奶牛乳房炎自動檢測技術研究進展

初夢苑 ，劉曉文 ，曾雪婷 ，王彥超 ，劉 剛

（1. 中國農(nóng)業(yè)大學智慧農(nóng)業(yè)系統(tǒng)集成研究教育部重點實驗室，北京 100083；2. 中國農(nóng)業(yè)大學農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術 重點實驗室，北京 100083）

0 引 言

隨著人民生活水平的不斷提高，乳制品的需求日益增長[1-2]。而乳房炎、子宮內(nèi)膜炎、口蹄疫與跛足等奶牛疾病的發(fā)生，不僅降低產(chǎn)奶量、損害牛奶質量，還影響人類身體健康、增加牛群更替成本[3]。其中，乳房炎發(fā)病率高、發(fā)病范圍廣，是造成養(yǎng)殖場經(jīng)濟損失較為嚴重的疾病之一[4-5]。奶牛乳房炎最常用的分類方法由美國國家乳房炎委員會（American national mastitis committee,ANMC）提出，該方法根據(jù)奶牛乳房及乳汁有無肉眼可見變化，將乳房炎分為臨床型乳房炎（clinical mastitis, CM）與非臨床型乳房炎（nonclinical or subclinical mastitis,SCM），即隱性乳房炎[6-7]。根據(jù)臨床癥狀與乳汁變化程度，CM 又可分為最急性、急性、亞急性和慢性乳房炎[8]。根據(jù)國際奶業(yè)聯(lián)合會的統(tǒng)計，世界上所有存欄奶牛中至少有1/3 患有各類乳房炎，奶牛臨床型乳房炎發(fā)病率是2%，隱性乳房炎發(fā)病率為50%[9-12]。國內(nèi)臨床型乳房炎頭發(fā)病率約為5.38%，乳區(qū)發(fā)病率約為1.65%；隱性乳房炎頭發(fā)病率約為59.36%，乳區(qū)發(fā)病率約為31.62%[13-18]。全球每年因乳房炎造成的經(jīng)濟損失高達350 億美元，僅美國的損失就達20 億美元[19-24]。奶牛乳房炎發(fā)病原因主要有病原微生物感染、環(huán)境與管理不當、奶牛自身因素等[25-27]。臨床型乳房炎主要根據(jù)奶牛乳房和乳汁是否出現(xiàn)肉眼可見的異常變化進行診斷，如乳房紅腫堅硬、產(chǎn)奶量下降、乳汁稀薄且混有絮狀物[28]。而隱性乳房炎乳房和乳汁在外觀上肉眼不可見，因此經(jīng)濟損失更為嚴重[29]。目前養(yǎng)殖場診斷奶牛隱性乳房炎的方法主要有乳汁體細胞計數(shù)（somatic cell count, SCC）[30-31]、加州乳房炎試驗（California mastitis test, CMT）[32]、乳汁pH 值檢查[33]、乳汁電導率檢查[34]、乳汁酶學檢查與病原學診斷等[35]。上述檢測方法雖然能較準確地篩查奶牛乳房炎，但通常工作量大，檢測周期長，且奶樣對檢測環(huán)境有著較高的要求，難以滿足養(yǎng)殖場快速實時診斷奶牛乳房炎的需求。

近年來，隨著信息技術的迅速發(fā)展，先進的電子信息技術裝備被廣泛應用于工業(yè)、農(nóng)業(yè)、醫(yī)療與制造業(yè)等領域[36]。在農(nóng)業(yè)信息化領域，智慧養(yǎng)殖是指利用各種傳感器技術、人工智能技術、環(huán)境監(jiān)測技術、環(huán)境控制技術、無線通訊技術與大數(shù)據(jù)技術等，集成畜禽生理疾病信息的智能監(jiān)測與預警、畜禽行為智能監(jiān)測、精準飼喂與智能環(huán)境控制等于一體的養(yǎng)殖系統(tǒng)[37]。智慧養(yǎng)殖能夠為畜禽打造健康、舒適、安全的生活環(huán)境，為養(yǎng)殖者提供高效、可靠和綜合的管理手段，全面提升養(yǎng)殖數(shù)字化與智能化水平[38]。奶牛乳房炎自動檢測技術一般指利用紅外熱成像技術、機器視覺技術、傳感器技術、機器學習技術或數(shù)據(jù)分析技術等，對獲取的奶牛熱圖像、奶樣、乳房信息、奶牛個體信息等進行綜合分析與處理，診斷奶牛是否患有乳房炎以及患病程度的過程[39-41]。

目前已有較多國內(nèi)外研究學者對奶牛乳房炎進行自動化檢測，并取得了豐碩成果。奶牛乳房炎自動檢測研究利用傳感器或多傳感器系統(tǒng)，采集奶牛乳房或乳汁信息，使用數(shù)據(jù)分析與機器學習方法，構建乳房炎檢測模型。根據(jù)奶牛乳房炎自動檢測所采用的傳感器類型，本文主要從基于視覺傳感器、自動擠奶系統(tǒng)和其他傳感器的奶牛乳房炎自動檢測技術3 個方面展開介紹，分析當前階段奶牛乳房炎自動檢測面臨的主要技術問題與挑戰(zhàn)，并展望未來研究的重點與發(fā)展趨勢，以期為開展奶牛乳房炎自動檢測技術與方法研究提供參考。

