人工智能技術在智能化管理中的應用研究

張琳

關鍵詞：人工智能；畜牧；管理；信息；算法

0 前言

習近平總書記高度重視農業科技、農業機械化以及農民增收工作，強調“要把發展農業科技放在更加突出的位置，大力推進農業機械化、智能化，給農業現代化插上科技的翅膀。” [1]《“十四五”數字經濟發展規劃》提出，大力推進產業數字化轉型。加快企業數字化轉型升級，全面深化重點行業、產業園區和集群數字化轉型，培育轉型支撐服務生態。其中提出，要大力提升農業數字化水平，推進“三農”綜合信息服務，創新發展智慧農業，提升農業生產、加工、銷售、物流等各環節數字化水平[2]。

AI（（Artificial Intelligence） 在畜牧管理中的應用逐漸得到行業的廣泛關注。在現代畜牧業中，生產力的提高和生產關系的調整也是畜牧業科學、可持續發展的關鍵。人工智能技術作為一種新型的生產力，可以幫助畜牧業者更好地管理動物飼養、繁殖、健康和環境等方面，讓科技賦能助推現代農業高質量發展。

目前，我國大多數畜牧業操作仍然需要手工記錄（如牛羊的數量），農業的智能化要求科技賦能現代農業，AI可以介入這項勞動中，國內外已經有不少相關應用結合的實例，如：新西蘭的（Te Pari） 公司發布了“Taurus”，一種自動分揀溜槽設備，其使用激光束和傳感器檢測進入溜槽的牛，并通過打開與關閉入口門做出反應，來判斷牛的數量。（如圖1） 阿里云目前已經研發完成“通道數羊”和“大欄數羊”2種算法。“通道數羊”需要在羊的通道上方架設攝像裝置，通過算法自動識別通道跑過多少只羊。

本文將重點研究人工智能技術在畜牧管理中的應用，包括如何用人工智能技術實現牧場數羊研究，實現牧場空間中，依靠AI正確統計在一定范圍內羊的數量問題，并探討如何利用人工智能技術對養殖業進行智能化管理和優化，進一步推動養殖業的發展。

1 人工智能技術介入牧場數羊管理

AI介入牧場數羊，需要匹配相應的計算機視覺技術和人工智能算法以及相應的設備系統（圖2） ，是一個系統的信息設計。信息設計是定義、規劃和構建信息內容和信息呈現的環境，以滿足目標用戶接受信息需求的設計。如何將人工智能技術介入牧場放牧管理的數羊當中？在項目開展的前期需要搜集相應的數據，首先對攝像頭拍攝的羊群圖像或視頻數據進行處理和分析，得到羊的數量信息。然后選擇常見的算法，如深度學習中的目標檢測算法、圖像分割算法、特征提取算法、群體行為分析算法等，哪個算法更適合解決統計羊群中羊的個體數量問題？首先來看下針對數羊問題相關算法的幾個解決路徑。

1） 目標檢測算法：如：YOLO、[3]Faster R-CNN[4]等，目標檢測算法是指基于手工設計的特征描述子來提取候選目標并進行驗證的方法，手工設計的特征一般為目標紋理、顏色、邊緣等視覺信息[5]。通過對設備采集的羊群圖像或視頻數據中的羊進行檢測和定位。通過檢測算法，可以得到羊的位置信息，從而進一步估計羊的數量。

2） 圖像分割算法：如FCN[6]、U-Net[7]等，圖像分割法指的是，在圖像中目標和背景存在明顯差異的前提下，通過選擇合適的閾值將圖像中的目標與背景分離開來。當圖像比較復雜、包含多個目標時，多閾值分割更加適用[8]。通過對羊群圖像或視頻中的數據進行分割，將羊與背景分離開來。通過分割算法，可以得到羊的精確位置信息，從而更準確地計算出羊的數量。

