图像识别技术在鸡养殖领域的应用

赵宁， 李星， 江勇， 王志秀， 毕瑜林， 陈国宏，2，白皓， 常国斌，

（1.扬州大学动物科学与技术学院，江苏 扬州 225009； 2.扬州大学农业科技发展研究院，教育部农业与农产品安全国际合作联合实验室，江苏 扬州 225009）

畜牧业是我国农业农村经济的支柱产业之一，在国民经济中发挥着十分重要的作用，不仅惠及民生、满足了人们对肉蛋奶制品的需求，还促进了我国经济稳定发展[1]。家禽产业是我国畜牧业的传统产业，在我国畜牧业中占据重要地位。与家畜相比，家禽具有生长迅速、性成熟早、繁殖能力强、饲料转化效率高、单位体重产品率高等特点，能短期内生产大批量的蛋、肉产品，满足人们日常生活需求[2]。然而，家禽养殖易受养殖环境、疫病及饲料营养等诸多因素影响，会对家禽生产性能及健康造成影响，甚至严重制约家禽养殖业的长远发展[3]。一方面，养殖场家禽数量众多，饲养密集，仅依靠人工对家禽监测，不仅浪费劳动力、增加经济成本，而且易出现人为误判和漏判情况，同时，人工监测也易引起家禽应激反应，导致家禽生产性能下降[4]；另一方面，禽流感、新城疫等传染性疾病时有发生，增加了人与家禽交叉感染风险，造成严重经济损失。因此，养殖人员更加注重家禽养殖福利及精准化管理，这使得实时监测的智能化养殖成为当前研究热点。随着现代信息技术的快速发展，国内外涌现出一批农业生产智能化监测技术，如音频分析技术、图像识别技术、无线传感器网络技术及射频识别（radio frequency identification，RFID）技术等[5]。图像识别基于强大的算法和处理系统，具有连续、客观、实时、非接触、灵活性好等优点，被广泛应用于畜禽识别[6]、行为监测[7]、体况评分[8]、疾病监测[9-10]等畜禽养殖生产中，不仅提高了畜禽养殖福利，实现了畜禽健康养殖，也为畜禽养殖提供理论支持和技术参考[11-12]。本文总结了图像识别技术在鸡行为识别、体质量估计、健康监测、产品分级中的应用，旨在了解图像识别技术在鸡养殖中的研究现状，为鸡智慧养殖生产提供合理参考，对促进我国家禽产业的安全、可持续健康发展具有积极意义。

1 图像识别技术概述

图像识别技术是目前人工智能领域的重要组成部分，其利用计算机视觉、模式识别、机器学习等技术方法，达到自动识别图像信息的目的[13]。图像识别技术在20 世纪初开始出现并初步应用于西方国家，但只是对数字和符号进行简单识别；20 世纪60 年代以后，电子计算机技术迅速发展，图像在传输过程中很大程度上保留了原始图像，并将图像压缩成一定的格式，实现了图像的低耗损传输；20 世纪70 年代，计算机行业技术不断优化改革，人们开始研究如何使用计算机表达图像的意义，并在实际应用中获得了重要成果；到20 世纪90 年代，图像识别处理技术才真正开始发展；到21 世纪，随着科学技术迅猛发展，图像识别技术得到飞跃发展，达到了成熟期，在医学、交通、农业等领域广泛应用[14-16]。图像识别技术的原理与人类眼睛识别物体的原理相似，都是通过图像本身具有的独特特征，排除多余信息干扰对图像进行识别，最后进行分类储存[17]。其过程主要包括信息的获取、图像预处理、特征抽取和选择、分类器设计和分类决策。其中，信息获取主要是利用设备采集图像并将图像转换成计算机可识别的信息；预处理主要采用去噪、平滑、变换等方式加强图像重要特征；特征抽取和选择是通过一定方式分离图像特征，提取有价值特征，实现图像识别；分类器设计和分类决策是制定识别规则，实现图像识别技术高识别率，再经分类模型对被识别对象进行准确分类[18]。目前图像识别技术应用的常见形式有3 种：一是模式识别形式，该形式基于大量的信息数据识别图像，使计算机分析和数学算法有机融合，实现对图像特征的自动识别，并准确评价数据信息，目前该形式的图像识别技术主要在医疗领域[19]广泛应用；二是非线性降维形式，该形式属于高维识别技术，不仅能够从整体上不断提升图像辨识率，还能深入解决一些图像本身分辨率低的问题，目前该形式的图像识别技术主要应用在人脸识别[20]中；三是神经网络形式，该形式是目前应用较多的一种形式，主要以传统的图像识别技术为前提，融合现代化神经网络的算法，在识别复杂图像时可以取得良好的效果[21-22]。近年来，随着深度学习的发展，Krizhevsky 团队[23]首次通过深度学习卷积神经网络（convolutional neural networks，CNN）实现图像识别，使得图像识别在精度、准确度和实时性方面取得了显著改善，在各行各业都有广泛应用前景，如种植业[24]、养殖业[25]、交通领域[26]、医学领域[27]等。如今，在我国社会经济发展和乡村振兴战略大背景下，为了更好地适应智慧畜牧业的发展趋势，家禽养殖业要紧跟发展潮流，充分利用图像识别技术全面、高效、即时地获取家禽信息，提高家禽整体养殖率和经济效益，实现家禽养殖业的自动化、产业化和智能化发展。

