奶牛運(yùn)動(dòng)行為智能監(jiān)測(cè)研究進(jìn)展與技術(shù)趨勢(shì)

摘要：奶牛運(yùn)動(dòng)行為蘊(yùn)含著諸多健康信息。信息化、智能化技術(shù)的應(yīng)用有助于養(yǎng)殖場(chǎng)及時(shí)掌握奶牛健康狀況，提高養(yǎng)殖效率。本文主要針對(duì)奶牛運(yùn)動(dòng)行為智能監(jiān)測(cè)技術(shù)的研究進(jìn)展予以分析，首先對(duì)奶牛基本運(yùn)動(dòng)（躺臥、行走、站立）、發(fā)情、呼吸、反芻及跛行等行為的監(jiān)測(cè)意義進(jìn)行闡述，明確了奶牛行為監(jiān)測(cè)的必要性;其次按照時(shí)間順序分別從接觸式監(jiān)測(cè)方法和非接觸式監(jiān)測(cè)方法兩方面綜述了國(guó)內(nèi)外相關(guān)研究現(xiàn)狀，對(duì)相關(guān)研究的原理及成果進(jìn)行詳細(xì)介紹，并進(jìn)行了分類總結(jié);對(duì)奶牛行為監(jiān)測(cè)產(chǎn)業(yè)發(fā)展現(xiàn)狀進(jìn)行了分析，介紹了國(guó)外主流牧場(chǎng)自動(dòng)化設(shè)備供應(yīng)商主營(yíng)業(yè)務(wù)及代表產(chǎn)品;之后分別提出了當(dāng)前接觸式和非接觸式奶牛運(yùn)動(dòng)行為監(jiān)測(cè)方法的問(wèn)題與挑戰(zhàn)。最后，針對(duì)相關(guān)關(guān)鍵技術(shù)的發(fā)展趨勢(shì)進(jìn)行了展望。

關(guān)鍵詞：奶牛;運(yùn)動(dòng)行為;健康狀況;智能化監(jiān)測(cè);智慧畜牧

中圖分類號(hào)：S-1;TP18;S823"""" 文獻(xiàn)標(biāo)志碼：A"""""""" 文章編號(hào)：SA202203011

引用格式：王政， 宋懷波， 王云飛， 華志新， 李嶸， 許興時(shí).奶牛運(yùn)動(dòng)行為智能監(jiān)測(cè)研究進(jìn)展與技術(shù)趨勢(shì)[J].智慧農(nóng)業(yè)（中英文）， 2022， 4（2）：36-52.

WANG Zheng， SONG Huaibo， WANG Yunfei， HUA Zhixin， LI Rong， XU Xingshi. Research progress and technolo‐ gy trend of intelligent morning of dairy cow motion behavior[J]. Smart Agriculture， 2022， 4（2）：36-52.（in Chinese with English abstract）

1引言

奶牛養(yǎng)殖業(yè)是畜牧業(yè)的重要組成部分。1978年，中國(guó)奶牛存欄僅48萬(wàn)頭，截至2020年底，全國(guó)奶牛存欄量已達(dá)到520萬(wàn)頭，百頭以上規(guī)模養(yǎng)殖場(chǎng)比例為67.2%[1-3]。奶牛的行為是對(duì)其內(nèi)部生理變化或外部環(huán)境刺激而做出的反應(yīng)，直接或間接地反映了奶牛的健康及生理狀況[4]。例如，奶牛的躺臥行為是奶牛每日所需時(shí)間最長(zhǎng)、最優(yōu)先的行為，其躺臥時(shí)間與產(chǎn)奶量成正比[5];奶牛在發(fā)情期間會(huì)進(jìn)行排卵，及時(shí)進(jìn)行配種是奶牛受孕、繁殖的必要條件[6];此外，正常奶牛呼吸和反芻頻率基本固定，當(dāng)出現(xiàn)波動(dòng)時(shí)可能與熱應(yīng)激或疾病等異常狀況有關(guān)[7，8];當(dāng)奶牛發(fā)生蹄肢病時(shí)，往往會(huì)出現(xiàn)跛行，從而導(dǎo)致奶牛產(chǎn)奶量與繁殖力降低[9]。隨著奶牛養(yǎng)殖規(guī)模的逐漸擴(kuò)大，傳統(tǒng)的人工監(jiān)測(cè)方法因效率低下、準(zhǔn)確率難以保證等原因已無(wú)法滿足養(yǎng)殖要求，奶牛運(yùn)動(dòng)行為的智能監(jiān)測(cè)已成為相關(guān)研究的必然選擇[10]。

精準(zhǔn)養(yǎng)殖成為奶牛養(yǎng)殖業(yè)發(fā)展的新方向，也是中國(guó)奶業(yè)現(xiàn)代化的必然要求[11]。為進(jìn)一步明確當(dāng)前奶牛運(yùn)動(dòng)行為智能監(jiān)測(cè)研究進(jìn)展和技術(shù)瓶頸，本文主要針對(duì)奶牛的基本運(yùn)動(dòng)（行走、躺臥、站立）、發(fā)情、呼吸、反芻及跛行等行為的監(jiān)測(cè)展開討論，分別從接觸式和非接觸式兩種監(jiān)測(cè)方法對(duì)研究進(jìn)展進(jìn)行總結(jié)，同時(shí)對(duì)奶牛運(yùn)動(dòng)行為監(jiān)測(cè)產(chǎn)業(yè)發(fā)展現(xiàn)狀進(jìn)行了探討，并結(jié)合研究和產(chǎn)業(yè)發(fā)展現(xiàn)狀，討論了當(dāng)前研究中存在的問(wèn)題并對(duì)技術(shù)的發(fā)展趨勢(shì)進(jìn)行了展望。

2 奶牛運(yùn)動(dòng)行為智能監(jiān)測(cè)研究進(jìn)展

目前，對(duì)奶牛運(yùn)動(dòng)行為的監(jiān)測(cè)方法主要分為接觸式和非接觸式兩種。接觸式監(jiān)測(cè)方法主要依靠在奶牛的不同部位固定傳感器以實(shí)現(xiàn)不同行為的監(jiān)測(cè)，如表1所示。

大多數(shù)接觸式監(jiān)測(cè)方法基于加速度傳感器、壓力傳感器和計(jì)步器等，主要通過(guò)加速度傳感器和計(jì)步器獲取頭頸部和蹄部的運(yùn)動(dòng)數(shù)據(jù)，利用分類算法對(duì)奶牛行為進(jìn)行監(jiān)測(cè);對(duì)于呼吸行為，由于其特征單一且不明顯，大多只能通過(guò)傳感器對(duì)腹部起伏或鼻腔氣流的規(guī)律性變化進(jìn)行直觀記錄。雖然也有學(xué)者研究基于溫度和聲音的奶牛行為識(shí)別，但由于這些特征干擾因素較多，因此在實(shí)際應(yīng)用中難以實(shí)現(xiàn)。

非接觸式監(jiān)測(cè)方法包括傳統(tǒng)和基于深度學(xué)習(xí)的視頻分析、基于聲音信號(hào)、基于激光測(cè)距和熱成像等方法，如表2所示，以視頻分析技術(shù)為主。

基于傳統(tǒng)視頻圖像分析的方法均需人工設(shè)計(jì)特征，通過(guò)人工設(shè)定或算法學(xué)習(xí)得到閾值，根據(jù)特征，通過(guò)人工設(shè)定或算法學(xué)習(xí)得到閾值，根據(jù)特征數(shù)值對(duì)奶牛行為進(jìn)行分類，在分析時(shí)不需要大量圖片，人工分析起主導(dǎo)作用。基于深度學(xué)習(xí)的視頻圖像分析方法則通過(guò)采集大量圖片數(shù)據(jù)，對(duì)相關(guān)行為進(jìn)行標(biāo)注，利用數(shù)據(jù)驅(qū)動(dòng)網(wǎng)絡(luò)學(xué)習(xí)相關(guān)特征，無(wú)需人工提取特征，可充分利用數(shù)據(jù)本身信息實(shí)現(xiàn)端到端（end-to-end）學(xué)習(xí)，但對(duì)于網(wǎng)絡(luò)設(shè)計(jì)要求較高，同時(shí)數(shù)據(jù)集要求足夠大。

2.1奶牛基本運(yùn)動(dòng)行為檢測(cè)

2.1.1奶牛基本運(yùn)動(dòng)行為監(jiān)測(cè)意義

奶牛基本運(yùn)動(dòng)行為主要有躺臥、行走和站立等。研究表明，躺臥是奶牛每天最優(yōu)先的行為，正常奶牛每天的躺臥時(shí)間應(yīng)達(dá)10～14 h，每增加1 h 的躺臥時(shí)間，奶牛的產(chǎn)奶量將會(huì)增加約1.7 kg[5];若奶牛躺臥時(shí)間減少，則可能是由于臥床不舒適，牛只發(fā)情等原因[56]。同樣，奶牛站立和行走行為的異常也可反應(yīng)出諸多健康信息。奶牛基本運(yùn)動(dòng)行為的智能監(jiān)測(cè)是奶牛健康狀況預(yù)測(cè)的重要內(nèi)容，同時(shí)也是奶牛爬跨、反芻等高級(jí)行為監(jiān)測(cè)識(shí)別的基礎(chǔ)[57]。

2.1.2接觸式基本運(yùn)動(dòng)行為監(jiān)測(cè)方法

奶牛基本運(yùn)動(dòng)行為可通過(guò)奶牛活動(dòng)量和姿勢(shì)等特征進(jìn)行判別，加速度傳感器和計(jì)步器是最為常見(jiàn)的接觸式監(jiān)測(cè)方法。尹令等[12]在奶牛頸部安裝三維加速度傳感器，記錄奶牛在各方向軸的運(yùn)動(dòng)加速度輸出值，通過(guò) K-Means 聚類算法進(jìn)行分類識(shí)別，將奶牛的行為分為靜止、慢走、快跑和爬跨4類，以此來(lái)監(jiān)測(cè)奶牛健康狀況。結(jié)果表明，該算法可較好地區(qū)分奶牛動(dòng)態(tài)與靜態(tài)行為，但是對(duì)動(dòng)態(tài)行為的細(xì)分效果不明顯。蔣曉新等[20]利用計(jì)步器對(duì)不同季節(jié)、不同妊娠階段的奶牛進(jìn)行活動(dòng)量監(jiān)測(cè)，發(fā)現(xiàn)隨著妊娠月份的增長(zhǎng)，奶牛活動(dòng)量出現(xiàn)遞減的趨勢(shì)，可根據(jù)活動(dòng)量對(duì)奶牛的飼料供給進(jìn)行動(dòng)態(tài)調(diào)整以提高奶牛場(chǎng)效益。Wang 等[13]在奶牛的腿部固定加速度傳感器和射頻收發(fā)器，分別獲取奶牛的加速度數(shù)據(jù)和位置數(shù)據(jù)，利用 D-S 證據(jù)理論將兩種數(shù)據(jù)結(jié)合，對(duì)奶牛的七種行為（采食、躺臥、靜止站立、躺下、起身、正常行走和主動(dòng)行走）進(jìn)行分類，每種行為的識(shí)別準(zhǔn)確率均達(dá)80%以上，對(duì)于躺下、行走和站立等行為的識(shí)別準(zhǔn)確率接近100%。Hoang等[14]將多維加速度傳感器固定在奶牛的頸部項(xiàng)圈上，獲得 X 、Y 、Z 軸上的運(yùn)動(dòng)數(shù)據(jù)，通過(guò)支持向量機(jī)（Support Vector Machine，SVM）對(duì)奶牛站立、躺臥、采食和行走四種行為進(jìn)行分類，該方法的平均靈敏度為87.51%，平均精度為90.24%。Balasso等[15]將三軸加速度計(jì)固定于奶牛側(cè)腹收集奶牛運(yùn)動(dòng)數(shù)據(jù)，提取不同特征，利用機(jī)器學(xué)習(xí)算法對(duì)奶牛姿態(tài)和行為進(jìn)行分類，試驗(yàn)結(jié)果表明，奶牛姿態(tài)預(yù)測(cè)準(zhǔn)確率最高為99.2%，行為預(yù)測(cè)準(zhǔn)確率最高為75.9%。

