畜禽行为及生理信息的无损监测技术研究进展

汪开英，赵晓洋，何 勇



畜禽行为及生理信息的无损监测技术研究进展

汪开英，赵晓洋，何 勇

（浙江大学生物系统工程与食品科学学院，杭州 310058）

畜禽信息主要包括动物健康信息、行为信息、情绪信息。禽畜养殖中，准确高效监测畜禽信息有助于分析动物的生理、健康和福利状况，及时发现生病或异常个体，以减少经济损失和保障动物福利。目前畜禽养殖中主要依靠人工观察方式获取畜禽信息，主观性强且精度低；或者在饲养过程中采用一些将装置植入动物体内或对动物进行手术的监测手段，造成动物应激反应，有损动物福利。无损监测技术可以有效减少人力，降低观察者对动物的影响，减少监测过程中对动物造成的损伤与应激反应，提高动物福利。随着信息技术的进步，畜禽信息无损监测技术也在不断发展。该文阐述了畜禽养殖中传感器监测、图像监测及声音监测3种无损监测技术在获取畜禽信息方面的研究与应用现状，并分析3种无损监测技术的优劣。传感器监测技术发展较其他2种技术相对更加成熟，应用也更加广泛，可用来监测动物饮食、行为姿态等，但适合动物穿戴、可长期高效工作的传感器节点技术有待突破；图像监测技术利用前景提取、模式识别等方法对动物图像进行分析，可进行动物行为识别、质量估计等，对动物影响最小。但目前算法还不成熟，装置受环境干扰较大，因此应用有限；声音监测技术起步较晚，受限于环境噪声的影响，识别正确率较低，但在动物行为监测、疾病预警、情绪识别、饮食监测等方面均有较好的应用前景。该文还展望了畜禽信息无损监测技术未来精准、高效、智能、经济的发展趋势。

传感器；监测；动物；禽畜养殖；无损监测；动物福利；图像；声音

0 引 言

畜牧业是中国农业增效、农民增收的重要产业，近年来取得了长足的进展[1]，现代畜禽养殖业的规模化和集约化快速发展，可与此同时畜禽疫病暴发、环境恶化及动物行为异常等动物健康福利问题也越来越严重。研究发现改善动物福利对降低应激水平、增强动物机体免疫机能、满足动物行为需求、提高生产性能和繁殖性能及提高动物产品品质等方面有着重要的作用[2]。因此，监测动物健康状况、行为、生理及心理状态等畜禽信息，进行疾病预警，加强动物养殖环节的科学管理对改善动物福利状况显得尤为重要。在各种畜禽信息获取手段中，有些方法会对动物的身体造成损伤或者对其造成应激反应，不利于保证其福利水平。如将体温计插入肛门[3]测量猪的直肠温度、采集猪血样化验血液[4]等一些常规监测方法，以及饲养中运用最广泛的人工观察法，不仅效率低下，还易造成畜禽的应激反应。随着科学技术的进步，禽畜个体信息智能化监测技术不断发展，陈广林等[5]设计了一种将检测器放置于临产母猪产道内的母猪分娩报警装置，进行母猪分娩监测；Krizanac等[6]把带有探头的测温气管插进麻醉后猪的呼吸道内测量体温。但这些方法不仅工作量大，且容易对被监测动物造成损伤。

无损监测是指在不损害或不影响被监测对象、不伤害被监测对象的前提下，借助现代技术和设备对监测对象内部及表面的结构、性质、状态等进行监控和测试的方法。如采用视觉图像技术对肉鸡、火鸡等家禽肉质、颜色[7]及活猪的瘦肉率[8]等参数进行监测，利用红外光谱监测牛奶产量[9]及成分[10-11]以判断奶牛生理状态等对畜产品的无损监测。

畜牧业逐渐向以动物为中心的精细畜牧业方向转型，无损监测技术充分考虑禽畜感受，给予其人性化关怀，符合精细畜牧业保障和改善动物福利的理念。当前国内外一些学者对养殖过程中畜禽信息无损监测技术进行了大量研究，通过精准获取畜禽信息研究动物生理、健康、福利状况。

目前已有部分无损监测研究成果运用于畜禽养殖中动物疾病预警、畜禽舍环境调控以及饲喂计划制定。本文重点介绍分析国内外包括传感器监测、图像监测及声音监测3种无损监测技术在禽畜养殖中的应用现状及问题，并展望其发展方向，为国内开展畜牧业的智能化无损监测技术研究提供参考。

1 传感器监测技术

传感器技术是指通过使用传感设备，将一些难以直接测量的数据转换为易测量信息（通常为电信号）输出的技术。通过传感器技术，可以实现多种数据的实时测量，为信息的集成创造了条件。目前利用传感器监测动物健康福利信息主要包括动物生理指标（体温、心率等）信息及行为（休息、散步、快走等）信息2类[12]，其一般流程如图1。本文主要阐述动物行为信息的传感器监测技术研究现状。

图1 传感器监测一般流程

1.1 畜禽日常行为监测

畜禽的行为是指畜禽的活动形式、发声和身体姿势，以及外表上可辨认的变化[13]。分析畜禽行为能够了解其心理及生理状况，有利于建立行为模型，并监测其异常行为，以便于采取相应措施，减少经济损失。

动物采食、饮水、排泄3大行为可用于预测其异常状况，是畜牧人员最为关注的动物行为。其中，动物饮水、采食行为是判断其生长状态以及健康状况的重要依据。反刍动物的采食量信息是其健康和生产所需营养物质的量化基础[14]，因此准确获取其采食量信息对于反刍动物的养殖有重要意义。目前大部分奶牛采食量测定方法是针对奶牛群体进行，针对奶牛个体的采食量测定难以达到理想效果。田富洋等[15]将高频反射涡流传感器与单片机结合检测奶牛采食量。该装置根据奶牛在采食、反刍和吞咽时其眼角偏上方的颞窝部振动的不同规律，通过分析传感器高电平信号持续的脉冲时间计算奶牛的吞咽次数，从而判定奶牛的采食量；动物饮水行为同样反映其生长率以及健康状况，但人工观察动物的饮水行为主观性强，且效率低下。Andersen等[16]采用射频识别读取器监测记录猪只前去饮水的次数、饮水时间以及饮水量等指标从而研究猪饮水行为并识别生病猪只。试验发现必须排除猪只之间竞争饮水等外界因素的干扰才可通过监测饮水行为的方式判断患病猪只；Meiszberg等[17]利用水流量传感器自动分析仔猪饮水的持续时间及频率。研究结果表明采用水流量传感器进行仔猪饮水行为监测结果的精确度高于人工观察；Kruse等[18]以大白、德国当地猪以及它们的杂交品种母猪为研究对象，采用小波分析识别因动物健康问题引起的饮水量变化，并区分健康和疾病母猪。试验结果表明识别饮水量不同可判断母猪是否生病；陆明洲等[19]利用RFID射频识别技术、红外探测技术、无线传感网络技术等设计了一套群养母猪饮水行为的自动监测系统。该系统通过测定群养母猪个体的饮水频率和饮水量，实现母猪饮水行为的实时远程监测目标。该系统解决了群养方式下母猪个体饮水行为难以自动监测的问题，但无法排除母猪由于戏水而浪费水量的影响；Puma等[20]在家禽喂食饮水站点配备精密电子天平监测肉鸡在不同环境下饮水行为的变化，有助于养殖人员制定合理的喂水方案。

准确高效获取动物饮食行为有助于工作人员制定饲喂计划，最大限度发挥动物生长和繁殖潜力。在监测过程中工作人员可通过监测饮食行为异常个体，识别疾病个体。目前针对养殖环境变化引起的动物饮食行为规律方面的研究有待深入。

在活动行为监测方面，研究人员提出利用三轴加速度传感器监测养殖动物运动过程中的三向加速度值并基于此对动物行为进行分类[21]。Robert等[22]将三轴加速度传感器固定于牛脚踝处以实现远程监测牛行走、站立和躺卧等行为，试验表明对牛躺卧与站立行为识别正确率分别为99.2%与98%。在识别过程中，不同的时间间隔识别正确率各不相同，因此合理选择识别时间间隔也非常重要；Watanabe等[23]将三轴加速度传感器固定在牛下颚部从而监测其下颚运动特征，进而分析牛咬断草料、咀嚼草料以及休息3种行为；使用被动红外探测仪可实时远程监测猪舍猪只个体信息及行为信息。Ni等[24]在猪舍地面上方2.2 m的墙面上向下倾斜15°安装被动红外探测仪监测猪行动发出的红外辐射从而对猪舍内猪只数量，年龄以及日常活动进行监测。试验结果表明，猪只在断奶30～100 d最为活跃，人为的轻微干扰可能会使猪持续兴奋15～60 min；高云[25]采用基于Zigbee协议的无线通信技术以及RSSI技术的无线传感器网络研究猪只的追踪定位，对猪静止、行走以及跑跳3种行为的识别正确率总体达100%，但若将跑和跳看作2种行为，该方案无法准确识别这2种行为，识别正确率仅为80%左右；郭东东等[26]利用三轴加速度传感器对山羊典型日常行为特征进行识别研究。试验中分别采用-means均值聚类算法和SVM算法对数据进行训练、测试，建立并验证山羊躺卧、站立、慢走、采食的4种典型日常行为模型。试验结果表明经过SVM算法优化后的-means算法识别正确率比单独采用K-means提高近6个百分点，达到了92%；Cornou等[27]采用三轴加速度传感器采集母猪运动数据，运用多步骤卡曼滤波方法对数据进行分析，对母猪5种类型的行为进行识别并建模。试验结果表明该方法在行为识别方面有较好的效果，并可通过监测母猪分娩前一天的行为偏差预测其分娩时间；尹令等[28]研究人员在奶牛颈部安装无线传感器节点，通过各种传感器获取奶牛的体温、呼吸频率和运动加速度等参数，利用无线传感网络对奶牛的行为特征进行监测。试验中采用均值聚类算法对参数进行识别，建立奶牛静止、慢走、爬跨等行为模型，长时间监测奶牛的健康状态。

