基于機器視覺的畜禽體質量評估研究進展

謝秋菊 周 紅 包 軍 李慶達

(1.東北農業大學電氣與信息學院， 哈爾濱 150030; 2.農業農村部生豬養殖設施工程重點實驗室， 哈爾濱 150030;3.黑龍江八一農墾大學工程學院， 大慶 163319; 4.東北農業大學動物科學技術學院， 哈爾濱 150030；5.教育部北方寒區豬智能化繁育與養殖工程研究中心， 哈爾濱 150030)

0 引言

體質量(行業習慣叫法為“體重”)是反映畜禽身體健康與生長狀況、繁殖與生產性能的重要指標[1]。體質量穩定增長是畜禽健康狀況良好的標志，是畜禽出欄、銷售的重要決定因素[2]。例如：生豬出欄時間一般根據體質量確定[3]；奶牛產奶量與體質量有很大關聯[4]；肉雞體質量增長速度能反映其生長水平[5]。偏離最佳生長狀態或突然間大幅度的體質量下降可能由飼養不當、營養不良、環境不適或感染疾病而引發[6]。因此，對畜禽體質量的持續監測是疾病預防、飼養管理、提高基因選擇效率的重要手段，是優化農場管理，滿足動物福利，實現精準畜牧業的重要環節[7]。

傳統的畜禽體質量測量方式包括使用體質量秤直接稱量或通過手工測量體尺數據間接估重。無論哪種方式都需要人工參與，耗時、費力且易造成畜禽的應激反應。近年來機器視覺技術因其直觀、非接觸式的優點，作為人工智能的核心技術在農業領域得到了廣泛的應用[8]。在畜禽養殖領域，機器視覺技術主要集中于解決體質量評估[9]、個體識別[10]、行為監測[11]、疾病監控[12]和環境控制[13]等各種問題。在大量有關畜禽體質量評估的研究中，研究對象主要針對豬、雞、牛、羊等常見的農場動物，通過視覺傳感器獲得畜禽圖像，傳送至圖像處理系統得到畜禽的體尺數據，將其作為體質量評估的特征，使用機器學習算法建立評估模型獲得畜禽的體質量。隨著深度學習技術的發展，機器視覺技術在未來畜禽體質量評估領域將顯示出更大的潛力[14]。

因此，本文在收集和分析近10年國內外有關畜禽體質量評估的153篇文獻的基礎上，將畜禽體質量評估的方法歸納總結為直接測量和間接評估兩大類，對間接體質量評估中基于機器視覺獲取畜禽體尺的方法進行闡述。總結用于獲取圖像的視覺傳感器類型以及所獲取的不同類型圖像的處理過程，詳細闡述用于畜禽體質量評估的機器學習算法，重點分析和討論深度學習算法在畜禽體質量評估領域的應用，為畜禽體質量評估研究及行業應用提供參考。

1 體質量評估方法分類

畜禽體質量評估的方法大體上分為直接測量和間接估計。直接測量法為使用體質量秤直接對畜禽稱量，間接估計法通過測量身體的特定尺寸數據(胸圍、體長、臀寬等)結合品種、性別等特征估計畜禽身體質量。大量的研究[15-18]表明，畜禽體質量與身體特定部位尺寸之間存在正相關關系，因此，通過體尺測量進行間接體質量評估是可行的。在間接測量中體尺的獲取方式又可以分為手工測量和基于機器視覺的非接觸式自動測量。

1.1 直接稱量

直接稱量是通過體質量秤來測量畜禽的體質量，這是傳統且應用比較普遍的稱量方式。由于在稱量過程中需要驅趕動物，使其置于體質量秤上并且停留一段時間，才能穩定計量并讀取其體質量。因此，直接稱量需要多人參與且其過程繁瑣、耗時，同時會對動物造成一定的應激或傷害，還可能由于動物襲擊對稱量人員造成危險[19]。

由于畜禽需要在體質量秤上保持一定時間的靜止，以避免產生測量誤差，一般通過在特定采集區或飲水區等位置放置體質量秤來完成體質量測量。例如，在豬的采食通道中放置體質量秤，實現每天對每頭豬的稱量[20]；在牛的飲水區域進行體質量的采集，或在奶牛每天經過自動擠奶區域實現體質量的自動測量，以獲取相對穩定狀態下的體質量數據[21]；通過在棲架養殖裝置中安裝質量傳感器實時采集雞群的平均體質量[22]；設計特殊裝置進行羊的無應激體質量測量[23]。

然而，使用地面體質量秤進行的直接稱量，體質量秤暴露在畜禽的生活空間，受畜禽的排泄物污染和畜禽直接接觸踩踏，容易造成電子設備的損壞，因此，需要探索更低成本的、可靠的稱量方式。