2 图像识别技术在鸡养殖中的应用

2.1 图像识别技术在鸡行为识别方面的应用

动物行为是指动物的行动、声音和身体姿势，是评价动物福利的重要指标。鸡的传统行为识别主要依靠人工识别，该方法费时费力，对技术人员要求高，易出现人为错误。与传统的鸡行为监测相比，图像识别技术可以自动监测、记录和识别鸡的不同行为，不仅效率高，还减少了人工对鸡的应激反应。Leroy 等[28]开发了图像处理系统来调查不同时间笼中鸡的行为，鸡的行走、站立和抓挠动作会被自动识别出来。劳凤丹等[29]利用计算机视觉技术对单只蛋鸡图像进行行为识别，可自动识别单只蛋鸡的运动、饮水、采食、修饰、抖动、休息、拍翅膀、探索、举翅膀等行为。为了解决复杂背景对图像处理带来的困难，劳凤丹等[30]提出了深度图像分析技术识别蛋鸡行为的方法，实现了蛋鸡群体行为和个体行为的自动识别。刘修林[31]基于机器视觉技术研制了家禽信息监控系统，实现了禽舍内鸡只行为识别和多个个体追踪识别。Aydin[32]基于计算机视觉开发了肉仔鸡跛足早期检测系统，监控不同步态评分下鸡体的活动特征量（速度、步频、步长、身体摆动），发现步态评分与活动特征量之间存在相关性，为检测鸡行为活动提供了新方法。Fang等[33]提出了基于深度神经网络的肉鸡行为分类方法，成功实现了肉鸡站立、行走、奔跑、进食、休息和整理羽毛的行为识别，识别测试精度分别为0.751 1（站立）、0.513 5（行走）、0.627 0（奔跑）、0.936 1（进食）、0.962 3（休息）、0.925 8（整理）。此外，Fang 等[34]还设计了姿势估计系统，通过高清摄像多方位收集肉鸡照片信息，利用深度神经网络提取复杂图像特征，实现单只肉鸡姿势识别，准确率达91.9%。

图像识别技术在鸡采食、饮水、运动等行为识别方面研究较多，而对鸡性行为（求偶、交配和射精）自动识别的研究较少。图像识别技术识别精准度有待进一步加强，轻微的肢体变化会影响识别的准确度，如鸡的探索行为被误认为休息行为的比例较高，其原因为图像中部分站立蛋鸡脖子的动作幅度较大而引起误判[29]。此外，大多研究都是在特定的饲养环境中进行，缺乏普遍适用性，未来应开展不同场景下的兼容性精准研究。

