diagnosis based on computer vision， including cow temperature monitoring， body size monitoring， weight measurement， mastitis detection and lameness detection. The introduction coverd the development process of these studies， the current main‐ stream techniques， and discussed the problems and challenges in the research and application of related technology， aiming at the problem that the current computer vision-based detection methods are susceptible to individual difference and environmen‐ tal changes. Combined with the development status of farming industry， suggestions on how to improve the universality of com ‐ puter vision technology in intelligent farming industry， how to improve the accuracy of monitoring cows' physiological parame‐ ters and disease diagnosis， and how to reduce the influence of environment on the system were put forward. Future research work should focus on research and developmentof algorithm， make full use of computer vision technology continuous detection and the advantage of large amount of data， to ensure the accuracy of the detection， and improve the function of the system inte‐ gration and data utilization， expand the computer vision system function. Under the premise that does not affect the ability of the system， to improve the study on the number of function integration and system function and reduce equipment costs.

Key words： dairy farming; computer vision technology; physiological parameters monitoring; diseases diagnosing; precision livestock farming; intelligent farming