1.2 手工獲取體尺數據

手工測量畜禽的體尺數據，再結合畜禽品種、性別等特征可估算畜禽的體質量，具有較高的準確性和可重復性，作為一種簡單、便捷和低成本的方法，得到了廣泛的研究和應用。通過統計分析多年來積累的牛肩高、胸圍、體長等線性體尺數據[24]，發現每一個特征的測量值都具有足夠的準確性，并且多個人的多次測量值和其中一個人的多次測量值標準差都很小[25]，這說明通過手工測量體尺數據進行體質量的估計是高度可重復的。

通過建立體尺數據和體質量之間的一元或多元線性或非線性方程估計體質量，還形成了商業化的體質量測量帶、體質量測量表和測量卷尺等工具，可直接讀出或簡單加和計算體質量[26]。但是，手工進行畜禽的體尺測量屬于勞動密集型的工作，同時，和畜禽的直接接觸也會造成動物的應激反應，影響畜禽的健康。機器視覺技術因其具有非接觸式的特點，逐漸受到關注。

1.3 機器視覺技術獲取體尺數據

機器視覺系統通過安裝在不同位置的攝像頭來采集豬、雞、牛、羊等畜禽的圖像或視頻，經過圖像處理系統提取出與體質量相關的畜禽體尺作為輸入特征，通過機器學習算法估測畜禽的體質量，或通過深度學習算法從圖形中自動提取特征估測畜禽體質量。基于機器視覺系統進行畜禽體質量評估的整體流程如圖1所示。

圖1 基于機器視覺的畜禽體質量評估整體流程圖Fig.1 Whole process of animal weight assessment based on machine vision

用于獲取體尺信息的攝像頭大多安裝在天花板、通道等固定位置，或者是地面機器人、無人機等移動設備上，根據攝像頭不同的安裝位置，獲取頂部、正面、側面和后部等不同角度動物圖像或視頻[27-28]。為獲得高質量的圖像，大多數研究將單只動物限制在一定區域或通道中采集圖像[29]。根據攝像機傳感器的類型不同所獲得的圖像也不同，包括二維(2-D)圖像和三維(3-D)圖像。使用機器學習算法進行體質量評估需要對獲取的圖像進行復雜的圖像處理，提取與體質量相關的體尺作為輸入特征，構建體質量評估模型獲得畜禽體質量。

與傳統的手工測量方式相比，非接觸式的機器視覺方法避免給畜禽造成應激反應，并且具有快速、直觀、成本低的優點。近年來隨著傳感器的不斷升級，通過視覺技術獲取動物身體尺寸特征進行畜禽體質量的估計，得到了廣泛的研究，作為能夠取代手工測量的方式，顯示出巨大的發展潛力[30]。

2 視覺傳感器及圖像處理過程

2.1 視覺傳感器

用于獲取畜禽體尺數據的傳感器大體分為2-D傳感器和3-D傳感器。2-D傳感器可以生成2-D RGB圖像、熱圖像；基于立體視覺原理和結構光原理，通過2-D傳感器可生成3-D圖像；3-D傳感器可生成深度圖像或3-D點云數據。

2.1.12-D成像

2-D傳感器主要包括2-D數碼相機和熱敏相機，2-D數碼相機一般使用電荷耦合器件CCD和互補金屬氧化物半導體CMOS，獲得動物的RGB圖像[31]。2-D熱敏相機能夠獲得2-D熱圖像[32]。2-D RGB相機應用較為廣泛，豬、牛、羊等大型家畜一般通過頂視圖和側視圖采集圖像，雞、鴨等家禽一般采用頂視圖采集圖像。也有研究使用多臺相機分別獲取頂視圖和側視圖，將多角度視圖匹配獲得多維度和更準確的特征值[33]。動物的背部減去頭和尾的圖像與體質量的相關性最大，研究中獲取畜禽背部圖像用于體質量評估的研究相對較多[34]。2-D傳感器類型、成像類型、成像視角和研究對象見表1。

表1 典型2-D傳感器Tab.1 Typical 2D sensors

2.1.23-D成像

(1)2-D傳感器的3-D成像

采用俯視圖的方式，使用與二維相機平行的投影儀[40]投射均勻圖案和具有一定特征的參考定位圖案的結構光到目標的背部，根據激光圖案進行匹配識別激光狹縫的編碼。這種方式不需要借助其他參考對象就能獲得動物的高度，然而容易受到其他光線的影響，很難在商用系統中使用。

雙目立體視覺利用相同特征的成像視差與兩臺相機距離之間的關系[41]，獲得羊的三維體尺數據[42]、豬的RGB圖像[43]，利用全局匹配算法對左右圖像進行匹配，生成視差圖，獲得深度圖像，在深度圖像中計算體尺點獲得體質量的估算特征。

利用運動的結構原理，使用單個2-D數碼相機從不同角度拍攝不同姿態和位置豬的圖像，檢測出多個圖像中的重疊特征，進行豬和背景的提取，生成豬的三維點云，最終還可以將形狀和紋理集成，獲得直觀的豬三維圖像[44]。

盡管基于2-D相機的研究取得了一定的進展，但從2-D相機中提取特征容易受到攝像機視角、畜禽的運動姿態和環境光線的影響，對于圖像的可用性和特征識別的準確性有較大影響。

