圖像識別技術在雞養殖領域的應用

趙寧， 李星， 江勇， 王志秀， 畢瑜林， 陳國宏，2，白皓， 常國斌，

（1.揚州大學動物科學與技術學院，江蘇 揚州 225009； 2.揚州大學農業科技發展研究院，教育部農業與農產品安全國際合作聯合實驗室，江蘇 揚州 225009）

畜牧業是我國農業農村經濟的支柱產業之一，在國民經濟中發揮著十分重要的作用，不僅惠及民生、滿足了人們對肉蛋奶制品的需求，還促進了我國經濟穩定發展[1]。家禽產業是我國畜牧業的傳統產業，在我國畜牧業中占據重要地位。與家畜相比，家禽具有生長迅速、性成熟早、繁殖能力強、飼料轉化效率高、單位體重產品率高等特點，能短期內生產大批量的蛋、肉產品，滿足人們日常生活需求[2]。然而，家禽養殖易受養殖環境、疫病及飼料營養等諸多因素影響，會對家禽生產性能及健康造成影響，甚至嚴重制約家禽養殖業的長遠發展[3]。一方面，養殖場家禽數量眾多，飼養密集，僅依靠人工對家禽監測，不僅浪費勞動力、增加經濟成本，而且易出現人為誤判和漏判情況，同時，人工監測也易引起家禽應激反應，導致家禽生產性能下降[4]；另一方面，禽流感、新城疫等傳染性疾病時有發生，增加了人與家禽交叉感染風險，造成嚴重經濟損失。因此，養殖人員更加注重家禽養殖福利及精準化管理，這使得實時監測的智能化養殖成為當前研究熱點。隨著現代信息技術的快速發展，國內外涌現出一批農業生產智能化監測技術，如音頻分析技術、圖像識別技術、無線傳感器網絡技術及射頻識別（radio frequency identification，RFID）技術等[5]。圖像識別基于強大的算法和處理系統，具有連續、客觀、實時、非接觸、靈活性好等優點，被廣泛應用于畜禽識別[6]、行為監測[7]、體況評分[8]、疾病監測[9-10]等畜禽養殖生產中，不僅提高了畜禽養殖福利，實現了畜禽健康養殖，也為畜禽養殖提供理論支持和技術參考[11-12]。本文總結了圖像識別技術在雞行為識別、體質量估計、健康監測、產品分級中的應用，旨在了解圖像識別技術在雞養殖中的研究現狀，為雞智慧養殖生產提供合理參考，對促進我國家禽產業的安全、可持續健康發展具有積極意義。

1 圖像識別技術概述

圖像識別技術是目前人工智能領域的重要組成部分，其利用計算機視覺、模式識別、機器學習等技術方法，達到自動識別圖像信息的目的[13]。圖像識別技術在20 世紀初開始出現并初步應用于西方國家，但只是對數字和符號進行簡單識別；20 世紀60 年代以后，電子計算機技術迅速發展，圖像在傳輸過程中很大程度上保留了原始圖像，并將圖像壓縮成一定的格式，實現了圖像的低耗損傳輸；20 世紀70 年代，計算機行業技術不斷優化改革，人們開始研究如何使用計算機表達圖像的意義，并在實際應用中獲得了重要成果；到20 世紀90 年代，圖像識別處理技術才真正開始發展；到21 世紀，隨著科學技術迅猛發展，圖像識別技術得到飛躍發展，達到了成熟期，在醫學、交通、農業等領域廣泛應用[14-16]。圖像識別技術的原理與人類眼睛識別物體的原理相似，都是通過圖像本身具有的獨特特征，排除多余信息干擾對圖像進行識別，最后進行分類儲存[17]。其過程主要包括信息的獲取、圖像預處理、特征抽取和選擇、分類器設計和分類決策。其中，信息獲取主要是利用設備采集圖像并將圖像轉換成計算機可識別的信息；預處理主要采用去噪、平滑、變換等方式加強圖像重要特征；特征抽取和選擇是通過一定方式分離圖像特征，提取有價值特征，實現圖像識別；分類器設計和分類決策是制定識別規則，實現圖像識別技術高識別率，再經分類模型對被識別對象進行準確分類[18]。目前圖像識別技術應用的常見形式有3 種：一是模式識別形式，該形式基于大量的信息數據識別圖像，使計算機分析和數學算法有機融合，實現對圖像特征的自動識別，并準確評價數據信息，目前該形式的圖像識別技術主要在醫療領域[19]廣泛應用；二是非線性降維形式，該形式屬于高維識別技術，不僅能夠從整體上不斷提升圖像辨識率，還能深入解決一些圖像本身分辨率低的問題，目前該形式的圖像識別技術主要應用在人臉識別[20]中；三是神經網絡形式，該形式是目前應用較多的一種形式，主要以傳統的圖像識別技術為前提，融合現代化神經網絡的算法，在識別復雜圖像時可以取得良好的效果[21-22]。近年來，隨著深度學習的發展，Krizhevsky 團隊[23]首次通過深度學習卷積神經網絡（convolutional neural networks，CNN）實現圖像識別，使得圖像識別在精度、準確度和實時性方面取得了顯著改善，在各行各業都有廣泛應用前景，如種植業[24]、養殖業[25]、交通領域[26]、醫學領域[27]等。如今，在我國社會經濟發展和鄉村振興戰略大背景下，為了更好地適應智慧畜牧業的發展趨勢，家禽養殖業要緊跟發展潮流，充分利用圖像識別技術全面、高效、即時地獲取家禽信息，提高家禽整體養殖率和經濟效益，實現家禽養殖業的自動化、產業化和智能化發展。