3） 目標跟蹤算法：如卡爾曼濾波[9]、粒子濾波等[10]，目標跟蹤作為機器學習的一個重要分支，在第一幀中給定待跟蹤目標的情況下對目標進行特征提取并分析，在后續圖形中教導相似的特征區域，并在目標的下一幀位置進行預測。通過對羊群圖像或視頻數據中的羊進行跟蹤。通過追蹤算法[11]，可以得到羊的位置信息數據，并根據位置信息預測牧場中羊的數量。

4） 群體行為分析算法：群體行為分析算法[12]，如群體聚類[13]、群體運動[14]模型等，對羊群的行為進行分析。1975 年，美國密歇根大學的約翰·霍蘭德（JohnHolland）教授發表了其代表作《自然與人工系統的適應》（Adaptation in Natural and Artificial Systems） 。在該書中，作者詳細闡述了智能系統及其在自然界中的自適應變化機制，并提出了計算機程序的自適應變化機制理論，被認為是最早的群體智能算法理論之一[15]。該算法可以對群體的行為作出相對準確的預測，運用到屬羊中可以得到羊群的密度、速度等信息，實現更加動態的準確預測，從而得到羊群中羊的數量。

因此，使用目標檢測算法、圖像分割算法、追蹤算法和群體行為分析算法等人工智能算法，都可以對牧場內移動的羊進行數量估計。那么哪種算法能夠達到更理想的效果？

本文側重提出群體行為分析算法來解決數羊問題，群體行為分析模型的建立在數羊群中羊的數量估計方面具有一定的優勢，以下是優勢分析：首先，群體行為分析算法可以更好地理解羊群的行為和運動模式。羊群中的每只羊都會受到周圍羊群的影響，因此牧場中羊的數量和位置是動態變化的。群體行為分析算法可以通過對羊群中羊的位置、速度、加速度等因素的分析，理解羊群的行為和運動模式，從而更準確地估計羊的數量。

其次，群體行為分析算法能夠更好地處理羊群中的遮擋和重疊問題。在羊群中，羊在實際牧場中可能會相互遮擋或重疊，導致目標檢測算法、圖像分割算法和追蹤算法難以準確地檢測或跟蹤羊的數量。而群體行為分析算法可以通過對羊群中羊的位置、運動方向等信息的綜合分析，來解決這些問題，從而更好地估計羊的數量。

最后，群體行為分析算法可以更好地應對羊群中羊的數量變化。在牧場實際運營與管理當中，羊的數量可能會隨著時間的推移，因為各種不可控制的因素而發生變化，例如：出生、死亡、移動等。群體行為分析算法可以對羊群中羊的數量變化進行動態跟蹤和分析，從而更準確地估計羊的數量。因此，群體行為分析算法在數羊群中羊的數量估計方面表現優于其他算法。

2 群體行為分析算法實現數羊目標的步驟與方法

群體行為分析算法實現數羊目標的步驟與方法如圖3所示。

2.1 群體分割

在群體分割[16]這一步驟中，首先使用背景減除方法來構建背景模型，并從當前幀圖像進行像素值減法運算，以得到前景目標，其中兩種常用的背景模型包括“平均模型”與“中值模型”，它們分別通過計算一段時間內若干幀圖像在同一位置上的平均值和中值去構建背景模型。在進行前景目標提取時，可以采用絕對值差或平方差法計算，其中絕對值差法對噪聲敏感但運算效率高，平方差法對噪聲具有一定的魯棒性但運算復雜度較高。在進行背景減除后，需要將前景目標進行二值化[17]處理，從而得到信息中羊群的二值圖像。

群體分割是圖像分割中的重要步驟之一，通過構建差分圖像來提取移動目標，為后續的特征提取和目標跟蹤等處理提供輸入，需要注意的是，群體分割性能易受環境變化的影響，因此需要采取恰當的方式更新背景模型以適應環境變化。

2.2 特征提取

對于羊群的二值圖像，可以提取一些特征來描述羊的形態和運動，這一步非常的重要，關系到后續步驟的準確與否，在實際信息設計中往往因為這一步對于信息的粗糙提取，導致最終結果的偏差。具體需要提取的特征包括：1） 羊群的面積；2） 周長；3） 幾何中心等重要特征數據。需要注意的是：相對應的面積是指羊群占據的像素數量；周長是指羊群的邊界長度，幾何中心則是指整個羊群的中心點位置。此外，還可以使用“光流算法”來提取羊的運動軌跡，從而更加準確地描述牧場中羊的運動狀態。