对动物日常行为进行识别可以及时了解动物状态，从而进行精细养殖管理。但高效准确识别动物日常行为的前提是构建精准的大样本数据库。由于实际饲养中的畜禽种类、年龄的差异性和变化性，因此数据库的构建难度又进一步增加。为降低难度，可针对同种动物不同年龄阶段下日常行为进行研究。

1.2 畜禽发情行为监测

准确检测动物发情可以有效提高动物繁殖效率。Freson等[29]将红外传感器安装在母猪颈部上方50 cm处获取母猪体表温度，进而分析其运动量大小。试验中选择平均日活性作为参数，识别发情母猪，正确率可达80%；Ostersen等[30]采用RFID技术监测6 h内母猪与公猪互相亲近持续时间及频率，实现母猪发情的自动检测。但目前许多猪舍采用人工授精，母猪基本不会与公猪接触，因此该方法有一定局限性；吉斯等[31]设计了一种母猪发情检测器，将母猪与公猪用围栏隔开，母猪可通过围栏上的嗅孔闻到公猪的气味。该发明利用发情母猪体温升高的原理进行母猪发情监测，通过安装在检测栏上的探测器监测母猪停留在嗅孔前的时间长短及频率，并配合温度检测器测量母猪体温，综合判断母猪是否发情；汪开英等[32]在一家种猪试验场中运用红外传感器实时监测母猪进行发情行为，根据母猪的日平均活动量进行发情鉴定，准确率为84.2%；胡天剑等[33]发明一种通过监测母猪与公猪接触的频率，判定母猪发情的智能检测装置。当母猪通过接触孔与公猪接触时，接触孔上方的智能阅读器会读取母猪信息并对发情的待测母猪做喷墨标记与体温检测。该发明需要将公猪、母猪均赶到箱体内进行监测，影响猪场日常工作；Altmann[34]采用红外传感器和小型的加速度计检测母猪活动量，发现在发情期间母猪的活动量、呼吸频率、唾液分泌存在偏差，通过监测以上偏差行为出现可以综合判断母猪是否处于发情期。准确高效地检测奶牛发情，能够提高怀孕机率、缩短胎间距、提高单头奶牛的产奶量[35]。尹令等[28]研究人员利用无线传感网络获取奶牛的行为参数，采用K均值聚类算法对参数进行识别。试验结果表明，虽然该方法对多种动态的行为分类效果不明显，但可监测到绝大多数奶牛发情前的爬跨行为，可有效判断奶牛是否发情；Maatje等[36]在奶牛前后腿分别安装一个计步器，将挤奶时的奶牛移动数据传送到电脑。根据发情期的奶牛步数远大于平常的步数，从而判断奶牛是否发情。试验在6个月内对60头牛进行发情监测，可识别75%以上的发情行为；Jónsson等[37]提出利用计步器、腿部倾斜传感器的低成本数据来进行奶牛发情监测。该方法基于广义似然比值检验结合最佳时间窗口选择的方法按奶牛躺、站立和走动等行为的比例进行分类，发情识别正确率为88.9%；Lovendahl等[38]根据电子活动标签采集的奶牛运动数据将奶牛的运动简单划分为强运动和弱运动2类，通过统计2类运动在1 d中的比例来判断是否发情。发情检测正确率取决于所选择的阈值，当选择阈值为0.70时，监测正确率为98.67%。

动物发情行为监测是畜禽繁殖管理中非常重要的一环。在动物发情时进行授精可以大幅度提升其受孕几率，从而发挥动物的繁殖潜力，提高经济效益。如表1所示，目前针对动物发情采用传感器监测技术有一定的优势，但存在监测步骤繁琐、准确率低等问题。设计性能稳定、成本低廉、使用方便的发情监测设备是后续研究的重点。

表1 动物发情监测技术对比

1.3 畜禽地理位置确定

对于牛羊等放养家畜，获取其地理位置是开展放牧饲养中需要解决的首要难题。应用现代科技建立健全放养动物监测体系，实时准确地获取自由放牧下动物生存环境及动物活动信息，对于动物行为监测有极其重要的意义。

Oudshoorn等[39]将60只荷斯坦奶牛分为3组进行试验，分别放牧4、6.5和9 h，釆用无线传感器网络来监测奶牛的当前位置和在新的牧草区的吃草时间。试验发现，被允许较短时间吃草的奶牛相对来说活动更积极，速度更快，吃草持续时间更长。但限定放牧时间长短对奶牛排泄频率并没有影响。试验结果表明，限定放牧时间在保证牛羊充足的牧草摄入量同时，减少了牛羊对环境的氮排放量；及时掌握动物排泄物时空分布可以方便工作人员对粪便的处理与存储。White等[40]对36头奶牛进行24 h位置跟踪及监测，并分析其粪便及尿液的时空分布。试验发现，在暖季饮水器30 m范围内奶牛的粪便与尿液比冷季高很多，除此之外，粪便与尿液在牧场分布较均匀；Butler等[41]为8头奶牛配备装有GPS模块、无线网络模块和喇叭的智能项圈。奶牛的位置可以通过距离边界线的距离来确定，当奶牛靠近边界线时，喇叭就会发出声音提示奶牛离开，但在试验中发现，声音的刺激效果不是特别理想。

准确、实时获取动物地理位置对于放牧畜禽养殖管理非常关键。大多数研究者采用无线传感器网络对动物进行定位。无线传感器网络部署灵活、可靠性强、扩展方便、经济性好，但其在牧场等区域主要依靠干电池进行供电，补充较为困难。因此对无线传感器网络进行节能设计，减少信息传输能耗等方面研究亟待开展。

传感器监测技术数据获取方式自由，其信息采集与传输技术对外界的抗干扰能力强、携带方便，还可连续记录动物（特别是散养放牧的动物）行为生理信息，为动物行为特征分类模型的建立提供了有效的行为特征信息[29]。对于监测到的动物行为生理特征信息，可通过构建模式库自动分析特征信息所蕴含的动物生理健康状况，发现异常个体进行报警。但是畜牧业生产环境复杂，因此设计传感器必须考虑其工作环境。在许多情况下，采用动物项圈将节点固定在动物颈部是目前最常用的方法[42-44]，但对于特殊监测目标，则应灵活调整位置。同时为了避免动物在躺卧或者相互争斗时破坏传感器节点，需要提高传感器的抗压、抗震性能。

2 图像监测技术

养殖业传统的图像监测指的是采用视频及录像技术对动物进行图像采集，之后人工对视频及录像片段分析。该方法减少了人为干扰，从而降低了动物应激反应，但是需要人为进行视频观察和记录分析，效率低下[45]。现在许多研究者已开展机器视觉获取畜禽信息的研究，并取得了一定成就。如基于动物视频自动分析动物行为及动物生存舒适度的研究领域[46]，其一般流程如图2。一般是在畜禽舍顶部安装摄像机进行图像采集，采用机器视觉模拟人的视觉功能，从图像中提取畜禽的相关特征信息，处理分析后用于饲养管理。

图2 图像监测一般流程

2.1 估算动物体质量

在日常禽畜饲养管理中，体质量测量是其中重要的一环，饲养者可以根据动物体质量变化情况调整饲料投放计划。但因为缺乏方便的称重装置，畜禽在生长过程中很少频繁的测量体质量[47]。猪场一般采用体质量箱测量猪只体质量，不仅费时费还易造成猪只的应激反应，产生如生产性能下降，发病等严重的不良影响[48]。

