轻量级卷积神经网络在奶牛体况评分中的应用

摘要 为对奶牛体况信息进行高效地实时监测以便满足商业化的需求，提出一种改进轻量级注意力机制网络模型（Shuffle-ECANet）。首先，针对8 972 幅含有奶牛尾部的图像样本，通过专家对奶牛体况进行人工评分，并构建数据集；然后以轻量级ShuffleNet-v2 1×网络为基础，在特征提取过程中引入高效的通道注意力模块，强化网络对奶牛体况特征的提取能力。此外，采用H-Swish 激活函数，避免神经元坏死现象；最后通过进一步精简网络结构得到Shuffle-ECANet 网络模型。结果显示，Shuffle-ECANet 模型针对各类别奶牛的识别准确率为97% 以上，且在体况评分（body condition scoring，BCS）误差分别为0、≤0.25 和≤0.5 的体况评价结果中，Shuffle-ECANet 模型均优于EfficientNet-v1、MobileNet-v3、ShuffleNet-v2 1×和ResNet34 等模型，证明本研究方法的有效性。

关键词 体况评分； ShuffleNet-v2 网络； 注意力机制； 智慧养殖； 轻量级； 激活函数

中图分类号 TP391 文献标识码 A 文章编号 1000-2421（2024）01-0249-09

体况评分（body condition scoring，BCS）是以动物身体中体内脂肪含量为依据，用来衡量动物能量代谢状况、健康管理水平的重要方法。合理的体况管理能够有效避免分娩时奶牛跛行和子宫内膜炎的发生，对奶牛产前和产后管理具有非常重要的意义。体况异常和突变是奶牛代谢紊乱的主要表征之一，定期评估奶牛体况是提高奶牛产奶量、繁殖效率、降低疾病发生率的有效途径［1-3］。传统的体况评分方法主要是人工评价，评分员根据BCS 图表信息［4］，通过对奶牛身体区域的观察来进行评分，但存在主观性、评分结果重复性低等缺点［5］。此外，体脂测量［6］、血脂测量［7］以及超声波成像［8］等方法也被用于奶牛体况评价，但成本高、耗时且繁琐，不利于实时性检测。在规模化畜牧业发展中，上述方法难以满足养殖的需求，故急需开发一种快速、廉价且精度高的BCS 评价方法来评估不同生长阶段的奶牛体况。

近年来，随着深度学习技术的发展，其高效快速的检测能力和强大的特征表征能力满足实时、高效、高精度的实际需求，在精准农业中得到广泛应用［9-11］，例如目标检测［12］、行为识别［13］、体况评价［14］、体质量预测等［15］。其中奶牛体况评价是热门研究之一。黄小平［16］使用2D 相机获取5 470 张奶牛的后视图像，手动标注奶牛关键身体部位（尾巴、背部、臀部）并构建数据集，采用改进的SSD 方法对牛尾图像进行定位和分类，最终BCS 在0.5 分差范围内的平均准确率为98.46%。赵凯旋等［17］采用3D 相机来获取奶牛的背部深度图像，结合点云方法进一步获取奶牛背部轮廓三维信息作为深度学习模型的数据集，结果表明深度学习可提高BCS 的准确率。Sun 等［18］使用3D 相机获取686 头奶牛的背部三维图像，利用超声波技术测量背膘厚度来确定奶牛的BCS 并构建样本集，通过训练深度学习网络模型，实现奶牛BCS的自动检测。上述研究表明，深度学习技术应用于奶牛体况评分是可行的且具有较高的应用前景。但在实际生产中，为满足奶牛不同生长阶段营养管理需求，理想BCS 值应该与实际BCS 值分差不超过0.25，且2D 相机比3D 相机具有价格低、前期工作准备较少等优势，现有自动评分系统的精度、实用性与实际养殖管理的理想标准仍存在一定差距。

为了提高深度学习技术在体况评分领域的实用性和准确率，本研究提出了一种改进的网络模型Shuffle-ECANet。通过专家对奶牛体况图像进行人工评分构建数据集，然后以轻量级ShuffleNet-v2 1×网络为基础，在特征提取过程中加入高效通道注意力模块，强化网络对奶牛体况特征的提取能力，修改激活函数提高了神经元的使用效率，最后对网络结构进行裁剪得到Shuffle-ECANet 网络模型，以实现自然环境下奶牛体况的精准高效评分，为对奶牛体况信息进行高效地实时监测提供参考。

1 材料与方法

1.1 数据采集

图像采集于安徽省六安市安徽华好生态养殖有限公司，采集平台如图1 所示。相机（DS-2CD3T56DWD-I5，500 万像素，海康威视）安装在奶牛挤奶通道上方，距地面2.4 m，垂直向下，以获取奶牛经通道时的俯视视频，并存储在硬盘录像机中。其中，帧频为25 帧/s，921 600 像素。由于通道宽度有限，保证奶牛按照先后顺序进入，在此条件下能够有效避免奶牛图像关键部位遮挡、干扰等问题，并可采集到与体况评分高度相关的奶牛尾部关键特征信息。

此外，奶牛体况在1 周时间内变化范围一般最大为0.25［19］，故对每头奶牛体况得分的时间序列进行分析，剔除人工评分时间序列中的异常值。最终得到包含300 头奶牛的8 972 幅体况图像及对应的BCS数据集。8 972 幅图像经过兽医专家的标注，被分到5 个类别当中，分别是3.25、3.50、3.75、4.00、4.25，分类样本如图2 所示，可见随着BCS 的递增尾部的形状特征从中空到凹陷，从扁平到膨胀；尾根两侧的凹陷面积也越来越小，从严重凹陷到完全看不到凹陷。由于评分为1.0 和2.0 的奶牛身体健康状态极差，在当下规模化养殖农场中很难找到；此外，体况评分在4.5～5.0 的奶牛属于高危牛群。故采集的绝大多数奶牛体况评分数值分布在3.25～4.25。数据集按照9︰1 的比例随机划分为训练集和验证集，其中训练集和验证集当中的BCS 分布特性如表1 所示，数据集在随机划分过程中包含所有的BCS 值，且保留了整体数据集的样本分布特性。

1.2 图像预处理

对输入图像进行标准化处理可以避免网络在训练过程中梯度变化异常，达到缩短训练时间的目的。

本研究采取的标准化处理方法如下：