2.3 羊群聚合

對于提取的特征，可以使用聚類算法（聚類算法是一種無監督學習方法，它將數據集劃分為若干個組或“簇”，使得同一簇內的數據相互之間更相似，而不同簇的數據盡可能不同）將羊群進行聚合。例如：可以使用K-Means[18]（將數據分成K 個簇，每個簇的中心是所有該簇數據的平均值，每個數據點只能屬于一個簇）算法將羊群分為若干個簇，每個簇代表一個羊群。在此過程中，需要信息設計者仔細選擇簇的數量，并平衡分割精度與算法復雜度之間的關系，從而確保算法的準確性和魯棒性。

2.4 羊數預測

對于每個羊群，利用AI的算法可以根據其相應的特征來預測羊的數量。例如，可以使用線性回歸等方法，將羊的數量與群體面積、周長、幾何中心等特征進行關聯。具體地，訓練一個線性回歸模型[19]需要使用歷史數據集進行訓練，該模型可以用于預測新的羊群數量。預測結果可以用于羊群管理和決策支持等方面。

需要注意的是，群體計數算法在實際應用中可能會受到一些因素的影響，如天氣、背景、羊群行為等差異，需要針對具體場景進行調整和優化。此外，算法的準確性和魯棒性也需要進行實驗驗證和評估，以保證算法的實用性和可靠性。

2.5 羊數更新

現實環境中隨著時間的推移和羊群的運動，羊的數量和位置會不斷發生變化，導致之前的預測結果出現誤差，無法準確反映當前的羊數量。為了減少預測誤差和更新羊的數量，需要定期重新進行羊群分割、特征提取、羊群聚合和羊數預測。為了解決這個問題，滑動窗口方法（滑動窗口是目標檢測中一種常用的方法，其基本思路是采用滑動窗口的方式對輸入圖像進行不同窗口大小的遍歷，并對每個窗口執行分類器進行分類，最終得到檢測結果）可以有效完成羊數的更新。其原理如下：選取一個時間窗口（如：1h） ，每次設置窗口滑動一定的時間間隔（如15 min） ，并進行一次更新。在每個時間窗口內，會重新進行群體分割、特征提取、羊群聚合和羊數預測，得到當前時間窗口內的羊數量。當窗口滑動至下一個時間間隔時，會將當前時間窗口內的羊數量和上一個時間窗口的預測結果進行融合，最后得到更新后的羊數量。

3 結束語

群體行為識別的方法種類繁多，依據建模模型對群體行為進行分類，群體行為識別方法大致可以分為以下3大類，即：1） 基語法模型（grammar model） 的方法；2） 基于深度網絡模型（deep neural network model）；3） 基于圖模型（graphical model） 。 目前，大部分群體行為識別的研究都基于圖模型和深度網絡模型[20]。除了本文數羊的應用場景以外，諸如：判斷候鳥保護區中鳥群的數量等也可以應用到該種算法。

通過運用AI，農業管理者可以精準地、動態地掌握牧場內羊的數量以便及時作出管理決策，以確保羊群的健康和產出。這對現代牧場管理走向智能化具有很大的推進作用。群體行為分析算法在解決這個問題上也起著至關重要的作用。羊群的行為模式和移動規律會影響羊只數量的評估，而群體行為分析算法可以更加準確地掌握羊群的移動規律，從而更好地評估羊只數量。未來，中國農業智能化進程中的設計師們可以進一步探索人工智能算法在牧場管理領域的應用，例如：基于圖像識別技術的牛、雞、豬等家畜數量進行評估，基于傳感器技術的動物健康監測等。AI技術的進步，為牧場智能化管理注入了新的活力，使得牧場生產與管理邁入了智能化時代。未來，人工智能技術在牧場管理領域還將有更廣闊的應用前景，它將進一步推動我國農業生產的精準化、智能化與現代化發展。