研究显示动物的与其体积和投影面积有很大的相关性[49]，这就表明可以通过图像处理的方法来估算动物体质量。Schofield等[50]采集饮食时猪只图像，结合电子耳号识别个体，之后利用图像处理技术分析猪只的投影面积和体质量的关系，以及随着日龄的增加体质量和相关形态参数的变化趋势，误差不超过5%。试验发现，3个品种的猪的投影面积与体质量关系均可用一条斜率相同的直线去拟合，因此在通过投影面积估算生猪体质量算法中需要增加对拟合直线纵轴截距的分析；Minagawa等[51]在猪饮水时采集猪只图像并测量了它的投影面积，利用投影在猪身上网格线的视差与体高的非线性关系近似估算出体高。试验结果表明，在40至70 kg体质量范围内估算平均误差为2.1%。测试时由于增加了红、黄光谱，减少了可见光中的紫蓝光谱，使猪的图像与周围环境和阴影线形成了强烈的对比，提高了算法正确率；Yang等[52]采集了60头体质量在55～110 kg范围内的长白猪进出猪栏的图像，采用二值分割法对图像进行域值分割，并根据投影区域与参考系的比例关系估算得到种猪真实投影面积和体高与体质量的回归方程。研究发现除头部和尾部后剩余身体部分的投影面积和体质量的相关性极大，相关系数可达到0.94，平均相对误差为3.2%。该方法可有效用于种猪体质量测量；李卓等[53]设计一种基于双目视觉原理的猪体尺检测系统。该系统可通过获取猪体轮廓估算其体质量。结果表明在2 m物距范围内，系统三维检测相对误差均小于1%，该方法鲁棒性较好，不易受到脏污和光照干扰，系统检测性能优良。

上述研究表明，图像监测无接触测量动物体质量的方法是可行的，误差在可接受范围内。但当动物的投影面积与建筑物阴影重合时估算难以进行。目前图像监测估算体质量方面的研究对象主要是猪，而对其他畜禽研究较少，在反刍动物、家禽等动物上采用图像监测技术估算体质量的研究有待开展。

2.2 动物行为监测

在行为监测方面，Leroy等[54]通过研究不同时间序列下家禽姿态，对家禽运动行为进行识别。试验中对大规模家禽养殖场中母鸡站立、行走、抓挠3种行为进行分类，并将拍摄到的异常行为图像传送到监控中心进行分析研究；患有腹泻、肠胃炎动物的排泄频率以及持续时间与健康动物之间存在差别，因此监测动物排泄行为可以有效识别患病个体。Richard等[55]在试验中根据一系列的饮食重量的记录和监控录像来确定肉鸡和蛋鸡的饮食和啄食行为。虽然该技术不能很好区分休息、梳理羽毛以及其他活动，但用于区分家禽单纯啄的动作与真正的采食行为；浦雪峰等[56]设计了一种基于高级RISC微处理器平台的病猪行为自动监测系统，可24 h监控育肥猪的排泄行为。系统通过识别像素块对称特征，对每头猪身上的号码进行识别，定位疑似病猪个体。试验发现疑似病猪的猪日平均排泄次数远大于其他猪。在信息传输方面，系统采用GPRS无线传输技术，有效解决了养殖场布线困难的问题；Song等[57]在奶牛经过的通道侧方位架设摄像机采集其运动视频从而研究动物腿部的运动姿态，同时监测动物是否有跛脚现象。试验测量值的平均相关系数为94.8%，可以有效监测奶牛跛脚现象。

畜禽舍环境温度对动物成长繁殖非常重要，及时准确调节环境温度有助于保证动物福利水平提高其生长效率。Nasirahmadi等[58]根据猪在不同热条件下躺卧姿势的区别，结合图像三角剖分与多层神经网络方法将猪躺卧行为分成正常、互相靠近取暖、远离降温3类，准确率达到95.6%。工作人员可根据猪躺卧行为不同及时进行环境温度调节；Shao等[59]采集仔猪在不同温度房间中的姿势图像，选取了二值图像的傅里叶参数、矩、周长与面积以及前三者的组合特征进行图像识别。试验发现采用图像的傅里叶参数、矩和周长与面积三者的组合特征可以体现较好的分类性能，训练集与预测集正确率分别为99%和90%。该方法可结合猪体温、呼吸频率以及心跳等生理指标的测量判断仔猪舒适的环境温度；Shao等[60]采集猪群睡眠时的红外图像，选取背景前景像素转换频率、图像不变矩以及猪群紧密程度作为特征向量，使用最小欧几里德距离方法区分环境温度寒冷与舒适2种状况下猪的睡眠姿态。试验随机选取部分图像进行分析，发现根据猪群睡眠图像对其处于寒冷或舒适环境的识别率超过90%。动物行为学研究表明动物活动水平的改变与动物健康问题及福利水平息息相关。Ott等[61]通过计算相邻2头猪活动图像帧之间（1帧/s）移动像素的相对数量，衡量动物活动水平。该系统监测数据与人工观察结果整体相关性很强，相关系数达到0.92；刘龙申等[62]提出了一种基于机器视觉的母猪分娩检测方法。该方法采用半圆匹配算法排除母猪运动干扰，并结合背景减除法识别运动仔猪。试验结果表明改进后算法匹配半径误差仅为4个像素，更有利于后期的目标识别；Cangar等[63]分析了8头奶牛在产犊前的最后几个小时的视频监控图像，研究了其休息、站立、走步等基本行为对应的主轴线方向、外形轮廓等图像特征，进行基本行为的自动识别。其中站立行为与侧卧行为识别正确率为85%，进食和饮水行为识别正确率为87%。该方法基本实现了奶牛行为自动识别功能，但试验中样本量太少，无法有效验证算法的普适性；Lao等[64]设计了一套配怀舍母猪行为的自动视频监控系统，可高效识别母牛躺卧、站立、坐、饮水、采食等行为，识别正确率均在90%以上。试验发现在不同行为之间转换的动作识别正确率较低，可能是样本数量不足导致的。该系统可用于检测母猪日常行为及异常行为，从而进行栏位的设计和更改从而提高母猪的舒适度。

奶牛产生应激状态时，呼吸会变得急促，因此，监测奶牛呼吸频率对饲养管理有重要的意义。根据奶牛呼吸腹部起伏的特点，赵凯旋等[65]通过视频实时比较奶牛腹部变化对牛只呼吸频率进行监测。试验采用光流法计算奶牛腹部图像各像素点的相对运动速度，根据呼吸耗时检测呼吸是否异常。研究表明，该方法有较强鲁棒性，周围环境改变、外物入侵等状况不会对结果造成太大影响。

目前图像监测技术主要用于研究畜禽排泄、饮食、呼吸、分娩等日常行为规律，以及发现异常行为进行早期预警。图像监测技术较为直观，大部分情况下工作人员可以通过图像直接进行行为识别。但是图像监测技术算法还不太成熟，且易受环境光线影响。

2.3 动物体温监测

动物身体表面温度是由动物皮肤与环境之间进行的热交换决定的，是动物身体健康与否的重要指标。在许多传染性疾病中，体温升高比其他症状出现的更早。畜禽的体温监测和分析有利于及时发现疾病的早期症状，识别患有疾病或处于异常行为的动物。中国大部分养殖场和科研机构采用兽用水银体温计人工测量生猪的直肠温度，耗时费力，还造成生猪产生较大应激，同时存在人畜交叉感染风险[66-67]。

猪的耳根部温度变化是生猪生病重要特征之一，确定生猪耳部区域并无接触测量区域温度变化可有效进行生猪疾病预警。朱伟兴等[68]研究了基于改进主动形状模型的猪耳部目标区域监测方法，结合红外和可见光图像融合算法处理图像，试验结果表明84%的自动检测区域与手动分割区域重合度大于0.8；周丽萍等[69]采集生猪热红外图像，采用改进后的二维Otsu算法提取生猪耳根部区域特征。试验选取白毛猪为研究对象，将热红外图像采集器安装于移动喂料车上采集生猪图像。结果表明，该方法对具有完整耳根部特征的仔猪、育肥猪、妊娠猪图像可以100%正确检测，但对于特征不完整的图像则可能无法检测；刘波等[70]采用红外热像仪同时采集生猪红外热图像和可见光图像，采用射线边缘点集匹配配准图像的方法解决2种异源图像自动配准问题。试验中，采用该算法对50对红外和光学图像进行了测试，配准成功率达到94%，平均配准误差小于1像素；Siewert等[71]采用差分ROI法分析生猪头部的热红外图像，进而检测猪头部表面温度分布。试验将16头德国长白猪分为3组并注射不同剂量的药物模拟不同程度的发烧，另外8头猪不作任何处理作为对照组，结果表明该方法对于生猪头部表面温度分布模拟特异性高达85%左右，灵敏度高达86%。但是试验样本量及种类太少，无法证明该方法在生猪头部表面温度模拟的普适性与准确性；

将机器视觉技术应用于动物信息监测，可以自动实时监控动物行为及生理状况。相较于其他2种监测技术，图像监测对动物活动影响相对较小，在动物体质量估计、体温监测方面有更好的应用效果。但是该方法受现场光照环境以及设备条件影响较大，适用于监测圈养动物信息。同时，机器视觉技术由于其存在着数据量大、处理算法复杂的瓶颈，制约着信息的实时传输和处理的速度[72]。另一方面，由于目前图像处理技术还不太成熟，在识别正确率方面有所欠缺。总体来说，采用图像监测技术监控动物行为以及生理状态以达到精确饲养和提高动物福利的目的不失为一种有效的监测方式。

3 声音监测技术

动物叫声与其情绪状态、生理健康状况密切相关[73]，因此在畜禽饲养中监测、分析动物声音，构建声音监测系统作为农场管理工具可实现动物福利和健康水平的自动评估，提高畜牧场工作效率。

