簡單總結：
精準養殖(PLF)的首要目的是為有確定性點嚴重問題提供性價比更高的直接解決方案。PLF中的一些數據收集技術（例如RFID）很精確，但對于中小型農場來說是負擔不起的。
另一方面，與精密養豬業中的其他傳感器系統相比，攝像頭傳感器價格便宜、普遍可用且易于用于收集信息。攝像頭能夠以低成本實現對豬的高精度監控。然而，關于攝像頭在養豬生產中的應用的針對性信息的缺乏帶來了一些應用限制。這篇綜述詳述3D成像系統（即深度傳感器和飛行時間相機）以及用于有效識別豬行為的2D相機的最新技術，在監測和調查豬喂食、飲水的自動化方法、睡覺、移動、攻擊性和生殖行為方面的應用。此外，該綜述總結了相關文獻并指出了為未來研究人員探索開辟新維度的局限性。
1. 引言
1.1 精準養殖應用的關鍵驅動因素
根據經濟專家的預測，到2050年，世界人口將接近100億，比目前人口多23%。此外，根據統計報告，由于傳統農業實現的糧食產量較低，要養活額外的30億人口將出現相當大的缺口。由于全球每年消費3.5億噸肉類，需要大幅提高肉類產量，減少土地使用，以避免未來幾十年的饑餓。豬肉是總消費量第二大的肉類，雞肉、豬肉和牛肉加起來占全球肉類產量的92%。因此，有必要采用更先進的方法提高產量，如精準畜牧業(PLF)，而不是傳統的耕作方法，如不受控制的環境/小氣候、粗獷式畜牧業。
在本世紀20年代，一些國家實行傳統方法，雇傭人來看管動物，這樣成本頗高。動物的健康和福利仍然是農場的首要目標。雖然人員飼養大多數豬場能夠負擔，但人員飼養只是依靠觀察，這樣可能會錯過關鍵指標。
例如，動物的體溫是監測繁殖重要指標，溫度調節是維持動物動態平衡的重要途徑。通常測量直腸溫度表示動物體溫，包括心率、呼吸速度等指標，這些方法是需要工作量，但技術發展可以減少這些工作量。當嘗試使用技術而不是傳統方法來測量溫度時，可以使用溫度傳感耳標(也可以用來檢測熱應力)、可穿戴和植入式設備、熱成像相機、紅外傳感器等，但到目前為止相應的方式有限，因此沒有在文獻中進行全面討論。
在20世紀80年代中期，像PLF這樣復雜的農業戰略是科學文獻中討論的一個主要話題。在發展中國家，PLF被認為是不可能的。在科技使用率創歷史新高的本世紀，發展中國家超過50%的農民已經能夠使用互聯網，而不僅僅是智能手機。此外，由于負擔得起的傳感器、執行器、微處理器、基于物聯網的監控系統和大數據分析等先進技術的出現，PLF自適應近年來取得了進展。2020年，全球精準畜牧市場的價值為31億美元，預計到2025年將以9.0%的綜合年增長率增長到48億美元。近年來，由于環境對仔豬的影響，以及生長期更頻繁發生的熱應激、呼吸問題等健康問題，豬的PLF需求一直很高，因為生命的每個階段的死亡率都在增加。因此，為了提高養豬的生產成績，我們需要在每一個階段都進行精準監測。此外，消費者還要求在食品生產中為母豬和仔豬有更好的養殖環境。許多研究已經回顧了傳統和精密農業的對比，現在為大家一一列舉：
效率--通過減少浪費來可持續地利用資源(可使用攝像機、流量計、飼料秤等監測飼料和水的攝入量和浪費)。
早期疾病檢測--借助軟件使用攝像機診斷活動變化，使用環境參數(通過攝像機、加速計、紅外傳感器等評估熱應力)進行疾病檢測，以及改善動物福利(咬尾巴、打架等)。
環境管理-保護動物免受環境應激源的影響(PLF可以調節環境應激源，如溫度、濕度、氣流、通風等)。
動物的工作量可以減少，或者它們可能會因為圍欄內的人類活動而受到外部壓力。
信息和個體監測-可視化(可通過收集飼料攝入量和豬的體重數據來計算飼養效率[17-19]；體表溫度數據可用于跟蹤熱應激)。所有的數據，包括身體運動、表現、生物信息、聲型屬性等，用于檢測豬群和個體的特征。
