|
摘要
/
随着畜牧养殖业的规模化、集约化发展，进一步降低养殖成本、提高生产质量和效率是养殖业一直追求的目标。党的十八大以来，农业农村部印发的畜牧业工作要点中提到要加快转型升级，加快向现代化迈进。国务院在《关于促进畜牧业高质量发展的意见》中也明确提出：要加快构建现代养殖体系，而智能物联网技术则是现代化畜牧养殖业中发挥重要作用的基础。智能物联网技术在畜牧养殖业中的应用主要包括各种监测数据的采集、传输、分析处理等环节。数据的采集分为畜禽个体信息的编码标识、圈舍的环境信息和摄像头等设备获取的音频、视频等数据；将获取到的数据，经过各种无线传输协议传送到节点，汇集到大数据智能平台分析处理，最终再将决策指令分发到各个控制端，可以实现畜禽的精细化饲养、圈舍环境控制、畜禽异常监测等，这为畜牧业的高效率运行提供了很好的技术支撑。文章主要从畜禽耳标身份标识、环境控制、人工智能和大数据智能平台等方面全方位综述了当前智能物联网发展情况及存在的问题。
图片
1
引言
随着畜牧养殖业的规模化、集约化发展，进一步降低养殖成本、提高生产质量和效率是养殖业一直追求的目标。党的十八大以来，农业农村部印发的畜牧业工作要点中提到要加快转型升级，加快向现代化迈进。国务院在《关于促进畜牧业高质量发展的意见》中也明确提出：要加快构建现代养殖体系，而智能物联网技术则是现代化畜牧养殖业中发挥重要作用的基础。智能物联网技术在畜牧养殖业中的应用主要包括各种监测数据的采集、传输、分析处理等环节。数据的采集分为畜禽个体信息的编码标识、圈舍的环境信息和摄像头等设备获取的音频、视频等数据；将获取到的数据，经过各种无线传输协议传送到节点，汇集到大数据智能平台分析处理，最终再将决策指令分发到各个控制端，可以实现畜禽的精细化饲养、圈舍环境控制、畜禽异常监测等，这为畜牧业的高效率运行提供了很好的技术支撑。文章主要从畜禽耳标身份标识、环境控制、人工智能和大数据智能平台等方面全方位综述了当前智能物联网发展情况及存在的问题。
2
畜禽的耳标身份标识和环控技术
2.1 耳标标识技术
畜牧业常见个体电子标签类型有颈圈式、耳标式、注射式和药丸式等。耳标式的标签早期是在耳标上印制条形码或者二维码，这种耳标的缺点很明显，当耳标表面有污渍或者图案磨损时，会导致识别标识不准确。射频识别（RFID：Radio Frequency Identification）技术，在第二次世界大战中的敌我识别系统中初次使用，在20世纪90年代大规模使用。RFID电子耳标由RFID芯片和线圈组成，通过射频原理实现数据的非接触式读写与识别，且无需内置电池，通过接受器发射的射频信号，将这种信号的部分能量转化为电能供自身工作。通过RFID耳标可对畜禽养殖进行全程跟踪，如对养殖场名称、地点等信息的记录，进行养殖场的精细化管理。后来产生了使用无线传输协议的电子耳标，使获取到的信息传输更加便捷，极大地减少了人力成本。但是无线传输协议早期针对物与物进行通信的方式主要是WIFI和蓝牙等，由于其无法满足远距离、低功耗的要求，对物联网的发展有一定制约作用；随后出现一种短距离、低功耗的无线通信技术-ZigBee技术，它可以应用于一些可以安装内置电池的场景中，在一定程度上缓解了低功耗问题；业界为了同时解决物联网中低功耗、长距离的需求，低功耗广域网（LPWAN: Low Power Wide Area Network）的概念被提出，并且有多种技术诞生：LoRa、Sigfox、LTE-M、NWave，其中的LoRa技术由于其产业链相对成熟取得了较快发展。基于LoRa通信的电子耳标很好地解决了长距离传输和续航问题，不仅可进行畜禽的身份识别还能进行畜禽心率、血氧、体温等的实时监测，极大地提高了监测效率（如图1）。
图1 智能物联网网络架构图
2.2 环控技术
畜禽健康直接影响养殖企业效益，环境因素是影响畜禽健康的重要因素之一。如极端温度、有害气体等因素会直接提高畜禽发病概率，为畜禽提供适宜的生长环境将极大地提高养殖效率。环境控制主要针对相对封闭的养殖环境，动态地监测畜禽生存环境的温度、湿度、二氧化碳、氨气等指标，然后调用相应的设备，调节对应指标至正常范围。早期对养殖环境的控制相对简陋，没有形成系统化的结构方案。现代的环控方案包括从数据获取、传输、分析、控制的全环节闭环（如图1）。对于温湿度、二氧化碳、氨气、硫化物等环境数据的获取目前主要依赖于传感器，然后通过无线传输协议，将获取的环境信息传输到网关设备，再通过移动网络将数据上传到互联网中的智能平台进行分析处理，将决策处理后的结果发送到单片机、PLC（Programmable Logic Controller）等控制单元，最后将控制信号发送给电热板、喷雾降温等设备，起到调节控制环境的作用。