动物声音识别技术是基于数字信号处理技术、模式识别理论、前沿信号采集技术实现对动物声音的识别并输出的监测模式[73]。声音监测流程图如图3，将声音信号采集后进行信号处理，之后进行特征提取，与已建好的数据库进行模式匹配从而识别叫声。针对不同的动物种类及生存环境需设计不同的声音采集方案。对于牛羊等活动范围较广，性情较温顺的动物，可以采用体积较小，便于固定在动物躯体上的设备采集声音信号，将信息保存至设备中的存储装置中（图4a），对于猪和家禽等活动范围较小、养殖密度较大的动物可以在畜禽舍内安置麦克风，实时采集多个个体声音信号（图4b）。

图3 声音信号分析一般流程

图4 声音监测装置

声音采集步骤一般是通过麦克风或声音采集室完成，尽量确保声音信号质量；信号处理步骤对声音信号做适当放大和增益控制，并消除干扰信号。特征提取步骤主要完成诸如频率、持续时间、幅值等反映声音信号特点的特征参数提取；数据库建立步骤在正式进行声音监测之前，构建数据库获得表示识别基本单元如呼吸道疾病、疼痛等共性特点的标准数据，从而构成参考模板，将识别后的基本单元作为参考模板结合在一起形成数据库。在模式匹配阶段，将待识别的声音信号经过特征提取后与数据库匹配，找出最相近的参考模板对应的基本单元。

目前声音监测技术研究主要在动物疾病诊断、情绪状态识别、行为监测、进食监测、成长率监测等方面，为畜禽舍智能声音监测系统开发提供理论基础。

3.1 疾病诊断

及时发现禽畜舍患有疾病动物个体在群体饲养管理中非常重要。声音监测技术可通过持续、在线监测动物声音，建立智能疾病早期预警系统。

Guarino等[74]通过对近430头猪进行长达4 h的声音信号采集并分析，最终将咳嗽声与其他声音识别，识别率高达86.2%。试验表明，咳嗽声可作为猪呼吸疾病指标；Ferrari等[75-78]通过临床检查筛选并采集染病猪咳嗽声，接着对患有感染性疾病猪非感染性疾病猪的咳嗽声研究。结果表明上述2种咳嗽声音信号的均方根、持续时间以及峰值频率的差异非常大。这项研究将对建立实时咳嗽声识别系统提供参考；Exadaktylos等[78]提出了基于信号频域特征识别病猪咳嗽声的实时算法。算法运用模糊C均值聚类方法训练各声音的特征量，并采用欧几里德距离法得到分类阈值，以此进行咳嗽声与其他声音的分类识别。试验对6头比利时长白仔猪（3公3母）整体正确分类率达到85%；Chung等[79]提取患有慢性消耗性疾病生猪咳嗽声音的梅尔倒频谱系数（Mel-Frequency Cepstral Coefficients，MFCC）作为特征参数，采用支持向量机算法进行分析，平均识别正确率为94%，性能优良；Exadaktylos等[80]在猪舍内距地面1 m的不同位置安装7个麦克风，构建麦克风阵列，根据不同麦克风采集声音的时间不同对声源进行定位。试验结果表明16次试验中，14次定位结果误差小于1 m，达到预期目标。试验中有2次定位误差超过3 m，分析原因可能是周围噪声过大；宣传忠等[81]提出一种改进的MFCC结合隐马尔可夫模型（Hidden Markov Model，HMM）的山羊咳嗽声识别系统，试验结果表明系统对咳嗽声的识别率达到了92.5%、误识别率仅为5.37%；Berckmans等[82]总结了猪舍5种情况下音频分析在监测猪呼吸困难方面的运用。结果表明，相较于人工观察，声音监测最早可以提前2周进行预警，方便工作人员提前采取措施减少损失。

目前畜禽养殖密度较大，疫病传播速度较快。因此一旦患有传染性呼吸道疾病的动物未得到及时的治疗或隔离，畜禽舍内疾病可能会迅速蔓延，造成极大的经济损失。通过声音监测识别生病动物的咳嗽声及时定位疑似患病动物，有助于工作人员及时处理，避免疾病扩散。因此，声音监测在动物疾病诊断方面有较好的应用前景。但诊断疾病必须通过采集大量患病动物咳嗽声音样本构建数据库，在前期需要参照其他如体温升高、呼吸频率增加等生病特征收集生病样本咳嗽声音。

3.2 情绪状态识别

动物情绪健康是动物福利重点关注的问题之一。目前声音监测技术主要用于提取动物在恐惧、孤独、焦虑等不良情绪下的叫声特征进行识别，在此基础上可实现动物情绪健康的无损监测[12]。

Jahns等[83]以39头奶牛为试验对象，采集：母牛和牛犊短暂隔离后奶牛叫声、母牛和牛犊短暂隔离后牛犊叫声、咳嗽声音、发情时候的叫声、挤奶延迟时奶牛叫声、呼吸的声音以及饥饿时的叫声，之后建立隐马尔科夫模型分别对各种声音信号进行处理识别牛只日常叫声中蕴含的情绪信息。试验结果表明除了挤奶延迟时奶牛叫声识别率较低外，其他情绪下声音识别率均较高，HMM在动物声音识别方面有较好的效果；Moura等[84]通过分析仔猪声音幅值及其置信区间对仔猪是否处于紧张状态进行识别。试验在消音室中对10头仔猪进行试验，分别采集仔猪：刚进入消音室、进入后孤立3 min以及被带出消音室时3种情况下的叫声并进行分析。试验结果表明，在仔猪被带出消音室瞬间会极度紧张，并长时间发出尖叫声，声音幅值也远大于前2种情况。该系统在消音室中采集声音可以有效避免周围环境噪声的影响，提高声音识别正确率；Ikeda等[85]利用线性判别分析方法对声音信号的频谱结构变化特征进行处理，进而智能识别母牛饥饿状态以及与仔牛分隔而产生的焦虑状态。试验对一头26月龄的日本黑在不同时间进行11次试验，结果表明饥饿和分离情况下发声持续时间为1.8和1.7 s，奶牛在与小牛分离时的心理不稳定导致了叫声频率相较于饥饿状态下降低。该试验样本数量太少，同时也未考虑环境条件、对象年龄、体质量等因素的影响，存在较大偶然性；Zeltner等[86]研究了在同一养殖模式下不同品种蛋鸡的应激行为，分析了蛋鸡在外界异物刺激下以尖叫声为主的变化规律。试验将鸡只分为3组，每组21只，模拟鹰对其攻击，观察并记录鸡只的恐惧反应及其持续时间；余礼根等[87]研究了栖架养殖模式下蛋鸡叫声的分类识别方法。试验连续采集7 d蛋鸡叫声后提取对象产蛋叫声、愉悦叫声、尖叫声以及争斗的应激叫声的特征参数，之后分别采用支持向量机决策树和朴素贝叶斯算法对其进行分类。试验结果表明虽然J48决策树算法建模速度较慢，但其用于蛋鸡情绪模型识别率最高，达到88.3%，可用于蛋鸡发声的自动判别与分类。

动物的叫声中蕴含着情绪的信息，目前研究主要针对动物饥饿、恐惧、紧张、愤怒、愉悦等声音进行分析。通过声音分析有效识别动物的情绪状态，尽量避免动物消极情绪的产生与持续，使动物处于身心愉悦的状态下更有利于保障动物福利水平与畜牧产品的质量。

3.3 行为监测

在动物行为的声音监测方面，Meen等[88]在奶牛场布置了摄像机和麦克风对荷斯坦奶牛发声和奶牛行为之间的关系进行了研究，得到了不同行为下发声频率存在显著差异的结果。试验采集奶牛躺卧、性行为、社交行为等情况下发出的声音信号，并分析其最大平均频率，试验结果表明躺卧行为奶牛叫声信号的最大平均频率与其他行为有显著差异。不同品种的奶牛其发声频率各不相同，因此需要进一步试验验证该结论；Chung等[89]提取奶牛发情期声音与正常声音的MFCC，采用支持向量机算法对2种声音进行进行识别，从而辨识奶牛是否处于发情期。试验采集了100段奶牛发情叫声、180段正常叫声，分别采用32维度与360维度的特征向量进行分析。结果表明，两者识别正确率分别为94.9%和97.7%，虽然采用360维度特征向量正确率较高，但运算时间与存储要求大大增加；Lewis等[90]对1～14 d大的仔猪进行T型迷宫测试，在迷宫的一边放置母猪呼唤仔猪声音的声源，观察仔猪对母猪护理声音的趋向性反应。试验中有69%仔猪向着声源走去，验证了对母猪与仔猪之间有着一定的声音联系；余礼根等[91]采集海兰褐蛋鸡叫声信号，提取包括持续时间、基音频率、频谱质心、共振峰等蛋鸡发声特征参数，构建出蛋鸡发声音频数据库，分析小规模饲养条件下的蛋鸡叫声信息及其体态行为之间的关系。试验表明，蛋鸡愉悦的鸣唱叫声与其走动和探究行为息息相关，相对于传统散养蛋鸡，笼养蛋鸡产蛋习性明显减弱；于天福[92]以狗为研究对象，通过对其叫声信号功率谱、MFCC、基音频率等特征的研究，为每种行为建立高斯混合统计模型，对时域特征和频域特征分别加权，经过决策达到识别攻击、警告、讨好3种行为的目的。该方法为进行一步研究畜禽声音行为提供借鉴。

