机器视觉技术在畜牧生产中的应用研究进展.pdf

第33卷第3期2023年9月信阳农林学院学报Journal of Xinyang Agriculture and Forestry UniversityVol.33 No.3Sep.2023机器视觉技术在畜牧生产中的应用研究进展沙学猛，易克传1*，陈舜1,任清长,陈艳艳，金齐林（1.安徽科技学院机械工程学院，安徽凤阳2 331 0 0；2.凤阳县小溪河农机管理中心站安徽凤阳2 331 0 0）摘要：随着生活水平的日益提升，人们对畜产品品质要求也越来越高。传统的畜牧养殖以人工为主，成本高并且难以保证产品质量。机器视觉是一项前沿的技术，能够以一种自动化的方式为畜禽提供优质的照料，提高生产质量和效率。本文介绍了机器视觉技术在畜牧生产中的应用原理，分析了机器视觉技术在畜牧生产中的应用研究现状，对机器视觉技术在畜牧生产中的发展方向进行了展望，以期为实现低成本、高品质的畜牧养殖提供参考。关键词：机器视觉；畜牧生产；自动化；品质；成本中图分类号：S818畜牧业为人们的日常生活提供大量的食品（肉、奶、蛋）和轻工业产品（毛、皮、丝），每年，超过6 0 0 亿只动物屠宰用于畜牧生产，人们对于畜产品的消耗不仅是量的增加，品质上也愈加重视1。目前对农场动物的照料由人工来完成，这种人工饲养的方式通常难以提供优质的畜产品。机器视觉（M a c h in e V is io n)是一项前沿的人工智能技术，它的加人使得人们对畜禽的日常照料更加简单高效。机器视觉能够对养殖动物进行全天候的监测，通过摄像机即可得到畜禽实时的体重、活动、饮食和健康等状况。机器视觉在畜牧领域的应用使得人工操作的密集型劳动实现了自动化管理，在保证产品质量的同时也极大限度降低养殖场的生产运营成本2-3。1机器视觉技术机器视觉是用摄影机代替人眼对目标进行识别、跟踪，旨在通过机器理解图像或视频中的内容。随着养殖业规模的扩大，传统的人工劳动已经很难满足畜牧业发展需要，机器视觉是一项最新的技术，通过视频监控即可完成多项动物监测任务4。机器视觉工作流程包括：图像获取、图像预处理、特征提取和目标检测，如图1 所示。文献标识码：A文章编号：2 0 95-8 97 8(2 0 2 3)0 3-0 1 0 2-0 6图像获取1.1图像获取机器视觉所用到的图像一般从视频监控中获取，可以是视频中某一顿的图像，也可以是一个视频段5。用于畜牧养殖的视频监控设备一般有CCD摄像机（2 D）、k in e c t 摄像机（3D）、I R T 摄像机（热成像）。CCD摄像机是畜牧养殖中广泛使用的监控设备，通常由单个或多个摄像机组成，使用简单且拍摄范围广泛，因此在农场中较多使用6 。kinect摄像机是一款3D相机，它能够感知物体和环境的深度，与2 D成像系统相比，深度图像可用于提取三维信息，能够更好地提取特征，在光线较暗或背景噜杂的养殖环境下，深度相机也有收稿日期：2 0 2 2 0 8 1 7基金项目：安徽省教育厅科学研究重点项目（KJ2019A0799）。作者简介：沙学猛（1 998 一），男，安徽阜阳人，硕士研究生，研究方向：畜牧机械。*通信作者：易克传（1 96 9一），男，安徽滁州人，教授，研究方向：农业机械。E一mail:。102图像分割图1 机器视觉工作流程图特征提取目标检测沙学猛，等：机器视觉技术在畜牧生产中的研究进展着更好的应用效果。IRT是一种热成像摄像机，通过接受物体发出的红外线来显示成像，Fuentes等7 在绵羊的视觉研究中，使用机器学习算法对农场和运输中的绵羊建模，通过IRT进行特征提取，成功测得了绵羊的皮肤温度、呼吸率和心率，这极大方便了人们对绵羊健康状况的掌握。1.2预处理和图像分割图像预处理指的是对图像进行去噪、增强、分割、增广，从而获得易于后续工作进行的图像。图像分割是一门重要的图像预处理技术，通过图像分割可以得到目标的轮廓外形，或者确定需要检测的目标区域8。图像分割是分析养殖动物体尺体重及行为姿势的基础，常用的图像分割方法有：基于阈值的分割、基于边缘的分割、基于光流的分割以及基于CNN的分割 。Kashihal101等人在分割猪的图像时，使用直方图均衡图像，二维高斯低通滤波器对图像进行滤波，OTSU法计算全局阈值，再进行固定阈值处理，最后得到追踪所需的猪轮廓。基于CNN的图像分割有语义分割、实例分割以及全景分割，三种分割方式都是像素级别分割。Jo-hannes1I等人在研究中成功使用实例分割技术精确分割并区分了个体猪只以及背景，与现有分割方法相比，实例分割能够提取更精确的信息。1.3特征提取和目标监测特征提取是学习目标所拥有的特征，包括颜色、纹理、形状以及CNN特征1 2。传统特征提取方式有SIFT特征、HOG特征以及Haar 特征等，随着深度学习的发展，CNN被广泛用于图像特征的提取1 3。CNN具有大规模图像的特征表示能力，相较于需要大量的手工标记传统特征提取方式，CNN给定标签即可自动学习。特征提取是进行目标检测的前提，基于所学习的特征对目标进行定位和分类，即为目标检测。