1 基于視覺傳感器的奶牛乳房炎檢測技術

機器視覺一般指使用非接觸式光學傳感設備，采集被測目標的圖像信息，并對圖像信息進行分析、處理與計算，得到被測目標的形態(tài)、顏色、紋理等特征數(shù)據(jù)，進而根據(jù)特征數(shù)據(jù)進行判斷與決策[42-43]。基于視覺傳感器的奶牛乳房炎自動檢測技術通常是借助熱像儀、顯微鏡、可見光相機等數(shù)據(jù)采集設備，獲取奶牛乳房區(qū)域熱圖像、奶樣體細胞圖像或奶樣pH 測試紙圖像，再利用機器視覺等技術，對原始圖像數(shù)據(jù)進行分析處理，最后對奶牛乳房炎患病情況進行診斷，如圖1 所示。近年來較為典型的基于視覺傳感器的奶牛乳房炎自動檢測技術相關研究成果如表1 所示。

表1 基于視覺傳感器的奶牛乳房炎檢測技術Table 1 Researches on mastitis detection technology in dairy cow based on visual sensors

圖1 基于視覺傳感器的奶牛乳房炎檢測技術示意圖Fig.1 Sketch map of mastitis detection technology in dairy cow based on visual sensors

1.1 基于乳房熱紅外圖像的奶牛乳房炎檢測

紅外熱成像（infrared thermography, IRT）技術可探測物體發(fā)出的中長波紅外輻射，并將其轉換為溫度數(shù)據(jù)，從而生成物體熱分布可視化的數(shù)字圖像或視頻。目前，越來越多的學者利用IRT 技術，評估農(nóng)場牲畜的生育能力、新陳代謝、疼痛以及疾病監(jiān)測[56-58]。奶牛乳房炎是當乳腺受到病原體侵襲以及理化因素刺激時，乳房區(qū)域所發(fā)生的炎癥反應[59]。奶牛乳房區(qū)域存在炎癥時，血流會發(fā)生相應變化，炎癥區(qū)域皮膚表面溫度升高。因此，較多研究借助熱像儀測量奶牛乳房表面溫度，并觀測其溫度變化，從而進行奶牛乳房炎的檢測。

有些研究通過觀測奶牛乳房皮膚表面溫度以及變化，來檢測乳房炎發(fā)病情況。WATZ 等[45]將大腸桿菌注入健康奶牛體內(nèi)誘發(fā)乳房炎，然后利用熱像儀從奶牛后側拍攝熱紅外數(shù)據(jù)，使用圖像識別軟件自動檢測奶牛后側乳房區(qū)域，并計算熱圖像中乳區(qū)最大溫度。該研究利用IRT 技術，根據(jù)奶牛乳房最大溫度自動檢測乳房炎，敏感性為93.75%，特異性為94.96%。郭艷嬌等[49]提出了一種基于熱圖像的奶牛乳房溫度分布測量與乳房炎檢測方法。該方法可自動識別奶牛左右后乳區(qū)，通過線剖法建立奶牛乳區(qū)溫度分布擬合方程，根據(jù)溫度擬合線斜率的正負進行奶牛乳房炎的識別，與CMT 真值相比，健康乳區(qū)識別精度為76%，患病乳區(qū)識別精度為75%。該研究首次將奶牛乳區(qū)溫度分布擬合線斜率作為乳房炎特征，取得了較好的檢測效果，為基于乳房圖像的乳房炎檢測提供了新思路。KHAKIMOV 等[50]利用IRT 研究了奶牛乳房炎，與產(chǎn)奶量和乳房皮膚表面溫度之間的關系。研究結果表明，患乳房炎乳區(qū)的皮表溫度與產(chǎn)奶量之間顯著相關（線性皮爾遜相關系數(shù)（linear Pearson correlation coefficient, LPCC）為-0.96），健康乳區(qū)皮表溫度與產(chǎn)奶量之間沒有顯著關系（LPCC 為0.16）。該研究還將皮表溫度范圍為32～36 °C 的乳區(qū)判定為健康乳區(qū)，皮表溫度為36.1～39 °C 范圍內(nèi)的乳區(qū)判定為患病乳區(qū)，該方法證實了根據(jù)奶牛乳房皮表溫度快速評估牛群乳房炎感染情況的可行性。但是，只根據(jù)奶牛乳房皮表溫度及變化診斷是否患有乳房炎，結果易受養(yǎng)殖場環(huán)境、季節(jié)、奶牛個體特異性等因素影響。