(2)3-D傳感器的3-D成像

3-D深度傳感器可以克服2-D成像系統中的許多問題，如背景去除、畜禽主體分割、特征提取和對環境光線的敏感性。目前用于畜禽體質量評估的3-D傳感器，一般都基于飛行時間(Time of flight，TOF)原理[45]，通過發射器發射近紅外光或可見光，到物體表面反射回接收傳感器，通過監測時間差來測量傳感器到目標物體之間的距離，獲得物體表面的深度。畜禽體質量測量中使用較多的深度傳感器設備包括：微軟Kinect傳感器、華碩Xtion傳感器、英特爾RealSense D435傳感器以及光探測和測距(Light detection and ranging，LiDAR)傳感器和激光掃描儀。其中，Kinect傳感器應用最為普遍，它屬于深度感應飛行時間的傳感器。3-D傳感器的基本信息、適用環境以及研究對象見表2。

表2 典型3-D傳感器Tab.2 Typical 3D sensors

Kinect、Xtion和RealSense相機由于使用紅外線測量深度容易受到陽光直射的影響，并且視野小、像素分辨率低、測量范圍差，適合光線比較穩定的室內測量。LiDAR傳感器和激光掃描儀，使用激光對目標進行密集采樣，產生精確的三維測量，受光線強度影響較小，可以在戶外使用[59]。LiDAR利用TOF原理，記錄激光脈沖離開激光發射器到返回接收器的精確時間，獲得傳感器到目標的距離。激光掃描儀使用多臺LiDAR傳感器實現對目標的精確掃描[60]。LiDAR傳感器和激光掃描儀掃描結果更精確，但成本較高，應用相對較少。

3-D攝像機能夠提供畜禽深度圖像，比二維圖像提供更多的身體特征信息，提高了體質量評估精度。3-D攝像機不受動物體表的污垢等影響，并且對于復雜的背景也具有更好的魯棒性。同時，由于動物在環境中的高度具有特定的范圍，從3-D深度圖像中分割動物變得更容易。

2.2 圖像處理過程

通過傳感器獲得包含畜禽身體圖像之后，需要對2-D、3-D圖像進行處理，提取動物體尺特征用于體質量的估計。2-D和3-D圖像處理方法不同，但具有類似的處理流程，如圖2所示[61]，包括圖像獲取、目標檢測、圖像預處理、圖像分割和體尺特征提取。

圖2 畜禽體質量評估圖像處理過程[61]Fig.2 Image processing of livestock and poultry weight assessment

圖像獲取階段需要考慮影響后續圖像處理過程的因素，如動物姿勢、相機位置、照明強度、最佳成像條件等。由于需要提取畜禽的身體輪廓信息作為體質量評估的特征，攝像頭一般垂直于目標，安裝在頂部或側面用于獲取站姿動物的背部或側面的圖像，也有少數研究獲取動物的后部圖像，要盡量避免圖像受到光線明暗變化的影響[62]。

目標檢測階段通過判斷圖像中是否有滿足條件的動物個體，進而從獲取的大量圖像或視頻幀中篩選出滿足條件的圖像以進行下一步處理。可以分為手動篩選和應用目標檢測算法自動篩選，近年來基于深度學習的目標檢測方法在體質量評估的研究中也得到了一定的應用[63]。

圖像預處理是在進行前景圖像提取和分割之前，為方便圖像處理而進行的，如圖像變換、去噪、圖像增強[54]、三維重建、點云數據的缺失區域修復以及三維圖像歸一化[64-66]等處理。

圖像分割階段識別并從圖像中提取目標畜禽身體或身體部位的邊界。用于畜禽體質量評估的圖像分割算法有手動分割法[67]、經典Graph Cut圖像分割法[68]、閾值分割法[69]、橢圓擬合法[70]、背景減去法[71]、立體視覺法[43]、K-均值聚類[49]等機器學習算法和基于深度學習算法[72]的分割等。通過大量的對比研究發現，深度學習方法在大數據量的圖像分割中的應用表現出了更好的效果和更高的效率[73]。在對二維或三維圖像分割的基礎上，計算體尺數據，提取用于體質量估算的特征。

每種動物由于其外形特征之間存在差異，因此不同研究對象用于體質量評估的特征也不同。總體來說，應用較多的體尺特征按照維度可以分為體長、臀寬、胸圍等一維數據[74]，背部面積、背部周長等二維數據[75]，能表達長寬高特征的局部或整體體積的三維數據[35]。用于體質量評估的特征除了體尺，還包括擬合身體形狀的凸面積、長軸長、偏心率等邊界尺寸[76]，除此之外，畜禽的品種、年齡、性別等非體型特征對于最終體質量模型的建立和體質量評估的準確性也有影響[77]。畜禽體質量評估研究中使用到的特征如表3所示。

表3 用于體質量評估的畜禽特征Tab.3 Characteristics of livestock and poultry used for weight assessment