在實(shí)際應(yīng)用過(guò)程中，利用接觸式傳感器對(duì)奶牛基本運(yùn)動(dòng)行為監(jiān)測(cè)精度較高，但對(duì)站立靜止與躺臥行為的細(xì)粒度區(qū)分能力偏弱，因此需要從算法層面予以改進(jìn)，以達(dá)到更高的區(qū)分度。

2.1.3非接觸式基本運(yùn)動(dòng)行為監(jiān)測(cè)方法

奶牛基本運(yùn)動(dòng)行為的非接觸式監(jiān)測(cè)主要依靠視頻圖像分析，包括光流法、特征分類等方法，隨著大數(shù)據(jù)及硬件設(shè)備的發(fā)展，基于深度學(xué)習(xí)的奶牛行為視頻監(jiān)測(cè)方法也被提出。

何東健等[36]提出了基于最大連通區(qū)域的邊界循環(huán)搜索法對(duì)犢牛目標(biāo)進(jìn)行檢測(cè)與提取，并根據(jù)結(jié)構(gòu)相似度對(duì)犢牛基本運(yùn)動(dòng)行為（躺臥、站立、行走和奔跑）進(jìn)行聚類識(shí)別，四種行為識(shí)別準(zhǔn)確率分別為100%、96.17%、95.85%和97.26%。Wu 等[48]通過(guò)遠(yuǎn)程監(jiān)控平臺(tái)采集奶牛活動(dòng)信息，利用VGG16框架作為網(wǎng)絡(luò)骨架，提取每個(gè)視頻對(duì)應(yīng)的特征向量序列，再將這些特征輸入雙向長(zhǎng)短期記憶分類模型，實(shí)現(xiàn)了奶牛躺臥、站立、行走、飲水和反芻五種行為的識(shí)別，平均識(shí)別準(zhǔn)確率為97.6%，特征提取和行為識(shí)別的平均時(shí)間分別為2.958 s和0.712 s，技術(shù)路線如圖1所示。Ma等[50]將預(yù)處理后的奶牛視頻幀送入 Rexnet 3D網(wǎng)絡(luò)，獲取特征向量空間，利用 Softmax網(wǎng)絡(luò)對(duì)奶牛躺臥、站立和行走三種行為進(jìn)行分類。該方法對(duì)自然場(chǎng)景中奶牛行為識(shí)別準(zhǔn)確率為95.00%，識(shí)別速度76.52 f/s;同時(shí)利用滑動(dòng)窗口機(jī)制對(duì)未剪輯的視頻進(jìn)行驗(yàn)證，識(shí)別準(zhǔn)確率為91.02%，檢測(cè)速度為101.02 f/s。Qiao等[51]采集牛犢和成年奶牛的側(cè)面視頻，從視頻幀中提取3D卷積特征后，利用卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)提取時(shí)空特征，并將獲得的特征送入到 Soft‐max層對(duì)五種奶牛行為進(jìn)行分類，對(duì)牛犢和成年奶牛的行為分類準(zhǔn)確率分別為90.32%和86.67%。

由于奶牛活動(dòng)需要跨越多個(gè)場(chǎng)景，單一攝像頭存在監(jiān)控場(chǎng)景固定的缺陷，不能進(jìn)行全場(chǎng)景下奶牛基本運(yùn)動(dòng)行為的高效識(shí)別，存在一定的時(shí)空間斷性。同時(shí)，由于奶牛目標(biāo)往往出現(xiàn)重疊遮擋，因此對(duì)目標(biāo)的全程跟蹤與識(shí)別是研究人員面臨的新挑戰(zhàn)。

2.2奶牛發(fā)情行為監(jiān)測(cè)

2.2.1奶牛發(fā)情行為監(jiān)測(cè)意義

在現(xiàn)代化奶牛養(yǎng)殖過(guò)程中，奶牛發(fā)情行為監(jiān)測(cè)至關(guān)重要，及時(shí)地監(jiān)測(cè)出奶牛發(fā)情信息，有利于在合適的時(shí)間對(duì)奶牛進(jìn)行配種，降低產(chǎn)犢間隔，提高牛場(chǎng)效益[58]。奶牛發(fā)情時(shí)最主要的特征是追逐、爬跨、鳴叫等[59]。傳統(tǒng)養(yǎng)殖過(guò)程中，主要依靠人工進(jìn)行監(jiān)測(cè)，包括陰道檢查法和尾部涂蠟法等方法，但人工監(jiān)測(cè)費(fèi)時(shí)費(fèi)力且易漏檢。因此，研究者提出了基于多類別傳感器及大數(shù)據(jù)挖掘技術(shù)的奶牛發(fā)情行為監(jiān)測(cè)方法[60，61]。

2.2.2接觸式發(fā)情行為監(jiān)測(cè)方法

奶牛發(fā)情期間，外在行為與內(nèi)在生理特征均發(fā)生明顯變化，外在變化主要體現(xiàn)在活動(dòng)量增加、躺臥時(shí)間減少等，內(nèi)在變化表現(xiàn)為體溫升高、陰道粘液分泌增多等[62]，接觸式傳感器主要依據(jù)上述特征對(duì)奶牛生理變化進(jìn)行記錄分析，以實(shí)現(xiàn)奶牛發(fā)情行為的監(jiān)測(cè)。

田富洋等[30]根據(jù)奶牛發(fā)情期間活動(dòng)量增加，體溫升高和躺臥時(shí)間變短等生理特征變化情況，建立了學(xué)習(xí)矢量量化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，實(shí)現(xiàn)了奶牛發(fā)情行為的預(yù)測(cè)，準(zhǔn)確率在70%以上。譚益等[22]利用阿菲金二代計(jì)步器對(duì)奶牛包括運(yùn)動(dòng)步數(shù)在內(nèi)的多項(xiàng)活動(dòng)量數(shù)據(jù)進(jìn)行采集，利用 SVM模型進(jìn)行訓(xùn)練，并將訓(xùn)練好的模型嵌入到 Storm平臺(tái)，對(duì)奶牛發(fā)情檢測(cè)的平均準(zhǔn)確率達(dá)98.9%以上，預(yù)測(cè)準(zhǔn)確率為85.71%，預(yù)測(cè)周期為6 h;但該方法僅考慮奶牛活動(dòng)數(shù)據(jù)，對(duì)體溫等其他變化特征并未考慮。劉忠超和何東健[29]根據(jù)奶牛發(fā)情期間陰道粘液會(huì)發(fā)生生理性變化等特征，設(shè)計(jì)了一款電阻式傳感器，將其植入奶牛陰道內(nèi)，可對(duì)陰道內(nèi)電阻變化進(jìn)行實(shí)時(shí)監(jiān)測(cè)，傳感器測(cè)量精度為±2%，數(shù)據(jù)發(fā)送成功率達(dá)98.5%以上，可連續(xù)工作38 d 。Wang等[16]在奶牛頸部安裝電子標(biāo)簽，獲取奶牛的加速度和位置數(shù)據(jù)，對(duì)包括發(fā)情行為在內(nèi)的奶牛7個(gè)行為指標(biāo)進(jìn)行監(jiān)測(cè)，設(shè)計(jì)了基于最佳參數(shù)的 BP 神經(jīng)網(wǎng)絡(luò)，當(dāng)隱藏層神經(jīng)元數(shù)目為14，學(xué)習(xí)率為0.1時(shí)算法效果最好，奶牛發(fā)情行為監(jiān)測(cè)的準(zhǔn)確度、精確度、敏感度、特異性和 F1評(píng)分分別為95.46%、72.80%、98.29%、95.08%和83.65%。

接觸式發(fā)情行為監(jiān)測(cè)方法可利用傳感器24h不間斷對(duì)奶牛多項(xiàng)生理指標(biāo)進(jìn)行監(jiān)測(cè)，并對(duì)數(shù)據(jù)進(jìn)行融合分析以達(dá)到較高的監(jiān)測(cè)準(zhǔn)確率，但當(dāng)奶牛飼養(yǎng)密度過(guò)大或發(fā)生跛行時(shí)，其活動(dòng)量會(huì)受到影響，且奶牛的體溫受環(huán)境溫度影響較大，這些因素往往會(huì)降低該方法的準(zhǔn)確性。

2.2.3非接觸式發(fā)情行為監(jiān)測(cè)方法

奶牛發(fā)情期間，除活動(dòng)量、體溫等特征發(fā)生顯著變化外，其爬跨行為是最明顯特征。此外，奶牛發(fā)情時(shí)其叫聲強(qiáng)度與持續(xù)時(shí)間也會(huì)發(fā)生相應(yīng)變化[63]，研究人員基于聲音、圖像的方法對(duì)奶牛發(fā)情行為的監(jiān)測(cè)開展了相關(guān)研究。

Chung 等[54]對(duì)韓國(guó)本地奶牛的叫聲進(jìn)行分析，提取聲音數(shù)據(jù)中的梅爾頻率倒譜系數(shù)，利用支持向量數(shù)據(jù)描述算法自動(dòng)監(jiān)測(cè)奶牛發(fā)情，準(zhǔn)確率達(dá)94%以上。Tsai 和 Huang [34] 在奶牛牛棚屋頂從頂部視角觀察奶牛爬跨行為，發(fā)現(xiàn)包圍兩頭牛的邊界框長(zhǎng)度會(huì)發(fā)生規(guī)律性的變化，基于該特征，提出了一種視頻監(jiān)測(cè)奶牛爬跨行為的方法，當(dāng)閾值設(shè)置為0.7時(shí)，爬跨行為假陽(yáng)性率為0.33%。但該方法由于記錄的是俯視圖，只適用于室內(nèi)。顧靜秋等[37]利用圖像熵方法對(duì)奶牛目標(biāo)進(jìn)行識(shí)別，針對(duì)奶牛爬跨時(shí)兩頭奶牛最小包圍盒之間的相交面積判斷是否發(fā)情，識(shí)別準(zhǔn)確率超過(guò)80%，漏檢率最低為3.28%。但該方法未考慮時(shí)間相關(guān)性，因此識(shí)別準(zhǔn)確率還有待提高。劉忠超和何東健[46]將爬跨行為視頻作為正樣本，其余視頻作為負(fù)樣本，在 LeNet-5網(wǎng)絡(luò)基礎(chǔ)上，構(gòu)建了新的 CNN 模型進(jìn)行訓(xùn)練，該模型對(duì)奶牛爬跨行為的識(shí)別準(zhǔn)確率為98.25%，平均單幅圖像識(shí)別時(shí)間為0.257 s 。Guo 等[42]采用基于顏色和紋理特征的背景減除法檢測(cè)奶牛區(qū)域，提取目標(biāo)區(qū)域幾何和光流特征，利用 SVM 來(lái)識(shí)別奶牛爬跨行為，平均識(shí)別準(zhǔn)確率和假陽(yáng)性率分別為90.9%和4.2%。謝忠紅等[45]采集奶牛爬跨行為側(cè)面視頻，提取最小外接矩形，發(fā)現(xiàn)該矩形連通域會(huì)隨奶牛爬跨過(guò)程發(fā)生規(guī)律性變化，使用 K最鄰近（K-Nearest Neighbor，KNN）算法，融合矩陣寬度 W、高度 H和縱橫比 Z三種特征的識(shí)別準(zhǔn)確率最高，為 99.21%。但該模型僅對(duì)側(cè)面爬跨視頻有效，未考慮正面和背面爬跨視頻。王少華和何東健[49]對(duì) YOLOv3模型進(jìn)行改進(jìn)，包括對(duì)錨點(diǎn)框尺寸進(jìn)行優(yōu)化，在網(wǎng)絡(luò)中引入 DenseBlock結(jié)構(gòu)，并提出新的邊界框損失函數(shù)，利用改進(jìn)后的 YOLOv3模型對(duì)奶牛爬跨圖像進(jìn)行訓(xùn)練，模型識(shí)別準(zhǔn)確率為99.15%，召回率為97.62%，處理速度為31 f/s 。圖2為基于幾何特征的奶牛爬跨行為識(shí)別示例。