传统目标检测由不同模块共同组成，如Cascade十HOG十SVM算法，Cascade选择目标区域，HOG提取特征，SVM进行特征分类，三者共同完成对目标的检测。基于CNN目标检测算法有R一CNN、Fa s t R 一CNN、YOLO、SSD 等，这些深度学习算法与传统算法工作方式类似，但拥有更加先进的检测能力1 4。Nasirahma-dil15等人为了解猪只的日常状况，使用基于区域的完全卷积网络R一FCN对猪只的站立、侧卧和俯卧姿势进行检测，特征图输入感兴趣区域（RoI)池后得到猪只位置及姿势，三种姿势平均检测准确度超过9 3%。2机器视觉技术在畜牧领域的应用2.1目目标追踪对养殖动物的监测涉及到疾病、生产和动物福利等多项问题。目前对养殖动物的监测通常由人来完成，然而过多的农场人员并不适合现代化商业养殖，面对大量的畜禽，工作人员也难以做到照料每只动物1 6。使用视觉系统进行追踪、监控，能够兼顾每只饲养动物，同时能够降低人为干扰及生产成本。Kashihal10 等人采用椭圆拟合的方法对猪只进行了追踪定位，并通过在猪背部绘制基本图案的方式实现了对猪只的个体识别，但他们的方法有着经典可见光相机的缺陷，有使用背景减法处理位图的困难，针对于此，Mittek17等人使用椭球拟合进行个体猪的跟踪。他们使用的深度相机更容易处理背景且更好区分相互接触的对象，而且能实现连续1 9.7 分钟跟踪，但跟踪目标遇到环境变换、遮挡等消失后，需手动初始化为跟踪器提供每只动物的起始位置和方向。Xiao18I等人提出基于DT一ACR的跟踪算法能够在各种环境下长时间跟踪个体猪只，失效后能够从新的位置附近继续跟踪，但是面对过多的猪只时，跟踪难以正常进行。以上这些传统检测算法的进行需要大量耗时的手工标记,Psota161等人使用完全卷积网络FCN对猪只进行检测，相较于传统检测算法，基于CNN的算法则可以根据标记自动学习。他们首先找到猪只相关身体部位，再将其相互关联形成完整的猪只，在测试环境中达到了9 9%的追踪率，在其他未经训练的光照条件下依然拥有 91%的准确率，该监测模型具有较强的鲁棒性。Zhang31 等人提出了一种数据基于 SSD的关联算法，将检测器和跟踪器耦合起来，在相当复杂的环境中（光波动、猪的外观相似、物体变形和遮挡)也能够很好地运行，而且遇到跟踪障碍可重新初始化跟踪，对个体猪的追踪识别准确率高达94.7%。夜间对于养殖动物的检测一直是个问题，即使使用深度相机也无法在夜间准确地检测到站立的猪只。Kim191等人专注于检测夜间站立的猪只，通过YOLO算法与时空插值技术的配合，以94.47%的准确率成功实现了夜间对站立猪只的监控。Hansen_201等人采用了一种基于CNN 的方法对猪脸进行个体识别，在任意的环境和姿势下都可取得很好的检测结果，准确率高达96.7%。这项技术需配合采用俯视视角才能应用:103:第3 3 卷第3 期于实际，但是为追踪监测提供了一个新的思路。表1 汇总了上述目标追踪算法使用的主要技术及准确率。成像系统CCD3DKinect2D2D,3D2D3DKinect2D2D2.2体尺体重测量体尺参数和体重经常被用作评估畜禽的生长性能、繁殖性能和疾病状况，这对生产中的产品质量和经济效益都起着至关重要的作用2 1。畜禽体尺参数包含体长、体宽、身高、胸围等，为了更加简便地获取这些参数，Tasdemir221等人设计一个分析软件(IA），该软件可以从原始数字图像中，以像素为单位对长度、面积等测量。他们手动测量奶牛的体尺参数并记录，随后从不同的方向对这些奶牛进行拍摄，将照片输人IA进行分析比较，从而确定IA图像系统的可行性。实验结果证明IA运行高速有效，也避免了人为测量中的困难，同时记录的数据自动存于系统，可用于未来的长期分析和统计研究。畜禽的运动会给体尺测量造成很大影响，深度相机则不易受到运动时伪影造成的影响。王等人2 1 通过两个视点捕捉场景中的点云并进行配准，采用随机样本一致性去除背景点云，欧氏聚类法提取前景猪点云，姿势归一化和形态约束进行身体测量，该方法可以在多个场景中实现猪只体宽、臀围以及身高等参数的获取。Pezzuolo23等人在研究中发现，畜禽的体尺与体重有着极强的相关性，他们提出了一种基于深度相机的体尺测量方法，同时建立起体尺与体重的回归方程。通过测量检验，视觉回归方程获取的畜禽动物体重误差小于0.5kg。张2 4等人基于多元输出回归CNN设计了一种猪体型和体重全自动快速估计模型，该模型适用于多种养殖场合中测量。CNN通过训练后，输人处理过后的图像便可以得到猪只的肩宽、臀宽、体重等六个参数，用于其他品种猪只测量时，只需收集少量数据对原始模型修改即可，同时该模型也适用于估计其他动物的体重和体型。针对于相互挤压遮挡的猪只，严2 5等人基于Faster一RCNN设计了一款新型体重估计模型，当猪只重叠面积小于30%时，输入俯视深度相机中的猪背便可以得到猪的体重，相对误差仅为0.374%，同时该系统可以识别定位猪只。Khin261等人采用结构光投影来获取猪的三维形状信息，这种方式获得的图像极少受到灰尘、泥土等环境信息的影响，系统运行时，猪只通过监测区域便可得到猪只的重量，在现实生产中取得良好的应用效果。