采用声音监测技术分析动物行为需构建行为模式库，将动物声音信息与其行为建立一一对应的映射关系。相较于图像监测，声音监测技术直观性较差，有时需要图像进行辅助，但其操作简单，成本较低，受环境影响也相对较小。现有的研究结果表明声音监测在动物行为识别方面，也有较大应用潜力。

3.4 牛羊进食监测

反刍动物采食量的精准监测是制定反刍动物良好营养方案的基础，但在放养下牛羊活动范围广，采用一般方法难以监测它们的采食行为。采用声音监测技术对活动范围较广的反刍动物进行采食行为监测有较好的应用效果。牛羊采食主要有咬断及咀嚼草料2种动作，而实际采食量可由咬断草料的次数来判定，因此可通过咬断、咀嚼草料2种动作的不同音频特征识别牛羊采食过程中咬断草料的次数，进而实现采食量的智能监测[93-94]。

Clapham等[93]开发一套系统用于采集分析自由放牧下牛进食的的声音。该系统采用全指向的驻极体麦克风，将其放置在牛嘴边收集牛咬断草料以及咀嚼草料的声音，通过数学信号分析量化动物进食的行为。试验表明周围动物叫声以及环境噪声对系统识别性能无太大影响，该系统可识别95%咬断草料的行为；Galli等[95]对山羊进食不同植物时的声音进行分析，研究羊进食效率及估计其干物质采食率，发现进食植物种类对山羊进食效率并没有太大影响，而下巴咬合速度及每次咬合时的能量是主要影响因素；Laca等[96]分析牛采食声音信号的持续时间、能量流密度以及平均强度等参数，研究牛采食量与吃草行为的关系。试验结果表明，牛咬断草料声音与咀嚼声音识别正确率为94%，识别性能优良。试验同时还发现采用单个麦克风可能会录入无关杂音，影响后续分析，使用2或3个麦克风有助于提高系统识别性能；Milone等[97]建立HMM分析山羊进食牧草种类及牧草高度，牧草种类识别正确率达到84%，但是牧草高度识别正确率仅为67%，总体咀嚼活动识别率达到82%。

牛羊等反刍动物在放养情况下活动范围广，采用小型麦克风连接存储装置记录动物的进食声音可以有效分析监测过程中牛羊进食行为。但因为距离问题，系统无法及时将数据回传进行分析，因此无法实现实时监测。因为声音采集系统的存储装置捆绑在牛羊项圈上存储声音信息，因此，使用过程中装置内存容量以及电池使用情况应该根据实际情况做出调整。

3.5 家禽成长率监测

家禽的生长情况是饲养员们关心的重要问题。家禽的体质量可以很好体现其生长率及饲料转化率等情况，但是大规模养鸡场中，人工进行家禽的体质量测量耗费大量时间和人力。根据不同年龄阶段或体质量下鸡叫声特征不同，可通过声音监测的方式来监测家禽成长率。

Fontana等[98]连续采集38 d鸡的叫声，分析后提取其峰值频率。试验发现，随着年龄的增长，鸡的体质量增加，叫声频率逐渐降低，鸡叫声峰值频率与鸡龄相关性极高，<0.000 1。鸡叫声频率过高或过低可能反应其异常的生理状态，因此，该方法也可应用于早期家禽健康与福利的预警；Fontana等[99]以隔离箱中肉鸡为研究对象，分析其叫声的持续时间、重复次数以及峰值频率，发现鸡龄较小的鸡更容易发出呼唤同伴的叫声，更可能表现出孤独的状态。

叫声是动物种群内主要交流方式，蕴含大量信息。采用声音监测技术从动物声音中有效提取各类畜禽机体健康与福利、生理与情绪等信息有助于工作人员进行养殖管理。实现动物声音监测的首要目标是收集大量已知含义的动物叫声，提取其特征参数，并构建声音模式库，这是智能识别动物声音的基础。其中在模型构建过程中，选取MFCC作为特征参数并运用支持向量机或HMM进行识别有较好的识别能力。另外，禽畜饲养中除了动物声音还存在各种各样噪声，如何有效降低动物叫声间的相互干扰及环境噪声的影响以实现音频高质量地实时采集，是后续研究中需要解决的问题。目前研究人员主要通过安装多个麦克风，形成麦克风阵列根据相对于不同麦克风间的距离来定位声音的源头。但目前快速移动的动物以及位于麦克风阵列中心线处动物发出的声音定位误差较大。如何根据不同的畜禽舍布局设计合理的麦克风阵列准确定位声音源头是未来研究的重点。

4 讨 论

4.1 当前的主要技术问题

尽管国内外学者对畜禽养殖中无损监测技术做了大量的研究与改进，但畜禽信息无损监测系统的准确性、抗干扰能力及工作效率等仍有待提高。因此研发应用无损监测技术获取养殖中的畜禽信息时需要重点考虑以下问题：1）高湿、高腐蚀性等恶劣的畜禽养殖环境导致监测装置无法长时间高效工作的问题；2）传感器节点和声音采集器等需要固定在动物躯体上，在动物躺卧、互相打闹过程中容易遭到破坏；3）图像监测技术与声音监测技术获取数据量大、特征提取算法复杂，影响信息的传输和处理的效率；4）图像采集设备范围有限，获取畜禽图像信息时易受舍内饲养设施等障碍物的影响。另外，受环境光照条件限制，常规图像在阴天或者晚上无光条件下难以采集；5）畜禽声音信息获取时，环境中各种噪声以及动物发声的相互干扰制约着目标声音信息获取的精准度。

4.2 研究重点及发展趋势

基于以上畜禽信息无损监测技术存在的问题，当前研究的重点是：1）设计无损监测系统时应采用耐压、防水的材料和结构，设计体积合理、易于动物穿戴的传感器节点和声音采集装置，排除干扰，提高监测系统的识别准确率和稳定性。数据有线传输时应采用耐压、耐腐蚀管路材料，并优化线路布置，建议采用无线传输；2）研发适应环境光照复杂多变的畜禽图像信息获取系统中的光源和图像采集布置方法，减少舍内设施干扰，全面、清晰获取动物身体图像，同时优化图像处理算法，精准高效获取畜禽的图像信息；3）优化声音采集装置的布置方案和声音降噪算法，排除环境噪声及动物发声相互干扰，获取精准的畜禽声音信息；4）当前禽畜养殖中无损监测主要基于传感器监测、图像监测以及声音监测技术展开，3种无损检测技术在禽畜养殖中的不同运用领域各有利弊（表2），比如，声音监测在动物情绪识别方面有较大优势，而传感器或者图像监测的方法难以判断动物情绪状态。因此，融合多种无损监测技术的优势快速高效监测畜禽信息是未来的发展趋势，现已有一些研究结合多种无损监测技术进行畜禽信息监测[100-102]。

表2 无损监测技术对比

5 结 论

本文通过对畜禽行为及生理信息的无损监测技术发展现状、应用成果以及未来发展趋势等方面进行深入分析，阐述了无损监测技术在畜禽养殖业的重要意义，并提出了未来畜禽行为及生理信息无损监测技术的应用前景及研究重点。目前欧美发达国家在畜禽饲养中的无损监测技术方面已取得较大突破，已有一些研究成果运用于畜禽饲养中。中国在此方面研究仍处于起步阶段，鲜有实际应用案例。因此亟待结合中国畜禽养殖实际情况进一步研究开发精准、高效、智能、经济的畜禽信息无损监测技术。

[1] 陈长喜，张宏福，王兆毅，等.畜禽健康养殖预警体系研究与应用[J]. 农业工程学报，2010，26(11)：215－220.

Chen Changxi, ZhangHongfu, WangZhaoyi, et al.Research and application of early warning system for livestock and poultry health breeding[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(11):215－220.(in Chinese with English abstract)

[2] 赵勇，张盛男.畜禽规模化健康养殖及动物福利[C]//生态环境与畜牧业可持续发展学术研讨会暨中国畜牧兽医学会2012年学术年会和第七届全国畜牧兽医青年科技工作者学术研讨会会议论文集，北京，2012：186－187.

Zhao Yong, Zhang Shengnan. Large scale and healthy breeding of livestock and poultry and animal welfare[C]// Seminar on Sustainable Development of Ecological Environment and Animal Husbandry and China Institute of Animal Husbandry and Veterinary Medicine Conference in 2012 and The Seventh National Animal Husbandry and Veterinary Science and Technology Workers Youth Symposium, Beijing, 2012: 186－187. (in Chinese with English abstract)

[3] 张巧平.基于体温检测的猪疾病判断方法[J]. 现代农业科技，2011(20)：352.

ZhangQiaoping. A method for judging swine diseases based on body temperature detection[J]. Modern Agricultural Sciences and Technology, 2011(20):352.(in Chinese with English abstract)

[4] 石丽瑞，李秀华，韩璤英，等.动物疫病防治工作存在的问题及对策[J]. 中国畜牧兽医文摘，2013(11)：23－23.