相比接觸式發(fā)情監(jiān)測(cè)方法，基于視頻的發(fā)情監(jiān)測(cè)方法無(wú)需在奶牛身體安裝傳感器，不影響奶牛正常生活，且成本較低。但根據(jù)研究表明，奶牛夜間發(fā)情比例高達(dá)62.1%[64]，而夜間視頻數(shù)據(jù)質(zhì)量較差，因此該方法對(duì)于奶牛的夜間發(fā)情監(jiān)測(cè)難度較大。

2.3奶牛呼吸行為監(jiān)測(cè)

2.3.1奶牛呼吸行為監(jiān)測(cè)意義

奶牛的呼吸行為與健康狀況密切相關(guān)，健康奶牛呼吸頻率約為12～28次/min [65]，當(dāng)呼吸頻率出現(xiàn)異常波動(dòng)時(shí)，可能與奶牛疾病、棚舍舒適度、環(huán)境溫度等密切相關(guān)[7，66，67]，及時(shí)地發(fā)現(xiàn)奶牛呼吸頻率的異常變化，有助于飼養(yǎng)人員第一時(shí)間掌握奶牛的健康狀況，并對(duì)其進(jìn)行處理。奶牛呼吸行為的傳統(tǒng)監(jiān)測(cè)主要依靠人工計(jì)數(shù)完成，該方法費(fèi)時(shí)費(fèi)力，準(zhǔn)確率低。因此，實(shí)現(xiàn)對(duì)奶牛呼吸行為的智能監(jiān)測(cè)對(duì)現(xiàn)代化大型牧場(chǎng)的精準(zhǔn)養(yǎng)殖具有重要意義。

2.3.2接觸式呼吸行為監(jiān)測(cè)方法

由于奶牛呼吸行為較為微弱，接觸式呼吸行為監(jiān)測(cè)方法主要依靠高精度傳感器對(duì)奶牛腹部及鼻腔呼吸時(shí)產(chǎn)生的變化進(jìn)行監(jiān)測(cè)。

Eigenberg等[24]為研究環(huán)境溫度對(duì)奶牛呼吸速率的影響，利用皮帶將薄膜式壓力傳感器固定在奶牛腹部，記錄奶牛呼吸時(shí)腹部出現(xiàn)的規(guī)律性起伏，計(jì)算其呼吸速率，在陽(yáng)光直射環(huán)境下，溫度每變化1℃，奶牛呼吸變化率為6.6次/min。 Milan等[32]利用韁繩將溫度傳感器固定在牛的鼻孔附近監(jiān)測(cè)牛鼻孔附近空氣的溫度變化，根據(jù)溫度信號(hào)的振蕩次數(shù)計(jì)算出呼吸頻率。試驗(yàn)結(jié)果表明，使用該裝置測(cè)得的奶牛呼吸率與人工測(cè)得的呼吸率沒(méi)有統(tǒng)計(jì)學(xué)差異（P =0.45），但在呼出氣體溫度與環(huán)境溫度較接近時(shí)，呼吸信號(hào)可能會(huì)減弱。Strutzke等[25]設(shè)計(jì)了一種基于差壓傳感器的奶牛接觸式呼吸監(jiān)測(cè)設(shè)備，通過(guò)監(jiān)測(cè)奶牛鼻腔呼氣壓力與環(huán)境壓力的壓力差，利用微控制器進(jìn)行數(shù)據(jù)處理，計(jì)算出奶牛的呼吸頻率，該方法在奶牛睡眠（相關(guān)系數(shù) r =0.92），躺臥（r =0.98）和站立（r=0.99）三種不同狀態(tài)下與人工計(jì)數(shù)的結(jié)果具有高度相關(guān)性。

接觸式呼吸行為監(jiān)測(cè)方法主要通過(guò)傳感器監(jiān)測(cè)奶牛呼吸時(shí)鼻腔氣流和腹部起伏等特征，雖然監(jiān)測(cè)結(jié)果較為準(zhǔn)確，但不論傳感器是胸帶式安裝，還是利用籠頭固定在鼻腔部位，二者安裝及維護(hù)過(guò)程均較為復(fù)雜，且對(duì)奶牛進(jìn)食行為及其躺臥舒適度均造成較大影響，實(shí)際應(yīng)用較為困難。圖3為接觸式呼吸行為監(jiān)測(cè)方法示例。

2.3.3非接觸式呼吸行為監(jiān)測(cè)方法

非接觸式監(jiān)測(cè)方法不易引起奶牛應(yīng)激，因此國(guó)內(nèi)外諸多研究者嘗試?yán)梦⒉ɡ走_(dá)、熱成像、機(jī)器視覺(jué)等技術(shù)對(duì)奶牛呼吸行為進(jìn)行監(jiān)測(cè)。

Pastell 等[53]在奶牛擠奶過(guò)程中，利用激光測(cè)距傳感器感知牛腹一側(cè)由呼吸產(chǎn)生的微弱運(yùn)動(dòng)，并從該數(shù)據(jù)中提取呼吸頻率，以研究奶牛的應(yīng)激反應(yīng)，發(fā)現(xiàn)奶牛因擠奶間隔時(shí)間延長(zhǎng)而出現(xiàn)明顯焦躁情況，導(dǎo)致呼吸速率顯著提高。趙凱旋等[33]采集奶牛臥欄休息時(shí)視頻，利用光流法計(jì)算視頻幀圖像各像素點(diǎn)的相對(duì)運(yùn)動(dòng)速度，利用循環(huán) Otsu處理篩選出像素點(diǎn)中的呼吸運(yùn)動(dòng)點(diǎn)，動(dòng)態(tài)計(jì)算速度方向曲線的周期，從而計(jì)算出奶牛的呼吸頻率，并進(jìn)一步判斷奶牛呼吸是否存在異常，呼吸頻率檢測(cè)準(zhǔn)確率為95.68%，異常檢測(cè)成功率為89.06%。宋懷波等[43]獲取單目標(biāo)奶牛側(cè)臥的視頻，將視頻幀轉(zhuǎn)換至 HSV 顏色空間，提取奶牛目標(biāo)和奶牛花斑邊界，最后利用 Lucas-Kanade 稀疏光流法檢測(cè)奶牛的呼吸行為，對(duì)奶牛呼吸行為檢測(cè)的平均準(zhǔn)確率為98.58%，幀處理時(shí)間為0.10～0.13 s 。 Jorquera-Chavez 等[55] 通過(guò)安裝在智能手機(jī)上的 FLIR ONE紅外熱像儀采集奶牛面部的非輻射紅外視頻，根據(jù)奶牛呼吸時(shí)由呼吸氣流引起的鼻部區(qū)域像素強(qiáng)度值變化計(jì)算其呼吸頻率，通過(guò)該方法測(cè)得的奶牛呼吸頻率與人工觀測(cè)得到的結(jié)果成正相關(guān)，相關(guān)系數(shù) r為0.87。 Wu 等[47]利用 Deeplab V3+算法對(duì)試驗(yàn)視頻序列幀中的奶牛進(jìn)行目標(biāo)分割，之后利用基于相位的視頻放大算法對(duì)奶牛微弱呼吸行為進(jìn)行放大，最后利用 Lucas-Kanade稀疏光流法對(duì)站立奶牛呼吸行為進(jìn)行檢測(cè)，檢測(cè)平均準(zhǔn)確率達(dá)93.04%，平均誤差為2.4次/min 。吳頔華[68]在對(duì)單目標(biāo)奶牛呼吸行為監(jiān)測(cè)的基礎(chǔ)上，利用 YOLACT （ You Only Look At CoefficienTs）算法對(duì)多目標(biāo)奶牛進(jìn)行目標(biāo)分割，并融合 CNN 和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)奶牛躺臥靜息和站立靜息兩種狀態(tài)進(jìn)行識(shí)別，對(duì)側(cè)臥、站立、側(cè)臥與站立三種不同狀態(tài)下多目標(biāo)奶牛的呼吸行為檢測(cè)準(zhǔn)確率分別為95.42%、91.33%和93.25%。

在非接觸式呼吸行為監(jiān)測(cè)方法中，利用微波雷達(dá)、熱成像等技術(shù)成本較高，且環(huán)境溫度對(duì)熱成像結(jié)果也具有較大影響。由于奶牛呼吸行為微弱，基于視頻的呼吸行為監(jiān)測(cè)方法需要將攝像機(jī)靠近奶牛，奶牛動(dòng)作干擾也會(huì)影響監(jiān)測(cè)結(jié)果準(zhǔn)確度。因此，該方法在實(shí)際應(yīng)用過(guò)程中比較困難。

2.4奶牛反芻行為監(jiān)測(cè)

2.4.1奶牛反芻行為監(jiān)測(cè)意義

奶牛反芻行為包含諸多健康信息，正常奶牛每天的反芻次數(shù)和時(shí)間基本固定，如果奶牛的反芻次數(shù)減少或者停止，則表明奶牛可能患病，譬如當(dāng)奶牛出現(xiàn)熱應(yīng)激、炎癥反應(yīng)時(shí)，奶牛的反芻次數(shù)會(huì)明顯減少。因此，奶牛反芻行為的及時(shí)監(jiān)測(cè)可以對(duì)奶牛的身體異常早發(fā)現(xiàn)、早處理，提高動(dòng)物福利，減少牛場(chǎng)損失[8，69-71]。

2.4.2接觸式反芻行為監(jiān)測(cè)方法

接觸式反芻行為監(jiān)測(cè)主要將傳感器固定在奶牛嘴部附近，對(duì)奶牛采食或反芻時(shí)由咀嚼產(chǎn)生的包括聲音、壓力等規(guī)律性變化特征進(jìn)行監(jiān)測(cè)分析。