1.2 綜述目標：
PLF的目的是肯定地為嚴重的問題提供負擔得起的、直接的解決方案；一些傳感器系統(如RFID)是準確的，但對于中小型農場來說是負擔不起的。此外，因為PLF對設備、技術有一定的要求，因此許多豬場不愿使用PLF。另一方面，與豬舍中的其他傳感器系統相比，攝像頭傳感器很常見，可以很容易地收集信息數據。豬具有攻擊性和對新事物的好奇心，其他豬可能會咬/弄壞傳感器。但目前為止，雖然已經出現了幾項識別、跟蹤和分類行為，并嘗試使用2D/3D相機早期檢測豬的疾病，行業內關于攝像頭傳感器的相關信息仍然較少，這是一個很致命的缺陷。
2 攝像頭在精準養殖中應用簡介
圖像采集是任何基于圖像的分析的第一步，可以定義為通過攝像機捕獲數字信息。在過去的二十年里，通過從圖像中提取信息，圖像被用來改善動物的福利。CCD攝像機可以捕捉物體的二維(2D)彩色圖像，可用于進一步分析。這些圖像以數字形式給出關于顏色(RGB)、紋理、形狀、寬度、高度、像素值等的信息。通過使用圖像處理技術，RGB色帶(紅、綠和藍)還可以生成灰色、色調、飽和度和強度因子。像素值可以與豬的實時測量相關聯，以開發一個簡單的程序來找出豬的長度，而不需要測量另一頭豬的長度。同樣，使用2D圖像可以很容易地利用圖像處理技術找到豬的體重、周長、身高和其他身體信息。
使用深度傳感器構建3D圖像的方法成本更低也更容易操作，但是光、背景噪聲等外部因素的波動會導致深度傳感器的相對誤差。盡管很可能會收集到帶有噪聲的數據，但可以通過校準和預處理技術來解決這一問題。最近的研究是使用深度信息來構建3D圖像，然后將這些圖像用于面部識別、活動識別和其他類型的形態學識別。
3 豬的識別
3.1 豬臉識別
豬的識別由來已久，諸如夾耳、割耳、貼耳標記、微芯片、電子識別裝置(EID)以及在豬皮上編號或標記等技術。射頻識別器(RFID)是識別豬的常用設備。RFID是帶編號的耳標的高級版本，無源電子標簽由射頻識別器(RFID)組成，它通過微芯片和盤繞銅天線向讀取器發出信號。低頻(低頻：125千赫或134.2千赫)、高頻(高頻：13.56兆赫)和超高頻(超高頻：860至960兆赫)是射頻識別系統的三個主要頻率范圍。盡管RFID具有結構簡單、成本低和可靠的身份識別相關性等優點，但下列情況會造成識別失?。?/span>
范圍：RFID 的范圍有限（即使是遠距離閱讀器也規定最大距離為 120 厘米），在此范圍內標簽可以被激活并成功讀取。另外，不能同時讀取多個標簽；因此，數據可能不可靠，因為豬很頑皮并且聚在一起。
可讀性：由于磨損、破損和弄臟等原因，耳標 RFID 可能變得難以辨認 。
丟失：打斗或玩耍時耳朵撕裂可能導致標簽丟失。這是可能的，因為豬舍有金屬物體；此外，豬還喜歡玩塑料制品。此外，RFID 標簽經常暴露在污垢、灰塵和水分過多的惡劣環境中，并且它們必須在極熱和極冷的環境中發揮作用，從 -30℃到 70℃。
福利：RFID 應用不當可能會導致感染或耳朵損傷。此外，耳標通常都反復使用，這增加了感染的可能性。
RFID在識別動物方面的局限性已經通過使用攝像頭面部識別來克服。借助人臉識別技術，豬臉識別技術也獲得突破，譬如通過豬眼區域，鼻子，皺紋和歐幾里德距離等特征數據完成識別。Hansen等通過使用fisher面部，VGG面部模型和deep-CNN算法證明了豬面部識別，最終準確度為96.7%。同樣，Marsot等利用深CNN模型識別豬臉。Marsot等人已經證明，這種面部識別模型不受年齡的限制；此外，他們可以在拍攝照片或視頻一個月后識別面部。其他研究人員使用深CNN模型在農場一級識別10-16頭豬，使用2D圖像在不到1秒（每幅圖像0.002秒）的時間內準確率超過90%。