环境控制中一个很重要的环节是，智能平台如何根据所收集到的环境信息，进行科学的分析处理决策，把畜禽的生存环境调节到舒适的状态。常用的方案是根据不同的环境信息进行上下限阈值设定，当监测到采集的信息出现异常时进行提醒，再发送相应的控制信号进行调整，这种调整方式更多的是通过人为经验去设定阈值。杨柳等人基于前期采集的温湿度信息，采用小波变换降噪和支持向量积（SVM：Support Vector Machine）进行回归，预测下一个时间点的温湿度值，可以相对智能地调整环境温湿度。毛罕平等人综述了温室环境控制进展，其中总结多种温室控制方法，对于畜牧养殖业可以作为很好的借鉴。综上可以看出，大部分的环境控制方案，都按照各个环境因素相互独立的方式来进行优化，而实际上畜禽的生存是多种环境因素综合作用的结果，如果能运用人工智能等技术，对所有采集到的环境信息进行综合分析，得到综合环境控制方案也许是未来研究的方向。
2.3 目前存在的不足
目前的畜禽耳标虽然在功能上有了很大进步，但是由于佩戴方式、舒适度等原因，会出现畜禽撕咬、啃食其他畜禽的耳标现象，造成耳标损坏、脱落等情况。对于规模化程度不高的养殖户来说，给畜禽打耳标的认知程度还不够。这些问题在一定程度上阻碍了电子耳标在实际生产中的应用，不利于动物疫病防控与养殖场管理。
环境控制虽然目前已经取得了一定的进展，但是由于很多养殖场的整体设施不完善，技术水平层次不齐，且成本过高，导致环境控制的整体闭环没有很好地发挥其作用，这个过程需要进一步提高技术积累、降低成本，才能为畜牧养殖业的智能化提供基础支撑。
3
人工智能识别技术
人工智能中最具代表性的技术是神经网络，其早期概念在1943年就已经被Warren McCulloch和Walter Pitts所提出，但由于早期硬件条件等因素的限制，其经历多次的发展和衰落，直到2012年Geoffrey Hinton等人在ImageNet比赛中利用多层的卷积神经网络夺冠，随后越来越多的研究成果涌现，至此，人工智能的热潮再一次被点燃。如今，人工智能已经渗透到包括畜牧业在内的各行各业，而且有些行业的特定场景中，也已经有比较出色的落地产品，比如机动车车牌识别等。
我国畜牧养殖业已经从传统的以家庭、小集体为单位的经验式养殖，发展到现今以大规模、标准化、自动化、企业化为特征的现代化方式养殖。在此过程中，人工智能技术在畜牧养殖业的应用研究逐步开始发挥作用，特别是通过对畜禽声音、图像等信息进行识别分析，可以判断畜禽的生长状态、健康情况，这将在大规模、标准化的养殖体系中，很大程度上减少人力成本，提高养殖企业整体的运行效率。
3.1 畜禽声音识别
畜禽个体的声音可以反映出畜禽的情绪、健康、发情、饥饿等状况的变化，对饲养员采取正确的措施具有很强的指导意义。比如猪只出现感冒、咳嗽等症状时，规模养殖企业无论从时间还是空间上，都很难通过人工方式及时发现情况，往往当畜禽出现了严重症状或者死亡时才能被发现，而采用自动化声音识别方法可有效避免这种情况。对于畜禽声音识别处理分析，一般都需要经过稳定声音的采集方案设计、声音信号的降噪处理以及信号的预处理等步骤，之后再对声音信号进行进一步的模型分析。Berckmans等人通过对猪只声音在时域和频域下分析，采用实际获取的标准化功率谱密度（PSD：Power Spectrum Density）和每一个体参考PSD相比较，用平方的欧式距离作为判断条件，并采用一个阈值作为咳嗽和非咳嗽的猪只分类的判断依据。此后，也有一些人通过相似的方法，对正常猪和患呼吸道疾病猪只的PSD进行研究分析。除此之外，基于浅层网络的机器学习方法，也被用于检测畜禽的声音异常，比如支持向量积（SVM：Support Vector Machine），通过将畜禽的异常声音作为训练样本构建分类器，然后将训练好的分类器用于异常声音的检测。高斯混合模型（GMM：Gaussian Mixture Model）一般可以理解为多个单高斯模型的叠加，对于畜禽声音识别，一般先对样本声音的特征参数进行提取，然后训练出高斯混合模型，最后对待测样本声音进行概率预测。