2 圖像識別技術在雞養殖中的應用

2.1 圖像識別技術在雞行為識別方面的應用

動物行為是指動物的行動、聲音和身體姿勢，是評價動物福利的重要指標。雞的傳統行為識別主要依靠人工識別，該方法費時費力，對技術人員要求高，易出現人為錯誤。與傳統的雞行為監測相比，圖像識別技術可以自動監測、記錄和識別雞的不同行為，不僅效率高，還減少了人工對雞的應激反應。Leroy 等[28]開發了圖像處理系統來調查不同時間籠中雞的行為，雞的行走、站立和抓撓動作會被自動識別出來。勞鳳丹等[29]利用計算機視覺技術對單只蛋雞圖像進行行為識別，可自動識別單只蛋雞的運動、飲水、采食、修飾、抖動、休息、拍翅膀、探索、舉翅膀等行為。為了解決復雜背景對圖像處理帶來的困難，勞鳳丹等[30]提出了深度圖像分析技術識別蛋雞行為的方法，實現了蛋雞群體行為和個體行為的自動識別。劉修林[31]基于機器視覺技術研制了家禽信息監控系統，實現了禽舍內雞只行為識別和多個個體追蹤識別。Aydin[32]基于計算機視覺開發了肉仔雞跛足早期檢測系統，監控不同步態評分下雞體的活動特征量（速度、步頻、步長、身體擺動），發現步態評分與活動特征量之間存在相關性，為檢測雞行為活動提供了新方法。Fang等[33]提出了基于深度神經網絡的肉雞行為分類方法，成功實現了肉雞站立、行走、奔跑、進食、休息和整理羽毛的行為識別，識別測試精度分別為0.751 1（站立）、0.513 5（行走）、0.627 0（奔跑）、0.936 1（進食）、0.962 3（休息）、0.925 8（整理）。此外，Fang 等[34]還設計了姿勢估計系統，通過高清攝像多方位收集肉雞照片信息，利用深度神經網絡提取復雜圖像特征，實現單只肉雞姿勢識別，準確率達91.9%。

圖像識別技術在雞采食、飲水、運動等行為識別方面研究較多，而對雞性行為（求偶、交配和射精）自動識別的研究較少。圖像識別技術識別精準度有待進一步加強，輕微的肢體變化會影響識別的準確度，如雞的探索行為被誤認為休息行為的比例較高，其原因為圖像中部分站立蛋雞脖子的動作幅度較大而引起誤判[29]。此外，大多研究都是在特定的飼養環境中進行，缺乏普遍適用性，未來應開展不同場景下的兼容性精準研究。