Braun 等[26]將壓力傳感器集成于奶牛籠頭，通過(guò)咀嚼時(shí)產(chǎn)生規(guī)律的壓力變化分析計(jì)算奶牛反芻次數(shù)。結(jié)果表明，直接觀察法和基于壓力傳感器兩種方法，奶牛每天平均反芻總時(shí)間、平均反芻次數(shù)和每次反芻的平均咀嚼次數(shù)分別為389.3min和388.3 min ，410.1次和410.0次，60.0次和60.3次，可見(jiàn)基于壓力傳感器的方法與人工觀察計(jì)數(shù)結(jié)果相近，結(jié)果可靠。Pahl 等[27]利用壓力傳感器記錄采食和咀嚼兩種行為的時(shí)間數(shù)據(jù)，對(duì)采食量進(jìn)行準(zhǔn)確估計(jì)，發(fā)現(xiàn)每頭奶牛每日平均攝入食物量為49.6±5.1 kg ，平均咀嚼時(shí)間為262±48 min 。Chelotti等[31]將麥克風(fēng)和記錄設(shè)備固定在牛的頸部，利用聲音識(shí)別出下頜運(yùn)動(dòng)識(shí)別其反芻和采食行為，發(fā)現(xiàn)基于多層感知機(jī)的自下而上覓食活動(dòng)識(shí)別器算法效果最好，對(duì)反芻和采食兩種活動(dòng) F1分值均高于0.75，且計(jì)算速度快，為開發(fā)便攜式設(shè)備提供可能。Shen等[17]將三軸加速度傳感器固定在奶牛下頜中間部位，可準(zhǔn)確捕捉其下頜運(yùn)動(dòng)，分別采用 KNN 、SVM 和概率神經(jīng)網(wǎng)絡(luò)3種算法進(jìn)行分類，結(jié)果表明，采用 KNN時(shí)效果最好，對(duì)反芻行為識(shí)別的準(zhǔn)確率可達(dá)93.7%，召回率達(dá)94.3%。Iqbal等[18]利用加速度傳感器項(xiàng)圈（ AfiCollar ）監(jiān)測(cè)和記錄48頭奶牛1年內(nèi)的放牧和反芻行為時(shí)間，結(jié)果表明，AfiCol‐lar 和人工觀測(cè)記錄的結(jié)果在放牧?xí)r間（皮爾遜相關(guān)系數(shù)為0.91，一致性相關(guān)系數(shù)為0.71）和反芻時(shí)間（皮爾遜相關(guān)系數(shù)為0.89，一致性相關(guān)系數(shù)為0.80）都具有較強(qiáng)相關(guān)性，表明 AfiCollar可以準(zhǔn)確監(jiān)測(cè)和記錄奶牛放牧和反芻行為。

總結(jié)發(fā)現(xiàn)，目前反芻與采食行為監(jiān)測(cè)方法大多基于加速度和壓力傳感器，雖然準(zhǔn)確率較高，但也存在不能識(shí)別采食過(guò)程中咀嚼-咬食復(fù)合行為的不足[72];且對(duì)奶牛進(jìn)行反芻與采食監(jiān)測(cè)時(shí)，傳感器主要安裝在嘴部附近，該方法往往會(huì)對(duì)奶牛采食造成影響，易引起奶牛的應(yīng)激反應(yīng)，導(dǎo)致奶牛反芻減少甚至停止。此外傳感器易與草料、欄桿等發(fā)生刮蹭摩擦，易造成損壞。

2.4.3非接觸式反芻行為監(jiān)測(cè)方法

非接觸式反芻行為監(jiān)測(cè)方法主要利用攝像頭采集奶牛視頻，并對(duì)奶牛嘴部區(qū)域進(jìn)行捕捉跟蹤，識(shí)別其反芻行為。

Chen 等[38] 利用均值漂移（ Mean Shift ）算法對(duì)奶牛嘴部區(qū)域進(jìn)行跟蹤，并提取嘴部區(qū)域的質(zhì)心軌跡曲線，對(duì)奶牛反芻行為進(jìn)行智能監(jiān)測(cè)，該方法平均準(zhǔn)確率為92.03%，且不受奶牛抬頭、轉(zhuǎn)頭等行為的干擾。宋懷波等[73]提出了一種基于 Horn-Schunck 光流法的奶牛嘴部檢測(cè)方法，提取包含2頭奶牛反芻行為的視頻幀的光流場(chǎng)，將各幀中光流值變化較大的區(qū)域分割并疊加以實(shí)現(xiàn)對(duì)反芻奶牛嘴部區(qū)域的檢測(cè)，檢測(cè)到2頭奶牛嘴部區(qū)域的成功率為66.7%，檢測(cè)到1頭奶牛嘴部區(qū)域的成功率為83.3%。宋懷波等[40]采用核相關(guān)濾波算法對(duì)多目標(biāo)奶牛嘴部區(qū)域進(jìn)行跟蹤，并利用跟蹤框中心點(diǎn)繪制反芻行為曲線，由該曲線計(jì)算出奶牛反芻時(shí)的咀嚼次數(shù)，該算法對(duì)多目標(biāo)跟蹤速度達(dá)7.37 f/s ，對(duì)雙目標(biāo)跟蹤速度達(dá)10.11 f/s ，對(duì)雙目標(biāo)監(jiān)測(cè)時(shí)的咀嚼次數(shù)平均誤檢率為7.72%。Bezen等[74]設(shè)計(jì)了一個(gè)基于 CNN 模型和 RGB-D 攝像機(jī)的計(jì)算機(jī)視覺(jué)系統(tǒng)，采食量的平均絕對(duì)值誤差為0.127 kg ，均方誤差為0.034 kg2。該系統(tǒng)在非特定光照條件下仍有較好的效果，不需重新訓(xùn)練 CNN 模型即可在任意牛舍中實(shí)現(xiàn)，但對(duì)于不同類型的混合飼料，網(wǎng)絡(luò)模型須重新訓(xùn)練;此外，該系統(tǒng)在同一時(shí)間只能對(duì)一頭奶牛進(jìn)行采食監(jiān)測(cè)，且無(wú)法識(shí)別丟棄而非進(jìn)食的飼料，易產(chǎn)生誤差。

利用視頻圖像的反芻行為監(jiān)測(cè)方法雖具備諸多優(yōu)點(diǎn)，但也有如下問(wèn)題需要解決：（1） 現(xiàn)有監(jiān)測(cè)方法大多局限于單目標(biāo)，需要開發(fā)針對(duì)多目標(biāo)反芻行為的同步監(jiān)測(cè)算法;（2）反芻動(dòng)作幅度較小，需要提高算法精度以對(duì)目標(biāo)區(qū)域進(jìn)行準(zhǔn)確跟蹤并有效分割。

2.5奶牛跛行行為監(jiān)測(cè)

2.5.1奶牛跛行行為監(jiān)測(cè)意義

奶牛跛行是指由于蹄肢病或其他因素導(dǎo)致奶牛產(chǎn)生的一種異常步態(tài)，由于疼痛等原因，奶牛不愿站立或行走，影響其正常生理活動(dòng)，輕則影響產(chǎn)奶量和繁殖力，重則導(dǎo)致奶牛過(guò)早淘汰[9，75，76]。在現(xiàn)代奶牛養(yǎng)殖業(yè)中，跛行已成為僅次于奶牛乳腺炎的第二大疾病[77]，嚴(yán)重影響?zhàn)B殖場(chǎng)經(jīng)濟(jì)效益。因此，對(duì)于奶牛早中期跛行的監(jiān)測(cè)并及時(shí)給予治療極為重要。

2.5.2接觸式跛行監(jiān)測(cè)方法

奶牛發(fā)生跛行時(shí)其躺臥時(shí)間會(huì)增加，活動(dòng)量明顯減少，并且步態(tài)特征會(huì)發(fā)生異常改變，現(xiàn)有接觸式跛行監(jiān)測(cè)方法的研究主要基于以上特征展開。

蔣曉新等[21]利用計(jì)步器對(duì)1280頭奶牛進(jìn)行為期1年的蹄病監(jiān)測(cè)，發(fā)現(xiàn)蹄病對(duì)奶牛步履數(shù)影響較大，計(jì)步器可有效監(jiān)測(cè)奶牛早期蹄病。Hal‐adjian等[19]將可穿戴運(yùn)動(dòng)傳感器固定在奶牛的左后腿上，記錄下最初幾分鐘的行走數(shù)據(jù)，建立基準(zhǔn)步態(tài)模型，將之后的行走步態(tài)與基準(zhǔn)步態(tài)模型比較，以此將奶牛的步態(tài)分類為正常或異常，準(zhǔn)確率達(dá)91.1%。Taneja等[23]利用遠(yuǎn)程計(jì)步器監(jiān)測(cè)奶牛的活動(dòng)，將加速度數(shù)據(jù)在霧節(jié)點(diǎn)處聚合以形成行為活動(dòng)的時(shí)間序列，并在云端利用混合聚類和分類模型進(jìn)一步分析，較人工目測(cè)觀察可提前3天檢測(cè)到奶牛跛行，總體準(zhǔn)確率為87%。

接觸式跛行監(jiān)測(cè)設(shè)備主要安裝在奶牛的腳踝位置，容易脫落，且易受糞便、墊料等污染，影響使用壽命及監(jiān)測(cè)精度。在實(shí)際商業(yè)應(yīng)用中，腳環(huán)計(jì)步器使用過(guò)程往往較為復(fù)雜，對(duì)于左右腿佩戴位置也有要求，并且需定期巡視佩戴狀況并及時(shí)調(diào)整[78]。對(duì)于壓力步道監(jiān)測(cè)設(shè)備等需額外安裝的大型裝置，應(yīng)盡量占用較小空間或與現(xiàn)有設(shè)備集成。

2.5.3非接觸式跛行監(jiān)測(cè)方法

奶牛患有蹄肢病時(shí)，其病變部位會(huì)由于炎癥反應(yīng)導(dǎo)致血流速度加快，從而使局部溫度升高，這為使用熱成像技術(shù)檢測(cè)蹄病成為可能[79，80];此外，還可依靠機(jī)器視覺(jué)技術(shù)對(duì)奶牛的背部曲率、頭頸部斜率、牛蹄跟隨性等特征進(jìn)行分析，進(jìn)而判斷跛行行為。

Zhao 和 He [35] 針對(duì)奶牛行走視頻，利用 K-Means算法實(shí)現(xiàn)跛行程度的自動(dòng)分類，跛行識(shí)別的準(zhǔn)確率為91.15%，嚴(yán)重跛行行為的識(shí)別率為100%。溫長(zhǎng)吉等[39]對(duì)奶牛側(cè)面行走視頻進(jìn)行時(shí)空興趣點(diǎn)檢測(cè)，對(duì)稠密軌跡圖進(jìn)行二次興趣點(diǎn)檢測(cè)，將兩者進(jìn)行特征融合，并利用基于共軛梯度追蹤算法的稀疏超完備詞典學(xué)習(xí)方法對(duì)奶牛跛足行為進(jìn)行語(yǔ)義特征描述，最后訓(xùn)練分類器實(shí)現(xiàn)跛足監(jiān)測(cè)與識(shí)別，在線測(cè)試視頻的奶牛跛行行為識(shí)別準(zhǔn)確率為92.7%。宋懷波等[41]采集奶牛行走視頻，將視頻分解成圖像序列，對(duì)目標(biāo)奶牛區(qū)域進(jìn)行分割，提取奶牛身體前部像素區(qū)域和身體上部輪廓線，對(duì)該輪廓線擬合提取斜率值，采用 KNN 分類算法檢測(cè)跛行準(zhǔn)確率達(dá)93.89%。康熙等[44]根據(jù)正常奶牛行走時(shí)后蹄著地點(diǎn)與同側(cè)前蹄著地點(diǎn)距離相近這一現(xiàn)象，提出了一種時(shí)空插值算法準(zhǔn)確定位牛蹄著地位置，之后對(duì)同側(cè)牛蹄運(yùn)動(dòng)數(shù)據(jù)進(jìn)行重組與匹配，檢測(cè)牛蹄運(yùn)動(dòng)軌跡，實(shí)現(xiàn)對(duì)奶牛跛行進(jìn)行自動(dòng)監(jiān)測(cè)。該方法對(duì)跛行檢測(cè)準(zhǔn)確率為93.3%，跛行程度分類準(zhǔn)確率為77.8%。Jiang 等[52]對(duì)奶牛側(cè)面行走視頻幀進(jìn)行處理，首先提取奶牛背部位置坐標(biāo)，同時(shí)將奶牛與圖像背景分離并獲得奶牛的像素區(qū)域，之后將二者結(jié)合提取奶牛的背部曲率數(shù)據(jù)，最后，采用噪聲+雙向長(zhǎng)短期記憶模型預(yù)測(cè)曲率數(shù)據(jù)，匹配奶牛跛行的曲率特征，對(duì)奶牛跛行進(jìn)行分類和檢測(cè)，平均準(zhǔn)確率為96.61%。