2.3姿势判别畜禽的躺、站、卧等姿势可以表明群体的互动和生长状况，对动物姿势的分析需要耗费大量人力，或者易犯主观上的错误，同时人的存在会影响动物行为的改变，机器视觉则可以很好地解决这一问题2 7。任2 8 等人建立了一种绵羊站立和躺卧行为自动检测的三维机器视觉系统，该系统由多摄像头视频系统和软件共同组成。由于绵羊谷仓内没有足够的照明，他们通过检测红外视频中的前景和背景来提取绵羊的真实形状，利用多摄像头视频记录系统采集到绵羊的深度视频流，在HSV颜色空间中对红外图像进行处理，并通过值化将绵羊区域与背景分离。在立体摄影中，他们使用三角测量从两个“分离”相机之间的视差计算深度，以输出深度测量值；在激光投影仪的帮助下，相机进行3D扫描，以实现场景感知和增强摄影效果，通过对深度视频图像的深度信息进行阈值化，从而分离出绵羊的站立和躺卧行为。郑2 7 等人使用Kinect v2和Faster R一CNN识别了哺乳母猪的站、坐、胸卧、腹卧和侧卧五种姿势，在24h的监测中，他们还发现母猪一整天活动并不均匀。在喂食之前或之后，母猪会在围栏周围走动，而在中104:信阳农林学院学报表1 目标追踪汇总检测部位技术背部大津算法，椭圆拟合身体椭球拟合身体阈值分割,DT一ACR身体多部位FCN背部SSD身体YOLO900脸部CNN,SVM背部傅里叶变换2023年9 月准确率/%参考88.7Kashiha et al.,2013未知Mittek et al.,201787.3Xiao et al.,201991.0Posta et al.,201994.7Zhang et al.,201994.5Kim et al.,201796.7Hansen et al.,201889.7Sun et al.,2020沙学猛，等：机器视觉技术在畜牧生产中的研究进展午或晚上则会躺卧休息，躺卧休息发生在提前设计好的休息区域，饮水也发生在特定的饮水区域，母猪行为与区域设计之间存在某种特殊的关系。邵2 9 等人建立了世界上第一个人类注释猪姿势识别数据集，包括站立、侧卧等四种姿势。他们使用最新的YOLOv5算法识别个体猪只，通过语义分割提取猪的轮廓，最后用残差神经网络Resnet区分猪只的姿势，这种联合训练的方法在猪场猪姿势判别中取得了极好的效果，在实际的评估应用中具有较高的价值，联合训练也为相关动物的姿势识别提供了新的思路。2.4饮水饮食识别在动物生长过程中，合理的饮水饮食饲养对畜禽的健康发育以及疾病治疗都十分重要30。猪只饮水时有着特定的饮水姿态，谭31 等人使用图像二值化、大津算法等图像分割方式提取猪只饮水时的轮廓特征，采取轮廓拟合的方法进行识别，经检验，采用该种方法进行猪只饮水识别准确率高达93.75%。朱32 等人从视频片段中提取猪的多元特征，包括猪的背部面积、周长、臀部圆度等，进行了个体饮水猪只的识别。他们利用猪只和水槽之间距离，成功确定了正在饮水的猪只。杨33等人采用轮廓特征和手工背部字母的方式识别个体猪只，头部与料槽距离识别猪只饮食行为，再使用关联算法将猪只与饮食进行算法融合，从而做到精确识别个体猪的饮食行为。郭34等人将家禽饲养场布置为饮水区、进食区和休息区，鉴于肉鸡体型变换较快，他们采取生长期内多组肉鸡照片进行BP神经网络的训练，训练好的模型首先分析围栏中的鸡总数，然后量化它们在每个区域中的分布。BP模型监测结果与现实一致，该模型有着很好的识别特性，同时动物的行为与区域有着很强的联系。2.5攻击行为检测饲养过程中，猪之间相互攻击会导致受伤、皮肤感染甚至危及生命，从而造成猪只生长速度减缓、猪肉产量降低。因此,攻击行为被认为是现代生猪生产系统中最重要的健康、福利和经济问题之一。Viazzi35等人开发一种通过图像处理连续自动检测猪攻击行为的方法，该方法从运动历史图像的分割区域中提取两个特征，并基于此使用线性判别分析对攻击性互动行为进行分类，从而来区分猪只是否发生了攻击性行为。LeeE361等人开发了一套低成本、自动化的原型系统监测商业养猪场中的动物活动。系统使用Kinect深度传感器获取猪只相关的深度信息，检测和分类模块以分层方式使用两个二元分类器支持向量机，第一个向量机区分猪只攻击行为，第二个向量机将其区分为撞击和追逐两个攻击性子类型，当养猪场中发生攻击行为时，系统会将攻击情况通知农民。陈37 等人采用基于计算机视觉的方法自动识别群体饲养猪的攻击行为，根据攻击行为猪只的连续性和大比例粘附的特点，将攻击猪视为一个整体矩形，通过分析该矩形四边在相邻帧之间的位移变化，提取加速度特征，并采用层次聚类法计算其阈值，基于这一特征，设计了中、高级猪只攻击性的识别规则。陈等人对于畜禽攻击行为做了持续深入的研究。2 0 1 8 年，他们将猪头部和4个扭点的坐标用来建立猪攻击的动能模型，视频顿之间的动能差作为特征，从而进行猪中、高攻击性能的检测38。2 0 1 9年，他们结合顿到顿距离设置和帧差方法，通过设置连通区域阈值，去除非攻击行为引起的运动像素，经过滤波的运动像素的运动形状指数(MSI)作为特征，利用支持向量机对这些特征进行分类，以检测猪之间的攻击行为39。