2.2 圖像識別技術在雞體質量估測方面的應用

動物體質量是反映動物生長發育、生產性能的綜合性指標，是畜禽養殖所關注的主要生長指標之一。雞的傳統體質量測量方法主要采用電子秤或從雞籠中隨機挑選出幾個代表性雞只進行稱重，并求平均值來預估整籠雞只的生長信息，這種方法不僅工作量大，還會使雞產生應激反應，影響雞的質量和產量，而利用圖像識別技術能有效克服以上缺點。Mollah 等[35]使用數字圖像分析技術估計肉雞的活體質量，利用圖像分析肉雞體表面積，建立線性方程估計肉雞的體質量，估算的體質量與人工測定體質量差異不顯著（P＞0.05）。Mortensen 等[36]開發了全自動肉雞3D 攝像稱重系統，首先對采集的圖像進行分割，提取12 個不同的描述量，然后利用貝葉斯人工神經網絡達到預測肉雞體質量的目的。王琳等[37]提出了肉雞體質量估測方法，利用數值積分提取雞的圖像特征，結合BP (back propagation) 神經網絡，準確實現群體肉雞的體質量估測。Amraei等[38]提取肉雞身體面積、凸面面積、周長、偏心率、長軸和短軸長度等特征量并結合橢圓擬合算法進行肉雞定位，成功實現活體肉雞體質量預測。張寶全[39]開發了一套集背景分割、粘連分離、特征提取以及體質量估計于一體的蛋雞體重檢測系統，采用圖像處理與機器學習技術，實現了單只蛋雞到多只蛋雞的體質量預測。郭蓓佳等[40]利用圖像處理技術提取蛋雞圖像二維特征，構建MLP（multi-layer perception）神經網絡體質量估測模型，可有效監測蛋雞育成期的體質量。

目前圖像識別技術雖應用于測量活雞體質量，但雞體型不規則，不同體型特征會直接影響結果值，導致該技術在雞養殖業中應用困難，且上述研究大多在理想狀態下采集雞的俯視圖運用算法進行體質量估計，而實際試驗中，雞天生好動體型多變，導致圖像特征提取不完全，影響體質量預測的準確性。未來在養殖場內應采用多視角圖像采集方法，全方位收集雞的信息，分別從雞站立、臥倒、運動等行為方面進行體質量預測，提高雞的體質量預測準確性。若將其應用于實際，仍需利用不同品種個體對同一種體質量的預測模型進一步驗證。

2.3 圖像識別技術在雞健康監測方面的應用

家禽的健康狀況對人民生活和畜牧業發展有著極其重要的作用。傳統的雞健康監測主要以人工為主，通過肉眼逐個檢查雞冠、羽毛、行為活動和生長狀況來判斷雞是否健康，一方面該方法會引起雞的應激反應，另一方面會造成誤判漏判，錯過最佳治療時間，而圖像識別技術可以實現非接觸精準測定和疾病早期監測，具有快速、無創的優點。目前，國內外許多研究主要基于紅外熱成像、深度圖像、可見光圖像的識別技術，通過獲取禽類體溫、外型、行為與動作、排泄物等特征，識別禽類疾病、體溫異常和死亡情況。

家禽疾病被認為是影響家禽生產的關鍵因素之一，長期以來一直限制著家禽業的發展[41]。目前雞常見疾病有腳墊皮炎（footpad dermatitis，FPD）、禽流感、新城疫及寄生蟲病等，患病雞往往表現出外觀、姿態、行為、糞便、體溫等方面的變化，利用圖像識別技術可準確診斷出患病雞[42-47]。Wilcox等[42]使用熱成像儀捕獲母雞足底圖像，生成紅外圖像，通過顯示的雞足底表面溫度，成功識別患病雞。Moe等[43]利用熱成像儀測量火雞足底體溫，發現輕度腳墊皮炎的嚴重程度與腳墊的足底表面溫度有關。Zhuang等[44]提出了自動診斷散養肉雞健康狀況的方法，通過采集圖像提取肉雞骨骼姿態夾角、輪廓凹凸度、輪廓伸長度等7個特征量，采用支持向量（support vector machines, SVM）模型對健康肉雞和禽流感雞自動分類，準確率達99.469%。Quach 等[45]提出了家禽疾病識別的神經網絡模型ResNet-50，該模型通過判別雞的頭部，翅膀和腿部等特定部位來識別患有禽流感、禽痘、傳染性喉氣管炎和馬雷克的病雞。Mbelwa 等[46]提出了家禽寄生蟲病圖像識別方法，該方法基于CNN 對患病（球蟲病和沙門氏菌）雞和健康雞的糞便圖像進行識別分類，從而識別家禽寄生蟲病。Colles等[47]基于光流法分析的圖像識別技術，通過測量一系列圖像中的亮度變化分析雞群運動產生的“光流”模式，檢測感染彎曲桿菌的雞。

