基于改进YOLO v5s的轻量级奶牛体况评分方法

奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-MCE)。首先,通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次,在MobileNetV3网络中融入坐标注意力机制(Coordinate attention,CA)构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络,在降低模型复杂度的同时,使得网络特征提取时更关注于牛尾区域的位置和空间信息,从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数,优化了目标边界框回归收敛速度,生成定位精准的预测边界框,进而提高了模型检测精度。试验结果表明,改进的YOLO v5s模型的检测精度为93.4%,召回率为85.5%,mAP@0.5为91.4%,计算量为2.0×109,模型内存占用量仅为2.28 MB。相较原始YOLO v5s模型,其计算量降低87.3%,模型内存占用量减少83.4%,在保证模型复杂度较低与实时性较高的情况下,实现了奶牛体况的高效评分。此外,改进的YOLO v5s模型的整体性能优于Faster R-CNN、SDD和YOLO v3目标检测模型。本研究为奶牛体况评分商业化提供理论基础和研究思路,为奶牛养殖业提供了智能化解决方案。

奶牛体况评分在规模化牛场中的应用浅析

目前,我国奶牛业处于快速发展时期,养殖方式不断地向规模化、集约化奶牛场转变。硬件条件的不断提升需要有与之能相匹配的“软实力”,即更加科学的营养管理技术,来提高奶牛的产奶性能、繁殖力和抗病能力,从而增加效益。奶牛体况评分(Body Condition Scoring,BCS)是衡量奶牛体能量以体脂储存的状况及奶牛能量平衡的一种方法,由Wildman等最早提出,而该指标与奶牛的健康、产奶性能和繁殖都有关系。BCS为5分制,1分表示过度消瘦,5分表示过度肥胖,而影响BCS的因素主要有生理和环境因素。在奶牛饲养的不同阶段,及时有效地进行体况评分,有助于了解奶牛的营养状况及饲养管理中存在的问题,以便及时采取有效措施加以解决,保证奶牛健康和生产性能的发挥。

核-主成分分析在奶牛体况自动评分中的应用

在奶牛体况自动评分领域的研究中还没有规范、统一的图像库和特征选取标准,评分准确率较低。针对上述奶牛体况自动评分研究的不足,提出了基于核-主成分分析(Kernel-PCA)的奶牛体况评分方法。首先利用霍夫变换(Hough Transform)提取奶牛尾部区域图像,然后利用图像分块去除奶牛表面的黑白花,最后采用核-主成分分析算法进行体况识别评分。实验结果表明,利用该方法能够制作一个科学、有效的奶牛体况评分图库,并且能够在一定误差范围内对奶牛体况进行自动评分。

全自动体况评分与人工评分的对比研究

体况评分是奶牛饲养管理中的一项非常实用的技术,可以用来衡量奶牛的能量储备,从而判断其胖瘦程度。分别使用利拉伐全自动体况评分系统和人工对国内试验牧场的同一牛群进行评分,通过数据分析对比两者在评分一致性和稳定性上的表现,为牧场的奶牛营养、繁殖、健康、是否淘汰等决策提供参考。

奶牛个体性状评价方法的应用研究

可把奶牛个体性状评价的方法分为三类:一是奶牛体尺参数测量,这是对奶牛体重估算的重要途径;二是奶牛线性性状评定,这是奶牛育种的重要参考标准之一;三是奶牛体况评分,这是衡量奶牛产奶量、牛奶品质和饲养与营养的重要参考因素。然后系统的对这三种方法的观测点和评价标准进行简明的表述,最后总结实际推广中遇到的困难,并提出下一步结合图像处理和机器视觉技术进行学科交叉的设想。