咬尾是全世界室内生猪生产者面临的一个重大福利和经济问题，它同样导致猪福利和猪生产盈利能力下降40。刘41 1 等人采用处理视频片段的方法来识别猪的咬尾行为，他们将卷积神经网络（CNN)和递归神经网络（RNN)相结合，提取时空特征对攻击行为进行分类，标记出猪之间发生的咬尾行为。3机器视觉在畜牧领域应用存在的问题及未来展望机器视觉在畜牧领域的技术更迭主要在克服四个问题，算法在不同环境的适应性、CNN训练所需要的标记用时、个体养殖动物的识别以及基于时空特征的行为检测。复杂多变的环境一直以来是机器视觉在养殖中所面临的问题，目标检测算法与机器视觉系统的突破升级在现实养殖中仍未达到预期的效果，复杂多变的环境需要适应性更广、鲁棒性更好的检测算法42-43。CNN具有强大特征提取能力，类属监督学习的一种，虽然不需要传统算法中大量的手工标记，但仍需对数据进行标记学习。无监督学习和半监督学习仅需要少量标记甚至不标记就可以训练算法模型，是机器视觉在畜牧生产中发展的方向4目标检测是指得到养殖动物的位置和类别，但不具体分辨是哪一只动物45。在以往的检测中，研究人:105:第33卷第3期员会结合一些其他手工标签协助识别个体动物，或者通过改造算法对少量动物进行个体识别，这远不足以满足现实中畜牧生产的需求，能够分辨大量个体养殖动物的目标检测算法是畜牧生产中所需要的。现阶段对于养殖动物行为的识别，主要以视频中某一帧的图像为基础，再通过特征或者区域来确定，行为本质是一个动态过程，通过完整的视频动作来判断更加准确。在人的行为识别中，基于时空特征的算法已经成为主流，这种算法能够同时提取目标外观特征和光流特征进行聚合，生成完整动作发生的光流特征描述，将人行为识别中的时空特征算法应用于蓄禽识别中对整个畜牧生产意义巨大。4总结机器视觉的加人为畜牧生产注入了新的力量，相较于传统的人工饲养，机器视觉对于畜禽的饮食、活动等状况的监测是全天候、自动化的，精细化饲养的同时也减少了人对动物生长的影响，这对产品的质量有着十分重要的保障。此外，机器视觉也极大程度地降低了高昂的人力成本以及传统饲养所带来的饲料浪费、攻击受伤、疾病感染等成本。本文着重介绍了机器视觉在畜牧生产中多方面的应用技术发展，伴随机器视觉技术的不断突破，畜牧生产必将迈人发展的快车道。参考文献：iJ Gasco L,Acuti G,Bani P,et al.Insect and fish by-products as sustainable alternatives to conventional animal proteins in animal nutri-tionJJ.Italian Journal of Animal Science,2020,19(1):360372.2Ojukwu CC,Feng Y,Jia G et al.Development of a computer vision system to detect inactivity in group-housed pigsJJ.InternationalJournal of Agricultural and Biological Engineering 2020,13(1):42-46.3Zhang L,Gray H,Ye X et al.Automatic individual pig detection and tracking in pig farmsJJ.Sensors,2019,19(5):1188.4McDonagh J,Tzimiropoulos G,Slinger KR et al.Detecting Dairy Cow Behavior Using Vision TechnologyJJ.Agriculture,2021,11(7):675.5D.W.Sun.Computer Vision Technology for Food Quality EvaluationMJ.London:Academic Press is an imprint of Elsevier,2016,3-43.6Arulmozhi E,Bhujel A,Moon B E,et al.The application of cameras in precision pig farming:An overview for swine-keeping profes-sionalsJJ.Animals,2021,11(8):2343.7Fuentes S,Gonzalez Viejo C,Chauhan SS et al.Non-invasive sheep biometrics obtained by computer vision algorithms and machinelearning modeling using integrated visible/infrared thermal camerasJJ.Sensors,2020,20(21):6334.8Wiley V,Lucas T,Computer vision