家禽疾病的早期發現和預警在家禽養殖中起著至關重要的作用，患病雞的早期監測可讓養殖者和獸醫及時采取管理預防措施，降低疾病傳播速度，減少經濟損失。Aydin[48]使用3D 視覺相機采集肉雞俯視圖，通過檢測肉雞躺臥狀態次數和躺臥時間，自動評估肉雞的跛足狀態，準確率達93%。沈明霞等[49]采集肉雞步態視頻，構建肉雞早期跛行模型，實現對肉雞跛行狀態的早期預測。雞行為活動和外型變化可直觀地反映雞精神和健康狀態，實現雞疫病早期監測。勞鳳丹等[30]和劉修林[31]通過計算機識別技術追蹤家禽活動情況及運動軌跡，識別家禽的活躍度及群體行為是否正常。Naas 等[50]通過攝像機拍攝雞群，利用圖像處理技術，獲得雞群聚集和分散特性，成為判斷雞群熱舒適性的依據。鄭雙陽等[51]基于機器視覺技術研制了自動判斷雞籠內病死雞的系統，通過蛋雞進食時雞腿和腹部圖像變化來判斷病死雞。Okinda等[52]提出了基于機器視覺的肉雞行走監控系統，以姿態形狀描述和行走速度作為特征變量，用于肉雞疾病的早期監測。李亞碩等[53]通過提取雞冠的顏色進行機器視覺識別，判斷雞舍是否有患病雞，試驗結果表明該方法具有較高的檢測準確率。Chen[54]設計了病雞識別模型，利用CNN 對雞冠、皮膚、羽毛和糞便進行檢測，判斷雞群是否患病。Zhuang等[55]提出了基于數字圖像處理和深度學習的雞群病雞識別模型結構IFSSD，該模型根據肉雞躺臥姿勢和羽毛蓬松程度對肉仔雞健康狀況進行有效識別，準確率達99.7%。莊曉霖[56]還提出基于計算機視覺的籠養雞異常行為檢測方法，能在復雜的雞籠環境下識別雞只站立和臥倒姿態。畢敏娜等[57]提出了基于雞冠及雞眼構成的雞頭特征信息的病雞識別方法，采集黃羽雞側拍圖像，提取雞冠紋理特征和雞眼瞳孔的形狀特征進行病雞識別，準確率達92.5%。此外，通過體溫及排泄物監測也可進行家禽的早期監測。沈明霞等[58]利用神經網絡實現肉雞體溫檢測，依據環境溫度、濕度、光照強度等因素，建立基于BP神經網絡的肉雞翅下溫度反演模型，可快速、準確地檢測肉雞體溫。Wang 等[59]提出了肉雞消化系統疾病檢測器，結合CNN 實現了異常肉雞糞便的識別和分類，為肉雞消化系統疾病的早期檢測和預警提供了技術支持。

利用圖像識別技術進行雞健康監測（疾病監測和早期監測）的準確度相對較高，但真正利用圖像識別技術監測禽疾病的研究較少，其原因一方面是由于圖像識別技術本身的局限性，如群體數量過多，無法識別單個個體或不能精準定位測量部位；另一方面是由于禽疾病癥狀的相似性，如發生禽流感、雞霍亂時，雞體溫都升高，冠黑紫且排黃綠色糞便，導致圖像識別不能準確區分。因此圖像識別技術在監測禽疾病方面仍需進一步優化。

2.4 圖像識別技術在雞產品分級方面的應用

2.4.1 雞肉品質分級 中國是禽肉生產和消費大國，禽肉蛋白質含量高、易消化、營養價值高、價格低，在人類生活中具有不可替代的作用。隨著人民生活水平的不斷提高，肉品質已引起廣泛關注。傳統的禽肉品質檢測分級主要通過專業人員進行感官評價或者利用實驗室手段進行檢測，這種檢測方式需要運用大量的儀器設備，操作繁瑣耗時，且對樣品具有破壞性。近年來，國內外學者利用圖像識別技術對雞肉品質進行檢測和分級，該技術主要用于檢測肉色、大理石花紋、嫩度、脂肪含量等外部特性，克服了傳統禽肉品質檢測技術的缺點，滿足了快速、準確、無損、實時等的檢測要求。Geronimo 等[60]利用近紅外光譜和計算機視覺系統采集雞胸肉質光譜信息，通過提取肉質強度和紋理特征，準確分辨木質雞胸肉和正常雞肉。Taheri-Garavand 等[61]開發了在線評估雞肉新鮮度的技術，通過計算機視覺和人工智能捕獲不同時間段的雞腿圖像，經圖像預處理、特征提取，最后基于神經網絡建立雞肉新鮮度評價的預測模型識別雞肉新鮮度。涂冬成[62]建立了禽肉品質快速無損檢測技術，首先利用計算機識別技術提取禽肉肉色特征參數，采用SVM 方法建立肉色分類器，成功實現禽肉色分級；之后，利用激光誘導熒光光譜技術對禽肉彈性和嫩度指標進行無損檢測研究，發現雞肉彈性和嫩度可以被準確檢測。丁筱玲等[63]設計了智能識別雞翅質量的方法，通過計算機技術采集雞翅俯視和側視圖，提取雞翅面積、輪廓周長和長短軸等特征，建立雞翅實際質量和樣本實際特征值之間的預測模型，實現對雞翅質量的預測。