此外，奶牛患乳房炎時，患病乳房局部區(qū)域溫度升高，奶牛體核溫度不變，而奶牛眼睛溫度可以較好地反映直腸溫度。因此，奶牛眼睛與乳房溫度之間的差異在一定程度上可以反映奶牛患病情況。張旭東等[44]利用傳統(tǒng)數(shù)字圖像處理方法進行奶牛眼睛與乳房的自動定位，然后根據(jù)奶牛眼乳溫差判斷奶牛是否患有乳房炎。在奶牛眼乳定位研究中，該研究基于熱圖像中HSV（hue, saturation, value）顏色特征與骨架特征，自動檢測奶牛眼睛位置。利用基于骨架特征的支持向量機（support vector machine, SVM）分類技術，自動檢測奶牛乳房位置。預測結果與SCC 檢測結果進行對比，CM 檢測準確率為87.5%，SCM 準確率為33.3%。隨著人工智能的快速發(fā)展，深度學習技術越來越多地應用于畜牧自動監(jiān)測領域。ZHANG 等[46]提出了一種基于熱圖像雙邊濾波增強的深度學習網(wǎng)絡EFMYOLOv3（enhanced fusion mobileNetV3 YOLOv3）[60]，用于自動檢測熱圖像中奶牛眼睛與乳房位置，如圖2 所示。在定位奶牛熱圖像中眼睛與乳房之前，使用基于灰度直方圖的雙邊濾波圖像增強算法增強熱圖像細節(jié)，提高了前景與背景之間的對比度，最后根據(jù)熱圖像中自動提取的奶牛眼乳溫差來判斷奶牛是否患有乳房炎，并將診斷結果與SCC 結果對比。該乳房炎分類算法準確率、敏感性和特異性分別為83.33%、92.31%和76.47%。王彥超等[47]為提高奶牛乳房炎檢測精度，在YOLOv3-tiny 網(wǎng)絡中增加了4 個殘差結構和3 個壓縮激勵（squeeze and excitation，SE）模塊，并對激活函數(shù)進行改進，利用改進后的YOLOv3-tiny 網(wǎng)絡進行奶牛眼睛與乳房的定位，根據(jù)自動檢測的奶牛眼乳溫差來判定是否患有乳房炎，奶牛乳房炎的檢測精度為77.3%。宋子琪[48]使用YOLOv4 模型進行奶牛眼睛與乳房部位的自動檢測，眼睛檢測平均精度（Average precision, AP）比使用傳統(tǒng)圖像處理方法提高了3.6%，乳房檢測AP 值提高了12.65%。根據(jù)奶牛眼乳溫差進行乳房炎的分級，奶牛CM 檢測準確率為91.4%，特異性為80%，敏感性為93.3%。用奶牛眼睛與乳房溫度差值檢測乳房炎，雖在一定程度上避免了奶牛個體特異性對檢測結果的影響，但奶牛眼睛溫度與體核溫度仍有一定差距，用奶牛眼睛溫度代替直腸溫度，容易造成乳房炎檢測誤差累積。

圖2 基于IRT 與深度學習的奶牛關鍵部位檢測[46] Fig.2 Key parts detection of dairy cows based on IRT (infrared thermo graphy) and deep learning[46]

METZNER 等[61]將大腸桿菌注入奶牛右后肢誘發(fā)乳房炎，并利用IRT 技術觀測奶牛左右乳房溫差。由熱紅外圖像可以檢測到誘發(fā)乳房炎的乳區(qū)與未感染乳房炎的乳區(qū)，且最大溫度差異顯著。因此，可以根據(jù)奶牛兩側乳房溫差來檢測乳房炎。但是當奶牛左右兩側乳房同時患有乳房炎時，兩側乳房溫度差異較小，可能造成乳房炎的誤診。因此，WANG 等[51]提出了一種基于熱圖像的奶牛乳房炎綜合檢測新方法，該方法使用YOLOv5 深度學習網(wǎng)絡[62]自動獲取奶牛眼睛與乳房位置信息，并提取眼區(qū)與乳區(qū)最大溫度，綜合對比奶牛左右兩側乳房皮表溫差與眼乳溫差，從而進行乳房炎的診斷。結果表明，該研究檢測奶牛乳房炎準確性、特異性和敏感性分別為87.62%、84.62%和96.30%，該方法可有效減少環(huán)境、個體特異性等因素的干擾。

隨著深度學習在機器視覺領域的快速發(fā)展，有研究者將圖像分類技術應用于奶牛乳房炎的自動檢測，實現(xiàn)了“一步式”奶牛乳房炎檢測。張倩等[52]拼接奶牛眼睛與乳房熱紅外圖像，并基于融合數(shù)據(jù)增強方法提升檢測模型魯棒性，最后改進ResNet34 網(wǎng)絡用于奶牛乳房炎分類模型的構建，檢測準確率為88.4%。該方法不僅提高了奶牛乳房炎的檢測精度，還縮短了分類時間，有效避免了前人研究中“多步式”造成的誤差累積。但該研究未深入探明ResNet34 網(wǎng)絡用于熱圖像中乳房炎檢測所使用的特征，后續(xù)研究應詳細分析網(wǎng)絡機理，提取更豐富的乳房炎特征，以提高乳房炎檢測精度。

基于熱紅外圖像的奶牛乳房炎檢測方法可以無接觸、無應激地檢測奶牛乳房患病情況，并且可以實時獲取檢測結果，較大程度地保障了動物福利。但是，利用熱像儀拍攝的奶牛乳房熱圖像，僅反映了乳區(qū)皮膚表面溫度分布，而皮表溫度容易受到環(huán)境干擾，造成乳房炎檢測精度不高。