and image processing:a paper review JJ.International Journal of Artificial Intelligence Research,2018,2(1):2936.9Minaee S,Boykov YY,Porikli F et al.Image segmentation using deep learning:A surveyJJ.IEEE transactions on pattern analysis andmachine intelligence,2021.10Kashiha M,Bahr C,Ott S et al.Automatic identification of marked pigs in a pen using image pattern recognitionEJJ.Computers and e-lectronics in agriculture,2013,93:111-120.11Tu S,Yuan W,Liang Y et al.Automatic Detection and Segmentation for Group-Housed Pigs Based on PigMS R-CNN JJ.Sensors,2021(9),21:3251.12Bhargava A,Bansal A.Fruits and vegetables quality evaluation using computer vision:A reviewJJ.Journal of King Saud University-Computer and Information Sciences,2021,33(3):243-257.13Tyagi A,Bansal S.Hybrid FiST_CNN approach for feature extraction for vision-based indian sign language recognitionJJ.Int.ArabJ.Inf.Technol.，2 0 2 2,1 9(3):40 341 1.14Liao X,Zeng X.Review of Target Detection Algorithm Based on Deep LearningC.Proceedings of the 2020 International Conferenceon Artificial Intelligence and Communication Technology(AICT 2020),Chongqing,China.2020:28-29.15Dai J,Li Y,He K,et al.R-fcn:Object detection via region-based fully convolutional networks JJ.Advances in neural informationprocessing systems,2016,29.16Psota ET,Mittek M,Perez LC et al.Multi-pig part detection and association with a fully-convolutional network JJ.Sensors,2019,19(4):852.17Mittek M,Psota ET,Carlson JD et al.Tracking of group-housed pigs using multi-ellipsoid expectation maximisationJJ.IET Com-puterVision,2018,12(2):121-128.1 8 Xiao D,Feng A,Liu J.Detection and tracking of pigs in natural environments based on video analysisJJ.International Journal of Agri-cultural and Biological Engineering,2019,12(4):116126.19Kim J,Chung Y,Choi Y et al.Depthbased detection of standingpigs in moving noise environmentsJ.Sensors,2017,17(12):2757.2 0 Hansen MF,Smith ML,Smith LN et al.Towards on-farm pig face recognition using convolutional neural networksJJ.Computers in106信阳农林学院学报2023年9 月(编辑：严佩峰）沙学猛，等：机器视觉技术在畜牧生产中的研究进展Industry,2018,98:145-152.21Wang K,Guo H,Ma Q et al.A portable and automatic