計算機視覺技術在豬只行為識別中的應用

摘" 要：我國是全球最大的生豬生產國，因此采用高度自動化、集成化的方法監測豬只身體健康信息變得尤為重要。基于計算機視覺的豬只行為識別自動化監測系統已經廣泛應用于養殖場，該技術能夠自動監測和分析豬只行為，減輕養殖戶的勞動負擔，提高動物福利，改善疾病檢測，并優化資源管理。該文將根據計算機視覺技術和國內豬只行為識別的研究與應用，對其進行解讀和分析，包括計算機視覺技術的原理和實現途徑，以及基于計算機視覺的豬只行為識別應用，如進食、飲水行為和基本運動與行動跟蹤的研究，為我國豬只行為識別的研究發展提供參考。

關鍵詞：計算機視覺；豬行為識別；機器學習；深度學習；智慧養殖；圖像處理

中圖分類號：S828" " " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）15-0035-06

Abstract： China is the world's largest pig producer， so it is particularly important to use highly automated and integrated methods to monitor pig health information. The automatic monitoring system of pig behavior recognition based on computer vision has been widely used in livestock farms. This technology can automatically monitor and analyze pig behavior， reduce the labor burden of farmers， improve animal welfare， improve disease detection， and optimize resource management. According to the research and application of computer vision technology and domestic pig behavior recognition， this paper will interpret and analyze questions concerning this field， including the application of the principle and implementation of computer vision technology， as well as pig behavior recognition based on computer vision， such as eating and drinking behavior and basic movement and action tracking research， so as to provide reference for the research and development of pig behavior recognition in China.

Keywords： computer vision; pig behavior recognition; machine learning; deep learning; smart breeding; image processing

近年來，畜牧養殖業在我國農業中扮演著日益重要的角色，目前已成為我國的支撐產業之一。規模化養殖逐漸取代了小型零散型養殖方式，成為主流趨勢。在規模化養殖中，使用高度自動化、集成化的方法來了解動物的身體健康信息變得尤為重要。這不僅有助于實施智慧養殖，提高動物的福利和生產效率，還能夠直接影響產品的品質。基于計算機視覺的豬只行為識別的自動化監測系統已經在實際養殖場中得到了廣泛應用，為養殖業的可持續發展和提高生產效益作出了重要貢獻。通過對豬只行為進行自動化監測和分析，該技術可以減輕養殖戶的勞動負擔，提高動物福利，改善疾病檢測，優化資源管理。本文將根據計算機視覺技術與目前基于該技術的國內豬只行為識別研究與應用進行解讀分析。

1" 基于計算機視覺的豬只行為識別概述

豬只行為識別在動物科學和畜牧業中起著至關重要的作用，其為豬的福祉、健康和生產力提供了有價值的見解。在傳統的養殖業中豬的行為識別依賴于人工觀察，這種作為傳統勞動密集型的方法表現出了準確性低、主觀性強、效率低下和人工成本高等問題。基于計算機視覺的自動豬行為識別系統對畜牧業有著非常重要且積極的意義，這項技術可以利用算法和計算模型從圖像或視頻中提取有意義的信息模仿人類的視覺感知。通過使用攝像頭或其他視覺傳感設備，這些系統可以持續監測豬的行為，為其喂養模式、社會互動、運動和整體健康狀況提供有價值的分析與決策，可以幫助農民和研究人員就豬的福利、疾病檢測和優化資源分配做出明智的決定。在本章節的以下部分中，將從計算機視覺技術的原理開始分析并討論其在豬只行為識別中的一系列關鍵技術。

1.1" 計算機視覺技術原理

計算機視覺技術是指計算機通過模擬人類的視覺過程，是其獲得感受環境的能力和人類的視覺功能的技術。輸入圖像數據后，計算機會將圖像解碼為數字信號，加以人編寫的算法程序，根據其特征進行對所測物品的認知和識別，并針對所需要的標準進行判斷。這是一整套囊括了物理學、數學、認知科學、人工智能和心理學等的交叉型技術。

早期的計算機視覺技術還未引用深度學習，所以編寫的識別程序主要依賴于數學、物理學和認知科學的基礎。其適用性差，難以調整，樣本量小且效率較低，并不能很好地實現機器識別替代人工識別，實現準確高效識別目標的職能。但隨著人工智能的發展和計算技術的革新，深度學習在目標檢測的各種實際案例的應用中得到普及，卷積神經網絡的應用使得圖像分類的數據集呈指數級增長，識別效率也大大提高，區域卷積網絡（regions with CNN features，R-CNN）在目標檢測的檢測效果上取得了巨大的提升[1]。從此深度學習成為了目標檢測的一大主流。