在實(shí)際應(yīng)用中，基于熱成像的跛行檢測(cè)實(shí)施條件較為苛刻，測(cè)量時(shí)需保證奶牛蹄部清潔干燥，且該方法易受環(huán)境溫度的影響;而基于機(jī)器視覺(jué)的監(jiān)測(cè)方法，通常需要將攝像機(jī)安裝于過(guò)道位置，對(duì)奶牛蹄肢的檢測(cè)易受欄桿遮擋等因素的影響，且當(dāng)奶牛發(fā)生先早期跛行時(shí)，由于其特征并不明顯，識(shí)別難度較大。

3奶牛運(yùn)動(dòng)行為監(jiān)測(cè)產(chǎn)業(yè)發(fā)展現(xiàn)狀

由于傳感器技術(shù)的較早普及，國(guó)內(nèi)外對(duì)接觸式奶牛行為監(jiān)測(cè)設(shè)備的研究起步較早，并取得了一系列成果。因此現(xiàn)有商業(yè)產(chǎn)品大多為接觸監(jiān)測(cè)設(shè)備，如以色列阿菲金（ Afimilk ）公司的腳環(huán)計(jì)步器 AfiActll Tag 、項(xiàng)圈計(jì)步器 AfiCollar ，安樂(lè)福公司的電子耳標(biāo)，COWLAR 公司的智能項(xiàng)圈等（圖4）。

以色列的阿菲金公司是全球較為領(lǐng)先的牧場(chǎng)信息化管理方案供應(yīng)商，公司旗下產(chǎn)品腳環(huán)計(jì)步器 AfiActll Tag內(nèi)部包含3D加速螺旋傳感器和計(jì)時(shí)器，可收集活動(dòng)量、躺臥時(shí)間和起臥次數(shù)等數(shù)據(jù)，然后將收集到的數(shù)據(jù)按設(shè)定時(shí)間傳送到終端設(shè)備，經(jīng)軟件處理可得出發(fā)情等事件，此外，計(jì)步器還可通過(guò)相關(guān)數(shù)據(jù)監(jiān)控奶牛舒適度，進(jìn)行產(chǎn)犢預(yù)警，牛號(hào)識(shí)別等[81]。

美國(guó)的 COWLAR公司研發(fā)出一款智能項(xiàng)圈，該項(xiàng)圈可監(jiān)測(cè)牛只的體溫、活動(dòng)量、反芻、步數(shù)等數(shù)據(jù)，經(jīng)路由器中轉(zhuǎn)，通過(guò)蜂窩連接傳遞至服務(wù)器，利用機(jī)器學(xué)習(xí)、大數(shù)據(jù)等技術(shù)分析采集到的數(shù)據(jù)，監(jiān)測(cè)牛只健康狀況，并自動(dòng)將相關(guān)信息及建議發(fā)送至農(nóng)戶的智能手機(jī)上[82]。

對(duì)于散養(yǎng)牧場(chǎng)，為提高草場(chǎng)利用效率，常常會(huì)進(jìn)行條區(qū)輪牧，因此放牧區(qū)域的劃定至關(guān)重要。新西蘭的 Gallagher 公司研發(fā)出一款eShep ‐herd頸帶，可通過(guò)全球定位系統(tǒng)實(shí)時(shí)定位牛只位置，農(nóng)場(chǎng)主只需在終端設(shè)備繪出虛擬圍欄，牛只在靠近區(qū)域邊界時(shí)，頸帶便會(huì)發(fā)出提示音或電刺激迫使其返回[83]。研究發(fā)現(xiàn)，牛只通過(guò)一段時(shí)間的刺激訓(xùn)練，便會(huì)習(xí)慣該虛擬圍欄系統(tǒng)[84]。

表3列舉了國(guó)外部分知名牧場(chǎng)自動(dòng)化設(shè)備供應(yīng)商及其產(chǎn)品，可以看出，歐美等畜牧業(yè)發(fā)達(dá)國(guó)家的牧場(chǎng)自動(dòng)化設(shè)備產(chǎn)業(yè)體系較為成熟，相關(guān)企業(yè)已將大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)、AI 芯片、機(jī)器人等技術(shù)應(yīng)用到“智慧牧場(chǎng)”的建設(shè)中，研發(fā)了包括智慧牧場(chǎng)管理系統(tǒng)、精準(zhǔn)飼喂系統(tǒng)、畜牧健康監(jiān)測(cè)系統(tǒng)、智慧擠奶系統(tǒng)、生鮮奶保存運(yùn)輸系統(tǒng)、養(yǎng)殖環(huán)控系統(tǒng)等在內(nèi)的眾多牧場(chǎng)解決方案，促進(jìn)了精準(zhǔn)畜牧業(yè)的發(fā)展。同時(shí)也發(fā)現(xiàn)近年來(lái)學(xué)界所研究的非接觸式奶牛行為監(jiān)測(cè)方法尚未在商業(yè)產(chǎn)品中大規(guī)模應(yīng)用，因此存在著較大的發(fā)展空間。通過(guò)幾十年的發(fā)展，中國(guó)畜牧業(yè)水平已有長(zhǎng)足的進(jìn)步，但較畜牧業(yè)發(fā)達(dá)國(guó)家尚有一定差距，國(guó)內(nèi)牧場(chǎng)自動(dòng)化設(shè)備供應(yīng)商也相對(duì)較少，因此國(guó)內(nèi)牧場(chǎng)監(jiān)測(cè)管理設(shè)備大多依靠進(jìn)口。

4監(jiān)測(cè)方法局限性與技術(shù)趨勢(shì)

國(guó)內(nèi)外研究者對(duì)奶牛運(yùn)動(dòng)行為智能監(jiān)測(cè)的研究已經(jīng)證明了利用傳感器、視頻圖像等技術(shù)進(jìn)行奶牛運(yùn)動(dòng)行為監(jiān)測(cè)的有效性。然而現(xiàn)有技術(shù)大多停留在實(shí)驗(yàn)室階段，成熟的商業(yè)產(chǎn)品較少，且各方法也有其局限性。

4.1接觸式監(jiān)測(cè)方法的局限性

接觸式監(jiān)測(cè)設(shè)備是最先商業(yè)化應(yīng)用的奶牛監(jiān)測(cè)設(shè)備，隨著實(shí)際推廣逐漸發(fā)現(xiàn)一些問(wèn)題。

（1） 現(xiàn)有的接觸式奶牛行為監(jiān)測(cè)設(shè)備主要包括項(xiàng)圈、腳環(huán)和電子耳標(biāo)等，該類設(shè)備主要依靠高精度傳感器，成本較高且安裝較為困難。以腳環(huán)計(jì)步器為例，其在安裝時(shí)步驟較為繁瑣，且對(duì)佩戴位置及松緊程度均有較高要求;奶牛佩戴后，需人工進(jìn)行定期巡視，若計(jì)步器滑落到牛蹄小腳趾以下，需剪下重新佩戴[78]。對(duì)于大型牧場(chǎng)，其安裝與維護(hù)會(huì)對(duì)人力物力帶來(lái)較大挑戰(zhàn)。

（2） 作為外來(lái)設(shè)備，接觸式監(jiān)測(cè)設(shè)備往往會(huì)對(duì)奶牛舒適度帶來(lái)影響。例如，頭胎牛處在生長(zhǎng)期時(shí)，牛蹄會(huì)不斷長(zhǎng)粗，因此頭胎牛停奶時(shí)，必須將計(jì)步器剪下，以免將牛蹄勒腫[78]。當(dāng)計(jì)步器綁帶與牛蹄縫隙間充滿雜物時(shí)，也易對(duì)牛蹄造成磨損，導(dǎo)致奶牛跛行。因此，接觸式監(jiān)測(cè)設(shè)備在使用和維護(hù)的過(guò)程中，易引起奶牛的應(yīng)激反應(yīng)，輕則導(dǎo)致行為記錄準(zhǔn)確性下降，重則使奶牛發(fā)生疾病。

（3） 奶牛養(yǎng)殖場(chǎng)中的污物相對(duì)較多，糞便和草料的堆積往往會(huì)對(duì)接觸式設(shè)備造成影響，由于設(shè)備長(zhǎng)期暴露在較為惡劣的環(huán)境下，奶牛日常活動(dòng)對(duì)設(shè)備的劃傷、水分滲入和天氣變化等因素都會(huì)造成傳感器損壞，影響其使用壽命。

（4） 當(dāng)前接觸式設(shè)備往往功能單一，大多只能監(jiān)測(cè)奶牛一種生理指標(biāo)或運(yùn)動(dòng)行為，若對(duì)多種行為進(jìn)行監(jiān)測(cè)，需佩戴多種不同功能的傳感器，不符合實(shí)際養(yǎng)殖情況。

4.2非接觸式監(jiān)測(cè)方法的局限性

非接觸式奶牛行為監(jiān)測(cè)設(shè)備安裝簡(jiǎn)單、不易引起奶牛應(yīng)激行為，是未來(lái)奶牛行為監(jiān)測(cè)的主要發(fā)展方向，引起越來(lái)越多研究者的關(guān)注，且隨著大數(shù)據(jù)及硬件加速設(shè)備的發(fā)展，基于計(jì)算機(jī)視覺(jué)的奶牛行為識(shí)別方法也相繼被提出。但由于發(fā)展時(shí)間較短，存在如下問(wèn)題與挑戰(zhàn)。

（1） 相較于工業(yè)界的流水線作業(yè)，基于視覺(jué)的行為識(shí)別在農(nóng)業(yè)、畜牧業(yè)中會(huì)遇到更多的挑戰(zhàn)，復(fù)雜光照、天氣變化等環(huán)境問(wèn)題以及同類遮擋與干擾、自身運(yùn)動(dòng)等因素均會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生影響。宋懷波等[43]利用視頻對(duì)奶牛呼吸行為進(jìn)行監(jiān)測(cè)，發(fā)現(xiàn)奶牛在受到遮擋和自身劇烈運(yùn)動(dòng)等影響下，監(jiān)測(cè)結(jié)果準(zhǔn)確率有所降低。

