共计 2776 个字符，预计需要花费 7 分钟才能阅读完成。
本文首发自 HyperAI 超神经微信公众号~
内容一览：近期，纽卡斯尔大学联结费拉迷信有限公司联合开发了一个针对多头奶牛的自动化、实时跛行检测零碎。该零碎可能依照跛行评分零碎将奶牛进行分类，并且准确度高达 94%-100%。目前，该研究成果已发表在《Nature》上。
关键词：奶牛跛行 畜牧业 机器学习
因口蹄疫等疾病造成的奶牛跛行对畜牧业而言，已成为一个全球性话题。相干科普显示，它不仅会导致奶牛产奶量升高、滋生效率降落，还会导致奶牛过早地被淘汰。国家动物衰弱监测服务奶业报告数据显示，奶牛有 16% 的淘汰率是由跛行引起的。
跛行已成为奶牛业面临的次要危机之一，因而，早监测、早预防成为规模化养殖奶牛中解决奶牛跛行的无效伎俩。过往，奶牛业个别都采纳人工辨认的办法，但这一办法存在效率低、老本高、主观性强等弊病，在这种背景下，奶牛业对奶牛跛行的自动化检测技术需要日益强烈。
近期，来自纽卡斯尔大学的 Shaun Barney、Satnam Dlay 以及来自费拉迷信有限公司 (Fera Science Ltd) 的 Andrew Crowe 等人联合开发了一个针对多头奶牛的齐全自动化、实时跛行检测零碎，并可在整个养殖场内进行部署。这一零碎利用计算机视觉和深度学习剖析摄像机视线内每头奶牛的姿态和步态，检测准确度可达 94%-100%。目前该研究成果已发表在《Nature》上。
论文链接：
https://www.nature.com/articles/s41598-023-31297-1#Sec7
试验数据集
本次试验中，钻研人员首先对英国某农场内 250 头奶牛的静止状况进行视频录像，失去了 25 个视频，而后又把每个视频合成为 3,600 个组成帧。其次，钻研人员提取了每秒钟中的 1 帧画面进行了标注。并且为了进一步改善网络泛化能力，他们从 Google 中下载了 500 张牛的相干图片，为每个奶牛标注了 15 个关键点，再将这些图片搜寻数据和本人的标注数据相结合，失去了一个大概含有 40,000 条标注信息的数据库。
为了用实在数据来评估算法性能，3 名通过 AHDB 认证的观察员同时应用 AHDB 奶牛移动性评分系统对 25 个视频进行了评分，该零碎有四个评分等级：0（齐全不跛脚）、1（口头稍有不便）、2（跛脚）和 3（重大跛脚），下图显示了由这 3 名观察员的评分散布状况。
图中显示，25.2% 的奶牛跛行评分为 0（橙色），43.2% 的奶牛跛行评分为 1（绿色），25.6% 的奶牛跛行得分为 2（红色），6.0% 的奶牛跛行评分为 3（灰色）。
试验过程及成绩
本钻研应用摄像头和深度卷积神经网络 (Mask-RCNN 算法、SORT 算法和 CatBoost 算法) 来检测多头奶牛的姿势。钻研人员通过追踪视频中奶牛背部、头部的关键点，依据提取相干特色指标进行剖析，从而检测出跛行水平。
姿势剖析算法
钻研人员将 Mask-RNN（实体宰割算法）中的一部分进行自研后，构建了一个姿势剖析算法来对每头奶牛进行姿势预计。该算法应用了来自 Google 数据集中的 500 张图像以及 250 头牛中的 189 头牛的图像来进行训练，而残余的 61 头牛的图像用来做最终的后果验证。
同时，该算法会高精度定位 15 个关键点地位，并输入每个点的具体坐标地位来用作姿势剖析，其中背部有 5 个关键点，头部有 2 个关键点。
跟踪算法