1.2" 實現計算機識別的關鍵路徑

對于豬只不同的行為，識別目的有不同的識別方法以及與之對應的獨立算法，但主體上，用于豬行為識別的計算機視覺系統通常由幾條關鍵的路徑，每條路徑在分析過程中都有特定的用途。這些路徑包括圖像采集、預處理、特征提取和分類[2]。

1.2.1" 圖像采集

圖像采集包括使用相機或其他視覺傳感設備捕獲視覺數據。在豬的行為識別中，可以策略性地放置多個攝像頭來覆蓋豬舍設施的不同區域，確保對豬行為的全面覆蓋。攝像機的定位應能清晰、暢通地觀察豬只，以方便準確分析。運用相機或攝影機拍攝實地的照片或影響，根據目標要求選取合適的角度，作為原始的數據集合。而對于豬只，目前常用拍攝角度有俯視視角和側視視角。俯視視角能獲取豬相對于豬生長場景的位置變化，能避免豬之間的遮擋和距離相機遠近導致豬大小和位移測量不準等問題。側視視角存在遮擋和距離失真問題，但能觀察到更多豬的行為細節[3]。而對于特殊的目標，同樣可以加設專門角度的攝像機。也有人通過統計數學對豬的腰臀比以及輪廓曲率進行圖像標注和統計，從而實現對豬的體態評估的方法，就可以對特定角度假設相機或定向拍攝，獲得更加集中的圖像數據。

1.2.2" 預處理

預處理對于圖像識別有著把關的重要作用，在預處理階段，通常就能過濾大部分的不必要信息甚至干擾信息，其他涉及圖像去噪、背景扣除、歸一化和色彩校正等技術。去噪過濾器從圖像中去除不需要的噪聲或偽影，確保更清晰地表示豬只的行為。背景扣除保留豬只的輪廓外形，方便對比豬只不同行為的姿態。歸一化技術調整圖像屬性。比如亮度或對比度，以考慮光照條件的變化;再比如在對二值圖像進行特征提取前對圖像進行平移和尺度的歸一化[4]，以保證算法的穩定。色彩校正則是用通過改變所有像素的顏色值，獲得多種圖像的顯示效果，統一圖像的色彩，以減輕不同光暗條件或相機擺放位置的影響。預處理的步驟使得樣本數據又經歷了一次篩選，使得冗余信息甚至干擾信息得以去除，有效減少了對下一步特征提取和進一步識別的影響。

1.2.3" 特征提取

特征提取是從預處理后的圖像中識別出相關圖像的模式或特征。特征即是特點，但對于計算機而言，其并沒有人類那樣情態上的識別圖像突出特點的能力，所以要轉化為計算機能理解的邏輯，就是可以通過計算機測量、計算或認知的信號、符號或數據。想要將人類的感受轉化為代碼去表達，就需要精準把握待提取特征的特點和合適的表達方式。例如豬只的形態輪廓的矩不變量具有平移、旋轉和尺度不變性[5]，可以作為豬只姿態判斷的重要依據，再例如豬只的空間排列，單個豬只的運動軌跡或特定區域內的紋理模式可以反應豬只行為的分布等，這都是可以單獨研究豬只的行為特征。只有準確地抓住這些特征，制定明確清晰的判斷依據，才能在此之上編寫識別程序，保證識別的準確性和高效性。

1.2.4" 分類

分類包括將提取的特征分類到預定義的行為類中。機器學習和深度學習算法通常用于此任務。機器學習模型，如支持向量機（SVM）或隨機森林，可以使用標記數據集進行訓練，以對豬的行為進行分類。深度學習模型，特別是卷積神經網絡（CNN）和循環神經網絡（RNNs），在豬的行為識別方面表現出色，可以自動從數據中學習判別模式[6]。這些模型可以根據提取的特征準確地對進食、社會互動和運動等行為進行分類。

在計算機視覺技術的加持下，豬只的自動化和智能化養殖得到了更高效也更安全的發展。與人工觀察相比，這不僅節省了時間和精力，避免了人與豬只的直接接觸所帶來的疾病、受傷等危害，而且還使數據收集的擴展成為可能，并且可以實時提供豬只客觀準確的結果。