3.2 活重檢測
活體重量對于豬和雞的飼養管理至關重要。研究表明，一頭豬的飼料成本是總生產成本的75%或更多。定期監測豬的體重能更好的優化成本，因為食物攝入量和體重增加是線性相關的，借此能夠發現飼喂不足或過度飼喂的問題，同時也可以對評估繁殖質量和生長率、繁殖期、飼料轉化率和疾病發生率的指標做出評估。此外，損益帳目可以使用與當前市場狀況相關的實際權重進行評估。
最初，豬的體重是全靠目測和手摸，后來采用稱重方式，但是費時費力。后來引起間接測量的一些方法，根據豬身體尺寸（長度和周長）估算體重，雖然存在一些不足，但也證明了形態和體重之間的相關性。譬如說測量了豬的身長(尾巴到肩胛骨)、腰圍、背部和肩部高度以及寬度(同一頭豬被捕獲的體重為30-80公斤)，錯誤率為6.2%，有人也使用CCD攝像頭來評估豬的身長、寬度(從肩胛骨到鼻子的長度，從尾巴到肩胛骨的長度，肩寬，中部寬度和背部寬度)和邊界面積來計算體重。當然這樣會存在弊端，CCD攝像頭是俯視測量，譬如豬的高度、周長等參數難以獲得，但經過技術迭代，目前已經解決，設置了新的參數如面積、凸起面積、周長、偏心率、長短軸長度和邊界檢測。通過邊界檢測、背景去除、灰度圖像轉換、頭部和尾部去除等預處理技術提取特征，并利用ANN和VQTAM對這些特征與體重進行相關分析。目前使用的3D深度攝像頭，通過傳感器收集深度、信息，通過處理使體重誤差縮小到0.374-4.6%。
3.3 生長模式及重量計算
通過體重測算，系統還能夠自動分析出整齊度、腿部特征、身體特征等，目前評定豬的質量、體積通常采用與活體稱重相同的形態學參數，以及脊椎、側肋等。細節如下：
1、消瘦-明顯檢測到肋骨和其他骨骼；
2、瘦-施壓時很容易檢測到肋骨和其他骨骼；
3、理想-施壓時幾乎檢測不到肋骨和其他骨骼；
4、脂肪-沒有檢測到肋骨和其他骨骼；
5、過度肥胖-沒有檢測到肋骨和其他骨骼。
此后，Condotti等人2018年的研究中，使用深度傳感器評估育肥豬質量，通過提取體型信息，最終準確率高達99%，而豬的體表是基于Yoshida和Kawasue的脊椎面積測量和周長建立的3D模型。Xtion傳感器是更為便捷的測定體系，通過紅外等方式，收集豬的體長、臀寬、臀高和胸圍等信息。
3.4 豬只的個體識別和跟蹤
先前，豬的個體識別信息主要是行為識別，包括攻擊性、姿勢和運動，或者是RFID耳標，但這花費不小。因此，通過人工智能技術將豬的個體識別，調整為一種通過攝像頭的視覺技術即可完成。
起初，該技術是通過2D攝像頭完成識別，后來升級為3D深度攝像機，通過形態學特征完成識別。至今，識別技術更為豐富，包括基于GMM的背景剔除、降噪、形態學識別、橢圓擬合、圖塊分割等等（這些技術并沒有一一搜索專有名詞）。
但是在識別過程當中，也會存在問題。最大的影響因素就是光。當豬場照明條件不足時，便很難找出豬與豬的區別，尤其是蒼蠅較多的場，鏡頭很容易被覆蓋住。目前識別較快的應為使用otsu法，對圖像進行分割識別，附帶YOLO9000，檢測時間為8.71ms。本研究使用了Otsu的閾值法進行圖像分割，并使用YOLO9000進行更快的檢測。該方法在訓練過程中使用混合光照圖像進行訓練，并成功驗證了95%的實時準確率；檢測單位時間為8.71ms/圖像，大大低于其他CNN技術。
4. 行為和動作檢測
4.1 姿勢檢測