ShiLirui, LiXiuhua, Han Huiying, et al. Problems and countermeasures of prevention and control of animal diseases[J]. China Animal Husbandry and Veterinary Abstracts, 2013(11):23－23.(in Chinese with English abstract)

[5] 陈广林，汪志强，薛江庭.母猪分娩报警装置：201120138338.5[P]. 2011-05-05.

[6] Krizanac D, Haugk M, Sterz F, et al. Tracheal temperature for monitoring body temperature during mild hypothermia in pigs[J]. Resuscitation, 2010,81(1):87－92.

[7] Chmiel M,Slwiński M, Dasiewicz K. Application of computer vision systems for estimation of fat content in poultry meat[J]. Food Control, 2011,22(8):1424－1427.

[8] Doeschl-Wilson A B, Green D M, Fisher A V, et al. The relationship between body dimensions of living pigs and their carcass composition[J]. Meat Science, 2005,70(2):229－240.

[9] Blanchard T, Kenney D, Garcia M, et al. Relationship of declines in grain consumption and milkyield to estrus in dairycattle[J]. Theriogenology, 1987,28(4):407－415.

[10] Claus R, Karg H, Zwiauer D, et al. Analysis of factors influencing reproductive-performance of the dairy-cow by progesterone assay in milk-fat[J]. British Veterinary Journal, 1983,139(1):29－37.

[11] 杨晋辉，郑楠，杨永新，等.红外光谱在牛奶生产和检测方面的研究进展[J]. 农业工程学报，2016，32(17)：1－11.

YangJinhui,ZhengNan, YangYongxin, et al. Research advances in milk production and detection by infraredspectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(17):1－11.(in Chinese with English abstract)

[12] 陆明洲，沈明霞，丁永前，等. 畜牧信息智能监测研究进展[J]. 中国农业科学，2012，45(14)：2939－2947.LuMingzhou,ShenMingxia,DingYongqian,et al. Review on the intelligent technology for animalhusbandry information monitoring[J]. Scientia Agricultura Sinica, 2012,

45(14):2939－2947.(in Chinese with English abstract)

[13] Wratten S D. Video Techniques in Animal Ecology and Behaviour[M]. New Zealand: Springer, 1994.

[14] 龙瑞军，董世魁，王元素，等.反刍动物采食量的概念与研究方法[J]. 草业学报，2003，12(5)：8－17.

LongRuijun, DongShikui, WangYuansu, et al. Concepts and investigative methods of ruminant forage intake[J]. Acta Prataculturae Sinica, 2003, 12(5):8－17.(in Chinese with English abstract)

[15] 田富洋，李法德，李晋阳，等.奶牛采食量检测仪的设计与技术研究[J]. 仪器仪表学报，2007，28(2)：293－297.

TianFuyang,LiFade, LiJinyang, et al. Design and study of the test instrument for feed intake of the dairy cow[J]. Chinese Journal of Scientific Instrument, 2007, 28(2):293－297.(in Chinese with English abstract)

[16] Andersen H M L, Dybkjær L, Herskin M S.Growing pigs’ drinking behaviour: Number of visits, duration, water intake and diurnal variation[J]. Animal, 2014,8(11):1881－1888.

[17] Meiszberg A M, Johnson A K, Sadler L J, et al. Drinking behavior in nursery pigs: Determining the accuracy between an automatic water meter versus human observers[J]. Journal of Animal Science, 2009,87(12):4173－4180.

[18] Kruse S, Traulsen I, Salau J, et al. A note on using wavelet analysis for disease detection in lactating sows[J]. Computers and Electronics in Agriculture, 2011,77(1):105－109.

[19] 陆明洲，沈明霞，丁永前，等.群养母猪饮水行为自动监测系统设计[J]. 南京农业大学学报，2013，36(5)：133－138.

LuMingzhou, ShenMingxia, DingYongqian, et al.Design of automatic system for drinking behaviormonitoring in group housed sows[J]. Journal of Nanjing Agricultural University, 2013, 36(5):133－138.(in Chinese with English abstract)

[20] Puma M C, Xin H, Gates R S, et al. An instrumentation system for studying feeding and drinking behavior of individual poultry[J]. Applied Engineering in Agriculture, 2001,17(3):365－374.

[21] Darr M, Epperson W. Embedded sensor technology for real time determination of animal lying time[J]. Computers and Electronics in Agriculture, 2009,66(1):106－111.

[22] Robert B, White B J, Renter D G, et al. Evaluation of three-dimensional accelerometers to monitor and classify behavior patterns in cattle[J]. Computers and Electronics in Agriculture, 2009,67(1/2):80－84.

[23] Watanabe N, Sakanoue S, Kawamura K, et al. Development of an automatic classification system for eating, ruminating and resting behavior of cattle using an accelerometer[J]. 2008,54(4):231－237.

[24] Ni JQ, Liu S, Radcliffe J S, et al. Evaluation and characterisation of Passive Infrared Detectors to monitor pig activities in an environmental research building[J]. Biosystems Engineering, 2017,158:86－94.

[25] 高云.基于无线传感器网络的猪运动行为监测系统研究[D]. 武汉：华中农业大学，2014.

GaoYun. Research on Pig Behavior Monitoring System Based on Wireless Sensor Network[D]. Wuhan: Huazhong Agricultural University, 2014. (in Chinese with English abstract)

[26] 郭东东.基于三轴加速度传感器的山羊行为特征识别研究[D]. 太原：太原理工大学，2015.

GuoDongdong. Research on 3d Acceleration Sensor Recognition for Goats’ Behavior Recognition[D]. Taiyuan: Taiyuan University of Technology, 2015.(in Chinese with English abstract)

[27] Cornou C, Lundbye-Christensen S, Kristensen A R. Modelling and monitoring sows’ activity types in farrowing house using acceleration data[J]. Computers and Electronics in Agriculture, 2011,76(2):316－324.

[28] 尹令，刘财兴，洪添胜，等.基于无线传感器网络的奶牛行为特征监测系统设计[J]. 农业工程学报，2010，26(3)：203－208.

YinLing, LiuCaixing, HongTiansheng, et al. Design of system for monitoring dairy cattle’s behavioral features basedon wireless sensor networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(3):203－208.(in Chinese with English abstract)

[29] Freson L, Godrie S, Bos N, et al. Validation of an infra-red sensor for oestrus detection of individually housed sows[J]. Computers and Electronics in Agriculture, 1998,20(1):21－29.

[30] Ostersen T, Cornou C, Kristensen A R. Detecting oestrus by monitoring sows' visits to a boar[J]. Computers and Electronics in Agriculture, 2010,74(1):51－58.

[31] 吉斯，陈洪深，曹庆，等. 精准化母猪发情检测器：201020186832.4[P]. 2010-05-04.

[32] 汪开英，苗香雯，谢江明，等.应用红外传感器进行母猪的发情及最佳配种时间鉴定[J]. 浙江大学学报：农业与生命科学版，2001，27(6)：74－77.

WangKaiying, MiaoXiangwen, XieJiangming, et al. Oestrus detection and optimal insemination time of sows using infrared sensors[J]. Journal of Zhejiang University: Agriculture and Life Sciences, 2001, 27(6):74－77.(in Chinese with English abstract)

[33] 胡天剑，李炳龙. 母猪发情的智能检测标记装置：201120353559.4[P]. 2011-09-02.

[34] Altmann M. Interrelations of the sex cycle and the behavior of the sow[J]. Journal of Comparative Psychology, 1941,31(3):481－498.

[35] Firk R, Stamer E, Junge W, et al. Automation of oestrus detection in dairy cows: A review[J]. Livestock Production Science, 2002,75(3):219－232.

[36] Maatje K, Mol R MD, Rossing W. Cow status monitoring (health and oestrus) using detection sensors[J]. Computers and Electronics in Agriculture, 1997,16(3):245－254.

[37] Jónsson R, Blanke M, Poulsen N K, et al. Oestrus detection in dairy cows from activity and lying data using on-line individual models[J]. Computers and Electronics in Agriculture, 2011,76(1):6－15.

[38] Lovendahl P, Chagunda M G G. On the use of physical activity monitoring for estrus detection in dairy cows[J]. Journal of Dairy Science, 2010,93(1):249－259.

[39] Oudshoorn F W, Kristensen T, Nadimi E S. Dairy cow defecation and urination frequency and spatial distribution in relation to time-limited grazing[J]. Livestock Science, 2008,113(1):62－73.

[40] White S L, Sheffield R E, Washburn S P, et al. Spatial and time distribution of dairy cattle excreta in an intensive pasture system[J]. Journal of Environmental Quality, 2001,30(6):2180－2187.

[41] Butler Z, Corke P, Peterson R, et al. Virtual Fences for Controlling Cows[M]. Ieee International Conference on Robotics and Automation, 2004:4429－4436.

[42] Bhavsar A R, Arolkar H A. Multidimensional Association Rule Based Data Mining Technique for Cattle Health Monitoring Using Wireless Sensor Network[C]// International Conference on Computing for Sustainable Global Development . IEEI, 2014:810－814.