（2） 在數(shù)據(jù)獲取與處理方面，基于傳統(tǒng)圖像的奶牛行為識(shí)別方法需要對(duì)特征進(jìn)行人工提取，效率較低且識(shí)別準(zhǔn)確率不高;基于深度學(xué)習(xí)技術(shù)的奶牛行為識(shí)別則需要大量數(shù)據(jù)，且數(shù)據(jù)集的質(zhì)量會(huì)直接影響模型準(zhǔn)確率，因此對(duì)高質(zhì)量數(shù)據(jù)集的采集及準(zhǔn)確標(biāo)注需投入大量人力;對(duì)于基于計(jì)算機(jī)視覺(jué)的奶牛運(yùn)動(dòng)評(píng)分系統(tǒng)，標(biāo)注受主觀影響較大，也會(huì)導(dǎo)致自動(dòng)評(píng)分結(jié)果的準(zhǔn)確率降低[85]。

（3） 目前基于計(jì)算機(jī)視覺(jué)的奶牛行為識(shí)別方法尚處于實(shí)驗(yàn)室階段，部分算法僅對(duì)所研究的特定環(huán)境有效，不具有通用性，魯棒性和精確度也有待提高。

4.3技術(shù)趨勢(shì)

奶牛運(yùn)動(dòng)行為的智能化監(jiān)測(cè)是精準(zhǔn)養(yǎng)殖的關(guān)鍵，不論是接觸式監(jiān)測(cè)方法還是非接觸式監(jiān)測(cè)方法，對(duì)提高奶牛福利、提升養(yǎng)殖效率、減少養(yǎng)殖場(chǎng)損失都具有重要意義。針對(duì)上述所提出的問(wèn)題，未來(lái)研究方向應(yīng)聚焦于以下方面。

（1） 接觸式監(jiān)測(cè)設(shè)備小型化、集成化。針對(duì)接觸式傳感器設(shè)備，應(yīng)向小型化、輕量化、功能集成化方向發(fā)展，同時(shí)由于現(xiàn)代化養(yǎng)殖場(chǎng)規(guī)模較大，還需考慮制造成本與使用壽命等問(wèn)題。但作為接觸式設(shè)備，奶牛對(duì)其的應(yīng)激反應(yīng)還需進(jìn)一步研究。

（2） 提高計(jì)算機(jī)視覺(jué)技術(shù)的魯棒性。針對(duì)基于計(jì)算機(jī)視覺(jué)的奶牛行為識(shí)別，現(xiàn)有算法在實(shí)驗(yàn)室條件下運(yùn)行效果尚可，但是對(duì)于實(shí)際養(yǎng)殖環(huán)境，其魯棒性、精確性還需提高;對(duì)于一些特殊場(chǎng)景，還需將算法部署到邊緣計(jì)算設(shè)備，算法輕量化是其研究的重點(diǎn)。

（3） 利用有限設(shè)備進(jìn)行多目標(biāo)監(jiān)測(cè)。目前利用視頻圖像的方法對(duì)奶牛采食、反芻、呼吸和跛足等行為的研究大多還停留在單目標(biāo)監(jiān)測(cè)，成本較高，如何利用有限的監(jiān)控設(shè)備對(duì)更多奶牛進(jìn)行監(jiān)測(cè)，是未來(lái)需要考慮的問(wèn)題之一。

（4） 推動(dòng)技術(shù)落地。商業(yè)化應(yīng)用中，不僅需要實(shí)現(xiàn)對(duì)奶牛行為的準(zhǔn)確監(jiān)測(cè)，還需要對(duì)奶牛個(gè)體身份進(jìn)行精準(zhǔn)識(shí)別，對(duì)于行為異常的奶牛需要進(jìn)行跟蹤并產(chǎn)生警報(bào)信息。可見(jiàn)，奶牛行為識(shí)別只是實(shí)際應(yīng)用的一環(huán)，只有將各項(xiàng)技術(shù)有機(jī)結(jié)合，形成閉環(huán)的管理系統(tǒng)，才能真正將奶牛行為智能監(jiān)測(cè)技術(shù)市場(chǎng)化。同時(shí)，由于新興產(chǎn)業(yè)的發(fā)展前期投入較大，因此在技術(shù)落地的同時(shí)還需控制成本，避免為了“落地”而“落地”，需保證在滿足商業(yè)功能的前提下實(shí)現(xiàn)效益最大化。

隨著社會(huì)的發(fā)展，世界農(nóng)業(yè)就業(yè)人口總體呈下降趨勢(shì)，農(nóng)業(yè)勞動(dòng)力老齡化問(wèn)題愈發(fā)突出，其中以中國(guó)最為明顯。中國(guó)畜牧養(yǎng)殖業(yè)雖然已經(jīng)初步形成規(guī)模化、集約化生產(chǎn)，但較畜牧業(yè)發(fā)達(dá)國(guó)家仍有很大差距。實(shí)現(xiàn)低成本、多功能、小型化動(dòng)物信息采集及診療，研發(fā)替代人工作業(yè)的畜牧機(jī)器人，設(shè)計(jì)多生產(chǎn)環(huán)節(jié)、設(shè)備、系統(tǒng)間數(shù)據(jù)的實(shí)時(shí)采集、動(dòng)態(tài)匯聚、全面共享、信息高度融合分析及決策、系統(tǒng)調(diào)控，仍然面臨諸多問(wèn)題。將物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能以及智能裝備與機(jī)器人等關(guān)鍵技術(shù)相結(jié)合，實(shí)現(xiàn)更透徹的信息感知、更深入的智能調(diào)控、更全面的互聯(lián)互通是未來(lái)智慧畜牧業(yè)發(fā)展的核心，是促進(jìn)中國(guó)由畜牧業(yè)大國(guó)向畜牧業(yè)強(qiáng)國(guó)轉(zhuǎn)變的關(guān)鍵。

參考文獻(xiàn)：

[1] 中國(guó)奶業(yè)協(xié)會(huì).中國(guó)奶業(yè)改革開放30年[J].中國(guó)奶牛， 2009（1）：5-10.

[2] 焦宏， 雷少斐.2022年我國(guó)奶業(yè)成本與供需形勢(shì)預(yù)測(cè)——保證生產(chǎn)者利益是中國(guó)奶業(yè)穩(wěn)定的基石[EB/OL].（2021-12-30）[2022-02-15]. http：//www. farmer. com. cn/2021/12/30/99885647.html

[3] 劉亞清 ， 王加啟.2021中國(guó)奶業(yè)質(zhì)量報(bào)告[M].北京：中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社， 2021.

[4] 李彥軍， 趙曉靜， 翟文棟， 等.看奶牛異常行為診斷牛病[J].中國(guó)奶牛， 2011（9）：38-40.

LI Y， ZHAO X， ZHAI W， et al. Diagnosis of bovine disease by" observing" the" abnormal behavior" of dairy cows[J]. China Dairy Cattle， 2011（9）：38-40.

[5] 王曉鵬， 斯琴巴特， 吐日跟白乙拉.奶牛躺臥行為的研究進(jìn)展[J].當(dāng)代畜禽養(yǎng)殖業(yè)， 2017（5）：3-5.

[6] LUCY M C. Reproductive loss in high-producing dairycattle： where will it end？[J]. Journal of Dairy Science， 2001， 84（6）：1277-1293.

[7] POLSKY L， KEYSERLINGK M V. Invited review： Ef‐fects of heat stress on dairy cattle welfare[J]. Journal of Dairy Science， 2017， 100（11）：8645-8657.

[8] 邵大富.奶牛反芻行為變化規(guī)律及其影響因素的相關(guān)性研究[D].長(zhǎng)春：吉林大學(xué)， 2015.

SHAO" D. Researches" on" variation" of the rumination and its influencing factors in lactating cows[D]. Chang‐ chun： Jilin University， 2015.

[9] 李小杉 ， 楊豐利.奶牛肢蹄病對(duì)繁殖性能的影響[J].中國(guó)畜牧獸醫(yī)， 2014， 41（5）：248-251.

LI X， YANG F. Effect of lameness on reproductive per‐ormance" in" dairy" cows[J]. China Animal" Husbandryamp; Veterinary Medicine， 2014， 41（5）：248-251.

[10]何東健， 劉冬， 趙凱旋.精準(zhǔn)畜牧業(yè)中動(dòng)物信息智能感知與行為檢測(cè)研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào) ， 2016，47（5）：231-244.

HE" D，" LIU" D， ZHAO" K. Review" of perceiving" ani‐mal" information" and" behavior" in" precision" livestockfarming[J]. Transactions" of the" CSAM， 2016， 47（5）：231-244.

[11]滕光輝.畜禽設(shè)施精細(xì)養(yǎng)殖中信息感知與環(huán)境調(diào)控綜述[J].智慧農(nóng)業(yè)（中英文）， 2019， 1（3）：1-12.

TENG G. Information" sensing" and" environment" con‐trol" of precision" facility" livestock" and" poultry" farm ‐ing[J]. Smart Agriculture， 2019， 1（3）：1-12.

[12]尹令， 劉財(cái)興， 洪添勝， 等.基于無(wú)線傳感器網(wǎng)絡(luò)的奶牛行為特征監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2010，26（3）：203-208， 388.

YIN L， LIU C， HONG T， et al. Design of system formonitoring dairy cattle's behavioral features based onwireless sensor networks[J]. Transactions of the CSAE，2010， 26（3）：203-208， 388.

[13] WANG J， HE Z， ZHENG G， et al. Development andvalidation of an ensemble classifier for real-time recog‐nition of cow behavior patterns from accelerometer da‐ta" and" location" data[J]. PLoS" ONE， 2018， 13（9）： IDe0203546.

[14] HOANG Q T， PHUNG C P K， BUI T N， et al. Cow be‐havior monitoring using" a multidimensional" accelera‐tion sensor and multiclass SVM[J]. International Jour‐nal of Machine Learning and Networked CollaborativeEngineering， 2018， 2（3）：110-118.

[15] BALASSO P， MARCHESINI G， UGHELINI N， et al.Machine" learning" to" detect" posture" and" behavior" indairy cows： Information from an accelerometer on theanimal's left flank[J]. Animals， 2021， 11（10）： ID 2972.

[16] WANG J， ZHANG Y， WANG J， et al. Using machine-learning technique" for" estrus" onset" detection" in" dairycows from acceleration and location data acquired by aneck-tag[J]." Biosystems" Engineering，" 2022，" 214：193-206.

[17] SHEN W， CHENG F， ZHANG Y， et al. Automatic rec‐ognition" of ingestive-related behaviors" of dairy" cowsbased on triaxial acceleration[J]. Information Process‐ing in Agriculture， 2019， 7（3）：427-443.

[18] IQBAL M W， DRAGANOVA I， MOREL P C，" et" al.Validation of an accelerometer sensor-based collar formonitoring grazing and rumination behaviours in graz‐ing dairy cows[J]. Animals， 2021， 11（9）： ID 2724.

[19] HALADJIAN" J，" HODAIE" Z，" NüSKE" S，" et" al. Gaitanomaly detection in dairy cattle[C]// ACI 2017： Pro‐ceedings of the Fourth International Conference on An‐imal-Computer Interaction. New York， USA： Associa‐tion for Computing Machinery， 2017：1-8.

[20]蔣曉新， 鄧雙義， 劉煒， 等.運(yùn)用計(jì)步器對(duì)北方地區(qū)荷斯坦奶牛妊娠后期活動(dòng)量進(jìn)行控制的研究[J].黑龍江畜牧獸醫(yī)， 2014（17）：102-104.