2" 基于計算機視覺的豬只行為識別應用

目前，豬只行為識別依賴的各種計算機視覺技術主要集中在從傳統的基于規則的方法到更先進的機器學習和深度學習方法，這些技術能夠對視覺數據進行分析和解釋，從而準確地識別和分類豬的行為。豬只的監測領域已經有很多具體行為監測的研究，具體可分為2類：豬日常行為的監測（站立、躺臥、行走等基本運動行為；采食、飲水等行為等）和豬異常行為的監測（發情行為；分娩行為；跛行行為；攻擊性行為等）。在本章節中，將列舉部分基于以上2大類豬只行為在已有相關研究的具體案例解讀，并對其使用的技術進行分析。

2.1" 豬只日常行為識別研究

2.1.1" 進食、飲水行為

1）基于決策樹支持向量機的豬只姿態分類：該研究者針對豬只行為移動緩慢的特點，采用了CCD工業相機和視頻服務器組合來獲取豬場中2 000只豬的視頻數據。通過應用融合顏色與紋理的均值漂移圖像分割算法、二值形態學處理算法和中值濾波算法，對采集到的圖像進行預處理，得到了適用于分析的圖片數據集。隨后，利用經過訓練的決策樹SVM分類器對新圖像進行標注，將時間和姿態進行配對，實現對豬只進食和飲水行為的識別。最終，研究者成功開發了一種行為分析模型，其識別平均準確度超過90%[6]。值得注意的是，研究者使用的自主訓練決策樹SVM分類器可以基于11種幾何參數特征對圖像進行分類，從而確保了模型的實時性和準確性。

2）基于深度學習和面積占有率的群養豬飲水行為識別：該研究者針對豬場中具有顏色和體態差異的7頭豬進行了RGB彩色視頻數據的采集，并逐幀截取圖像，形成了圖片數據集。為了提高圖像質量，其對圖像進行了增強和濾波的預處理操作。在圖像分割方面，研究者提出了一種改進的基于Mask R-CNN的圖像分割算法，成功實現了對豬頭和豬體的準確分割，并獲取了分割后的圖像面積。通過判斷豬頭在飲水器區域的面積占比，能夠準確判斷豬只是否進行飲水行為，并且取得了87%以上的平均準確率[7]。該研究解決了以往算法在受豬舍背景影響較大的問題，確保了圖像分割算法的廣泛適用性和準確性。這一研究在畜牧業實際生產中具有重要的工程應用意義，為實現更廣泛的應用提供了有力支持，同時提高了準確度，有助于改善養殖管理和動物福利。

3）豬只飲水行為機器視覺自動識別：該研究者在傳統的機器視覺方法中引入了RFID技術，進行了飲水行為的自動識別研究。研究對象為同一豬欄中的4頭種豬，使用了紅外網絡攝像機和網絡硬盤錄像機的組合來獲取視頻數據，并逐幀截取圖像數據集。研究人員將圖像進行灰度處理和閾值分割，得到豬只的輪廓二值圖像。隨后，研究者引入了圖像占領指數來預測豬只的飲水行為，并利用深度學習方法構建了豬只頭部檢測器，以更準確地判定飲水行為的發生[8]。實驗結果顯示，該方法在構建的飲水視頻數據集中的識別正確率達到92.11%，并且能夠識別飲水豬只的身份，可在實際的豬只生產過程中用于輔助管理決策。

2.1.2" 基本運動與行動跟蹤研究

1）多特征Camshift和Kalman濾波結合的豬只智能跟蹤：該研究者針對豬只的智能跟蹤問題提出了一種多特征Camshift和Kalman濾波相結合的跟蹤算法。研究者通過監控攝像頭采集同一個豬場中特征不一的幾頭豬并逐幀獲取圖片數據，并將搜索窗口的大小和位置充值，采用最大類間方差法檢測出實驗用的豬只圖像并從背景中分割出豬只，隨后統計豬只的顏色和紋理特征。研究者獲取當前幀圖像的聯合特征概率分布圖，利用Camshift算法確定豬只的位置。最終研究者使用Kalman濾波來預測豬只的下一幀位置，實現對多只豬只的跟蹤[9]。該研究相較于傳統Camshift算法和多特征Camshift算法在降低迭代次數的情況下獲得了更高的平均幀率運算時間，在實際豬場中能夠實現更加快速的豬只行動跟蹤檢測，具有較強的魯棒性，且更好地滿足實時性的要求。

