機器視覺技術在家禽產業中的應用與發展趨勢

摘 要：文章闡述了機器視覺技術在家禽領域的綜合應用及潛在影響，介紹了機器視覺技術的基本原理以及在家禽業精準飼養、環境控制、產品監測和行為分析等方面的作用，探討了機器視覺技術目前面臨的挑戰與局限，如環境適應性、數據處理能力、算法復雜性和成本問題，也展望了未來技術發展的趨勢，包括降本增效、多模態感知、精準養殖業的普及、自決策機器人的發展、環境可持續性等方面。

關鍵詞：機器視覺；家禽業；神經網絡

中圖分類號：S818.9 文獻標識碼：A 文章編號：1673-1085（2024）07-0059-04

近年來，隨著全球人口的持續增長和消費者對肉類產品需求的日益上升，家禽業作為全球農業經濟的關鍵組成部分，面臨著前所未有的挑戰與機遇，對食品安全和可持續生產的關注日益增加。傳統上，家禽業生產屬于勞動密集型產業，效率低下，易受人為誤差和變量的影響。基于機器視覺的自動化生產技術已成為推動家禽業持續發展的重要內驅力，應用在家禽生產中，不僅顯著提升生產效率，還改善產品生產的容錯性、一致性，也是保證產品質量和可追溯性的有效工具，同時為優化家禽養殖環境和動物福利提供了新路徑，特別是在精準飼養、健康監控和生產過程管理方面，顯示出巨大潛力[1]。

1 "家禽業傳統生產方式的局限性

家禽業的傳統生產方式通常以人工勞動為基礎，很大程度上依賴于經驗和傳統生產方式。傳統的生產方式存在的問題和局限性已經阻礙了家禽業的發展。

1.1 "養殖戶需定期喂食、清洗養殖設施裝備和經常檢查家禽的健康狀況、養殖環境情況。這需要大量的勞動力，而且效率低下。

1.2 "傳統家禽養殖缺乏精準智能的環境控制系統，溫度、濕度、通風、光照和有害氣體等環境指標多由自然環境和簡單的設施決定，對家禽生長環境波動大，影響其健康和產量。

1.3 "在傳統養殖中，疾病管理通常是反應性的，即在疾病發生后才采取措施，可能因喪失最佳預防和治療時機，導致疾病迅速蔓延，給家禽群體帶來嚴重危害。

1.4 "生產記錄通常手工完成，易出錯，難以開展系統的數據分析和趨勢預測。

1.5 "家禽傳統飼喂多是人工或者簡單機械飼喂，不夠精準，易導致飼料喂食效率不高，無法針對每只家禽需求進行優化。

1.6 "家禽產品的處理（如屠宰、分割、包裝）和銷售在傳統模式下也主要依賴人工操作，效率低、可追溯性差，難以保證產品質量和安全。

2 "機器視覺的工作原理

機器視覺是一種模擬人類視覺的仿生學技術，其核心流程是將視覺信息轉換為可供計算機處理的數字信號，并通過算法進行有效解釋，以實現自動化檢測、識別和控制等功能。其基本原理：

2.1 "圖像獲取

使用攝像頭或類似設備捕獲物體或場景的圖像。這些圖像可以是二維的，也可以是三維的。

2.2 "圖像處理

對捕獲的圖像進行處理，包括調整圖像（如對比度和亮度調整）、濾波（去除噪聲）、邊緣檢測等，以提取重要特征。

2.3 "特征提取

從處理后的圖像中提取關鍵信息，如形狀、大小、顏色、紋理等，并對特征進行編碼生成特征向量。

2.4 "解釋和決策

利用算法對提取的特征編碼進行解釋，執行物體識別、判斷、缺陷檢測、測量等任務。

2.5 "執行動作

在某些應用中，系統會根據解釋結果來控制機械臂或其他設備，完成例如分類、定位、操控等動作。

3 "機器視覺在家禽產業中的應用

機器視覺技術已廣泛應用于家禽產業，目前主要集中在生產管理方面，基于機器視覺技術開發的自動化設備，如自動喂料機、飲水系統和自動撿蛋機，提高了生產效率，減少了人工勞動。