豬、雞、牛和羊等畜禽，由于其身體構成不同，身體不同部位尺寸對于體質量的影響程度也不同，因此將特征按照不同的畜禽種類分類統計。

3 體尺特征提取

畜禽的體尺是其生長水平和繁殖性能[78]的重要參數，應用于品種識別[59]、體質量評估[79]、身體狀況評分[80]和遺傳性狀分析[81]等。圖3所示為體尺特征與體質量評估的關系。體質量評估是體尺測量的重要應用，體尺特征是進行畜禽體質量評估的主要特征。

圖3 體尺與體質量的關系示意圖Fig.3 Relationship between body size and weight

基于機器視覺的體尺測量，根據畜禽圖像獲取傳感器不同分為基于2-D圖像和3-D圖像的體尺測量。體尺測量的方法分為基于圖像處理的幾何測量和基于深度學習的自動測量。每種畜禽都有不同解剖結構和形態特征，在圖像重建、預處理和分割之后，根據不同畜禽的生態學特征標記體尺點計算體尺數據。基于機器視覺的體尺測量一般遵循傳統手工體尺測量的測量位置。

3.1 豬的體尺測量

近年來豬的體尺測量一般基于點云重建的三維圖像或深度圖像提取體尺，根據豬的幾何特征計算體尺點，再通過深度圖像或三維點云圖像的坐標計算體尺。獲取豬背部圖像，根據豬背部的凹凸特性識別體尺點，能夠計算背寬、臀寬和體長等體尺[43]。

使用包絡分析方法建立深度圖像分割后豬背部視圖的包絡，根據包絡距離找到尾根點、耳根點、臀寬測量點和胸寬測量點，在此基礎上通過幾何計算找到頸部中點、體高測量點和臀高測量點，最終能夠計算出體長、體寬、體高、臀寬和臀高等體尺數據[82]。

在豬的三維點云數據中，采用歐氏聚類分割算法提取前腿和后腿共4個聚類簇，分別找到質心點，根據前腿2個質心點和后腿2個質心點分別構造垂直身體方向的2個平面，再根據平面在身體坐標上的突出點最終能夠提取身體的高度和寬度[49]。在豬的背部視圖中2個凹陷點之間的凸出點為圖腹部左右擬合點，建立與身體垂直的切面，切面與點云重建體表的交點構成腹圍，采用曲線擬合的方式建立的閉合形狀能夠測量腹圍[83]。

三維圖像一般需要經過姿態歸一化后測量體尺。根據歸一化后圖像的對稱性將豬三維圖像對稱左右分開，由俯視圖中身體左右曲線的極值點，找到左前蹄、右前蹄、左后蹄、右后蹄位置坐標可計算體尺[84]。

除了通過體尺點獲得胸圍，可以建立連續多個豬三維圖像的二維切片截面，對每個二維切片點云采用最小二乘橢圓擬合方法，得到一組橢圓。然后提取橢圓的周長作為其對應的二維切片點云的截面特征。身體前半部橢圓最小的周長即為豬的胸圍[85]。通過點云數據構建的豬體三維曲面，還可以提取體表面積、體積等體尺數據[55]。

有研究將豬的深度圖像作為輸入，使用深度學習算法在估計體質量的同時進行豬的體型估計，對肩寬、肩高、臀寬、臀高和體長等體尺的估計具有較高的精度。基于深度學習的體尺測量無需經過復雜的圖像處理過程和幾何運算過程，顯示出了高度的便捷性和準確性，是未來體尺測量的重要研究方向[53]。

3.2 牛的體尺測量

經過2-D和3-D圖像預處理及三維點云圖像的完整性構建之后，通過形狀分析和幾何計算分析等確定關鍵點或關鍵線，找到體尺點位置，計算牛的體尺數據。

從俯視圖來看，牛背部形成一個突出的脊，這些椎骨被視為體表的最高部，常作為確定關鍵點的重要參考[80]。利用牛分割的小腿位置也能夠確定體尺參考點，小腿前部最寬處找到肩部位置、小腿后部最寬處得到髖的位置、小腿中部最寬處到中部體尺點，通過肩部和中部確定胸部位置，進一步計算得到寬度、高度和胸圍數據[41]。肩高和臀高等線性參數根據點云標志到地面的歐氏距離來測量。胸深、髂寬、髖寬和胸寬使用點云上相應標志之間的距離來測量。斜體長和臀長根據相應標志點之間的測地距離使用精確的曲面算法來計算[48]。

在三維點云數據重建的牛身體后部，使用梯度運算和相對最大值自動檢測獲得髖關節、肩部和尾部參考點。使用相對最大值計算髖關節距離、高度、頭大小和體長。根據蹄面最高坡度變化曲線的二階導函數確定地面參考點，進而可以計算肩高、臀高等高度體尺[28]。