2）基于改進Graph Cut算法的生豬圖像分割方法：該研究者收集了一家當地豬養殖場5 000頭種豬的數據，并從中精選出150張有效圖像進行實驗。針對豬只圖像的分割，研究者結合了交互分水嶺算法，提出了一種基于改進Graph Cut算法的生豬圖像分割方法，以獲取豬只的彩色豬身數據。同時，研究者采用交互分水嶺算法對圖像進行區域劃分，利用超像素替代傳統加權圖中的像素點，構建了一個新的網絡圖來代替傳統加權圖[10]。相比傳統的Graph Cut算法，該方法在圖像分割質量和精度方面有顯著提高，并解決了豬場背景環境干擾、圖像噪點干擾和光照強度差異帶來的分割精度下降問題。

3）基于視頻追蹤的豬只運動快速檢測方法：該研究者提出了一種將豬只的健康和舒適度與其日常運動時間、距離、速度等運動數據相關聯的方法，并通過視頻追蹤技術逐幀獲取圖像。研究者結合顏色特征和輪廓特征，對多個豬只目標進行分割，分析了運動位移、運動速度、運動加速度和運動角速度等4個運動信息基礎[11]。通過該算法，研究者探索了實際生產中豬只活動和行為識別的應用方法，并提出的方案能夠快速、有效地檢測豬只的運動信息，為豬只行為分析、健康評估和舒適度評估提供了可靠的依據。

4）基于頭尾定位的群養豬運動軌跡追蹤：該研究者提出了一種創新的研究方法，將豬只的進食、追逐、飲水等日常活動與豬只頭尾位置相關聯。通過使用俯視攝像頭，研究者收集了同一個豬場同一豬欄中的10頭豬只的圖像數據。為了解決圖像中粘連豬個體的問題，研究者采用了改進的分水嶺分割算法對視頻圖像幀進行分割。在分割后的豬體圖像上，研究者提取了豬頭和豬尾的輪廓。通過應用類Hough聚類和圓度識別算法，研究者成功識別出每頭豬的頭部和尾部。為了修正頭部與尾部識別可能存在的誤差，研究者還采用了運動趨勢算法，生成了以頭部和尾部為定位坐標的運動軌跡。實驗結果顯示，研究者成功實現了對豬只頭部和尾部的識別正確率分別達到了71%以上和79%以上[12]。相較于以往的豬只視頻追蹤和行為識別方法，該研究項目提供了全新的自動數據獲取方法，并采用了獨特的分析豬只個體與群體活動行為的方法。這些創新思路為未來的研究提供了有價值的參考，并為豬只行為研究領域帶來了新的進展。

5）基于深度學習YOLO v4的舍養育肥豬行為識別：該研究者提出了一種基于圖像深度學習的實時監測豬只健康狀況并預防異常行為方法。研究人員通過云攝像頭采集視頻數據，并使用深度學習YOLO v4模型對5頭散養的4月齡左右的健康舍養育肥豬的行為進行訓練、驗證、測試和評估，以實時檢測豬只的健康狀況和預防異常現象發生。研究者從視頻中截取了2 401張照片，并對其進行躺臥、站立、進食、坐立和侵略性行為類型的標注。結果表明，豬只行為識別模型能夠有效克服環境中不同光照強度和噪聲的影響，在測試中表現出較好的識別效果，特別是對于侵略性行為能夠在出現前1～2 s內進行預判。該項目證明了基于深度學習的YOLO v4模型在舍養育肥豬行為識別方面具有較好的效果，有效克服了環境中不同光照強度和噪聲的影響，并能夠有效檢測豬只的侵略性行為[13]。該研究為提高豬只福利和健康管理提供了一種有效的方法，并為未來的研究和實踐提供了有益的參考。

2.2" 豬只異常行為

2.2.1" 發情行為

基于卷積神經網絡的大白母豬發情行為識別方法研究：該研究者提出了一種根據大白母豬發情時雙耳豎立的特征來判斷母豬發情行為的方法。研究者通過攝像頭獲取了同一豬場中總共2 227張豬只耳部圖像數據，其中1 144幅為未發情豬只，剩余1 083幅為發情豬只。由于以往的發情檢測方法響應度較低、響應速度過慢、容易受到環境干擾，研究人員采用了一種基于Alex Net結構的卷積神經網絡模型，隨后將優化和簡化的模型進行母豬發情行為判別[14]。研究結果表明，該研究為解決母豬發情行為檢測的問題提供了一種有效的方法，對于大白母豬發情行為的判別精確率、召回率和準確率分別達到了100%、83.33%和93.33%，保證了實際應用中的高準確率、高響應率和高度可靠性。