Xtion-based measurement system for pig body sizeLJJ.Computers and elec-tronics in agriculture,2018,148:291-298.22Tasdemir S,Urkmez A,Inal S.Determination of body measurements on the Holstein cows using digital image analysis and estimationof live weight with regression analysis JJ.Computers and electronics in agriculture,2011,76(2):189-197.23Pezzuolo A,Guarino M,Sartori L et al.On-barn pig weight estimation based on body measurements by a Kinect vl depth cameraJJ.Computers and electronics in agriculture,2018,148:29-36.24Zhang J,Zhuang Y,Ji H,Teng G.Pig weight and body size estimation using a multiple output regression convolutional neural net-work:Afast and fully automatic methodLJJ.Sensors,2021,21(9):3218.25Cang Y,He H,Qiao Y.An intelligent pig weights estimate method based on deep learning in sow stall environmentsJJ.IEEE Access,2019,7:164867164875.26WIN KD,KAWASUE K,YOSHIDA K.Extraction of Pig Outline and Estimation of Body Weight by Detection of Multiple Lines Struc-tured Light Using Discrete Fourier TransformJJ.Engineering in Agriculture,Environment and Food,2020,13(3):81-88.27Zheng C,Zhu X,Yang X et al.Automatic recognition of lactating sow postures from depth images by deep learning detectorJJ.Com-puters and electronics in agriculture,2018,147:51-63.28Ren K,Jprgensen GH,Hansen I,Karlsson J.A 3d computer vision system for automatic detection of sheep standing and lying behaviour CJ.1oth International Livestock Environment Symposium(ILES X).American Society of Agricultural and Biological Engineers;2018:1.29Shao H,Pu J,Mu J.Pig-posture recognition based on computer vision:Dataset and explorationJJ.Animals,2021,11(5):1295.30Matthews SG,Miller AL,Clapp J et al.Early detection of health and welfare compromises through automated detection of behaviouralchanges in pigsZ.The Veterinary Journal,2016,217:43-51.31谭辉磊，朱伟兴基于轮廓的猪只饮水行为识别J.