JIANG X， DENG S， LIU W， et al. Study on controlling the activity of Holstein cows in the late pregnancy in northern China by pedometer[J]. Heilongjiang Animal Science and Veterinary Medicine， 2014（17）：102-104.

[21]蔣曉新， 魏星遠(yuǎn)， 鄧雙義， 等.計(jì)步器監(jiān)測(cè)荷斯坦奶牛蹄病的效果[J].江蘇農(nóng)業(yè)科學(xué)， 2014， 42（2）：178-180.

JIANG X， WEI X， DENG S， et al. Effect of pedometer monitoring hoof disease" in" Holstein" cows[J]. Jiangsu Agricultural Sciences， 2014， 42（2）：178-180.

[22]譚益， 何東健， 郭陽(yáng)陽(yáng)， 等.基于 Storm的奶牛發(fā)情實(shí)時(shí)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào) ， 2018， 20（12）：83-90.

TAN Y， HE D， GUO Y， et al. Design and implementa‐ tion" of" real-time" monitoring" system" for" cow" estrus based on storm[J]. Journal of Agricultural Science and Technology， 2018， 20（12）：83-90.

[23] TANEJA M， BYABAZAIRE J， JALODIA N， et al. Ma‐chine learning based fog computing assisted data-driv‐ en approach for early lameness detection in dairy cat‐ tle[J]. Computers and Electronics in Agriculture， 2020， 171： ID 105286.

[24] EIGENBERG R， HAHN G， NIENABER J， et al. Devel‐opment of a new respiration rate monitor for cattle[J]. Transactions of the ASAE， 2000， 43（3）：723-728.

[25] STRUTZKE S， FISKE D， HOFFMANN G， et al. De‐velopment of a noninvasive respiration rate sensor for cattle[J]. Journal" of" Dairy" Science， 2018， 102（1）：690-695.

[26] BRAUN U， TR?SCH L， NYDEGGER F， et al. Evalua‐tion of eating and rumination behaviour in cows using a" noseband" pressure" sensor[J]. BMCnbsp; Veterinary" Re‐ search， 2013， 9（1）：1-8.

[27] PAHL C， HARTUNG E， GROTHMANN A， et al. Suit‐ability of feeding and chewing time for estimation of feed" intake" in" dairy" cows[J]. Animal， 2016， 10（9）：1507-1512.

[28]楊麗娟， 張永， 劉德環(huán)， 等.基于壓力分布測(cè)量系統(tǒng)的奶牛跛行早期識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào) ， 2016， 47（S1）：426-432.

YANG L， ZHANG Y， LIU D， et al. Early recognition for dairy cow lameness based on pressure distribution measurement" system[J]. Transactions" of" the" CSAM， 2016， 47（S1）：426-432.

[29]劉忠超， 何東健.奶牛陰道植入式電阻傳感器與無(wú)線監(jiān)測(cè)系統(tǒng)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào) ， 2019， 50（11）：175-185.

LIU Z， HE D. Research of implantable sensor and wire‐ less monitoring system for cow's vaginal resistance[J]. Transactions of the CSAM， 2019， 50（11）：175-185.

[30] 田富洋， 王冉冉， 劉莫塵， 等.基于神經(jīng)網(wǎng)絡(luò)的奶牛發(fā)情行為辨識(shí)與預(yù)測(cè)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào) ， 2013， 44（S1）：277-281.

TIAN F， WANG R， LIU M， et al. Oestrus detection andprediction in dairy cows based on neural networks[J].Transactions of the CSAM， 2013， 44（S1）：277-281.

[31] CHELOTTI J O， VANRELL S R， RAU L， et al. An on‐line" method" for "estimating" grazing" and" ruminationbouts using acoustic signals in grazing cattle[J]. Com ‐puters" and" Electronics" in Agriculture， 2020， 173： ID105443.

[32] MILAN H， MAIA A， GEBREMEDHIN K G. Techni‐cal note： Device for measuring respiration rate of cattleunder" field" conditions[J]. Journal" of Animal" Science，2016， 94（12）：5434-5438.

[33]趙凱旋， 何東健， 王恩澤.基于視頻分析的奶牛呼吸頻率與異常檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（10）：258-263.

ZHAO K， HE D， WANG E. Detection of breathing rateand abnormity of dairy cattle based on video analysis[J].Transactions of the CSAM， 2014， 45（10）：258-263.

[34] TSAI D M， HUANG C Y. A motion and image analy‐sis method for automatic detection of estrus and mat‐ing behavior in cattle[J]. Computers and Electronics inAgriculture， 2014， 104：25-31.

[35] ZHAO K， HE D. Real-time automatic classification oflameness in" dairy" cattle based on movement analysiswith" image" processing" technique[C]//2014 ASABEand" CSBE/SCGAB" Annual" International" Meeting.Montreal， Quebec Canada： ASABE， 2014.

[36]何東健， 孟凡昌， 趙凱旋， 等.基于視頻分析的犢牛基本行為識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016， 47（9）：294-300.

HE D， MENG F， ZHAO K， et al. Recognition of calfbasic" behaviors" based" on" video" analysis[J]. Transac‐tions of the CSAM， 2016， 47（9）：294-300.

[37]顧靜秋， 王志海， 高榮華， 等.基于融合圖像與運(yùn)動(dòng)量的奶牛行為識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（6）：145-151.

GU J， WANG Z， GAO R， et al. Recognition method ofcow behavior based on combination of image and ac‐tivities[J]. Transactions" of" the" CSAM， 2017， 48（6）：145-151.

[38] CHEN Y，" HE" D，" FU Y，" et" al. Intelligent" monitoringmethod of cow ruminant behavior based on video anal‐ysis technology[J]. International Journal of Agricultur‐al and Biological Engineering， 2017， 10（5）：194-202.

[39]溫長(zhǎng)吉， 張金鳳， 李卓識(shí)， 等.改進(jìn)稀疏超完備詞典方法識(shí)別奶牛跛足行為[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2018， 34（18）：219-227.

WEN C， ZHANG J， LI Z， et al. Behavior recognitionof lameness in" dairy" cattle by improved" sparse" over‐complete" dictionary" method[J]. Transactions" of" theCSAE， 2018， 34（18）：219-227.

[40]宋懷波， 牛滿堂， 姬存慧， 等.基于視頻分析的多目標(biāo)奶牛反芻行為監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2018， 34（18）：211-218.

SONG H， NIU M， JI C， et al. Monitoring of multi-tar‐ get" cow" ruminant" behavior" based" on" video" analysis technology[J]. Transactions" of" the" CSAE， 2018， 34（18）：211-218.

[41]宋懷波， 姜波， 吳倩， 等.基于頭頸部輪廓擬合直線斜率特征的奶牛跛行檢測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2018， 34（15）：190-199.

SONG H， JIANG B， WU Q， et al. Detection of dairy cow" lameness" based" on" fitting" line" slope" feature" of head" and neck" outline[J]. Transactions" of the" CSAE， 2018， 34（15）：190-199.

[42] GUO Y，" ZHANG" Z，" HE" D，" et" al. Detection" of cowmounting behavior using region geometry and optical flow" characteristics[J]. Computers" and" Electronics" in Agriculture， 2019， 163： ID 104828.

[43]宋懷波， 吳頔華， 陰旭強(qiáng)， 等.基于 Lucas-Kanade稀疏光流算法的奶牛呼吸行為檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2019， 35（17）：215-224.

SONG H， WU D， YIN X， et al. Respiratory behavior detection of cow based on Lucas-Kanade sparse optical flow algorithm[J]. Transactions of the CSAE， 2019， 35（17）：215-224.

[44]康熙， 張旭東， 劉剛， 等.基于機(jī)器視覺(jué)的跛行奶牛牛蹄定位方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（S1）：276-282.

KANG X， ZHANG X， LIU G， et al. Hoof location meth‐ od of lame dairy cows based on machine vision[J]. Trans‐ actions of the CSAM， 2019， 50（S1）：276-282.

[45]謝忠紅， 劉悅怡， 宋子陽(yáng)， 等.基于時(shí)序運(yùn)動(dòng)特征的奶牛爬跨行為識(shí)別研究[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào) ， 2021， 44（01）：194-200.

XIE Z， LIU Y， SONG Z， et al. Research on recognition of crawling behavior of cows based on temporal mo‐ tion" features[J]. Journal" of Nanjing Agricultural Uni‐ versity， 2021， 44（01）：194-200.

[46]劉忠超， 何東健.基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛發(fā)情行為識(shí)別方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（7）：186-193.

LIU Z， HE D. Recognition method of cow estrus be‐ havior" based" on" convolutional" neural" network[J]. Transactions of the CSAM， 2019， 50（7）：186-193.

[47] WU D， YIN X， JIANG B， et al. Detection of the respi‐ratory rate of standing cows by combining the Deeplab V3+ semantic" segmentation" model" with" the" phase- based" video" magnification" algorithm[J]. Biosystems Engineering， 2020， 192：72-89.

[48] WU D， WANG Y， HAN M， et al. Using a CNN-LSTMfor basic behaviors detection of a single dairy cow in a complex environment[J]. Computers and Electronics in Agriculture， 2021， 182： ID 106016.

[49]王少華， 何東健.基于改進(jìn) YOLOv3模型的奶牛發(fā)情行為識(shí)別研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào) ， 2021， 52（7）：141-150.

WANG S， HE D. Estrus behavior recognition of dairycows based on improved YOLOv3 model[J]. Transac‐tions of the CSAM， 2021， 52（7）：141-150.

[50] MA S， ZHANG Q， LI T， et al. Basic motion behaviorrecognition" of" single" dairy" cow" based" on" improvedRexnet 3D network[J]. Computers" and Electronics" inAgriculture， 2022， 194： ID 106772.

[51] QIAO Y， GUO Y， YU K， et al. C3D-ConvLSTM basedcow behaviour classification using video data for preci‐sion" livestock" farming[J]. Computers" and" Electronicsin Agriculture， 2022， 193： ID 106650.

[52] JIANG B， SONG H， WANG H， et al. Dairy cow lame‐ness detection using a back curvature feature[J].Comput‐ers and Electronics inAgriculture， 2022， 194：ID 106729.

[53] PASTELL M， KAIHILAHTI J， AISLA A M， et al. Asystem for contact-free measurement of respiration rateof dairy cows[C]//3rd European conference on Preci‐sion" Livestock" Farming （ECPLF）. Wageningen，" TheNetherlands： Wageningen Academic Publishers， 2007：105-109.

[54] CHUNG Y， LEE J， OH S， et al. Automatic detection ofcow's" oestrus" in" audio" surveillance" system[J]. Asian-Australasian Journal of Animal Sciences， 2013， 26（7）：1030-1037.

[55] JORQUERA-CHAVEZ" M，" FUENTES" S，" DUNSHEAF R， et al. Modelling and validation of computer visiontechniques" to" assess heart rate，" eye" temperature，" ear-base temperature and respiration rate in cattle[J]. Ani‐mals， 2019， 9（12）： ID 1089.

[56]曹斌斌 ， 郭棟 ， 劉李萍 ， 等.奶牛躺臥行為簡(jiǎn)要分析[J].中國(guó)奶牛， 2020（9）：10-12.

CAO B， GUO D， LIU L， et al. Brief analysis of lyingdown behavior" of dairy" cows[J]. China Dairy" Cattle，2020（9）：10-12.