2.2.2" 攻擊行為

群養豬侵略性行為的深度學習識別方法：該研究采用了一種優于傳統機器視覺和圖像處理方法的深度學習方法，旨在提高對豬只侵略性行為識別的有效性和準確率，克服了原有方法的局限性以及復雜姿態和環境對識別的影響。通過分3個批次獲取同一豬場的18頭大白保育豬的視頻，并逐幀提取圖像數據集。研究者提出了一種名為3DConvNet的群養豬侵略性行為識別算法，該算法基于3DCONV模型，可以識別豬只的侵略性行為（如撕咬、撞擊、踩踏、咬耳等）和非侵略性行為（如吃食、飲水、休息等）。研究結果表明，該算法模型具有良好的泛化性能和高準確度[15]。其能夠在規模養殖場等實際應用場所中提供準確的侵略性行為識別，為豬只行為分析和管理提供有價值的參考。這種深度學習方法的引入為解決豬只侵略性行為識別的問題帶來了新的途徑，有效克服了傳統方法的限制，并在實際場景中展現了良好的表現。

2.2.3" 病豬行為

1）基于行為監測的疑似病豬自動化識別系統：該研究者針對傳統群養豬行為觀察方法的缺點，通過融合2種計算機視覺算法并將其部署至基于ARM平臺的嵌入式硬件中組成了“疑似病豬自動化識別系統”并進行了實際應用。該系統利用安裝于豬舍排泄區的嵌入式監控設備對一欄10頭約克夏豬的排泄行為進行全天候監控。該項目使用了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來定位具有異常行為的疑似病豬，并通過通用分組無線服務網絡將報警圖像傳送至監控中心。試驗結果表明，病豬檢測的正確率達到了78%以上，基本達到了預期的目標[16]。該自動監測系統能夠有效地監控豬只的異常行為，提供了一種便捷和準確的方式來檢測疑似病豬，為養殖業的健康管理和疾病預防提供了有力支持。

2）基于機器視覺的斷奶仔豬腹瀉檢測方法研究：該研究者針對目前斷奶仔豬腹瀉檢測主要為人工觀察的情況，使用機器視覺、卷積神經網絡和一系列物聯網技術研發了一套仔豬腹瀉自動檢測系統。該項目通過攝像頭獲取了同一豬場同一豬圈中12頭斷奶仔豬的視頻數據并逐幀獲取圖像數據集，并采用深度卷積神經網絡對其進行深度學習訓練，獲得了能夠較為準確分辨仔豬排泄姿態、異常排泄物和豬背編號的模型。同時，該研究人員研發了基于姿態段的行為識別算法，提高了應用中視頻分析的效率。該項目還提出時空信息融合法將排泄行為和異常糞便關聯起來對異常仔豬進行判斷，能夠實現腹瀉病豬的確診。最后該項目開發了一個基于Android系統的應用平臺能夠方便使用者儲存和查看異常狀態的仔豬信息，為實際豬場生產應用提供了一種更加針對性的工具。該研究的創新在于引入了先進的技術手段，解決了傳統仔豬腹瀉檢測的局限性[17]。通過自動化檢測系統，可以提高腹瀉病豬的檢測準確度和效率，減少了人工觀察所帶來的主觀性和人力成本。這項研究為養豬業提供了一種先進的解決方案，有助于提升養殖效益，改善仔豬健康，進一步推動養豬行業的智能化和現代化發展。

3" 未來展望

通過前文的描述，我們了解到在豬只行為識別檢測領域，無論是傳統基于規則的方法還是更先進的機器學習和深度學習等方法，計算機視覺已經在實際環境中得到了廣泛的研究和應用。然而，目前仍存在許多待解決的問題。

從研究者的角度來看，雖然已經有大量關于豬只基本運動、進食、飲水等日常行為，以及攻擊、發情等明顯異常行為的研究，但在特定豬只健康問題識別等細分領域國內仍然存在空白。同時，目前所使用的對特定行為識別的研究方法較為單一，在未來的探索中使用多種傳感器系統保證信息量的互通漸漸成為一種趨勢，同時更需要保證多傳感器視覺系統所獲得信息的可處理性，即能夠通過機器學習、深度學習等方法進行處理。因此，在特定細分領域和多視覺傳感技術融合方向仍需要研究人員和相關企業進一步推進和深入探究。