隐马尔可夫模型（HMM: Hidden Markov Model）通常用一个三元组λ=（A，B，π）来表示，对于畜禽不同的行为声音可以构造出不同的HMM模型，最后可以采用Viterbi算法求出最大的输出概率，以此判断待测声音属于哪一种HMM模型。随着深层网络的发展，特别是卷积神经网络（CNN: Convolutional Neural Networks）出现，虽然其更多的是被用于处理图像相关问题，但是由于语谱图（如图2）以二维图像的形式存在，并且携带有声音的三维信息，利用CNN的平移不变等特性，可以将声音变相的作为图像来进行识别处理，它的一般步骤包括数据集的构造、预处理、网络训练、模型生成和测试评估。
图2 猪叫的波形图（上）和语谱图（下）
3.2畜禽图像识别
由于声音信号的采集和它本身所能反映的畜禽行为的局限性，与畜牧业中畜禽声音信号的研究相比，图像信号的研究成果更为丰富。从畜禽的外在体型到内部的肉质都有相应的分析研究，并且研究方法从传统图像处理到近年研究较多的深度学习都有涉及。研究的焦点主要包括畜禽的目标检测和计数、活体检测、畜禽胴体背膘厚度和表皮干湿状态、体重估计、肉质分级、采食饮水行为，以及畜禽脸部识别等。
针对畜禽的目标检测和计数，最简单的方法就是运用帧间差分法和背景减除法来检测运动的目标。第一种主要通过连续两帧图像作差，将图像中固定的部分去除，然后通过阈值来区分出运动的区域；第二种是提前获取到背景图像，然后用当前帧图像减去背景图像获得目标。两种方法的优点是简单、计算少，缺点是目标点提取不完全和对环境变化敏感。还有通过大津算法（OTSU）等方式，将畜禽从图像中分割出来，达到检测和计数的目的。此外，深度卷积神经网络（CNN）由于其出色的自动特征提取能力，现也被用于畜禽的目标检测和计数，如YOLO 等目标检测网络框架，需要先制作相应畜禽的数据集，一般分为训练集、验证集和测试集，主要通过训练集来学习建立一个可以针对特定畜禽的识别检测模型，用其对实际待测数据，通过画框方式在图像中可视化标记达到检测目的，所以对于目标检测的CNN网络，只能够知道目标在图像中的大概位置，无法做到针对目标像素级的边界定位。
畜禽的活体检测除了可以使用前文所述的RFID电子耳标或电子项圈，采用基于图像算法的活体检测，也是目前研究的热点，特别是针对人脸的活体检测。而针对畜禽的活体检测有最大似然法和迭代阈值法。其中最大似然法通过标记图像中猪皮肤区域和非皮肤区域，制作出训练数据，然后构造出最大似然分类器，来识别出图像中的皮肤特征和非皮肤特征，以达到活体检测的目的。迭代阈值法通过迭代方式计算出一个合适的阈值，来对图像进行分割，以达到检测活体的目的。虽然两种方法简单、计算量小，但是这两种方法的不足之处是得到的结果会存在很多噪声干扰，需要进一步进行噪声去除。
畜禽胴体背膘厚度和表皮干湿状态，都直接了决定生猪在市场上的商品价值。对于背膘厚度的测量，首先需要从图像中找到猪胴体区域，常用的方案是采用图像分割算法，将其从图像中提取出来，然后采用漫水填充得到背膘区域，再采用其他方法来对其进行测量。表皮干湿状态的识别是基于畜禽表皮的水分反光，在灰度图中会呈现高灰度值的区域，同样采用图像分割将水分区域分割出来，然后根据水分区域的面积大小可以判断出表皮的干湿状态。虽然目前从调研上看，人们主要使用传统图像处理技术，研究此类问题；但是可以预见，使用传统机器学习或者深度学习，可以很好地完成此类任务。
畜牧养殖过程中，一个很重要的环节，是了解畜禽的体重或体尺变化，传统称重需要将畜禽驱赶至固定称重区域才能完成，一般畜禽又很难顺从地听取指令，对于大规模的养殖场来说更是难上加难，所以能够从视觉的角度，在无接触的场景完成对畜禽的体重估算，具有很强的现实意义。早期研究中先将畜禽从图像中分割出来，利用投影面积和体重的相关性来进行推测。由于畜禽体型的复杂性，单纯的面积只能大概估算体重，遂加入体长、体宽、体高、臀宽、臀高等多个体尺参数，这些体尺信息的获取方式，从手工测量发展到采用双目相机获取，再使用多种回归神经网络建立模型来进行估重。
肉质分级主要从纹理、肉色等方面进行分析，主要利用传统图像处理的颜色和图像直方图等方面进行处理分析，也有采用基于颜色特征参数为数据基础，利用BP神经网络进行颜色分级。