[57]陰旭強(qiáng).基于深度學(xué)習(xí)的奶牛基本運(yùn)動(dòng)行為識(shí)別方法研究[D].楊凌：西北農(nóng)林科技大學(xué)， 2021.

YIN" X. Basic" motion" behavior" recognition" of dairycows based on deep learning[D]. Yangling： NorthwestAamp;F University， 2021.

[58]潘予琮， 王慧， 熊本海， 等.發(fā)情監(jiān)測(cè)系統(tǒng)在奶牛養(yǎng)殖數(shù)字化管理中的應(yīng)用[J].動(dòng)物營(yíng)養(yǎng)學(xué)報(bào)， 2020， 32（6）：2500-2506.

PAN Y， WANG H， XIONG B， et al. Application of es‐trus monitoring system in digital management of dairycows[J]. Chinese Journal of Animal Nutrition， 2020， 32（6）：2500-2506.

[59]劉忠超， 翟天嵩， 何東健.精準(zhǔn)養(yǎng)殖中奶牛個(gè)體信息監(jiān)測(cè)研究現(xiàn)狀及進(jìn)展[J].黑龍江畜牧獸醫(yī)， 2019（13）：30-33， 38.

LIU Z， ZHAI T， HE D. Research status and progress ofindividual information monitoring of dairy cows in pre‐cision" breeding[J]. Heilongjiang Animal" Science" andVeterinary Medicine.2019（13）：30-33， 38.

[60]沈明霞， 劉龍申， 閆麗， 等.畜禽養(yǎng)殖個(gè)體信息監(jiān)測(cè)技術(shù)研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（10）：245-251.

SHEN M， LIU L， YAN L，" et" al. Review" of monitor‐ ing" technology" for" animal" individual" in" animal" hus‐ bandry[J]. Transactions" of the" CSAM， 2014， 45（10）：245-251.

[61]王少華.基于視頻分析和深度學(xué)習(xí)的奶牛爬跨行為檢測(cè)方法研究[D].楊凌：西北農(nóng)林科技大學(xué)， 2021.

WANG S. Detection methods of cow mounting behav‐ ior based on video analysis and deep learning[D]. Yan‐ gling： Northwest Aamp;F University， 2021.

[62] GODY?" D，" HERBUT" P，" ANGRECKA" S. Measure‐ments of peripheral and deep body temperature in cattle —A review[J]. Journal of Thermal Biology， 2019， 79：42-49.

[63] YEON S C， JEON J H， HOUPT K A， et al. Acousticfeatures of vocalizations of Korean native" cows （Bos taurus" coreanea） in" two" different" conditions[J]. Ap‐ plied Animal Behaviour Science， 2006， 101（1-2）：1-9.

[64] MWAANGA E" S， JANOWSKI T. Anoestrus in dairy

cows： Causes， prevalence and clinical forms[J]. Repro‐ duction in Domestic Animals， 2000， 35（5）：193-200.

[65]崔永國(guó).奶牛正常生理指標(biāo)與檢查方法[J].養(yǎng)殖技術(shù)顧問(wèn)， 2013（5）：18.

[66] RAMENDRA D， LALRENGPUII S， NISHANT V， etal. Impact of heat stress on health and performance of dairy animals： A review[J]. Veterinary World， 2016， 9（3）：260-268.

[67] DE RENSIS F， GARCIA-ISPIERTO I， LóPEZ-GATI‐US F. Seasonal heat" stress： Clinical" implications" and hormone treatments" for the" fertility" of dairy" cows[J]. Theriogenology， 2015， 84（5）：659-666.

[68]吳頔華.基于視頻分析的奶牛呼吸行為檢測(cè)方法研究[D].楊凌：西北農(nóng)林科技大學(xué)， 2021.

WU D. Detection of dairy cow's respiratory behavior based on video analysis[D]. Yangling： Northwest Aamp;F University， 2021.

[69]何孟寧.奶牛數(shù)字化管理的關(guān)鍵技術(shù)研究[D].濟(jì)南：山東大學(xué)， 2015.

HE" M. The" key" technology" of digital" cow" manage‐ ment[D]. Jinan： Shandong University， 2015.

[70] BERTONI G， TREVISI E， HAN X， et al. Effects of in‐ flammatory conditions on liver activity in puerperium pe‐ riod and consequences for performance in dairy cows[J]. Journal of Dairy Science， 2008， 91（9）： 3300-3310.

[71]鄢新義， 董剛輝， 徐偉， 等.北京地區(qū)奶牛反芻與活動(dòng)量影響因素分析[J].畜牧獸醫(yī)學(xué)報(bào) ， 2016， 47（5）：955-961.

YAN X， DONG G， XU W， et al. Analysis of influence factors on cow's rumination and activity in Beijing[J]. Acta" Veterinaria" et" Zootechnica" Sinica， 2016， 47（5）：955-961.

[72]王奎， 武佩， 宣傳忠， 等.放牧家畜牧食信息監(jiān)測(cè)的研究進(jìn)展[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2020， 43（3）：403-413.

WANG K， WU P， XUAN C， et al. Progress in monitor‐ing the grazing information of livestock[J]. Journal ofNanjing Agricultural University， 2020， 43（3）：403-413.

[73]宋懷波， 李通， 姜波， 等.基于 Horn-Schunck光流法的多目標(biāo)反芻奶牛嘴部自動(dòng)監(jiān)測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào) ，2018， 34（10）：163-171.

SONG H， LI T， JIANG B， et al. Automatic detection ofmulti-target ruminate cow mouths based on Horn-Sc‐hunck" optical" flow" algorithm[J]. Transactions" of theCSAE， 2018， 34（10）：163-171.

[74] BEZEN R， EDAN Y， HALACHMI I. Computer visionsystem for measuring individual cow feed intake usingRGB-D camera and deep learning algorithms[J]. Com ‐puters" and" Electronics" in Agriculture， 2020， 172： ID105345.

[75] HUXLEY J N. Impact of lameness and claw lesions incows on health and production[J]. Livestock" Science，2013， 156（1-3）：64-70.

[76]韓書慶， 張晶， 程國(guó)棟， 等.奶牛跛行自動(dòng)識(shí)別技術(shù)研究現(xiàn)狀與挑戰(zhàn)[J].智慧農(nóng)業(yè)（中英文）， 2020， 2（3）：21-36.

HAN S， ZHANG J， CHENG G， et al. Current state andchallenges" of" automatic" lameness" detection" in" dairycattle[J]. Smart Agriculture， 2020， 2（3）：21-36.

[77]嚴(yán)作廷， 王東升， 張世棟， 等.奶牛肢蹄病綜合防治技術(shù)[J].獸醫(yī)導(dǎo)刊， 2013（1）：35-37.

YAN Z， WANG D， ZHANG S， et al. Integrated preven‐tion and treatment technology of cow limb and foot dis‐ease[J]. Veterinary Orientation， 2013（1）：35-37.

[78]阿菲金市場(chǎng)部.智能腳環(huán)丨一篇文章帶您讀懂計(jì)步器的佩戴和維護(hù)[EB/OL].（2022-03-31）[2022-04-15]. https：//mp. weixin. qq. com/s/XTYfJedt1cJn3DUz‐tIFXZA

[79] ALSAAOD M， SCHAEFER A L， BüSCHER W， et al.The" role" of infrared" thermography" as" a" non-invasivetool for the detection of lameness in cattle[J]. Sensors，2015， 15（6）：14513-14525.

[80] WOOD S， LIN Y， KNOWLES T， et al. Infrared ther‐mometry" for" lesion" monitoring" in" cattle" lameness[J].Veterinary Record， 2015， 176（12）： ID 308.

[81]阿菲金市場(chǎng)部.智能穿戴|阿菲金智能腳環(huán)計(jì)步器[EB/OL]. （2022-04-07） [2022.05.20]. https：//mp.weixin.qq.com/s/fziyakK-LKBXSqaQKQquew

[82]何鵬.農(nóng)業(yè)黑科技 ， 讓你更懂牲畜的心情[EB/OL].（2018-06-04）[2022-05-20]. https：//mp. weixin. qq. com/s/u7d_GSU0602AQtWYPK04cA

[83]王雪涵， 陸少游.放牛娃時(shí)代已然過(guò)去，讓 AI幫你養(yǎng)奶牛|智周報(bào)告核心版[EB/OL].（2019-11-18）[2022.05.20]. https：//mp. weixin. qq. com/s/5s4QG4GT1hbdKQs7jE12PA

[84] AQUILANI C， CONFESSORE A， BOZZI R， et al. Re‐view： Precision livestock farming technologies in pas‐ture-based" livestock" systems[J]. Animal， 2022， 16（1）：ID 100429.

[85] HERTEM TVAN， VIAZZI" S，" STEENSELS M，" et" al.Automatic" lameness" detection" based" on" consecutive3D-video" recordings[J]." Biosystems" Engineering，2014， 119：108-116.

Research Progress and Technology Trend of Intelligent Morning of Dairy Cow Motion Behavior

WANG Zheng1，2，3 ， SONG Huaibo1，2，3* WANG Yunfei1，2，3 ， HUA Zhixin1，2，3 ，LI Rong1，2，3 ， XU Xingshi1，2，3 ，

（1. College of Mechanical and Electronic Engineering， Northwest Aamp;F University， Yangling 712100， China;

2. Key Laboratory of Agricultural Internet of Things， Ministry of Agriculture and Rural Affairs， Yangling 712100，China;

3. Shaanxi Key Laboratory of Agricultural Information Perception and Intelligent Service， Yangling 712100，China）

Abstract： The motion behavior of dairy cows contains much of health information. The application of information and intelli‐ gent technology will help farms grasp the health status of dairy cows in time and improve breeding efficiency. In this paper， the development trend of intelligent morning technology of cow's motion behavior was mainly analyzed. Firstly， on the basis of ex‐ pounding the significance of monitoring the basic motion （lying， walking， standing）， oestrus， breathing， rumination and limping of dairy cows， the necessity of behavior monitoring of dairy cows was introduced. Secondly， the current research status was summarized from contact monitoring methods and non-contact monitoring methods in chronological order. The principle and achievements of related research were introduced in detail and classified. It is found that the current contact monitoring methods mainly rely on acceleration sensors， pedometers and pressure sensors， while the non-contact monitoring methods mainly rely on video images， including traditional video image analysis and video image analysis based on deep learning. Then， the develop‐ ment status of cow behavior monitoring industry was analyzed， and the main businesses and mainstream products of representa‐ tive livestock farm automation equipment suppliers were listed. Industry giants， such as Afimilk and DeLaval， as well as their products such as intelligent collar （AfiCollar）， pedometer （AfiActll Tag） and automatic milking equipment （VMS? V300） were introduced. After that， the problems and challenges of current contact and non-contact monitoring methods of dairy cow motion behavior were put forward. The current intelligent monitoring methods of dairy cows' motion behavior are mainly wearable de‐ vices， but they have some disadvantages， such as bring stress to dairy cows and are difficult to install and maintain. Although the non-contact monitoring methods based on video image analysis technology does not bring stress to dairy cows and is low cost， the relevant research is still in its infancy ， and there is still a certain distance from commercial use. Finally， the future de‐ velopment directions of relevant key technologies were prospected， including miniaturization and integration of wearable moni‐ toring equipment， improving the robustness of computer vision technology， multi-target monitoring with limited equipment and promoting technology industrialization.

Key words： dairy cows; motion behavior; health condition; intelligent monitoring; smart animal husbandry