從用戶的角度來看，目前大量的識別系統在整合到牲畜管理實踐中仍然面臨較高的成本問題。許多研究仍停留在電腦軟件端，而傳統的非智能化篩選方法對使用者有較高的軟件和專業知識要求。而更智能化的機器學習、深度學習甚至強化學習，以及新興的機器視覺領域，都需要大量的數據集預處理和訓練，可能需要昂貴的硬件設備才能實施應用。此外，識別部分還需要先進的傳感器和處理硬件。然而，目前我國的許多養殖戶仍難以承受這種資金壓力。所以，在未來針對于模型輕量化的研究以及對于低成本終端的應用研究極為重要，這樣能夠保證所使用的硬件算力不需要過高，實現低成本硬件即可處理以往需要較高算力的硬件設備才能實現的實際生產應用問題，這樣才能基于我國國情將研究人員的前沿技術在大多數養殖戶中推廣開來。

因此，盡管計算機視覺在豬只行為識別檢測方面已經取得了一定的進展，但仍需在解決成本、技術難題及推廣應用等方面繼續努力。這樣才能使該技術更加普及和實用，為養殖業提供更具可行性的解決方案，促進我國養殖業的現代化和智能化發展。

4" 結束語

目前我國已成為全球最大的生豬生產國，養豬在中國傳統農業經濟中具有重要的地位，是大部分地區農業經營的重要手段之一，推動豬只養殖的智慧化現代化發展對我國農業有著重大意義。本文針對計算機視覺技術在豬只行為識別中的研究及應用展開了研究，為我國豬只行為識別的研究發展提供參考。

參考文獻：

[1] 謝富，朱定局.深度學習目標檢測方法綜述[J].計算機系統應用，2022，31（2）：1-12.

[2] 曹江濤，秦躍雁，姬曉飛.基于視頻的火焰檢測算法綜述[J].數據采集與處理，2020，35（1）：35-52.

[3] 吳世海，鮑義東，陳果，等.基于機器視覺技術的豬行為活動無接觸識別系統[J].計算機系統應用，2020，29（4）：113-117.

[4] 袁登廳，朱偉興，李新城.基于Zernike矩及支持向量機的豬的姿態識別[J].信息技術，2015，39（1）：93-96，100.

[5] 陳孜卓，林夕，王中卿.基于論據邊界識別的立場分類研究[J].計算機科學，2022，49（S2）：132-136.

[6] 謝徵.基于決策樹支持向量機的豬只姿態分類與異常行為分析[D].太遠：太原理工大學，2015.

[7] 張凱中.基于深度學習和面積占有率的群養豬飲水行為識別[D].鎮江：江蘇大學，2020.

[8] 楊秋妹，肖德琴，張根興.豬只飲水行為機器視覺自動識別[J].農業機械學報，2018，49（6）：232-238.

[9] 周勇鈞，俞守華，區晶瑩.多特征Camshift和Kalman濾波結合的豬只智能跟蹤[J].廣東農業科學，2013，40（9）：174-177，188.

[10] 孫龍清，李玥，鄒遠炳，等.基于改進Graph Cut算法的生豬圖像分割方法[J].農業工程學報，2017，33（16）：196-202.

[11] 肖德琴，馮愛晶，楊秋妹，等.基于視頻追蹤的豬只運動快速檢測方法[J].農業機械學報，2016，47（10）：351-357，331.

[12] 高云，郁厚安，雷明剛，等.基于頭尾定位的群養豬運動軌跡追蹤[J].農業工程學報，2017，33（2）：220-226.

[13] 季照潼，李東明，王娟，等.基于深度學習YOLO v4的舍養育肥豬行為識別[J].黑龍江畜牧獸醫，2021，626（14）：39-42，151.

[14] 莊晏榕，余炅樺，滕光輝，等.基于卷積神經網絡的大白母豬發情行為識別方法研究[J].農業機械學報，2020，51（S1）：364-370.

[15] 高云，陳斌，廖慧敏，等.群養豬侵略性行為的深度學習識別方法[J].農業工程學報，2019，35（23）：192-200.

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

[17] 丁靜.基于機器視覺的斷奶仔豬腹瀉檢測方法研究[D].南京：南京農業大學，2020.