有研究對三維點云精簡后，去除冗余點云數據，保留奶牛脊柱和身體邊界信息。根據參考點的幾何特征以及不同參考點之間的空間關系，對奶牛背部點云進行體尺點的提取。計算出奶牛體直長、體高、肩高、腰高、胸寬和腰角寬等體尺數據[29]。

3.3 羊的體尺測量

使用2-D相機獲取羊的圖像進行體尺測量通常需要布置多個角度的相機以獲得多個維度的體尺。利用2-D相機獲取羊的俯視圖和側視圖，經過分割處理后得到羊的背部和側面的圖像，選用 Canny算子提取羊體輪廓。根據2-D圖像處理方法，側面輪廓能夠獲得體高、臀高、體長和胸深等長度和高度體尺數據。應用最小二乘法在背部視圖上擬合形成俯視圖主骨架，根據身體輪廓曲線的曲率能獲得胸寬和臀寬等寬度體尺[86]。

利用雙目立體視覺獲得羊的三維圖像，在分割后的羊體輪廓的基礎上，采用包絡線分析方法識別體尺測點，再根據體尺點的空間關系計算羊體尺參數，測量精度較高[42]。

3.4 雞的體尺測量

雞用于體質量評估的特征常為體長、體寬和體高等簡單的體尺信息，或是背部視圖下的擬合形狀的幾何特征。雞的體尺特征還是遺傳性狀研究和選種的重要決定因素[81]。由于相較于其他大型牲畜雞的體型較小，雞的體尺測量一般采用手動方式，基于機器視覺的雞體尺提取的相關研究相對較少。隨著機器視覺技術的發展，在小體積家禽上的體尺測量研究也會得到進一步的發展。

視覺圖像中特征的選擇成為體質量評估準確性的關鍵影響因素[87]。體尺特征和體質量之間往往具有不同的相關度，為建立更準確和簡潔的體質量評估模型，需要使用自動化方法對特征進行降維和篩選。主成分分析法[88]和偏最小二乘回歸[89]等作為經典且有效的降維方法，常被用于特征篩選。

近年來，深度學習技術在體質量評估上的應用使得特征的選擇變成了自動的過程，無需具體估計某一項體尺與體質量的量化關系，而是自動提取畜禽二維或三維圖像所包含的更為抽象的高層特征，建立與體質量之間更為復雜的聯系[90]。基于深度學習進行目標檢測、圖像分割以及自動提取高維特征的體質量評估成為未來發展趨勢。

4 體質量評估方法

4.1 基于機器學習的體質量評估方法

機器學習技術以數據為驅動，能夠從外部信息中學習到數據背后隱藏的關聯并將其存儲到知識庫中進行自主學習[91]。基于機器學習算法以視覺圖像或從中提取的身體特征為輸入建立自動體質量估計模型。體質量的估計屬于回歸問題，一般以體質量秤獲得的體質量數據為標簽進行有監督學習。目前，對體質量評估主要采用的機器學習算法包括回歸模型(Regression model，RM)、決策樹(Decision tree，DT)、支持向量機(Support vector machine，SVM)和人工神經網絡(Artificial neural network，ANN)等傳統機器學習算法以及新興的深度學習(Deep learing，DL)算法。

根據畜禽體質量評估相關文獻的統計結果發現，RM的應用最多，ANN也得到了較為廣泛的研究，近些年來，深度學習技術在各領域取得顯著的成果，其在畜禽體質量評估方面的研究也初見成果，圖4所示為不同的機器學習算法在畜禽體質量評估中研究成果數量的比例分布。這些機器學習算法的研究對象主要集中于豬、雞、牛和羊等常見的畜禽，圖5列出了不同機器學習算法在這4類畜禽中研究成果數量的對應比例關系。圖5左側為文中5種不同機器學習模型的分布比例，圖5右側為文中4類畜禽的分布比例，中間的連接帶表明了不同算法與畜禽之間的比例關系。

圖4 不同機器學習算法的研究成果數量分布Fig.4 Distribution of different machine learning algorithms

圖5 不同機器學習模型與研究對象的對應分布Fig.5 Corresponding distribution of different machine learning models and research objects

4.1.1回歸模型

RM作為經典的機器學習模型，在豬[92]、雞[36]、牛[93]和羊[94]的體質量評估中均有廣泛的應用。一元線性回歸模型能夠建立單一身體特征和體質量之間的線性關系，常見的如胸圍、體長、背部面積、體積等能在一定情況下較好的表征體質量[95]。然而，畜禽的體質量通常與多個身體測量值之間都存在關聯，建立體質量與多個身體測量值之間的多元線性方程或冪回歸[96]、二次回歸[45]等非線性方程均顯示出了更高的估算精度，然而過多添加輸入變量會帶來模型的過擬合，隨著更多輸入變量的添加，不僅輸入變量可能與輸出變量相關，它們也可能彼此相關，表現出多重共線性，使得回歸模型發生過擬合。使用膨脹因子分析輸入變量之間的共線性關系，選擇相關性較小的變量，通過逐步回歸的方式能夠克服變量共線性關系建立體質量評估模型[38]。也有研究中使用主成分分析法[88]、最小二乘法[36]、LASSO回歸分析[97]等建立避免多重共線性的估算回歸模型。