1.2 基于乳汁圖像的奶牛乳房炎檢測

基于乳汁圖像的奶牛乳房炎檢測主要是指對奶牛乳汁的顯微圖像、pH 試紙圖像等進行分析與處理，然后構建奶牛乳汁SCC 預測模型，根據(jù)自動計算的乳汁中體細胞數(shù)評估奶牛乳房炎患病情況[63]。

在基于乳汁顯微圖像的奶牛乳房炎檢測方面，DE MELO 等[53]將奶牛乳汁原始RGB 顯微圖像改為Lab 顏色空間，應用K 均值聚類算法去除圖像中碎片與其他背景，通過分水嶺變換分離剩余的邊界細胞，然后對圖像中體細胞進行計數(shù)。所提方法與人工計數(shù)對比，該方法能夠以99.7%的準確率自動計算顯微鏡載玻片圖像中細胞數(shù)量。GAO 等[55]為快速測定奶牛乳汁中體細胞數(shù)，開發(fā)了一種基于視覺的乳汁體細胞計數(shù)儀。該儀器能夠自動獲取載玻片的顯微圖像，并使用霍夫變換對顯微圖像進行校準，然后建立離散優(yōu)化模型確定圖像分割閾值，最后采用最小二乘圓法檢測乳汁體細胞圓度，通過遞歸算法實現(xiàn)體細胞的自動計數(shù)。該細胞計數(shù)儀與丹麥FossMatic 5 000 高精度乳汁SCC 儀的檢測結果進行對比，最大偏差低于8%，驗證了該儀器的適用性。

在基于乳汁pH 試紙圖像的奶牛乳房炎檢測方面，蔡一欣等[54]為解決奶牛隱性乳房炎難以防治等問題，提出利用可見光相機采集奶牛乳汁pH 試紙圖像，融合顏色特征與形態(tài)學處理方法，分割試紙中化學反應區(qū)并獲取RGB 值，最后使用冪回歸法建立RGB 值與乳汁SCC的預測模型，并基于Android 技術在便攜式移動終端開發(fā)了奶牛乳房炎快速檢測系統(tǒng)。根據(jù)養(yǎng)殖場實測的20 組乳汁SCC 進行對比，該估測方法平均相對誤差為3.67%，標準差為1.88%，可滿足養(yǎng)殖場奶牛隱性乳房炎的快速檢測。

基于乳汁圖像的奶牛乳房炎檢測相關研究，通常檢測乳汁SCC 精度較高，但大多研究沒能將所提方法用于實際養(yǎng)殖環(huán)境中的奶牛乳房炎檢測，即乳房炎檢測精度未知。未來研究應注重方法的實際應用，將設計的奶牛乳汁SCC 預測模型應用于乳房炎檢測，實現(xiàn)奶牛乳房炎的快速精準檢測。

綜上所述，基于視覺傳感器的奶牛乳房炎檢測技術，可以無損無應激地實現(xiàn)奶牛乳房炎的檢測，尤其是基于熱紅外圖像的乳房炎檢測方法，直接對無接觸獲取的奶牛乳房熱圖像進行分析檢測，較大程度地保障了動物福利，但基于IRT 檢測奶牛乳房炎精度通常不高。基于乳汁圖像的奶牛乳房炎檢測技術，在乳汁SCC 檢測中取得了較高精度，但大多研究缺少實際檢測奶牛乳房炎的相關試驗。相較于AMS 和其他傳感器獲取奶牛乳房炎數(shù)據(jù)，該方法主要優(yōu)勢在于無接觸無應激地采集數(shù)據(jù)，保障了動物福利。但獲取的數(shù)據(jù)較為單一，且圖像分析過程增加了誤差積累，檢測精度不高。

2 基于自動擠奶系統(tǒng)的奶牛乳房炎檢測技術

基于自動擠奶系統(tǒng)的奶牛乳房炎檢測技術，通常是利用養(yǎng)殖場AMS 采集奶牛乳汁信息，并結合本地數(shù)據(jù)或人工記錄的奶牛個體信息，使用機器學習分類方法，構建奶牛乳房炎檢測模型，并通過養(yǎng)殖場實際測試，逐步優(yōu)化檢測模型[64-65]。近年來較為典型的基于自動擠奶系統(tǒng)的奶牛乳房炎自動檢測技術相關研究成果如表2 所示。

表2 基于自動擠奶系統(tǒng)的奶牛乳房炎檢測技術Table 2 Researches on mastitis detection technology in dairy cow based on AMS (automatic milking systems)

AMS 是乳品行業(yè)中最關鍵技術之一[77]。AMS 不僅可以代替人工擠奶與傳統(tǒng)擠奶系統(tǒng)，還是管理奶牛健康、提升生產(chǎn)效率的一種通用方法[78]。2020 年全球AMS 使用數(shù)量約5 萬個，主要集中在歐洲（90%）、加拿大（9%）以及其他國家（1%）[79-80]。AMS 作業(yè)時，內(nèi)部嵌入的乳汁傳感器可以自動檢測乳汁中體細胞數(shù)、電導率、乳糖與脂肪等成分的含量，這些數(shù)據(jù)都是奶牛乳房炎檢測的重要指標[81]。由于AMS 可以自動、快速、準確地獲取乳汁中關鍵信息，較多研究學者利用AMS 獲取奶牛乳汁信息構建乳房炎檢測模型。