[43] Kwong KH, Wu T T, Goh H G, et al. Wireless Sensor Networks in Agriculture: Cattle Monitoring for Farming Industries[M]// Kong J A. Progress in Electromagnetics Research Symposium. Cambridge: Electromagnetics Acad, 2009:1719－1723.

[44] Nadimi E S, Sogaard H T, Bak T. ZigBee-based wireless sensor networks for classifying the behaviour of a herd of animals using classification trees[J]. Biosystems Engineering, 2008,100(2):167－176.

[45] 闫丽，邵庆，席桂清.家畜行为智能监测系统的研究进展[J]. 家畜生态学报，2014，35(12)：6－10.

YanLi, ShaoQing, XiGuiqing.Research progress of Livestock behavior intelligent monitoring system[J]. Journal of livestock Ecology, 2014, 35(12):6－10.(in Chinese with English abstract)

[46] Lind N M, Vinther M, Hemmingsen R P, et al. Validation of a digital video tracking system for recording pig locomotor behaviour[J]. Journal of Neuroscience Methods, 2005,143(2):123－132.

[47] Frost A R, Schofield C P, Beaulah S A, et al. A review of livestock monitoring and the need for integrated systems[J]. Computers & Electronics in Agriculture, 1997, 17(2):139－159.

[48] 杨艳，滕光辉，李保明.利用二维数字图像估算种猪体重[J]. 中国农业大学学报，2006，11(3)：61－64.

YangYan, TengGuanghui, LiBaoming. Determination of pig weight from 2D images[J]. Journal of China Agricultural University, 2006, 11(3):61－64.(in Chinese with English abstract)

[49] Minagawa H, Ichikawa T. Determining the weight of pigs with image-analysis[J]. Transactions of the Asae, 1994,37(3):1011－1015.

[50] Schofield C P, Marchant J A, White R P, et al. Monitoring pig growth using a prototype imaging system[J]. Journal of Agricultural Engineering Research, 1999,72(3):205－210.

[51] Minagawa H, Taira O, Nissato H. A Color Technique to Simplify Image Processing in Measurement of Pig Weight by a Hands-off Method[M]. Asae Publication, 2003:166－173.

[52] Yang Yan, Teng Guanghui, Li Baoming, et al. Measurement of pig weight based on computer vision[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions ofthe CSAE), 2006,22(2):127－131.

[53] 李卓，杜晓冬，毛涛涛，等.基于深度图像的猪体尺检测系统[J]. 农业机械学报，2016，47(3)：311－318.

LiZhuo, DuXiaodong, MaoTaotao, et al. Pig dimension detection system based on depth image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3):311－318.(in Chinese with English abstract)

[54] Leroy T, Vranken E, Brecht A V, et al. A computer vision method for on-line behavioral quantification of individually caged poultry[J]. Transactions ofthe Asabe, 2006,49(3):795－802.

[55] Richard G, Xin Hongwei. Extracting poultry behaviour from time-series weigh scale records[J]. Computers and Electronics in Agriculture, 2008,62(1):8－14.

[56] 浦雪峰，朱伟兴，陆晨芳.基于对称像素块识别的病猪行为监测系统[J]. 计算机工程，2009，35(21)：250－252.

PuXuefeng, ZhuWeixing, LuChenfang. Sick pig behavior monitor systembased on symmetrical pixel block recognization[J]. Computer Engineering, 2009, 35(21):250－252.(in Chinese with English abstract)

[57] Song X Y, Leroy T, Vranken E, et al. Automatic detection of lameness in dairy cattle-vision-based trackway analysis in cow's locomotion[J]. Computers and Electronics in Agriculture, 2008,64(1):39－44.

[58] Nasirahmadi A, Hensel O, Edwards SA. A new approach for categorizing pig lying behaviour based on a Delaunay triangulation method[J].Animal, 2017, 11(1): 131－139.

[59] Shao J, Xin H, Harmon J D. Comparison of image feature extraction for classification of swine thermal comfort behavior[J]. Computers and Electronics in Agriculture, 1998,19(3):223－232.

[60] Shao B, Xin H. A real-time computer vision assessment and control of thermal comfort for group-housed pigs[J]. Computers and Electronics in Agriculture, 2008,62(1):15－21.

[61] Ott S, Moons C P H, Kashiha M A, et al. Automated video analysis of pig activity at pen level highly correlates to human observations of behavioural activities[J]. Livestock Science, 2014,160（1）:132－137.

[62] 刘龙申，沈明霞，柏广宇，等.基于机器视觉的母猪分娩检测方法研究[J]. 农业机械学报，2014，45(3)：237－242.

LiuLongshen, ShenMingxia, BoGuangyu, et al. Sows parturition detection method based on machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(3):237－242.(in Chinese with English abstract)

[63] Cangar O, Leroy T, Guarino M, et al. Automatic real-time monitoring of locomotion and posture behaviour of pregnant cows prior to calving using online image analysis[J]. Computers and Electronics in Agriculture, 2008,64(1):53－60.

[64] Lao F, Brown-Brandl T, Stinn J P, et al. Automatic recognition of lactating sow behaviors through depth image processing[J]. Computers and Electronics in Agriculture, 2016, 125(C):56－62.

[65] 赵凯旋，何东健，王恩泽.基于视频分析的奶牛呼吸频率与异常检测[J]. 农业机械学报，2014，45(10)：258－263.

ZhaoKaixuan, HeDongjian, WangEnze. Detection of breathing rate and abnormity of dairy cattlebased on video analysis[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(10):258－263.(in Chinese with English abstract)

[66] 范映春.红外线测温仪在动物检疫中的应用试验[J]. 浙江畜牧兽医，2006，31(2)：30.

FanYingchun. Application test of infrared thermometer in animal quarantine[J]. Zhejiang Journal of Animal Science and Veterinary Medicine, 2006, 31(2):30.(in Chinese with English abstract)

[67] 高利波，段纲，尹革芬，等.红外线体温仪在生猪屠宰场体温筛检中的试用效果[J]. 中国畜牧兽医，2010,37(9)：235－237.

GaoLibo, DuanGang, YinGefen, et al. Trialresultsofinfraredthermometerintheapplicationofante-mortembodytemperaturescreeninginthepig slauterh0use[J]. Zhejiang Journal of Animal Science and Veterinary Medicine, 2010, 37(9):235－237.(in Chinese with English abstract)

[68] 朱伟兴，刘波，杨建军，等.基于改进主动形状模型的生猪耳部区域检测方法[J]. 农业机械学报，2015，46(3)：288－295.

ZhuWeixing, LiuBo, YangJianjun, et al. Pig ear area detection based on adapted active shape model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 288－295. (in Chinese with English abstract)

[69] 周丽萍，陈志，陈达，等. 基于改进Otsu算法的生猪热红外图像耳根特征区域检测[J]. 农业机械学报，2016，46(4)：228－232.

ZhouLiping, ChenZhi, ChenDa, et al.[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 46(4):228－232.(in Chinese with English abstract)

[70] 刘波，朱伟兴，纪滨，等.基于射线轮廓点匹配的生猪红外与可见光图像自动配准[J]. 农业工程学报，2013，29(2)：153－160.

LiuBo, ZhuWeixing, JiBin, et al. Automatic registration of IR and optical pig images based on contourmatch of radial line feature points[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(2):153－160.(in Chinese with English abstract)

[71] Siewert C, Daenicke S, Kersten S, et al. Difference method for analysing infrared images in pigs with elevated body temperatures[J]. Zeitschrift fur Medizinische Physik, 2014,24(1):6－15.

[72] 郁厚安，高云，黎煊，等.动物行为监测的研究进展：以舍养商品猪为例[J]. 中国畜牧杂志，2015，51(20)：66－70.

YuHou’an, GaoYun, LiXuan, et al. Research review of animal behavior monitoring technologies:Commercial pigs as realistic example[J]. Chinese Journal of Animal Science, 2015, 51(20):66－70.(in Chinese with English abstract)

[73] Moura D J, Silva W T, Naas I A, et al. Real time computer stress monitoring of piglets using vocalization analysis[J]. Computers and Electronics in Agriculture, 2008,64(1):11－18.

[74] Guarino M, Jans P, Costa A, et al. Field test of algorithm for automatic cough detection in pig houses[J]. Computers and Electronics in Agriculture, 2008,62(1):22－28.

[75] Ferrari S, Silva M, Guarino M, et al. Cough sound analysis to identify respiratory infection in pigs [J]. Computers and Electronics in Agriculture, 2008,64(2):318－325.

[76] Ferrari S, Piccinini R, Silva M, et al. Cough sound description in relation to respiratory diseases in dairy calves[J]. Preventive Veterinary Medicine, 2010,96(3/4):276－280.

[77] Silva M, Ferrari S, Costa A, et al. Cough localization for the detection of respiratory diseases in pig houses[J]. Computers and Electronics in Agriculture, 2008,64(2):286－292.

[78] Exadaktylos V, Silva M, Aerts J M, et al. Real-time recognition of sick pig cough sounds[J]. Computers and Electronics in Agriculture, 2008,63(2):207－214.