簡單回歸模型具有建模快速、模型解釋性強的優點，使其在畜禽的體質量評估中獲得了廣泛的應用。然而，簡單回歸模型適用于數據規模較小，選擇估算特征較少的情況，當選取的體尺特征之間存在共線性關系時，模型的準確性降低。

4.1.2決策樹

DT模型應用樹圖的思想解決分類或回歸問題。在雞[98]、牛[99]、羊[100]和狗[101]的體質量評估研究中均有應用，但相較于回歸模型研究較少，未見決策樹模型應用于豬的體質量評估。DT模型計算快、模型易于理解，由于體質量估計屬于非線性問題，同RM相比能更好地建立體征和體質量之間的關系。同時，相比于RM模型不受身體特征之間的共線性影響，常表現出更好的性能[102]。

RUCHAY等[99]使用牛的12項身體特征建立估算模型，對比了多種RM模型、DT模型、支持向量回歸、隨機森林等多種機器學習算法，改進的DT模型顯示出了最好的效果。但模型易受到樣本數據質量的影響，信息增益偏向于樣本有更多數值的特征，當樣本中身體特征數據樣本量不均勻時，影響模型構造的準確性。另外，決策樹模型存在過擬合問題，影響體質量評估模型的泛化能力。

4.1.3支持向量機

SVM基于線性分離超平面對數據實例分類，使用“核技巧”將原始特征空間轉換為更高維的特征空間來處理復雜問題[103]。在體質量評估的應用中，少量研究涉及牛[104]和豬[105]，其他畜禽中未見應用。有研究將肩高、腰長、臀長、胸圍和大腿寬度等作為身體特征，建立牛體質量估計支持向量回歸模型效果較好[104]。由于SVM采用了泛化方法，因此在進行體質量估算時過擬合的概率較小，模型具有更好的泛化能力。但是，模型準確率也容易受到噪聲數據的影響。SVM在分類問題中的表現更優異，對體質量估計這類回歸問題的相關應用較少。

4.1.4人工神經網絡

人工神經網絡受到人腦功能的啟發，模擬人腦神經元結構建立模型，與回歸模型在體質量評估中的應用研究規模相當，常見于豬[106]、雞[107]、牛[108]和羊[109]等常見農場動物。

BP神經網絡[107]、RBF神經網絡[106]、貝葉斯人工神經網絡[47]、自適應神經模糊推理系統[110]等常見神經網絡模型在畜禽體質量評估中均有應用，這些研究表明應用神經網絡能夠有效進行畜禽體質量的預測。此外，大量研究顯示，神經網絡模型進行體質量估算的性能優于回歸模型。尤其是，可以將3-D圖像中提取的長度、高度、寬度、面積和體積等多達60個潛在的預測變量[108]作為人工神經網絡模型的輸入參數來估計體質量，得到的預測模型性能遠優于線性回歸模型，且與真實體質量之間相關性較高。神經網絡能夠處理大量特征變量與體質量之間的復雜非線性關系，與線性模型相比能夠容納變量之間的共線性，輸入較多特征時模型可獲得更高的精度。

然而，傳統的機器學習模型需要應用圖像處理等手段提取估算的特征、應用一定的方法篩選特征，包含大量特征工程的工作。同時，傳統機器學習算法樣本來源于小范圍農場的小規模樣本數據，且需要按照不同的種群、性別、年齡等各自建立適用的模型，所建立的體質量評估模型不具有廣泛的適用性，難以商用推廣。

4.2 基于深度學習算法的體質量評估方法

基于機器視覺的體質量評估研究開始從傳統機器學習算法向深度學習算法轉變，在豬[111]、雞[5]、牛[112]、羊[109]中均得到了較好的效果。一方面，基于深度學習算法進行畜禽的目標檢測、身體分割和特征提取得到了廣泛的研究，顯示出了深度學習算法在視覺圖像處理中的強大能力。另一方面基于深度學習的體質量評估模型以2-D或3-D原始圖像或經簡單預處理的圖像作為模型輸入，自動提取與體質量關聯的高維抽象特征，輸出體質量估算結果，無需復雜的圖像處理過程，簡化和優化了數據分析流程。

基于深度學習的體質量評估模型主要為深度卷積神經網絡(Convolutional neural networks，CNN)，模型中間經過多個隱含卷積層和池化層，通過大量的輸入數據不斷訓練、調整網絡參數及權重，逐漸逼近預期精度。在此過程中不需要人為參與，完全依賴深度學習算法強大的性能和處理能力。

基于深度學習的畜禽體質量評估目前主要分為半自動化和全自動化兩種方式。半自動化的體質量評估，使用深度學習算法進行目標檢測、分割和特征提取，利用機器學習算法建立模型進行體質量評估。全自動化的體質量評估以單只畜禽圖像為輸入，使用深度學習算法建立模型進行體質量評估。