江苏农业科学2 0 1 8；46（1 5）：1 6 6 1 7 0.32Zhu W-x,Guo Y-z,Jiao P-p et al.Recognition and drinking behaviour analysis of individual pigs based on machine visionJJ.Live-stockScience,2017,205:129-136.33Yang Q,Xiao D,Lin S.Feeding behavior recognition for group-housed pigs with the Faster R-CNN JJ.Computers and electronicsinagriculture,2018,155:453460.34Guo Y,Chai L,Aggrey SE et al.A machine vision-based method for monitoring broiler chicken floor distributionJJ.Sensors,2o20,20(11):3179.35Viazzi S,Ismayilova G,Oczak M et al.Image feature extraction for classification of aggressive interactions among pigsLJJ.Computersand Electronics in Agriculture 2014;104:5762.36Lee J,Jin L,Park D,Chung Y.Automatic recognition of aggressive behavior in pigs using a kinect depth sensorLJJ.Sensors,2016,16(5):631.37Chen C,Zhu W,Ma C et al.Image motion feature extraction for recognition of aggressive behaviors among group-housed pigsLJJ.Computers and Electronics in Agriculture,2017,142:380387.38Chen C,Zhu W,Guo Y et al.A kinetic energy model based on machine vision for recognition of aggressive behaviours among group-housed pigsJ.Livestock Science,2018,218:70-78.39Chen C,Zhu W,Liu D et al.Detection of aggressive behaviours in pigs using a RealSence depth sensorLJJ.Computers and ElectronicsinAgriculture,2019,166:105003.40 DEath RB,Jack M,Futro A et al.Automatic early warning of tail biting in pigs:3D cameras can detect lowered tail posture before anoutbreakJJ.PloSone2018,13(4):e0194524.41Liu D,Oczak M,Maschat K et al.A computer vision-based method for spatial-temporal action recognition of tail-biting behaviouringroup-housed pigsJJ.Biosystems Engineering,2020,195:27-41.42Bello R-W,Talib AZ,Mohamed ASA et al.Image-based individual cow recognition using body patterns JJ.Image,2020,11(3):92-98.43Sun L,Zou Y,Li Y et al.Multi target pigs tracking loss correction algorithm based on Faster R-CNNEJJ.International Journal of Ag-ricultural and Biological Engineering,2018,11(5):192197.44Wutke M,Schmitt AO,Traulsen I,Gultas M.Investigation of Pig Activity Based on Video Data and Semi-Supervised Neural Net-worksJI.AgriEngineering，2 0 2 0,2(4):58 1 59 5.45Ren S,He K,Girshick R,Sun J.Faster r-cnn:Towards real-time object detection with region proposal networksLJJ.Advances inneural information processing systems,2015,28.(下转第 1 31 页)107（编辑：严佩峰）in Application-oriented Undergraduate UniversitiesDOU Chenlin,HUANG HuihuiSHA Xuemeng,YI Kechu