2.2 图像识别技术在鸡体质量估测方面的应用

动物体质量是反映动物生长发育、生产性能的综合性指标，是畜禽养殖所关注的主要生长指标之一。鸡的传统体质量测量方法主要采用电子秤或从鸡笼中随机挑选出几个代表性鸡只进行称重，并求平均值来预估整笼鸡只的生长信息，这种方法不仅工作量大，还会使鸡产生应激反应，影响鸡的质量和产量，而利用图像识别技术能有效克服以上缺点。Mollah 等[35]使用数字图像分析技术估计肉鸡的活体质量，利用图像分析肉鸡体表面积，建立线性方程估计肉鸡的体质量，估算的体质量与人工测定体质量差异不显著（P＞0.05）。Mortensen 等[36]开发了全自动肉鸡3D 摄像称重系统，首先对采集的图像进行分割，提取12 个不同的描述量，然后利用贝叶斯人工神经网络达到预测肉鸡体质量的目的。王琳等[37]提出了肉鸡体质量估测方法，利用数值积分提取鸡的图像特征，结合BP (back propagation) 神经网络，准确实现群体肉鸡的体质量估测。Amraei等[38]提取肉鸡身体面积、凸面面积、周长、偏心率、长轴和短轴长度等特征量并结合椭圆拟合算法进行肉鸡定位，成功实现活体肉鸡体质量预测。张宝全[39]开发了一套集背景分割、粘连分离、特征提取以及体质量估计于一体的蛋鸡体重检测系统，采用图像处理与机器学习技术，实现了单只蛋鸡到多只蛋鸡的体质量预测。郭蓓佳等[40]利用图像处理技术提取蛋鸡图像二维特征，构建MLP（multi-layer perception）神经网络体质量估测模型，可有效监测蛋鸡育成期的体质量。

目前图像识别技术虽应用于测量活鸡体质量，但鸡体型不规则，不同体型特征会直接影响结果值，导致该技术在鸡养殖业中应用困难，且上述研究大多在理想状态下采集鸡的俯视图运用算法进行体质量估计，而实际试验中，鸡天生好动体型多变，导致图像特征提取不完全，影响体质量预测的准确性。未来在养殖场内应采用多视角图像采集方法，全方位收集鸡的信息，分别从鸡站立、卧倒、运动等行为方面进行体质量预测，提高鸡的体质量预测准确性。若将其应用于实际，仍需利用不同品种个体对同一种体质量的预测模型进一步验证。

2.3 图像识别技术在鸡健康监测方面的应用

家禽的健康状况对人民生活和畜牧业发展有着极其重要的作用。传统的鸡健康监测主要以人工为主，通过肉眼逐个检查鸡冠、羽毛、行为活动和生长状况来判断鸡是否健康，一方面该方法会引起鸡的应激反应，另一方面会造成误判漏判，错过最佳治疗时间，而图像识别技术可以实现非接触精准测定和疾病早期监测，具有快速、无创的优点。目前，国内外许多研究主要基于红外热成像、深度图像、可见光图像的识别技术，通过获取禽类体温、外型、行为与动作、排泄物等特征，识别禽类疾病、体温异常和死亡情况。

家禽疾病被认为是影响家禽生产的关键因素之一，长期以来一直限制着家禽业的发展[41]。目前鸡常见疾病有脚垫皮炎（footpad dermatitis，FPD）、禽流感、新城疫及寄生虫病等，患病鸡往往表现出外观、姿态、行为、粪便、体温等方面的变化，利用图像识别技术可准确诊断出患病鸡[42-47]。Wilcox等[42]使用热成像仪捕获母鸡足底图像，生成红外图像，通过显示的鸡足底表面温度，成功识别患病鸡。Moe等[43]利用热成像仪测量火鸡足底体温，发现轻度脚垫皮炎的严重程度与脚垫的足底表面温度有关。Zhuang等[44]提出了自动诊断散养肉鸡健康状况的方法，通过采集图像提取肉鸡骨骼姿态夹角、轮廓凹凸度、轮廓伸长度等7个特征量，采用支持向量（support vector machines, SVM）模型对健康肉鸡和禽流感鸡自动分类，准确率达99.469%。Quach 等[45]提出了家禽疾病识别的神经网络模型ResNet-50，该模型通过判别鸡的头部，翅膀和腿部等特定部位来识别患有禽流感、禽痘、传染性喉气管炎和马雷克的病鸡。Mbelwa 等[46]提出了家禽寄生虫病图像识别方法，该方法基于CNN 对患病（球虫病和沙门氏菌）鸡和健康鸡的粪便图像进行识别分类，从而识别家禽寄生虫病。Colles等[47]基于光流法分析的图像识别技术，通过测量一系列图像中的亮度变化分析鸡群运动产生的“光流”模式，检测感染弯曲杆菌的鸡。

