畜禽个体识别技术研究进展

畜禽个体识别是实现精细化管理、智慧化养殖的重要前提。耳切、耳纹和热铁烙印等是传统人工辨别畜禽个体的方法,存在效率低、个体应激性大等问题,基于无线射频技术的个体识别方法应激程度小,但存在价格昂贵、易脱落、续航时间短等问题。近年来,随着机器视觉与深度学习技术的快速发展,非接触式个体识别方法成为当前研究热点之一。本文在充分梳理现有畜禽个体识别方法的基础上,介绍了典型的接触式个体识别方法及存在的优缺点,并分别阐述了基于图像处理和基于深度学习的2种非接触式畜禽个体识别方法及优缺点,总结分析了在畜禽个体识别中关于深度学习模型、样本数据量及研究层面等存在的问题和改进策略,提出了相关建议,可为养殖管理人员提供理论依据和技术支撑。

基于VGG-ST模型的奶牛粪便形态分类方法研究

快速准确识别奶牛粪便形态,对于奶牛肠胃健康监测与精细管理具有重要意义。针对目前奶牛粪便识别人工依赖强、识别难度大等问题,提出了一种基于VGG-ST(VGG-Swin Transformer)模型的奶牛稀便、软便、硬便及正常粪便图像识别与分类方法。首先,以泌乳期荷斯坦奶牛粪便为研究对象,采集上述4种不同形态的粪便图像共879幅,利用翻转、旋转等图像增强操作扩充至5580幅作为本研究数据集;然后,分别选取Swin Transformer、AlexNet、ResNet-34、ShuffleNet和MobileNet 5种典型深度学习图像分类模型进行奶牛粪便形态分类研究,通过对比分析,确定Swin Transformer为最优基础分类模型;最后,融合VGG模型与Swin Transformer模型,构建了VGG-ST模型,其中,VGG模型获取奶牛粪便局部特征,同时Swin Transformer模型提取全局自注意力特征,特征融合后实现奶牛粪便图像分类。实验结果表明,Swin Transformer模型在测试集中分类准确率达85.9%,与ShuffleNet、ResNet-34、MobileNet、AlexNet模型相比分别提高1.8、4.0、12.8、23.4个百分点;VGG-ST模型分类准确率达89.5%,与原Swin Transformer模型相比提高3.6个百分点。该研究可为奶牛粪便形态自动筛查机器人研发提供方法参考。