2.4.2 蛋品質分級 禽蛋含有豐富的優質蛋白質和人體必需的多種氨基酸，隨著膳食結構的改變，人們更加注重蛋營養和蛋品質，在選擇禽蛋方面通常更注重尺寸、新鮮度、外形等。傳統的雞蛋產品檢測分級需要大量的勞動力進行手工操作，對蛋不規則的形狀、蛋殼裂紋等缺陷無法準確識別，且對雞蛋的重量也無法準確衡量。利用圖像識別技術可以高效、無損地檢測雞蛋蛋殼裂紋、尺寸、新鮮度等品質，還能準確自動分揀雞蛋。邢志中等[64]研發了新的雞蛋品質檢測與分級技術，利用彩色相機采集雞蛋數字圖像，經預處理后根據雞蛋形狀特性和顏色特征參數建立BP 神經網絡模型對雞蛋新鮮度進行檢測。梁丹等[65]研究了一體化的雞蛋品質無損檢測與分級系統，利用機器視覺算法實現對雞蛋裂紋、尺寸、新鮮度等品質等級的自動化在線檢測與分級。Alikhanov 等[66]設計了雞蛋形狀和重量的自動分揀系統，通過捕獲雞蛋圖片，利用圖像識別算法提取雞蛋短軸和長軸、面積和周長、形狀系數和形狀指數的特征，采用回歸模型對雞蛋形狀和重量自動分揀。Harnsoongnoen 等[67]提出了雞蛋分級和新鮮度評估的新方法，該方法將圖像處理系統與稱重傳感器相結合，利用圖像處理技術評估雞蛋體積，稱重系統測量雞蛋重量，通過蛋重和蛋體積計算密度進行分級和雞蛋新鮮度評價。Zhu 等[68]為了在孵化早期識別雞蛋的性別，構建了機器視覺圖像采集系統，該系統為孵化初期的雞蛋性別識別提供了可行的方法。

2.4.3 胴體識別和品質分級 圖像識別技術還可以進行雞胴體識別和品質分級。電子計算機斷層掃描（computed tomography，CT）和雙能X 射線吸收測定法（dual-energy x-ray absorptiometry，DEXA）基于X射線（光子）的相關儀器對活體或尸體進行掃描，以測量脂肪、肌肉（水，蛋白質）和部分骨骼或骨礦物質等身體和胴體成分信息[69]。Schallier等[70]利用DEXA 掃描儀測量肉雞體內和胴體成分，發現DEXA 估計值與解剖獲得的絕對組織值高度相關，可根據雞的脂肪和瘦肉組織含量來評價胴體質量，根據雞的骨礦物質含量來評價骨骼發育情況。Grandhaye 等[71]利用CT 掃描儀多次掃描活體肉雞，分析了肉雞身體組成（肌肉、骨骼、脂肪、性腺）的發展，并通過研究肉雞身體成分隨時間的變化，對其生長發育進行評估。此外，戚超等[72]提出了在線檢測的雞胴體質量分級方法，通過機器視覺和機器學習技術提取雞胴體投影面積、胴體長度和雞胸寬度等6 個圖像特征，建立預測雞胴體質量等級預測模型，實現了雞胴體質量等級的自動判定。王樹才等[73]設計了家禽屠宰凈膛機械手系統，采用視覺系統在線采集家禽胴體外形和膛口圖像，經圖像處理后獲取家禽外形輪廓質心坐標及膛口中心坐標以進行定位，之后通過控制系統及機械手本體相互配合實現家禽凈膛和分割。陳坤杰等[74]提出雞胴體質量分級方法，通過雞胴體圖像，提取出雞胴體投影面積、輪廓長度和胸寬等圖像特征，利用回歸分析建立雞胴體質量預測模型，結果表明該雞胴體自動分級方法是可行的。