家禽疾病的早期发现和预警在家禽养殖中起着至关重要的作用，患病鸡的早期监测可让养殖者和兽医及时采取管理预防措施，降低疾病传播速度，减少经济损失。Aydin[48]使用3D 视觉相机采集肉鸡俯视图，通过检测肉鸡躺卧状态次数和躺卧时间，自动评估肉鸡的跛足状态，准确率达93%。沈明霞等[49]采集肉鸡步态视频，构建肉鸡早期跛行模型，实现对肉鸡跛行状态的早期预测。鸡行为活动和外型变化可直观地反映鸡精神和健康状态，实现鸡疫病早期监测。劳凤丹等[30]和刘修林[31]通过计算机识别技术追踪家禽活动情况及运动轨迹，识别家禽的活跃度及群体行为是否正常。Naas 等[50]通过摄像机拍摄鸡群，利用图像处理技术，获得鸡群聚集和分散特性，成为判断鸡群热舒适性的依据。郑双阳等[51]基于机器视觉技术研制了自动判断鸡笼内病死鸡的系统，通过蛋鸡进食时鸡腿和腹部图像变化来判断病死鸡。Okinda等[52]提出了基于机器视觉的肉鸡行走监控系统，以姿态形状描述和行走速度作为特征变量，用于肉鸡疾病的早期监测。李亚硕等[53]通过提取鸡冠的颜色进行机器视觉识别，判断鸡舍是否有患病鸡，试验结果表明该方法具有较高的检测准确率。Chen[54]设计了病鸡识别模型，利用CNN 对鸡冠、皮肤、羽毛和粪便进行检测，判断鸡群是否患病。Zhuang等[55]提出了基于数字图像处理和深度学习的鸡群病鸡识别模型结构IFSSD，该模型根据肉鸡躺卧姿势和羽毛蓬松程度对肉仔鸡健康状况进行有效识别，准确率达99.7%。庄晓霖[56]还提出基于计算机视觉的笼养鸡异常行为检测方法，能在复杂的鸡笼环境下识别鸡只站立和卧倒姿态。毕敏娜等[57]提出了基于鸡冠及鸡眼构成的鸡头特征信息的病鸡识别方法，采集黄羽鸡侧拍图像，提取鸡冠纹理特征和鸡眼瞳孔的形状特征进行病鸡识别，准确率达92.5%。此外，通过体温及排泄物监测也可进行家禽的早期监测。沈明霞等[58]利用神经网络实现肉鸡体温检测，依据环境温度、湿度、光照强度等因素，建立基于BP神经网络的肉鸡翅下温度反演模型，可快速、准确地检测肉鸡体温。Wang 等[59]提出了肉鸡消化系统疾病检测器，结合CNN 实现了异常肉鸡粪便的识别和分类，为肉鸡消化系统疾病的早期检测和预警提供了技术支持。

利用图像识别技术进行鸡健康监测（疾病监测和早期监测）的准确度相对较高，但真正利用图像识别技术监测禽疾病的研究较少，其原因一方面是由于图像识别技术本身的局限性，如群体数量过多，无法识别单个个体或不能精准定位测量部位；另一方面是由于禽疾病症状的相似性，如发生禽流感、鸡霍乱时，鸡体温都升高，冠黑紫且排黄绿色粪便，导致图像识别不能准确区分。因此图像识别技术在监测禽疾病方面仍需进一步优化。

2.4 图像识别技术在鸡产品分级方面的应用

2.4.1 鸡肉品质分级 中国是禽肉生产和消费大国，禽肉蛋白质含量高、易消化、营养价值高、价格低，在人类生活中具有不可替代的作用。随着人民生活水平的不断提高，肉品质已引起广泛关注。传统的禽肉品质检测分级主要通过专业人员进行感官评价或者利用实验室手段进行检测，这种检测方式需要运用大量的仪器设备，操作繁琐耗时，且对样品具有破坏性。近年来，国内外学者利用图像识别技术对鸡肉品质进行检测和分级，该技术主要用于检测肉色、大理石花纹、嫩度、脂肪含量等外部特性，克服了传统禽肉品质检测技术的缺点，满足了快速、准确、无损、实时等的检测要求。Geronimo 等[60]利用近红外光谱和计算机视觉系统采集鸡胸肉质光谱信息，通过提取肉质强度和纹理特征，准确分辨木质鸡胸肉和正常鸡肉。Taheri-Garavand 等[61]开发了在线评估鸡肉新鲜度的技术，通过计算机视觉和人工智能捕获不同时间段的鸡腿图像，经图像预处理、特征提取，最后基于神经网络建立鸡肉新鲜度评价的预测模型识别鸡肉新鲜度。涂冬成[62]建立了禽肉品质快速无损检测技术，首先利用计算机识别技术提取禽肉肉色特征参数，采用SVM 方法建立肉色分类器，成功实现禽肉色分级；之后，利用激光诱导荧光光谱技术对禽肉弹性和嫩度指标进行无损检测研究，发现鸡肉弹性和嫩度可以被准确检测。丁筱玲等[63]设计了智能识别鸡翅质量的方法，通过计算机技术采集鸡翅俯视和侧视图，提取鸡翅面积、轮廓周长和长短轴等特征，建立鸡翅实际质量和样本实际特征值之间的预测模型，实现对鸡翅质量的预测。