有專家研究指出，豬每天有86%的時間在躺著，因此準確識別豬的臥姿非常關鍵。而溫度對豬只臥姿影響更大，通常室溫變化4℃，便能夠影響豬只，若變化超過8℃，則會產生顯著影響。我們評價豬對溫度的適應程度有一個專用名詞，熱舒適度。2008年，shao建立了實時姿態檢測模型，通過x、y坐標對視頻中豬的運動進行檢測，更合理的識別出豬的運動特征。后來，有人用橢圓擬合技術來定位豬，即通過橢圓的長短軸、方向、質心等橢圓參數，與豬的特征進行匹配。隨著這項技術模型的不斷迭代，準確率達到了94.2%，敏感度達到94.4%。當然，除了溫度，空間、昆蟲、地板類型、營養管理或者是輻射都會影響豬的姿勢。
4.2 運動與跛行
根據肉類協會專家統計，跛行每年造成經濟損失超過150萬美元，跛行的原因較多，地面、衛生、遺傳、營養等均為引起豬只跛行。其測定方式逐步發展，2D攝像頭、IR攝像頭、GOPRo以及網絡攝像頭。集原理也在不斷升級，由原先的像素計算、光流（OF）估測、到收集移動頻率的MIA技術。
此前，Stavrakakis研究了一種傳感器，用于評估豬的行走模式，但似乎并不完善。因為豬的運動會被溫度、身體狀態甚至是心理影響，因此對豬運動的研究還遠遠不足。
4.3 攻擊行為
打斗是群體動物的特性，一旦出現傷亡，很可能會影響豬群健康，這也是我們必須監控的一件事情。通常，我們會講攻擊行為分為以下兩類，一是就是鬧著玩（頭撞頭、頭撞身子、相互摩擦）；另一個就是真咬架（咬脖子、咬身體、咬耳朵）。
在Viazzi提出的算法中，只要豬接觸超過5s，就認定為攻擊，并生成運動歷史圖像（MHI），該算法通過對150張MHI分類后，判斷準確率為89%、敏感度為88.7%。后來應用人工神經網絡對豬只攻擊行為進行判斷，結果嚴重攻擊行為敏感度為96.1%，準確率為99.8%。
4.4 咬尾
咬尾是養豬業一個嚴重問題，至今也沒有一個準確的定論，呼聲最高的解釋就是缺乏營養物質。咬尾能夠降低生產成績來，這是由于傷口會導致豬只感染，同時疼痛會降低采食量，減緩生長。據統計，群體飼養的豬咬尾幾率約為70%。雖然斷尾在一定程度上減少了咬尾活動，但這也不是標準方案。有研究從文獻當中收集了4種咬尾前的明顯癥狀，具體如下：1、尾巴變尖；2、多動；3、好奇；4、害怕、好打架。
另外，有研究對豬欄使用俯視3D攝像機，分別采集尾部損傷、傷口新鮮度、尾部長度和腫脹幾個指標，預測尾巴姿態，但是精確性很差，因此，咬尾問題的智能識別還有很長的路要走。
4.5 采食和飲水解決方案
豬的飲、食息息相關?？梢酝ㄟ^RFID接收器進行識別。非營養性拜訪（NNV）主要是指豬來到飼喂區卻不吃料，這很可能會給其他豬一個錯誤的信號，導致其他豬爭先恐后的擠到飼喂區，造成損傷。因此，合理摸清豬的進食規律是很有必要的。有人對母豬的頭在料槽中上下移動頭部，便認定為在吃料，這對判斷豬的狀態準確性很高。
對于飲水也是一樣，也會存在NNV的情況。對于飲水采集，通過CCD攝像頭采集豬的視頻，通過圖像預處理，通過計算目標值，確定質心，采用橢圓擬合的方法，完成識別。
5 豬場水平的早期疾病預測
疾病早期預測是降低感染和死亡率的主要方法。2018年中國因為非瘟撲殺了2億頭豬，韓國撲殺了800萬頭豬，所以，疾病檢測對豬場健康至關重要。
一般來說，任何感染都會導致虛弱、發燒和精神懈怠。因此監測飲、食、睡眠和散步等活動非常重要，行為變化是跟蹤動物健康的一種方式。我們已經討論了識別和跟蹤豬的行為；另一個重要的指標是豬的體表或部位的溫度。由于大多數感染都會引起發燒，體溫波動是識別牛病毒性腹瀉(BVD)、鼠傷寒沙門氏菌感染、大腸桿菌感染等的簡單方法。
豬的體溫在身體的不同部位是不同的；每個部位，如眼睛、鼻子和腿，都有不同的正常溫度水平。利用紅外熱像儀圖像找出溫度是最近成為標準的一種成功的方法。此外，在24小時內給出活躍度評分，也能迅速識別受感染的豬，早期處理有助于緩解跛行。