基于AMS 的奶牛乳房炎檢測在研究初期多采用簡單的線性回歸方法，根據(jù)SCC、EC 與產(chǎn)奶量等常規(guī)指標進行奶牛乳房炎患病狀況的預測[82]。DEMOL 等[66]基于AMS 設計了一個奶牛乳房炎自動檢測模型，該模型主要包括牛奶產(chǎn)量和EC 兩個變量的時間序列，通過線性回歸更新參數(shù)值和殘差方差。當殘差超出設定置信區(qū)間時，模型發(fā)出乳房炎警報。使用構建的最優(yōu)乳房炎檢測模型，測試25 頭奶牛的29 033 次擠奶樣本，特異性為98%，敏感性達到100%。該模型檢測精度較高，但測試的奶牛樣本數(shù)量較少，無法驗證該方法在實際乳房炎檢測中的普適性與準確性。KAMPHUIS 等[67]分析來自AMS中的傳感器數(shù)據(jù)，包括乳汁EC、RGB 值以及牛奶產(chǎn)量，通過計算相關系數(shù)和信息增益比評估各項參數(shù)在預測異常乳汁和CM 中的重要性。經(jīng)測試與計算，最重要的參數(shù)為乳汁EC、藍色與綠色通道值，該研究將上述參數(shù)作為奶牛乳房炎與異常乳汁檢測的潛在預測變量，但并未利用潛在預測變量構建乳房炎檢測模型。CLAYCOMB等[68]在AMS 下方約1.5 m 處長奶管中安裝單個傳感器測量奶牛前奶EC，通過控制常規(guī)集群內(nèi)單個乳頭的脈動，實現(xiàn)4 個乳房之間乳汁的有序分離，使用4 個乳房乳汁的EC 值作為奶牛乳房炎患病狀態(tài)判斷的主要指標。經(jīng)現(xiàn)場試驗測試，1 000 次擠奶樣本中乳房炎檢測敏感性范圍為68%～88%。

隨著人工智能的快速發(fā)展，基于AMS 的奶牛乳房炎檢測研究使用SVM、貝葉斯網(wǎng)絡等機器學習方法對奶牛乳房炎進行診斷[83-85]。MAMMADOVA 等[71]使用SVM 技術，根據(jù)來自AMS 的奶牛數(shù)據(jù)（泌乳等級、產(chǎn)奶量、EC、平均擠奶時間、季節(jié)），計算奶牛乳汁中SCC，并依據(jù)SCC 值預測奶牛是否感染乳房炎[86]。該方法對奶牛乳房炎檢測的敏感性為89%，特異性為92%。HUYBRECHTS 等[72]提出將協(xié)同控制概念引入奶牛乳房炎檢測中，協(xié)同控制可以對多傳感器輸出數(shù)據(jù)進行實時建模并減小建模值殘差。該研究基于產(chǎn)奶量變化數(shù)據(jù)，開發(fā)并測試了協(xié)同控制模型用于奶牛乳房炎的早期檢測，檢測CM 敏感性為63%。該研究首次將協(xié)同控制技術應用于奶牛乳房炎檢測，但檢測精度不高，后續(xù)研究可以融合多模態(tài)數(shù)據(jù)構建多特征的奶牛乳房炎檢測模型。BONESTROO 等[75]開發(fā)了一種基于傳感器和梯度增強分類器的奶牛慢性乳房炎檢測模型，該模型使用SCC、EC、乳汁中血液含量、產(chǎn)次、乳汁分流、擠奶間隔時間、產(chǎn)奶量和產(chǎn)奶天數(shù)預測奶牛慢性乳房炎，其中SCC、EC與乳汁中血液含量數(shù)據(jù)來自AMS。該模型利用7 個奶牛養(yǎng)殖場的傳感器數(shù)據(jù)進行訓練，利用其他7 個養(yǎng)殖場的數(shù)據(jù)對模型性能進行測試。試驗結果表明，該模型對奶牛慢性乳房炎檢測的準確率為88.8%，馬修斯相關系數(shù)（Matthew’s correlation coefficient, MCC）為71.2%，AUC為96.4%。BAUSEWEIN 等[76]指出不同制造商開發(fā)的AMS 檢測奶牛CM 精度不同，以德國南部巴伐利亞奶牛群作為試驗對象，當?shù)谹MS 檢測CM 敏感性在31%～78%之間，特異性在79%～97%之間。