2.4.2 蛋品质分级 禽蛋含有丰富的优质蛋白质和人体必需的多种氨基酸，随着膳食结构的改变，人们更加注重蛋营养和蛋品质，在选择禽蛋方面通常更注重尺寸、新鲜度、外形等。传统的鸡蛋产品检测分级需要大量的劳动力进行手工操作，对蛋不规则的形状、蛋壳裂纹等缺陷无法准确识别，且对鸡蛋的重量也无法准确衡量。利用图像识别技术可以高效、无损地检测鸡蛋蛋壳裂纹、尺寸、新鲜度等品质，还能准确自动分拣鸡蛋。邢志中等[64]研发了新的鸡蛋品质检测与分级技术，利用彩色相机采集鸡蛋数字图像，经预处理后根据鸡蛋形状特性和颜色特征参数建立BP 神经网络模型对鸡蛋新鲜度进行检测。梁丹等[65]研究了一体化的鸡蛋品质无损检测与分级系统，利用机器视觉算法实现对鸡蛋裂纹、尺寸、新鲜度等品质等级的自动化在线检测与分级。Alikhanov 等[66]设计了鸡蛋形状和重量的自动分拣系统，通过捕获鸡蛋图片，利用图像识别算法提取鸡蛋短轴和长轴、面积和周长、形状系数和形状指数的特征，采用回归模型对鸡蛋形状和重量自动分拣。Harnsoongnoen 等[67]提出了鸡蛋分级和新鲜度评估的新方法，该方法将图像处理系统与称重传感器相结合，利用图像处理技术评估鸡蛋体积，称重系统测量鸡蛋重量，通过蛋重和蛋体积计算密度进行分级和鸡蛋新鲜度评价。Zhu 等[68]为了在孵化早期识别鸡蛋的性别，构建了机器视觉图像采集系统，该系统为孵化初期的鸡蛋性别识别提供了可行的方法。

2.4.3 胴体识别和品质分级 图像识别技术还可以进行鸡胴体识别和品质分级。电子计算机断层扫描（computed tomography，CT）和双能X 射线吸收测定法（dual-energy x-ray absorptiometry，DEXA）基于X射线（光子）的相关仪器对活体或尸体进行扫描，以测量脂肪、肌肉（水，蛋白质）和部分骨骼或骨矿物质等身体和胴体成分信息[69]。Schallier等[70]利用DEXA 扫描仪测量肉鸡体内和胴体成分，发现DEXA 估计值与解剖获得的绝对组织值高度相关，可根据鸡的脂肪和瘦肉组织含量来评价胴体质量，根据鸡的骨矿物质含量来评价骨骼发育情况。Grandhaye 等[71]利用CT 扫描仪多次扫描活体肉鸡，分析了肉鸡身体组成（肌肉、骨骼、脂肪、性腺）的发展，并通过研究肉鸡身体成分随时间的变化，对其生长发育进行评估。此外，戚超等[72]提出了在线检测的鸡胴体质量分级方法，通过机器视觉和机器学习技术提取鸡胴体投影面积、胴体长度和鸡胸宽度等6 个图像特征，建立预测鸡胴体质量等级预测模型，实现了鸡胴体质量等级的自动判定。王树才等[73]设计了家禽屠宰净膛机械手系统，采用视觉系统在线采集家禽胴体外形和膛口图像，经图像处理后获取家禽外形轮廓质心坐标及膛口中心坐标以进行定位，之后通过控制系统及机械手本体相互配合实现家禽净膛和分割。陈坤杰等[74]提出鸡胴体质量分级方法，通过鸡胴体图像，提取出鸡胴体投影面积、轮廓长度和胸宽等图像特征，利用回归分析建立鸡胴体质量预测模型，结果表明该鸡胴体自动分级方法是可行的。