3.1 "對家禽進行自動分類和計數

機器視覺系統可以自動識別和分類家禽，比如按體重、品種進行分類，并自動記錄數量，這有助于優化養殖過程和提高生產效率。

3.2 "監測家禽的健康狀況

通過分析、提取家禽的圖像特征，結合對禽類體型、重量和其他生長指標、行為的分析，檢測異常行為、患病跡象或異常的外貌特征，還可識別壓力、恐懼和疾病跡象。

機器視覺系統能夠持續監控家禽的行為和外觀，分析其活動模式、飲食習慣或羽毛狀態等，及早發現健康問題或疾病跡象。早期診斷有助于防止疾病蔓延，降低死亡率。李勛輝[2]利用基于數據流編程的符號數學系統TensorFlow，對家禽個體圖像信息進行邊緣計算，確定個體體征狀態，包括活禽、死禽數量、病態特征（例如應激反應、雞冠軟塌、癱瘓）等。Mbelwa研究[3]了一種基于深度學習方法的模型和用于診斷家禽疾病的數據集，可以部署在智能手機上；該模型是一種識別糞便圖像的深度卷積神經網絡（CNN）預訓練模型，經過測試遷移學習率可達94%。KCA[4]提出一種基于卷積神經網絡的雞聲音處理識別方法，用于禽流感早期檢測，識別準確率在89.79%～95.84%之間。

3.3 "監測飼料的消耗情況

通過機器視覺，可以自動化監測家禽的生長發育情況，根據它們的體型和體重調整喂養量和營養組成，從而可以確保家禽獲得均衡的營養，同時減少飼料浪費。這對合理安排飼料供應、提高飼養效益有重要意義。

3.4 "監測禽舍內的環境條件

監測內容包括溫濕度、光照情況、設備運行狀態等，及時發現并糾正不良環境因素。當前大多數家禽飼養場都使用環境控制器，通過智能傳感器監測家禽生長必須的環境指標，自動環控設備的介入使無人禽舍成為可能。機器視覺的應用減少了對人工的依賴，尤其是在持續監測和數據記錄方面，這不僅減少了勞動成本，也提高了數據的準確性和可靠性。Figueiredo G F[5]開發了一個評估家禽群體聚集行為的圖像分析系統，通過算法從家禽飼養環境中獲取家禽溫度和攝食行為。劉娜等[6]完成了一種新型家禽清理機器人的設計，可以完成合理避障和清掃垃圾的功能，具有體積小、效率高、成本低等優點，為實現家禽養殖場清掃自動化提供了技術支持。

3.5 "檢測、分級蛋和肉類產品

通過分析蛋殼的顏色、形狀和表面缺陷，自動將蛋類進行分級；通過分析肉類產品的外觀、色澤、花紋，可快速實現肉類產品的分級操作。苑進等[7]申報的實用新型專利涉及一種禽蛋運輸包裝機器人，可用于收集、儲存和運輸禽蛋，具有拾取、旋轉、定位和自動記錄分析產蛋數據等功能。

Mota-Grajales R[8]發明了一種檢測起皺、疙瘩等蛋殼損傷狀況的視覺智能識別系統，通過人工神經網絡算法（ANN）進行分類和訓練， 對150 個雞蛋樣本識別率達到了 97.5%。