上述研究都是根據(jù)AMS 的乳汁SCC、EC、產(chǎn)奶量與產(chǎn)次等數(shù)據(jù)對乳房炎患病進行預測。還有一些研究提出使用奶牛活動量、乳汁氧濃度等指標檢測乳房炎，也取得了較高檢測精度[87-88]。WITTEK 等[73]提出利用乳汁中氧濃度（oxygen concentrations, OC）預測奶牛乳房炎感染情況。根據(jù)氧濃度預測乳房炎的依據(jù)是，奶牛乳汁中細胞會消耗氧氣，SCC 的增加將導致OC 降低。因此，該研究通過分析乳汁OC 與SCC 的關系，驗證OC 檢測SCM 的可行性。經(jīng)過對690 份奶牛乳汁樣本的分析與檢測，發(fā)現(xiàn)OC 隨著SCC 的增加而降低，而EC 顯著增加。利用OC 檢測奶牛SCM 敏感性為84%，特異性為46%，AUC 為0.72。KHATUN 等[74]為確定養(yǎng)殖場中自動擠奶系統(tǒng)檢測奶牛SCM 的可行性，根據(jù)乳汁EC，與使用熱量和反芻-長距離標簽記錄的每日活動和每日反芻相對變化預測當季SCM。研究表明，結合奶牛乳汁EC、活動變化、SCM 發(fā)生前反芻變化和產(chǎn)次所構建的聯(lián)合模型，SCM 預測性能最優(yōu)，平均AUC 為0.92。

上述基于AMS 進行奶牛乳房炎檢測的研究，都能夠較好地為養(yǎng)殖戶提供乳房炎預警數(shù)據(jù)，即篩選出養(yǎng)殖場中可能患有乳房炎的奶牛。但預警數(shù)據(jù)中，所有奶牛患乳房炎的概率相同，無法從列表中判斷奶牛患病優(yōu)先級[89]。因此，STEENEVELD 等[69]根據(jù)奶牛個體信息（產(chǎn)次、產(chǎn)奶天數(shù)、季節(jié)、SCC 歷史數(shù)據(jù)以及乳房炎病史等數(shù)據(jù)），結合AMS 檢測奶牛乳房炎的敏感性和特異性，構建基于貝葉斯網(wǎng)絡的奶牛乳房炎警報列表排序模型。該模型的構建對目前基于AMS 的奶牛乳房炎檢測技術提供了新的研究方法與思路。同時，STEENEVELD等[70]在上述研究基礎上，根據(jù)奶牛個體信息與來自AMS的警報信息（乳汁EC、警報原因、乳汁顏色是否異常、與預期產(chǎn)奶量的偏差以及96 小時內(nèi)警報次數(shù)），基于樸素貝葉斯網(wǎng)絡，區(qū)分來自AMS 警報列表中的真陽數(shù)據(jù)與假陽數(shù)據(jù)[90]。試驗結果表明，奶牛乳房炎警報列表上的假陽警報有效減少了35%。

綜上所述，基于AMS 的奶牛乳房炎檢測技術，利用集成式AMS 擠奶同時自動檢測并分析乳汁中各成分含量及理化指標，乳房炎檢測的自動化程度和精度較高[91]。當檢測到奶牛乳汁異常時，可及時對異常牛奶進行分流處理，并預警患病奶牛信息。目前國內(nèi)奶牛養(yǎng)殖主要以小規(guī)模的散戶飼養(yǎng)為主，大型化、規(guī)模化的養(yǎng)殖場較少，而AMS 成本較高，國內(nèi)雖有少數(shù)大型養(yǎng)殖場引入AMS，但仍未見基于AMS 的奶牛乳房炎檢測相關研究的報道。此外，AMS 擠奶完成后，通過拉力作用從奶牛身上抽出，容易造成奶牛乳房皮膚損傷，從而導致乳房出血、產(chǎn)奶量降低、乳房炎發(fā)生等問題，損害動物福利[92-93]。

3 基于其他傳感器的奶牛乳房炎檢測技術

除了借助視覺傳感器與AMS 檢測奶牛乳房炎的方法外，還有較多研究者根據(jù)奶牛乳房炎發(fā)病特征與乳汁理化性質變化，研發(fā)了專門用于奶牛乳房炎檢測的傳感器或多傳感器系統(tǒng)。基于其他傳感器的奶牛乳房炎檢測方法，根據(jù)傳感器采集的奶牛個體數(shù)據(jù)，利用機器學習分類算法構建奶牛乳房炎檢測模型，如圖3 所示。相比于AMS，該類傳感器或系統(tǒng)一般檢測方法較為簡單，成本也更低。近年來基于其他傳感器的奶牛乳房炎自動檢測技術相關研究成果如表3 所示。

表3 基于其他傳感器的奶牛乳房炎檢測技術Table 3 Researches on mastitis detection technology in dairy cow based on other sensors

圖3 基于其他傳感器的奶牛乳房炎檢測技術示意圖Fig.3 Sketch map of mastitis detection technology in dairy cow based on other sensors