[79] Chung Y, Oh S, L J, et al. Automatic detection and recognition of pig wasting diseases using sound data in audio surveillance systems[J]. Sensors, 2013,13(10):12929－12942.

[80] Exadaktylos V, Silva M, Ferrari S, et al. Time-series analysis for online recognition and localization of sick pigcough sounds[J]. Acoustical Society of America, 2008,124(6):3803－3809.

[81] 宣传忠，武佩，张丽娜，等.羊咳嗽声的特征参数提取与识别方法[J]. 农业机械学报，2016，47(3)：342－348.

XuanChuanzhong, WuPei, ZhangLina, et al. Feature parameters extraction and recognition methodof sheep cough sound[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3):342－348.(in Chinese with English abstract)

[82] Berckmans D, Hemeryck M, Berckmans D, et al. Animal Sound…Talks! Real-time Sound Analysis for Health Monitoring in Livestock[C]//Animal Environ. & Welfare, Chongqing, China, 2015: 215－222.

[83] Jahns G. Call recognition to identify cow conditions-A call-recogniser translating calls to text[J]. Computers and Electronics in Agriculture, 2008,62(1):54－58.

[84] Moura D J, Silva W T, Naas I A, et al. Real time computer stress monitoring of piglets using vocalization analysis[J]. Computers and Electronics in Agriculture, 2008,64(1):11－18.

[85] Ikeda Y, Ishii Y. Recognition of two psychological conditions of a single cow by her voice[J]. Computers and Electronics in Agriculture, 2008,62(1):67－72.

[86] Zeltner E, Hirt H. A note on fear reaction of three different genetic strains of laying hens to a simulated hawk attack in the hen run of a free-range system[J]. Applied Animal Behaviour Science, 2008,113(1/2/3):69－73.

[87] 余礼根，滕光辉，李保明，等.栖架养殖模式下蛋鸡发声分类识别[J]. 农业机械学报，2013，44(9)：236－242.

YuLigen, TengGuanghui, LiBaoming, et al. Classification methods of vocalization for laying hens in perch system[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(9):236－242.(in Chinese with English abstract)

[88] Meen G H, Schellekens M A, Slegers M H M, et al. Sound analysis in dairy cattle vocalisation as a potential welfare monitor[J]. Computers and Electronics in Agriculture, 2015,118:111－115.

[89] Chung Y, Lee J, Oh S, et al. Automatic detection of cow’s oestrus in audio surveillance system[J]. Asian-Australasian Journal of Animal Sciences, 2013,26(7):1030－1037.

[90] Lewis N J, Hurnik J F. An approach response of piglets to the sows nursing vocalizations[J]. Canadian Journal of Animal Science, 1986,66(2):537－539.

[91] 余礼根，滕光辉，李保明，等.蛋鸡发声音频数据库的构建与应用[J]. 农业工程学报，2012，28(24)：150－156.

YuLigen, TengGuanghui, LiBaoming, et al. Development and application of audio database for laying hens[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(24):150－156.(in Chinese with English abstract)

[92] 于天福.基于声音特征的动物行为识别系统研究[D]. 哈尔滨：东北林业大学，2010.

YuTianfu. TheResearchofAnimalBehaviorRecognition SystemBasedonSoundFeatures[D]. Harbin: Northeast Forestry University, 2010.(in Chinese with English abstract)

[93] Clapham W M, Fedders J M, Beeman K, et al. Acoustic monitoring system to quantify ingestive behavior of free-grazing cattle[J]. Computers and Electronics in Agriculture, 2011,76(1):96－104.

[94] Milone D H, Rufiner H L, Galli J R, et al. Computational method for segmentation and classification of ingestive sounds in sheep[J]. Computers and Electronics in Agriculture, 2009,65(2):228－237.

[95] Galli J R, Cangiano C A, Milone D H, et al. Acoustic monitoring of short-term ingestive behavior and intake in grazing sheep[J]. Livestock Science, 2011,140(1/2/3):32－41.

[96] Laca E A, WallisDeVries M F. Acoustic measurement of intake and grazing behaviour of cattle[J]. Grass and Forage Science, 2000,55(2):97－104.

[97] Milone D H, Rufiner H L, Galli J R, et al. Computational method for segmentation and classification of ingestive sounds in sheep[J]. Computers and Electronics in Agriculture, 2009,65(2):228－237.

[98] Fontana I, Tullo E, Butterworth A, et al. An innovative approach to predict the growth in intensive poultry farming[J]. Computers and Electronics in Agriculture, 2015,119:178－183.

[99] Fontana I, Tullo E, Scrase A, et al. Vocalisation sound pattern identification in young broiler chickens[J]. Animal, 2016,10(9):1567－1574.

[100] 周丽萍，陈志，陈达，等. 基于改进Otsu算法的生猪热红外图像耳根特征区域检测[J]. 农业机械学报，2016，47(4)：228－232.

ZhouLiping, ChenZhi, ChenDa, et al. Pig ear root detection based on adapted otsu[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(4):228－232.(in Chinese with English abstract)

[101] McLelland A E, Winkler C E, Martin-Iverson M T. A simple and effective method for building inexpensiveinfrared equipment used to monitor animal locomotion[J]. Journal ofNeuroscience Methods, 2015,243:1－7.

[102] Schofield C P, Marchant J A, White R P, et al. Monitoring pig growth using a prototype imaging system[J]. Journal of Agricultural Engineering Research, 1999, 72: 205－210.

Review on noninvasive monitoring technology of poultry behavior and physiological information

Wang Kaiying, Zhao Xiaoyang, He Yong

(,,310058,)

The behavioral information and body conditions of animals are significant in precision livestock farming. And they have a considerable relationship with animal’s welfare and diseases. Therefore, perceiving animals’ body and behavior information harmlessly is critical to livestock breeding. A research review of diseases detection, body conditions detection, individual identification, behavioral analysis, and so on with noninvasive monitoring technologies was presented focusing on some prevalent livestock, including pigs, cows, sheep and chicken. And a summary of the advantages and disadvantages of 3 noninvasive monitoring technologies, i.e. sensor monitoring, image monitoring and sound monitoring in all the aspects was presented in this review. Sensor monitoring has been applied in the monitoring of feeding and drinking behaviors of animals, the identification of location of free-ranging animals and daily behaviors monitoring. Various sensors such as temperature transmitter and acceleration transducer have been used for years, so sensor monitoring is more reliable compared with the other 2 technologies. However, it is hard to design stable and suitable sensors which can work for a long period of time under the bad conditions in animal husbandry. As for image monitoring, it has been applied in the estimation of weight and body contour of animals, behaviors monitoring and body temperature measurement. Images of animals are acquired by cameras and thermal infrared imager and then processed with different methods to mine information. Although image monitoring influences animals least, it is susceptible to lighting conditions sometimes. Algorithms need to be developed to improve accuracy of image identification and reduce environmental influence. Besides, sound monitoring in animal husbandry has been applied in diseases detection, emotional state recognition, daily behaviors monitoring and estimation of feed intake of free-ranging animals. Calls of animals can be easily obtained with microphones, while meanings and contents of which are essential to understand. Feature parameters and methods are fundamental to get animal’s sound meaningfully. The combination of Mel Frequency Cepstrum Coefficent (MFCC) and Hidden Markov Model (HMM) is proved to have good performance. Sound monitoring technology shows good identification performance in laboratory, while it is not as good as what scholars think due to the noisy animal husbandry filled with people talk, noise of clanging doors and wind. Thus, there is a need to update algorithms to improve identification accuracy in animal husbandry. Those 3 monitoring technologies are harmless to animals during the process of monitoring, while some supervision methods now available worldwide require device implanting or operation to the livestock, which is hence detrimental for increasing welfare. Whereas for the noninvasive monitoring technology, it can effectively cut down the manpower consumption, reduce the damage and stress response during the monitoring, lower the influence on the animals caused by observer, and then enhance the animal welfare. Sensor monitoring, image monitoring and sound monitoring perform well in different ways. It is worth a try to combine 2 or 3 of them to realize better monitoring performance in animal husbandry. Many attempts of noninvasive monitoring have been made and many products have been applied in some western countries, while Chinese scholars attempted to study it just decades years ago. Considering this, Chinese scholars should learn from western scholars and develop advanced noninvasive monitoring equipment.

sensors; monitoring; animals; livestock farming; noninvasive monitoring; animal welfare; image; sound

10.11975/j.issn.1002-6819.2017.20.025

S852.2; S811.8; TP212.9

A

1002-6819(2017)-20-0197-13

2017-05-31

2017-09-12

国家十三五重点项目（2016YFD05005）

汪开英，女，浙江衢州人，副教授，博士生导师，主要从事农业空气质量及动物福利方面研究。Email：zjuwky@zju.edu.cn

汪开英，赵晓洋，何 勇. 畜禽行为及生理信息的无损监测技术研究进展[J]. 农业工程学报，2017，33(20)：197－209. doi：10.11975/j.issn.1002-6819.2017.20.025 http://www.tcsae.org

Wang Kaiying, Zhao Xiaoyang, He Yong. Review on noninvasive monitoring technology of poultry behavior and physiological information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(20): 197－209. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.20.025 http://www.tcsae.org