图像识别技术在识别肉品质、蛋品质和胴体品质方面是有效可行的。目前蛋鸡养殖场已采用图像识别技术进行蛋品质量分级，在肉制品测定和胴体识别方面未广泛应用，未来仍需更高效、更准确的数据处理算法和更快、更小、更便宜的硬件设施，以减少图像采集和分析操作的时间，提高图像的分辨率。

3 图像识别技术在鸡养殖应用中存在的问题及建议

3.1 识别精度低

利用图像识别技术识别鸡群时，主要通过摄像机拍摄照片和计算机算法来判断鸡行为活动及病死鸡，该方法省时省力，但仍无法像人工一样灵活判断。在识别过程中，识别精度往往受背景粘连、图像分割阈值及图像算法等因素影响，导致精准度降低。劳凤丹等[29]利用图像识别技术识别单只蛋鸡时，坐的次数识别准确率不到60%，其原因一方面是鸡群集聚，部分鸡严重遮挡，导致被遮挡鸡无法正常识别，另一方面分割阈值取值不够精确，将鸡探索行为误判为坐行为，导致识别精度降低。同样，Fang 等[33]研究表明，鸡行走、奔跑行为识别精度都低于0.6，主要原因是2 种行为的姿态特征相似导致图像识别困难，引起精度降低。瞿子淇[75]研究表明，有些图像识别技术算法、模型较多，运算量较大，病死鸡检测方法结构不稳定，降低了识别精度和识别效率。未来，需要提出更精确的识别参数、行为分割值并提高特征提取的质量，结合多角度拍摄，增加鸡行为种类识别，同时优化算法，降低算法复杂度，提高识别方法稳定性。此外，可与其他非接触式监测技术结合，扩展鸡行为监测系统功能，提高识别准确性，挖掘更多鸡行为信息。

3.2 仪器设备要求高

图像识别过程中，图像采集尤为重要，通常采用采样率高、分辨率高、测量精度高的摄像机。目前常用设备有彩色图像摄像机、红外图像摄像机（infrared radiation，IR）、深度图像摄像机（3D）和热成像设备（infrared thermography，IRT）[76]。Li 等[77]发现，在养殖场捕获动物行为最常用相机的采样率为20～30 fps，最低采样率为0.03 fps；许多文献相机分辨率选择1 080 P（1 920×1 080 像素）和720 P（1 280×720 像素）。李沛[4]在最新研究中采用精度不大于±1 ℃，测温范围在-40～300 ℃且能在-40～85 °C 环境正常工作的红外热成像仪监测蛋鸡体温，结果成功收集到蛋鸡红外图像，实现了养殖场快速测量。此外，大型养鸡场环境复杂，温度、湿度、粉尘等因素都会影响仪器设备的精确度和使用寿命，导致测量结果不精确。因此养殖场采购设备时应选用具有防水、防尘、耐腐蚀、分辨率高、采样率高等特点的仪器，并定期对仪器设备进行维护，以延长使用寿命。

3.3 研究对象局限

大多研究者都选取同一生长阶段、同一品种的鸡为研究对象，对其建立行为识别、体质量预测、健康监测预测模型和产品分级标准。预测模型和产品分级标准是否用于不同类型品种和不同生长阶段的鸡有待进一步探索，如郭蓓佳等[40]的研究中仅使用罗曼灰蛋鸡作为试验样本，建立的蛋鸡体质量估测模型具有一定的局限性，未来需要研究该模型是否适用于其他品种蛋鸡的体质量估测。在以后工作中，研究者可以针对不同品种、不同生长阶段的多种家禽进行研究，建立通用的预测模型和产品分级标准。