有些研究根據(jù)奶牛乳房炎發(fā)病后乳汁理化性質的變化，設計了用于乳汁分析的傳感器，并根據(jù)乳汁EC、pH、蛋白質以及乳糖等特征信息構建乳房炎檢測模型。李晉陽等[94]根據(jù)奶牛感染乳房炎后乳汁EC 與pH 值的變化，研發(fā)了一種基于單片機的奶牛乳房炎自動檢測儀。該儀器可以安裝在AMS 中，在擠奶過程中在線監(jiān)測奶牛患病情況，也可以獨立使用，能夠實現(xiàn)快速且低成本的奶牛乳房炎檢測。當pH 閾值設置為6.9，電導率閾值設置為6.5 mS/cm 時，CM 檢測準確率為94%，SCM 檢測準確率67%。MOTTRAM 等[95]設計了一種化學傳感器系統(tǒng)以提高奶牛乳房炎檢測性能，該傳感器系統(tǒng)由一系列化學傳感器和數(shù)據(jù)處理傳感器陣列組成，根據(jù)被感染腺體與健康腺體乳汁分泌物的差異判斷奶牛是否患有乳房炎。利用該傳感器系統(tǒng)檢測奶牛CM，敏感性和特異性分別為93%和96%。KAMPHUIS 等[96]探討了奶牛乳汁EC 和在線復合體細胞計數(shù)（in-line composite somatic cell count, ISCC）傳感器[102]，在擠奶過程中檢測CM。試驗結果表明，僅使用EC 作為奶牛乳房炎檢測工具，檢測錯誤率最高為7.8%，僅使用ISCC 檢測乳房炎錯誤率最高為3.7%，而使用模糊邏輯算法結合EC 與ISCC 檢測CM，錯誤率最高僅為2.1%，檢測性能較優(yōu)。FOSGATE 等[97]基于貝葉斯分類模型，利用手持式乳汁電導率儀檢測奶牛乳房炎，當EC 值超過臨界點25 mO/cm時，模型估計奶牛患有乳房炎，奶牛乳房炎檢測的敏感性與特異性分別為89.9%和86.8%。ALTAY 等[99]使用分類與回歸樹（classification and regression tree, CART）、卡方自動交互檢測（chi-squared automatic interaction detection, CHAID）、窮舉卡方自動交互檢測（exhaustive chi-squared automatic interaction detection, Ex-CHAID）、快速無偏有效統(tǒng)計樹（quick, unbiased, efficient, statistical tree, QUEST）與MARS 數(shù)據(jù)挖掘算法，根據(jù)潛在預測因子（包括哺乳次數(shù)、產(chǎn)奶天數(shù)、乳糖、乳汁顏色與明度、脂肪含量、蛋白質含量、密度、pH 值與EC 等），預測奶牛乳房炎患病情況。結果表明，CART 和MARS 算法在區(qū)分患病奶牛與健康奶牛時具有較好的分類性能。與CMT 結果相比，CART 分類方法敏感性為71.6%，特異性為83.9%，準確率為75%，AUC 為0.742。MARS 分類方法敏感性85.7%，特異性80.9%，準確率83%，AUC0.869。

此外，還有研究根據(jù)奶牛乳房炎發(fā)病前后乳房和個體特征變化，借助相關傳感器對奶牛乳房炎患病情況進行預測。REES 等[98]使用測力傳感器對45 頭患CM 奶牛和95 頭健康奶牛的乳房硬度進行了客觀測定。分析乳房硬度數(shù)據(jù)發(fā)現(xiàn)，相較于上下測量點，奶牛乳房中間測量點硬度最高。而且患有嚴重CM 的奶牛比健康奶牛的乳房硬度更高，患有CM 的乳區(qū)相較于其他乳區(qū)硬度更高。該研究根據(jù)奶牛兩后腿之間乳房硬度的差異構建奶牛乳房炎檢測模型。當硬度差異閾值置為0.425 kg 時，AUC 為0.817，敏感性為62.5%，特異性為96.7%。FENG等[100]設計了一個基于物聯(lián)網(wǎng)的奶牛社會行為感知框架模擬奶牛乳房炎的傳播，并推斷奶牛感染乳房炎的風險。該研究首先為養(yǎng)殖場中每頭奶牛安裝了便攜式GPS，以追蹤奶牛活動軌跡。其次，根據(jù)奶牛時空接觸信息，繪制有向加權的奶牛社會行為圖，如圖4 所示。最后構建奶牛乳房炎傳播概率模型，估測奶牛患乳房炎概率。結果表明，該研究根據(jù)奶牛患病概率優(yōu)先級預測結果與SCC 一致，驗證了所提方法的有效性。趙紫瑄等[101]采用轉盤式擠奶系統(tǒng)記錄奶牛產(chǎn)奶量數(shù)據(jù)，通過項圈測定奶牛活動量，并利用聲波傳感器監(jiān)測奶牛反芻時間。根據(jù)上述奶牛個體數(shù)據(jù)，通過決策樹、隨機森林、eXtreme Gradient boosting 等機器學習算法，預測奶牛是否患有乳房炎。結果表明，該研究中隨機森林算法對乳房炎預測效果最優(yōu)，產(chǎn)奶量、活動量與反芻時間可作為奶牛乳房炎預測因子。

圖4 基于物聯(lián)網(wǎng)的奶牛社會行為感知框架[100] Fig.4 Dairy cow social behavior perception framework based on Internet of things[100]

與基于AMS 的奶牛乳房炎檢測方法相比，使用獨立傳感器基本能夠滿足快速、精準檢測奶牛乳房炎的需求，而且成本更低，操作簡便。但使用不同類型的傳感器檢測奶牛乳房炎，精度差異較大，這是由于傳感器類型的限制，導致所獲取的奶牛乳房及乳汁特征通常較為單一，所構建的乳房炎檢測模型性能差異也較大，不利于奶牛乳房炎的高精度檢測。因此，后續(xù)研究應采用多傳感器系統(tǒng)，采集多模態(tài)數(shù)據(jù)，增加特征維度，以提高奶牛乳房炎檢測精度。