4.2.1基于深度學習算法的豬體質量評估

YOLO V3以整幅圖像作為興趣域進行像素的分類和目標定位，相較于Faster R-CNN目標檢測算法速度更快，在豬只識別中取得較好的效果[63]。在深度卷積神經網絡基礎上建立PigNet網絡對群豬進行個體分割，與Mask R-CNN模型及其改進模型進行對比，具有更高的準確率[72]。

豬的全自動體質量評估模型的研究中，多數采用輕量級CNN網絡架構，例如，EfficientNet[113]、ResNet[114]、Xception[115]、MobileNet[116]和DenseNet[117]。輕量級網絡架構同遷移學習方法的應用避免了深度神經網絡訓練中常會遇到的梯度消失、梯度爆炸、過擬合、欠擬合等問題，以及隨著網絡變深帶來的運算時間、空間代價的劇增。

EfficientNet模型，通過模型縮放來優化模型深度、寬度和輸入分辨率，使模型在一定計算資源下獲得最高精度。將深度圖像通過預訓練的EfficientNetB0網絡進行遷移學習[118]來估算不同育肥階段豬的體質量，該模型具有精確預測體質量的能力。

ResNet為解決深層網絡中的退化問題，引入恒等映射和殘差學習塊優化訓練效果，加深網絡以獲取更高的估重準確率。有研究將ResNet模型加入分層級聯多頭自注意力模塊，感知豬背部更大的區域來改進ResNet模型性能[119]。此外，以豬的背部2-D RGB圖像為輸入估計體質量，與ResNet152V2、Xception、MobileNetV2相比，DenseNet201模型具有最好的效果[37]，其主要原因在于DenseNet201模型采用密集連接的機制，能夠從畜禽2-D圖像獲取更多的信息。通過分析卷積層的輸出特征圖發現，模型忽略了背景特征和光照變化等顏色特征，提取出了豬體輪廓特征，用于體質量評估顯示出了更高的準確性。然而，與使用2-D圖像相比，使用3-D深度圖像作為模型輸入估計豬的體質量發現，Xception模塊具有更有效的信息整合能力，顯示出最好的體質量評估效果，而MobileNet模型由于其參數過少，訓練波動較大，體質量估計效果較差[53]。

以深度圖像作為模型的輸入，可以建立從目標識別、特征提取到體質量評估的全自動模型[120]，其結構如圖6所示[120]。在Faster R-CNN的基礎上，加入ReLU函數和兩個全連接層激活候選區域的特征向量，輸出3個結果：豬的類別置信度、目標邊框偏移量和體質量，模型取得了較好的效果。將目標檢測與體質量評估融合的全自動系統是走向商用化的必要條件，也是未來畜禽體質量評估的重要研究方向。

圖6 融合目標檢測和體質量評估的深度學習模型[120]Fig.6 A deep learning model combining target detection and weight assessment

4.2.2基于深度學習算法的雞體質量評估

目標識別算法YOLO V3能夠對紅外相機獲得的單只雞在一定范圍活動區域的深度圖像進行位置定位，采用全卷積分割算法FCN分割肉雞區域,成功得到肉雞的掩膜圖像[121]。應用機器視覺獲得分割后雞的體尺數據維度較少，大都是背部像素個數、背部面積以及擬合圖形的幾何特征數據，相對于其他大型家畜更為方便提取。

除了身體特征能估計雞的體質量外，雞舍內復雜的環境信息和體質量也有密切的聯系，動態神經網絡能夠針對不同輸入樣本，動態地調節其結構或參數。應用動態神經網絡建立雞舍動態環境和雞體質量之間復雜的關系，能夠估計雞的體質量變化，為未來肉雞生產優化研究提供了有效的基礎[5]。

4.2.3基于深度學習算法的牛體質量評估

深層卷積神經網絡Mask R-CNN是經典的目標檢測框架Faster R-CNN的擴展，對牛進行圖像分割具有較高的分類準確率和較高的像素分割精度，進一步使用多層感知機估計牛的體質量[122]。U-Net是比較早使用全卷積網絡進行語義分割的算法，在牛的側面身體分割中顯示出了較高的精度。深度學習算法不僅能進行二維圖像的分割，還應用于牛的三維點云數據的輪廓提取[56]。

全自動的牛體質量評估模型以牛的背部2-D RGB圖像為輸入，建立深度學習模型輸出體質量。對比ResNet18、EfficientNetB1和EfficientNetB7輕量級CNN框架，發現EfficientNetB1具有最高的準確性。在CNN、RNN中添加注意模塊，發現沒有添加注意力機制的CNN具有最好的效果[112]。目前畜禽的體質量估計方式往往是一次只拍攝一只動物并占滿圖像的大部分位置，原始卷積神經網絡能夠關注到身體的全部，而注意力機制只能關注到身體的部分區域，不能根據整體形狀特征很好的估計體質量。