豬沒有汗腺，因此使用IR熱呈現是測定體溫的有效方法。測定豬的體溫，主要包括耳后、背部、腰部、外陰、大腿外側、乳腺、眼部等。譬如生病前后的溫度變化發現病豬，嗜睡也是識別非瘟的一個有效辦法。
攝像頭能夠監控健康豬和發病豬，并使用相關指標進行判斷。分為4個階段：
非瘟消極（1-11天）、感染時間（12-15天）、qPCR檢測（16-18天）和臨床檢測（19-23天），并用光流法進行計算，分為感染前與感染后兩組進行識別判定，結果如何文中并未提到。
6. 攝像機傳感器的實時性挑戰與局限性探討
圖1：豬舍中用于識別、活動檢測和早期疾病檢測的攝像機傳感器（示意圖）
圖2：a:Hansen等人提出的面部識別系統。在2018年；
b:使用基于LabVIEW的雙目立體系統估計生豬體重。
c:使用點云數據測量和檢測豬的胸圍。
圖3. 攻擊相關運動像素的提取過程：(a)前紅外幀，(b)前深度幀，(c)后紅外幀，(d)后深度幀，(e)后減前深度幀，(f)前減后深度幀，(g)運動像素的提取結果，(h)二值化結果，以及(i)應用Chen創建的閾值設置后的攻擊相關運動像素的提取結果。
圖4. (A)伊斯蘭采集的對照、鼠傷寒沙門氏菌血清型和大腸桿菌感染豬的熱像；
(B)Nasirahmadi等人用Delaunay三角法識別豬的躺臥模式。
盡管技術進步很快，但任何技術都有局限性。與其他PLF技術類似，相機傳感器也有一些限制，這些限制影響了它們在豬場的實施。這些限制需要未來的研究人員來解決，以提高PLF的效率。本綜述中選擇的大部分研究是在大學、模型豬舍、實驗場、實驗室和研究所進行的。由于不同地區的環境和生態不同，這些研究中的基本事實有很大的不同。例如，8℃的室內溫度的變化對模式有很大影響。同樣，室內溫度在調節豬的體溫方面起著至關重要的作用，并會引起躺臥、進食和飲水行為的波動。
因此，模型和田間之間的差異是顯著的；如果在試驗場和實際的豬舍采用相同的系統，可能準確性就會出現波動。事實上，這些模型根據地區、國家、農場規模和品種的不同而有不同的精確度；因此，仍然缺乏全球模型的開發。此外，每個模型都應該得到區域遺傳學的驗證，因為每個物種及其表現都取決于遺傳、環境、區域氣候條件和食物。
即使研究人員開發了全球或區域模型，他們也需要數據來訓練算法；因此，豬場需要收集圖像數據來更新模型。在這種情況下，攝像頭應用需要強大的計算機、無線通信和互聯網；由于電信行業的商業政策，發展中國家的村莊仍在為電信接入而苦苦掙扎。
在大多數情況下，攝像機應該不斷地監控豬，標記異常行為。在這種情況下，監控系統應該生成許多數據點，但是數據量巨大，而且是史無前例的。例如，假設2D攝像機正在捕獲豬圈的視頻；如果5分鐘的視頻的文件大小為500兆字節(對于高分辨率攝像機，文件大小甚至更高)，這將在一天內產生141 GB的可視數據，每月大約產生4TB的可視數據。這大大增加了豬場的運營成本。當然，IRI或其他深度圖像比2D圖像需要更多的存儲空間。但是要知道，數據驅動的最佳決策有賴于計算機科學的先進發展。
我們需要通過對比研究，優化算法，更有效地利用攝像機數據。例如，YOLOV5是一種最新的機器學習技術，它重量輕，但識別能力強大；如果我們將其與其他型號進行比較，我們就會意識到YOLOV5是多么強大和快速。
總結
農業技術發展依賴國力、經濟實力與文化層次，尤其是研究人員與從業人員的知識差異，因此這并不會是中小型豬場的最佳選擇。就目前的發展來看，想要更好的普及，需要更少的傳感器、更實惠的價格、更準確的數據以及更簡單的操作。
(審核編輯: 豬豬俠)