3.4 设备布置局限，图像采集方式单一

目前研究大部分是在禽舍顶部安装摄像机，通过拍摄禽俯视图的图像，利用机器视觉模拟人类视觉功能，从图像中提取禽的相关特征信息，经过处理分析后用于饲养管理[12]。这种布局方式局限，图像采集方式单一，摄像机位置固定受光照条件影响大，拍摄范围和角度有限。此外，大多研究都是对鸡头、躯体表面积、脚区域进行识别采集，而对翅下和尾部没有涉及。何东健等[78]发现，目前针对动物的目标检测方法只能将视频图像中的动物作为整体进行分割，动物身体区域的精细识别未见报道，还需研究动物分割算法以区分动物身体各部分区域。今后可通过移动式图像识别技术收集家禽更多单个身体信息，结合更精准的分割算法，实现家禽各区域的精准监测。

4 图像识别新技术应用及展望

鸡养殖未来重要的发展方向是利用图像识别技术研发诸如可移动式图像识别、鸡虹膜生物识别、鸡三维模式图像和鸡数据库系统等技术，目前这些技术在国内鲜有报道，尚未在实际养殖中得到应用。

4.1 可移动式图像识别技术

目前，连京华等[79]已研究了笼养家禽生产的智能检测机器人，实现了禽舍环境检测、家禽行为监视、个体体温监测等功能，但目前未应用于实践。该智能机器人只适用于笼养家禽，并不适用于散养家禽。对于散养鸡，可将摄像头安装在机器上，该机器沿着禽舍天花板固定轨道进行全方位无死角拍摄，进而有效识别舍内鸡行为种类和异常个体，实现鸡在线监测并进行评分，遇到异常情况迅速定位鸡个体并启动警报，发送至养殖户和兽医手机中，以便他们根据情况尽早做出调整或制定疾病防治方案，确保鸡福利和减少养殖损失。

4.2 鸡虹膜生物识别技术

近年来，虹膜识别技术备受关注，并取得了良好的识别效果。由于虹膜识别具有唯一性、稳定性和易采集性等优点，其在牛、羊、猪等大型家畜中不断进行个体识别与追溯研究，但在家禽行业中是新的挑战。随着禽流感、新城疫等传染病的流行，家禽食品安全引起了广泛关注。如何有效追溯禽肉来源已成为亟待解决的问题。虹膜生物识别作为一种新技术，在肉类食品安全控制方面具有潜在的应用价值。目前在鸡养殖中，应建立虹膜生物识别系统，快速跟踪鸡从出生到屠宰的肉类供应链，并生成相应的虹膜二维码，印在产品包装上，以帮助消费者追踪鸡产品来源。

4.3 鸡三维模式图像技术

目前，对鸡体质量测量的研究仅基于二维图像，通过获取鸡躯体图像表面积得到相关数值，但无法获取鸡胸围、胫围等体型数据。未来应构建鸡三维模式图像技术，利用三维技术达到体尺测量的目的，并将鸡体尺参数与体质量进行结合，间接测量鸡体质量，随时监测鸡生长发育情况，降低鸡应激反应及人工成本。

4.4 鸡数据库系统

建立鸡个体信息数据库，收集来自不同养殖场的不同类型的鸡品种和不同成长阶段的鸡数据集，为行为识别、体质量估测、健康监测等模型的构建提供更多数据，找到更精确的预测模型，为未来鸡的品种培育和养殖管理提供一定帮助。

5 结语

近年来，图像识别技术在降低养殖人员劳动强度、减少鸡生产成本、提高养殖福利和产品质量以及保证消费者食品安全等方面起着十分重要的作用，但目前还存在一些弊端，如识别精度低、仪器设备要求高、设备布局局限、图像采集方式单一、研究对象局限等，仍需进一步的探索研究。未来可将图像识别技术与其他非接触式监测技术结合，实现高效、连续、准确的智能化养殖，利用可移动式机器人通过收集全方位图像，解决设备布局局限问题，提高家禽行为监视和异常个体的识别准确性；利用鸡虹膜生物识别技术通过识别鸡虹膜，提高个体识别精度，准确追溯鸡产品来源；利用三维模式图像技术通过三维相机获取鸡体型数据、解决图像采集方式单一问题，获得更精准的鸡体质量数据；建立数据库系统通过收集不同类型及生长阶段的鸡行为、体质量估测、健康监测等数据，解决研究对象局限问题，提高识别效率，为建立分类模型提供依据。图像识别技术在家禽养殖业中有很大发展空间，它以快速、连续、非接触、实时监测等优势，可广泛应用于鸡行为识别、体质量预测、产品分级、病死鸡早期监测方面，但在疾病监测方面，图像识别技术有一定局限性，需进一步优化。