畜禽的采食饮水行为可以直观地反映出畜禽的健康状况，但是针对畜禽采食饮水智能识别的研究还相对较少，主要方案是将畜禽从图像中分割出来，然后利用深度学习识别头部图像，进而判断是否发生饮水行为。
畜禽脸部识别研究，在深度学习快速发展以前相对较少，随着深度学习的火热，近几年针对猪脸、牛脸等畜禽的研究与日俱增，特别是采用各种卷积神经网络，如VGGNet、ResNet等网络和以此为基础的各种网络扩展模型，并且取得了良好的效果。
3.3 目前的不足
通过对自动化、智能化技术在畜牧养殖业的应用调研发现，虽然现在已经有很多研究成果出现，但是由于每种技术的局限性，依然还存在非常多的不足，特别是针对基于卷积神经网络的研究，主要有以下三个方面：
（1）数据的采集。由于目前大部分养殖场的环境相对比较简陋，无论对于声音还是图像的采集都还很难做到全天候稳定的高质量数据采集，这对于数据的后期处理识别都会造成精度的损失。
（2）数据的标注。特别是针对畜牧养殖业特定畜禽的特定问题，没有现成的数据集可用，很大程度上都需要进行特定数据集的标注，而这个标注基本上都需要人工来完成，这会对其发展有一定的制约。
（3）算法的局限。比如针对猪舍中某头猪的识别跟踪，当出现长时间的目标丢失以后，如何能够依然正确的编号，仍旧是个难题。
4
大数据智能化平台系统
早期养殖场对畜禽信息的管理多采用纸质方式，即使现在各行各业都在进行信息化、数字化的改革，仍然有非常多的养殖场采用这种方式。但是随着现代畜牧养殖向规模化、智能化方向发展，借助各种传感器、摄像头等硬件设备，可以获取畜禽的全方位信息，使得养殖实体拥有更加多元化的手段进行畜禽养殖管理。采集到的数字信息越多，数据量越来越大，采用原始的纸质方式保存就越吃力，所以对于能提供统一的数字平台进行管理、展示、统计等的需求就更为迫切（如图3）。
图3 猪场智能化系统平台
4.1 应用分类综述
最开始在养殖场景中出现的管理系统主要集中在养殖场信息、畜禽的基本信息、一些技术标准等数字化信息，且其中大部分信息需要人工收集、整理、录入。针对特定对象的信息采集管理，比如基于RFID可追溯的系统，可以通过对畜禽终端佩戴的RFID获取各项信息，进行查询、统计等功能，进一步提供多种终端的查询，为经营、研究者提供更多选择。
与针对某一特定功能的平台建设相比，智能化平台系统的趋势是囊括畜禽本身各种体征、圈舍环境、养殖场周围气象等数据，并且融合3S（遥控监测，RS:Remote sensing；地理信息系统，GIS :Geography information systems；全球定位系统，GPS :Global positioning systems）等技术，针对全终端平台的综合模式架构。这将会对物联网、人工智能、无线电通信等各方面技术提出更高的要求，而且需要国家、社会、企业各方面的支持，促进畜牧养殖业的智能化更好的发展。
4.2 目前存在的不足
虽然未来畜牧智能化的发展是大势所趋，但对于系统平台建设，数据来源的稳定性是制约其发展的关键环节，这就会落实到每一个关键的产品、功能和技术点上，所以对于稳定的数据产生、获取、传输、保存和处理都至关重要。比如带有Lora和ZigBee等传输协议的RFID如何进一步提高续航等问题，只有它能持续稳定的产生准确的数据，系统平台才能获取高质量有效的数据。
对于建立全方位的智能化系统平台，除了软件上的需求外，同时需要大量的硬件设备支撑，如各种传感器、摄像头、网关等，而有些设备成本相对较高，如能进一步通过技术手段在设计、生产硬件的各个环节降低成本，将会反过来促进系统平台的推广和发展。
5
结束语
智能物联网技术是一个融合了物联网、人工智能、云计算、大数据等诸多关键性前沿技术的综合性体系。而我国畜牧养殖业的自动化水平在国际上相对较低，随着智能物联网的发展，这将对我国畜牧养殖业的自动化、智能化的发展起到促进作用。当然也要清醒地认识到，这个过程中机遇与挑战并存。机遇是人工智能等技术领域我们的研究目前处于世界领先水平，而且有国家层面对物联网、人工智能、云计算、大数据发展的大力支持。挑战是针对这些技术的研究相对独立、融合性不强，特别是在畜牧养殖业中应用落地的高质量产品相对较少。但是我们相信，随着技术的逐步积累，在畜牧养殖业，一定能形成数据产生→传输→分析→决策→控制的高质量闭环，提高生产效率。
|