4 討 論

4.1 當前主要挑戰(zhàn)

近年來，雖然國內(nèi)外研究學者在奶牛乳房炎自動檢測領域已做出大量的改進與創(chuàng)新，取得了豐碩的研究成果，但奶牛乳房炎自動檢測技術的實時性、準確性以及自動化程度仍有待提高。因此，進行奶牛乳房炎自動檢測技術的研究時，仍需著重考慮以下問題：

1）基于乳房熱紅外圖像的奶牛乳房炎檢測技術，雖然較大程度上保障了動物福利，能夠無接觸、無應激地實現(xiàn)奶牛乳房炎的自動檢測。但由于乳房皮膚表面溫度易受環(huán)境、季節(jié)等外界因素影響，因此該方法檢測乳房炎精度較低；

2）基于乳汁圖像的奶牛乳房炎檢測技術，在檢測精度上有所提升，同時也保障了動物福利。但該方法通常需要采集奶牛新鮮的乳汁，然后進行乳汁相關圖像的分析與處理，因此對環(huán)境要求較為嚴格，不利于推廣應用，自動化程度也較低；

3）基于AMS 的奶牛乳房炎檢測技術，能夠取得更高的檢測精度與速度，可以在奶牛擠奶同時，實時檢測乳汁中相關成分含量與理化特征，自動化程度較高。但由于AMS 造價較高，鮮有國內(nèi)養(yǎng)殖場引入。而且AMS在擠奶時，也會對奶牛乳房造成一定損傷，不利于動物福利；

4）基于其他傳感器的奶牛乳房炎檢測技術，基本能夠滿足乳房炎快速、實時的檢測需求，而且成本較低，操作簡便。但使用單個傳感器進行奶牛乳房炎檢測，通常獲取的乳房炎特征維度較小，檢測精度難以提升。

4.2 未來發(fā)展趨勢

基于以上奶牛乳房炎自動檢測技術存在的問題與挑戰(zhàn)，未來該研究領域的發(fā)展趨勢與研究重點是：

1）基于乳房熱紅外圖像的奶牛乳房炎檢測方面，精準計算奶牛乳房溫度、提高乳房炎檢測模型的精度、乳房熱圖像中獲取多維特征數(shù)據(jù)，是目前基于熱圖像的奶牛乳房炎研究中的重點；

2）基于乳汁圖像的奶牛乳房炎檢測方面，研究重點在于提高檢測的自動化程度，實現(xiàn)乳房炎的實時快速檢測，并且在檢測SCC 后，構建奶牛乳房炎預測模型，更有利于該方法的推廣與應用；

3）基于AMS 的奶牛乳房炎檢測技術，研究重點在于降低AMS 成本，并且減小擠奶儀器對奶牛乳房乳頭的傷害。中國研究學者應設計符合國情的AMS，并研發(fā)用于奶牛常見疾病檢測的嵌入式設備，是未來該領域的發(fā)展趨勢；

4）基于其他傳感器的奶牛乳房炎檢測方面，需要結合多種傳感器類型，共同診斷奶牛乳房炎患病情況。多傳感器集成與多模態(tài)數(shù)據(jù)的獲取，能夠增加特征數(shù)據(jù)維度，提高乳房炎檢測精度，更有利于該方法的推廣應用；

5）上述4 類奶牛乳房炎檢測方法各有優(yōu)劣，未來研究中，綜合多種乳房炎檢測方法，采集多種傳感器數(shù)據(jù)，擴大奶牛乳房炎數(shù)據(jù)樣本量，并豐富樣本種類，利用數(shù)字圖像處理、深度學習與數(shù)據(jù)分析等先進的計算機技術，構建實時、精準、自動、輕量級的檢測模型，是目前奶牛乳房炎自動檢測領域的研究重點與趨勢。

5 結 語

本文主要介紹了奶牛乳房炎自動檢測技術的3 種主要方法。首先是基于視覺傳感器的奶牛乳房炎檢測技術，該技術又分為基于乳房熱紅外圖像的與基于乳汁圖像的奶牛乳房炎檢測。綜述了近年來基于視覺傳感器的奶牛乳房炎自動檢測研究進展，并分析了該方法的優(yōu)勢與短板。其次介紹了基于自動擠奶系統(tǒng)的奶牛乳房炎檢測技術，分析了該檢測方法的研究特點，并整理了近年來使用AMS 檢測奶牛乳房炎的研究進展。然后闡述了基于其他傳感器的奶牛乳房炎檢測方法的研究流程與研究重點。最后提出了當前奶牛乳房炎自動檢測研究所面臨的精度低、實時性差、自動化程度不足等問題，以及未來該領域的發(fā)展趨勢。與歐美等發(fā)達國家相比，雖然中國在奶牛乳房炎自動檢測領域已取得了較大突破，但與研究成果的推廣應用還有較大距離。因此，亟需結合中國奶牛養(yǎng)殖業(yè)現(xiàn)狀，研發(fā)精準、實時、經(jīng)濟的奶牛乳房炎自動檢測技術。