基于头颈背部关键点的奶牛跛行检测

为实现奶牛跛行的自动检测,该研究鉴于跛行奶牛行走时,头部起伏较大且背部弓起的特点,提出了一种基于深度学习的奶牛头、颈、背部6个关键点的跛行检测算法。首先,在通道旁固定摄像头,采集奶牛行走的视频数据,利用YOLOv8n-seg实例分割算法将奶牛从图像中识别出来;其次,使用DeepLabCut算法提取视频帧序列中奶牛的头、颈、肩、背部中心、腰和尾部6个关键点坐标,对比分析实例分割得到的6种格式输入图像在MobileNet-V2和ResNet系列主干网络上的训练效果后,最终选择按目标检测框裁剪后的分割结果图和ResNet-152作为DeepLabCut算法的最佳输入和最优主干网络;最后,对比分析4种时间序列模型和FN-BiLSTM模型在奶牛跛行检测中的表现。试验结果表明,FNBiLSTM算法的性能最优,在包含16头奶牛16段视频的测试集上跛行识别的准确率达到了97.16%。研究表明,该算法可为养殖场奶牛跛行检测提供技术支持。

基于时空流特征融合的俯视视角下奶牛跛行自动检测方法

[目的/意义]奶牛跛行检测是规模化奶牛养殖过程中亟待解决的重要问题,现有方法的检测视角主要以侧视为主。然而,侧视视角存在着难以消除的遮挡问题。本研究主要解决侧视视角下存在的遮挡问题。[方法]提出一种基于时空流特征融合的俯视视角下奶牛跛行检测方法。首先,通过分析深度视频流中跛行奶牛在运动过程中的位姿变化,构建空间流特征图像序列。通过分析跛行奶牛行走时躯体前进和左右摇摆的瞬时速度,利用光流捕获奶牛运动的瞬时速度,构建时间流特征图像序列。将空间流与时间流特征图像组合构建时空流融合特征图像序列。其次,利用卷积块注意力模块(Convolutional Block Attention Module, CBAM)改进PP-TSMv2 (PaddlePaddle-Temporal Shift Module v2)视频动作分类网络,构建奶牛跛行检测模型Cow-TSM (Cow-Temporal Shift Module)。最后,分别在不同输入模态、不同注意力机制、不同视频动作分类网络和现有方法 4个方面对比,进行奶牛跛行实验,以探究所提出方法的优劣性。[结果和讨论]共采集处理了180段奶牛图像序列数据,跛行奶牛与非跛行奶牛视频段数比例为1∶1,所提出模型识别精度达到88.7%,模型大小为22 M,离线推理时间为0.046 s。与主流视频动作分类模型TSM、PP-TSM、PP-TSMv2、SlowFast和TimesFormer模型相比,综合表现最好。同时,以时空流融合特征图像作为输入时,识别精度分别比单时间模态与单空间模态分别提升12%与4.1%,证明本研究中模态融合的有效性。通过与通道注意力(Squeeze-and-Excitation, SE)、卷积核注意力(Selective Kernel, SK)、坐标注意力(Coordinate Attention, CA)与CBAM不同注意力机制进行消融实验,证明利用CBAM注意力机制构建奶牛跛行检测模型效果最佳。最后,与现有跛行检测方法进行对比,所提出的方法同时具有较好的性能和实用性。[结论]本研究能够避免侧视视角下检测跛行奶牛时出现的遮挡问题,对于减少奶牛跛行发生率、提高牧场经济效益具有重要意义,符合牧场规模化建设的需求。

基于计算机视觉的奶牛跛行识别技术研究进展

奶牛跛行严重降低奶牛福利及潜在产奶量,影响养殖场经济效益。准确高效识别奶牛跛行,有助于奶牛肢蹄病的及早发现与治疗,促进奶业的健康和可持续发展。人工观察法识别奶牛跛行存在识别效率低、成本高、主观性强等问题。计算机视觉技术可以通过无应激、无接触地采集奶牛行走视频数据,准确高效识别奶牛跛行。该研究从可见光相机、深度相机以及热红外相机3种视频采集手段出发,概述了当前奶牛跛行自动识别的主要研究方法、关键技术以及未来发展方向等,对比分析了各研究方法的优势和不足,指出个体差异性、跛行特征的优选以及早期跛行识别等需要重点关注的技术问题。同时,该研究从数据获取、技术研发和试验验证等方面,分析了奶牛跛行识别技术研究领域存在的主要问题及挑战,展望了未来奶牛跛行识别技术的研究重点和发展方向,为奶牛跛行的精准高效识别提供相关理论依据和技术参考。

基于热红外视频的奶牛跛行运动特征提取与检测

针对基于可见光视频的奶牛跛行检测系统易受光线、环境变化因素影响的问题,该研究提出了一种基于热红外视频的奶牛跛行运动特征获取与检测的方法。该研究利用深度学习与传统图像处理方法,分别对热红外相机与可见光相机所拍摄的奶牛行走视频进行了奶牛跛行运动特征的提取检测。通过检测结果分析可知,相较于可见光图像,算法对于热红外图像中的奶牛跛行运动特征检测效果更好、准确率更高并且热红外图像可以有效减少光线等外界因素对特征提取的影响,利用深度学习与传统图像处理对运动特征检测的平均精度达到了90.84%与74.26%。研究利用弓背曲率分别针对热红外视频与可见光视频中的行走奶牛进行跛行检测试验,试验结果表明,针对热红外视频中的奶牛跛行检测精度为90.0%,Macro-F1为0.90;针对可见光视频中的奶牛跛行检测精度为83.3%,Macro-F1为0.83。研究表明热红外相机应用于计算机视觉奶牛跛行检测系统可以更好的实现奶牛跛行运动特征获取与跛行检测,有效提高检测准确性与鲁棒性。

沙地牛舍、蹄溃疡、瘤胃酸度过大对奶牛跛行的影响研究

奶牛跛行仍然是世界范围内奶牛养殖中面临的一个重要的问题。这篇文章描述了一些导致这些差异的行为差别。特别是跛行奶牛在有垫子的自由牛舍内比在沙地牛舍内明显站立更长的时间。站立时间的长短反应出奶牛在躺下或重新站立起来过程中的困难程度。在未来设计牛舍时一定要考虑到给跛行奶牛提供一个可以维持正常奶牛活动模式的牛舍。

基于三维应力对跛行奶牛蹄部参数的提取

奶牛跛行广泛存在于养殖场中。它不仅影响奶牛的正常生理活动,使得奶牛淘汰率升高,而且人工检测会耗费大量的时间。研究中,提出利用地面三维应力测试系统对行走奶牛的支撑相自动识别,同时进行处理判断,从而获取前后蹄部各自完整的支撑相。所用的方法是基于时间和空间,并且结合四肢动物行走动力学支撑相的逻辑顺序收集压力中心(COP)轨迹点。这些COP的簇被识别为完整的或不完整的,且分别被分离为前蹄或后蹄。通过计算机自动识别程序获得前后蹄部完整的支撑相,并且提取主要的6个特征值。样本试验数据显示,该设计可用于奶牛的步态分析、跛行判断。这将实现牧场自动收集数据进行无人监督步态分析。