4.2.4基于深度學習算法的羊體質量評估

在羊生活的區域中將羊分割出來是一項困難的任務。羊毛的顏色和紋理與背景干草類似。參考SegNet模型，基于自動編碼器的架構，將第三維表示成一個常規的RGB通道，構建分割模型，成功將羊從帶有雜草的背景中分離出來[109]。

與其他畜禽不同，羊毛厚度的差別往往是影響其體質量評估準確度的重要因素。目前未見全自動的羊體質量評估的深度學習模型。隨著深度學習技術的發展，未來將在各種畜禽體質量評估中發揮重要作用。

輕量級網絡模型能夠快速移植到邊緣設備中，為實現實時、快速的商業化畜禽體質量評估系統提供可能，提升輕量化深度網絡模型在畜禽體質量評估系統中的性能，成為未來重要的研究目標。

與傳統機器學習算法相比較，深度學習算法在體質量評估方面表現出了更優越的性能，表4列出了傳統機器學習算法與深度學習算法的對比。深度學習屬于端到端的模型，無需復雜的圖像處理過程，自動提取用于估算的特征，并盡可能的挖掘出潛在的特征。也是由于這種端到端的特性，應用深度學習算法進行體質量評估的建模并不需要知道哪些特征與體質量相關等這類先驗的專家知識。

深度學習模型具有遷移學習的能力，在其他樣本甚至其他領域訓練的模型可以遷移到體質量評估領域中來，共享不同領域之間的知識成果。目前基于深度學習的體質量模型均顯示出了比傳統機器學習算法更高的估計精度。同時，深度學習模型中的RNN能夠根據時間序列建模，由于畜禽的體質量增長具有按時間連續變化的特性，將時間因素加入到深度模型中將提高模型的精度。現在流行的許多深度學習框架都以模塊形式開發，模塊的移植和組合等將實現模型更強大的功能。同時，深度學習模型也存在著硬件需求高的缺點，可通過輕量級架構的推廣來改善。深度學習模型對比于線性回歸模型和回歸樹模型等，可解釋性不高，這也是深度學習算法本身的一個研究方向。深度學習在畜禽體質量評估研究中顯示出巨大的發展潛力，是畜禽體質量評估重要的研究方向。

表4 機器學習算法與深度學習算法的對比Tab.4 Machine learning vs deep learning algorithms

5 總結與展望

本文對近年來基于機器視覺的畜禽體質量評估的研究進行了分析和綜述。基于機器視覺的間接體質量估計作為一種非入侵性的手段，逐漸取代手工的測量方式，對于實現精準畜禽養殖管理具有重要的作用，正在逐步成為主流方法。然而，目前對畜禽體質量評估方法的研究相較于一些前沿領域滯后，需要從多方面進行大量的探索，以加速其從實驗室研究階段向實際生產領域商業化應用的進程。

(1)根據應用場景、監測動物類型，選取適當的視覺傳感器。目前2-D相機的應用仍然比較普遍，然而其所獲取的圖像容易受到環境光線的影響，并且基于特定視角無法獲得身體體型結構更多維的特征，同時存在圖像校準、匹配和處理過程復雜的問題。而3-D相機能夠獲得動物身體的深度信息，通過3-D圖像獲取的動物3-D外形特征，正在逐步被用于體質量評估中。因此，未來可以探索多種傳感器結合的方法，構建更精確的體質量評估系統。

(2)個體識別與精準估重相結合。目前的研究中畜禽圖像大多是通過一次只能容納一只動物的特定裝置采集，同時獲得外觀特征和體質量，無法區分不同個體。雖然有部分自動圖像采集系統，通過動物佩戴的RFID射頻標簽或在動物的背部標記特殊符號或數字來區分不同的個體。但是，在現代精準畜禽養殖中，需要探索基于機器視覺將目標檢測、個體識別與體質量估算集成的方法，建立精準的個體體質量評估系統。

(3)將輕量化模型快速移植到邊緣設備中應用。基于深度網絡建立的體質量評估模型顯示出強大的性能優勢和自動化特性，如何建立精準度高、參數量少的輕量化深度網絡模型，使其能夠在實際生產環境中高效運行于邊緣設備上，與現有的物聯網系統真正融合，使這些體質量評估的人工智能模型快速推廣應用，將是今后此領域研究的重點。

(4)成熟的商業化系統。目前缺乏基于機器視覺的商業化全自動體質量估算監測系統。構建在畜禽自由活動的場景中獲取體質量估計可用的視覺圖像軟件系統是巨大挑戰。構建大規模畜禽體質量評估數據集，生成包含不同品種、喂養條件、不同年齡和性別的動物通用的體質量估算模型是構建成熟的商業化系統需要解決的問題。

綜上所述，能夠獲取身體更多維特征的3-D傳感器逐漸被用于畜禽體質量評估。深度學習技術以其強大的特征學習與表征能力，在畜禽的體質量評估中顯示出巨大的潛力，為未來構建全自動、實時、快速的體質量評估系統提供了方向，然而距離實際商業應用仍有許多技術難題需要解決。