圖像識別技術在識別肉品質、蛋品質和胴體品質方面是有效可行的。目前蛋雞養殖場已采用圖像識別技術進行蛋品質量分級，在肉制品測定和胴體識別方面未廣泛應用，未來仍需更高效、更準確的數據處理算法和更快、更小、更便宜的硬件設施，以減少圖像采集和分析操作的時間，提高圖像的分辨率。

3 圖像識別技術在雞養殖應用中存在的問題及建議

3.1 識別精度低

利用圖像識別技術識別雞群時，主要通過攝像機拍攝照片和計算機算法來判斷雞行為活動及病死雞，該方法省時省力，但仍無法像人工一樣靈活判斷。在識別過程中，識別精度往往受背景粘連、圖像分割閾值及圖像算法等因素影響，導致精準度降低。勞鳳丹等[29]利用圖像識別技術識別單只蛋雞時，坐的次數識別準確率不到60%，其原因一方面是雞群集聚，部分雞嚴重遮擋，導致被遮擋雞無法正常識別，另一方面分割閾值取值不夠精確，將雞探索行為誤判為坐行為，導致識別精度降低。同樣，Fang 等[33]研究表明，雞行走、奔跑行為識別精度都低于0.6，主要原因是2 種行為的姿態特征相似導致圖像識別困難，引起精度降低。瞿子淇[75]研究表明，有些圖像識別技術算法、模型較多，運算量較大，病死雞檢測方法結構不穩定，降低了識別精度和識別效率。未來，需要提出更精確的識別參數、行為分割值并提高特征提取的質量，結合多角度拍攝，增加雞行為種類識別，同時優化算法，降低算法復雜度，提高識別方法穩定性。此外，可與其他非接觸式監測技術結合，擴展雞行為監測系統功能，提高識別準確性，挖掘更多雞行為信息。

3.2 儀器設備要求高

圖像識別過程中，圖像采集尤為重要，通常采用采樣率高、分辨率高、測量精度高的攝像機。目前常用設備有彩色圖像攝像機、紅外圖像攝像機（infrared radiation，IR）、深度圖像攝像機（3D）和熱成像設備（infrared thermography，IRT）[76]。Li 等[77]發現，在養殖場捕獲動物行為最常用相機的采樣率為20～30 fps，最低采樣率為0.03 fps；許多文獻相機分辨率選擇1 080 P（1 920×1 080 像素）和720 P（1 280×720 像素）。李沛[4]在最新研究中采用精度不大于±1 ℃，測溫范圍在-40～300 ℃且能在-40～85 °C 環境正常工作的紅外熱成像儀監測蛋雞體溫，結果成功收集到蛋雞紅外圖像，實現了養殖場快速測量。此外，大型養雞場環境復雜，溫度、濕度、粉塵等因素都會影響儀器設備的精確度和使用壽命，導致測量結果不精確。因此養殖場采購設備時應選用具有防水、防塵、耐腐蝕、分辨率高、采樣率高等特點的儀器，并定期對儀器設備進行維護，以延長使用壽命。

3.3 研究對象局限

大多研究者都選取同一生長階段、同一品種的雞為研究對象，對其建立行為識別、體質量預測、健康監測預測模型和產品分級標準。預測模型和產品分級標準是否用于不同類型品種和不同生長階段的雞有待進一步探索，如郭蓓佳等[40]的研究中僅使用羅曼灰蛋雞作為試驗樣本，建立的蛋雞體質量估測模型具有一定的局限性，未來需要研究該模型是否適用于其他品種蛋雞的體質量估測。在以后工作中，研究者可以針對不同品種、不同生長階段的多種家禽進行研究，建立通用的預測模型和產品分級標準。