3.6 "監測養殖場火災風險

通過實時監測飼養場內的溫度和煙霧情況，可及早發現火災跡象，采取緊急措施，減小損失。

4 "影響與未來趨勢

4.1 "挑戰與局限

4.1.1 "家禽養殖環境通常復雜多變，存在灰塵、光線變化、有害氣體、溫濕度波動等，這些因素影響機器視覺技術在應用層面的準確性和可靠性。

4.1.2 "隨著家禽業智能裝備的應用，產生的數據量巨大，需要高效通用模型和級數級別增長的算力來確保實時處理和準確分析。

4.1.3 "開發能夠準確識別、分析家禽行為、健康狀況的算法是一大挑戰。這需要海量數據和深入的專業知識來訓練和優化這些算法。

4.1.4 "技術研發會顯著提升初始投資和運維成本，例如目前專業級的人工智能芯片價格居高不下，對于小規模或資源有限的家禽養殖場，是較大的財務負擔。

4.1.5 "運用機器視覺相關系統需要專業的技術知識和操作技能，這些對養殖場員工提出新的要求；相關知識更新迭代速度較快，還要定期接受培訓。

4.1.6 "機器視覺系統在全天候巡檢產生的持續噪聲污染、傳感器產生的電磁干擾等，可能會影響家禽的行為和福利。如何確保這些技術的應用不會給動物造成壓力或傷害，也是目前面對的一個挑戰。

4.1.7 "收集和處理大量家禽養殖相關數據可能涉及隱私和安全風險，特別在公網的傳輸過程中，數據泄露是一個巨大隱患。如何確保數據的安全存儲、處理和傳輸必將成為未來的一個研究重點。

4.2 "發展趨勢

4.2.1 "未來機器視覺系統將更加多模態，未來機器視覺系統將結合視覺、聲音、溫度、氣象等多位傳感器，數據會更加多模態。多模態綜合感知將提供更全面的信息，有助準確監測家禽狀態，及時調整養殖生產策略。

4.2.2 "基于機器視覺技術的人工智能被廣泛應用于精準養殖。通過使用高分辨率圖像和傳感器，可以準確監測家禽健康狀況，實現精細管理和資源調配，在提高效率的同時減少資源浪費。

4.2.3 "加強自決策能力將是未來基于視覺識別的機器人技術的發展趨勢。適應性更強的更智能機器人能夠在不同環境中執行任務，例如在不同的禽舍間自主導航、監測和處理整個養殖場的工作，實現無人值守。

4.2.4 "智能化養殖系統將致力于減少對化學品的依賴，通過精確的資源管理和預測性維護，能夠降低環境帶來的影響，提高家禽生產的可持續性。

4.2.5 "制定開放性標準和提高兼容性能夠使技術整合的復雜性降低，有助于家禽業從業者快速掌握新技術，降低學習成本。

4.2.6 "機器視覺技術離不開跨學科合作，如與生物學、工程學、遺傳學、計算科學和獸醫學結合，多學科融合使企業或科研單位更易推出基于機器視覺的自動化裝備和人工智能領域的整套解決方案。

參考文獻：

[1] "ROSIE，BURGIN.Robot concept gives a glimpse into the future[J].World Poultry，2016，32（3）：6-7.

[2] "北京中農志遠電子商務有限公司.一種基于圖像識別的家禽養殖場養殖數量識別設備：CN201911075714.8[P].2020-01-31.

[3] "MBELWA H.Image-based poultry disease detection using deep convolutional neural network[D].Arusha：NM-AIST，2021.

[4] " KC A， TZAB C，JH A，et al.Detection of avian influenza-infected chickens based on a "chicken sound convolutional neural network[J].Computers and Electronics in Agriculture，2020，178：105688.

5] " FIGUEIREDO G F， DICKERSON T W， BENSON E R，et al.Development of Machine Vision Based Poultry Behavior Analysis System[C]//2003 ASAE Annual International Meeting，Vegas， Nevada， USA，2003：033083.2003.DOI：10.13031/2013.14053.

[6] 劉娜，郭文川，張偉華，等.家禽養殖場自動清掃機器人設計[J].農機化研究，2009，31（4）：98-99 +103.

[7] 苑進，李揚，劉雪美，等.禽蛋自動撿拾系統結構設計及機械手運動規劃[J].農業工程學報，2016 ，32（08）：

48-55.

[8] MOTA-GRAJALES R，TORRES-PEA J C，CAMAS-ANZUETO J L，et al.Defect detection in eggshell using a vision system to ensure the incubation in poultry production[J]. Measurement，2019，135：39-46.