以上步骤中，从将视频分解成组成帧到对每张图像进行关键点标注再到利用 Mask-RNN 来进行姿势剖析，都是基于繁多的静止图像，因而，试验还须要对奶牛随着工夫挪动过程进行剖析。对此，钻研人员采纳了 SORT 算法（实时跟踪算法），该算法可能随着工夫检测奶牛姿态，获取背部回归曲线、背部区域、颈部回归曲线水平以及颈部角度等指标信息。
顶部图像中显示了第一帧中的三头奶牛，每个都用不同色彩标记，两头图像中显示了 1 秒之后的奶牛挪动状况，并且跟踪算法将方才标记的奶牛都找进去并胜利标记上对应色彩，同理，底部图像则显示了又过了一秒后的奶牛的挪动状况。
分类算法
失去由姿势深度学习模型输入的姿势剖析后果后，钻研人员应用了 CatBoost 算法对奶牛的跛脚状况进行评分分类。这里值得注意的是，为了确保最大水平的泛化，只有最重要的姿势特色后果才应该在最终的训练模型中应用。因而，钻研人员进行了一系列变量排列剖析，最终得出删除 4 个不重要的指标信息，可能升高误差并对模型性能没有太大影响。
最初，为了测试应用 CatBoost 算法的准确性，钻研人员采纳了三重穿插验证和分类验证的办法来验证模型性能。其中，三重穿插验证结果显示该算法模型可能将每头奶牛依照跛行水平粗疏地分类到不同跛行评分等级中，且均匀准确率为 94%±0.05。
总之，钻研人员提出，与现有检测奶牛跛行零碎相比，本研究成果有以下几个显著劣势：
- 可能同时对多头奶牛进行检测。
- 依据奶牛的挪动姿势依照惯例应用的 AHDB 评分零碎进行粗疏分类。
- 可能在工夫维度上追踪、剖析每个个体。
- 齐全自动化，对挤奶、喂养等生产不会造成任何影响。
最初，钻研人员也提出了几点挑战：
- 该零碎在辨别跛行等级评分为 0 及 1 的准确率要比辨别其余等级时的准确率低很多，将来该钻研团队将致力于晋升渺小特色差别的能力，以精确辨别不跛行奶牛和口头稍有不便的奶牛。
- 该零碎须要借助边缘设施（如相机、挪动设施或平板电脑）将后果发送到服务器进行解决，从而实现实时察看，这个过程中，如何削弱网络变动带来的性能稳定，将成为该项钻研将来的工作重点。
- 该零碎易受外部环境条件影响，例如地板与牛蹄色彩相近时，Mask-RCNN 算法辨认准确性会升高，因而，增加更泛化的能力训练也成为该项钻研将来的工作重点。
牛！AI 推动畜牧行业实现数字化
目前来看，AI 的风刮到畜牧业已成为一个不争的事实。聚焦国外，除了咱们本篇介绍的科研成果之外，因为其畜牧业自身规模化水平高、数字化根底好，AI 落地成绩已「百家齐放」。例如，荷兰的农业科技公司 Connecterra 开发了「智慧牧场助理」(IDA ,The Intelligent Dairy Farmer’s Assistant) 零碎，通过在奶牛的脖子上佩戴可穿戴设施，软硬件配合实时监测奶牛的衰弱状况。据一位美国牧场主示意，通过利用 IDA 帮忙其进步了 10% 的生产力。
将眼帘转回国内，一方面近年来 AI 发力畜牧业的例子也不在少数。早在前几年阿里就开启了智能养猪事业，而华为也曾联结中国电信和银川奥特推出基于 NB-IoT 的「牛联网」产品「小牧童」。不过，另一方面，也须要看到 AI 在国内畜牧业利用的覆盖面仍谈不上很广，对此，深牧科技 CEO 曾婉言，「目前国内很多养殖者在谈起人工智能时，对它的意识还停留在最传统的人脸识别、语音辨认上。」
因而，在这一背景下，如何让 AI 在推动畜牧业数字化上施展更多踊跃影响，无疑将成为 AI 和畜牧业两个畛域须要重点钻研的课题之一。当然，对国内相干畛域来说，这条路线更是任重而道远。