3.4 設備布置局限，圖像采集方式單一

目前研究大部分是在禽舍頂部安裝攝像機，通過拍攝禽俯視圖的圖像，利用機器視覺模擬人類視覺功能，從圖像中提取禽的相關特征信息，經過處理分析后用于飼養管理[12]。這種布局方式局限，圖像采集方式單一，攝像機位置固定受光照條件影響大，拍攝范圍和角度有限。此外，大多研究都是對雞頭、軀體表面積、腳區域進行識別采集，而對翅下和尾部沒有涉及。何東健等[78]發現，目前針對動物的目標檢測方法只能將視頻圖像中的動物作為整體進行分割，動物身體區域的精細識別未見報道，還需研究動物分割算法以區分動物身體各部分區域。今后可通過移動式圖像識別技術收集家禽更多單個身體信息，結合更精準的分割算法，實現家禽各區域的精準監測。

4 圖像識別新技術應用及展望

雞養殖未來重要的發展方向是利用圖像識別技術研發諸如可移動式圖像識別、雞虹膜生物識別、雞三維模式圖像和雞數據庫系統等技術，目前這些技術在國內鮮有報道，尚未在實際養殖中得到應用。

4.1 可移動式圖像識別技術

目前，連京華等[79]已研究了籠養家禽生產的智能檢測機器人，實現了禽舍環境檢測、家禽行為監視、個體體溫監測等功能，但目前未應用于實踐。該智能機器人只適用于籠養家禽，并不適用于散養家禽。對于散養雞，可將攝像頭安裝在機器上，該機器沿著禽舍天花板固定軌道進行全方位無死角拍攝，進而有效識別舍內雞行為種類和異常個體，實現雞在線監測并進行評分，遇到異常情況迅速定位雞個體并啟動警報，發送至養殖戶和獸醫手機中，以便他們根據情況盡早做出調整或制定疾病防治方案，確保雞福利和減少養殖損失。

4.2 雞虹膜生物識別技術

近年來，虹膜識別技術備受關注，并取得了良好的識別效果。由于虹膜識別具有唯一性、穩定性和易采集性等優點，其在牛、羊、豬等大型家畜中不斷進行個體識別與追溯研究，但在家禽行業中是新的挑戰。隨著禽流感、新城疫等傳染病的流行，家禽食品安全引起了廣泛關注。如何有效追溯禽肉來源已成為亟待解決的問題。虹膜生物識別作為一種新技術，在肉類食品安全控制方面具有潛在的應用價值。目前在雞養殖中，應建立虹膜生物識別系統，快速跟蹤雞從出生到屠宰的肉類供應鏈，并生成相應的虹膜二維碼，印在產品包裝上，以幫助消費者追蹤雞產品來源。

4.3 雞三維模式圖像技術

目前，對雞體質量測量的研究僅基于二維圖像，通過獲取雞軀體圖像表面積得到相關數值，但無法獲取雞胸圍、脛圍等體型數據。未來應構建雞三維模式圖像技術，利用三維技術達到體尺測量的目的，并將雞體尺參數與體質量進行結合，間接測量雞體質量，隨時監測雞生長發育情況，降低雞應激反應及人工成本。

4.4 雞數據庫系統

建立雞個體信息數據庫，收集來自不同養殖場的不同類型的雞品種和不同成長階段的雞數據集，為行為識別、體質量估測、健康監測等模型的構建提供更多數據，找到更精確的預測模型，為未來雞的品種培育和養殖管理提供一定幫助。

5 結語

近年來，圖像識別技術在降低養殖人員勞動強度、減少雞生產成本、提高養殖福利和產品質量以及保證消費者食品安全等方面起著十分重要的作用，但目前還存在一些弊端，如識別精度低、儀器設備要求高、設備布局局限、圖像采集方式單一、研究對象局限等，仍需進一步的探索研究。未來可將圖像識別技術與其他非接觸式監測技術結合，實現高效、連續、準確的智能化養殖，利用可移動式機器人通過收集全方位圖像，解決設備布局局限問題，提高家禽行為監視和異常個體的識別準確性；利用雞虹膜生物識別技術通過識別雞虹膜，提高個體識別精度，準確追溯雞產品來源；利用三維模式圖像技術通過三維相機獲取雞體型數據、解決圖像采集方式單一問題，獲得更精準的雞體質量數據；建立數據庫系統通過收集不同類型及生長階段的雞行為、體質量估測、健康監測等數據，解決研究對象局限問題，提高識別效率，為建立分類模型提供依據。圖像識別技術在家禽養殖業中有很大發展空間，它以快速、連續、非接觸、實時監測等優勢，可廣泛應用于雞行為識別、體質量預測、產品分級、病死雞早期監測方面，但在疾病監測方面，圖像識別技術有一定局限性，需進一步優化。