答辩博士：薛鸿翔
指导老师：沈明霞教授
论文题目：基于典型表征的母猪体况评分与发情检测关键技术研究
答辩委员会：
主席：
徐焕良教授/博导 南京农业大学
委员：
赵茹茜教授/博导 南京农业大学
姚文教授/博导 南京农业大学
陈坤杰教授/博导 南京农业大学
陈巧敏研究员/硕导 农业农村部南京农业机械化研究所
王建兵研究员/硕导温氏食品集团股份有限公司
熊本海研究员/博导中国农业科学院
秘书：
刘龙申副教授/硕导 南京农业大学
答辩时间：2024年6月2日14时30分
答辩地点：浦口校区博远楼A200
论文简介：
随着猪场规模化水平的不断提高，现代养殖业对智能化养殖装备和技术的需求日益迫切。母猪作为猪场的核心，其繁殖性能与健康状况直接关系到猪场的经济效益。实时感知配怀舍母猪的生理与生长关键信息，有助于提升母猪生产管理水平和效率，进而提高其生产成绩。在配怀舍中，母猪体况评分、发情检测等关键作业环节目前仍依赖人工，工作强度高，且易受养殖人员技术水平和主观判断的影响，进而影响到猪场的生产成绩与经济效益。
为提高配怀舍母猪体况评分与发情检测的自动化、智能化水平，实现断奶母猪的精细化管理。本文以大长经产母猪为研究对象，围绕猪只体征与行为特征，开展体况自动评分与发情智能检测研究工作，研究基于多源信息的配怀舍母猪信息感知关键技术，为母猪精准养殖提供有力的技术支持。
本文的主要研究内容如下所示:
(1)筛选出体况良好的断奶母猪是开展发情检测工作的前提。为及时准确地评估母猪个体的能量储备，本研究构建了一个基于混合神经网络的母猪体况评分模型。针对传统的整分制体况评分标准难以满足母猪精细化管理需求，结合专家经验制定半分制体况评分标准。针对体况评分数据分布不均衡与关键评分特征捕捉难度大的问题，本研究提出一种基于CNN与Transformer的母猪体况评分方法。利用卷积注意力机制，提高模型对关键特征的捕捉能力，并减少复杂背景对猪体特征提取的干扰。通过优化焦点损失函数，解决了母猪体况数据集中存在的类别不均衡和误标注问题。实验结果表明，该方法母猪体况分类精确率均值为91.06%，召回率均值为91.58%，F1-score均值为91.31%。通过对比模型大小、准确率等指标，本文构建的体况评分模型优于Swin-Transformer、T2T-ViT、ResNet-18等模型，能够满足实际生产管理中母猪体况评分的需求。
(2)本研究设计了一款基于多源诱情因子的仿生公猪机器人，并构建基于母猪与仿生公猪机器人短时交互特征的发情检测模型，以实现经产母猪的自动诱情与查情。针对后非瘟时期规模化猪场诱情操作繁琐、效果不佳的问题，利用“公猪效应”和仿生学技术，构建基于听觉、触觉、视觉和嗅觉等多源诱情因子的仿生公猪机器人，以实现母猪的自动诱情。以母猪与仿生公猪机器人交互行为为检测特征，构建基于改进YOLO v5s算法的母猪发情快速检测方法。通过采用稀疏训练、通道剪枝和模型微调等策略，实现模型压缩与加速。本研究通过优化模型损失函数，有效提高了交互特征的识别精度。实验结果表明，优化后的算法平均精确率可达97.8%，单幅图像平均检测时间仅1.7 ms，单帧视频平均检测时间仅6 ms。进一步分析空怀母猪发情期与非发情期的交互特征，本研究发现母猪发情期相较于非发情期，其交互时长与频率均显著提高。当以单个视频序列内20 s的交互时长作为发情检测阈值时，该方法的发情检测特异性达到89.1%、准确率为89.69%、灵敏度为90.0%，该方法能够实现发情母猪的快速检测。
(3)为进一步提升发情检测方法的准确性，本研究构建了基于姿态特征的母猪活跃度量化方法，并根据母猪的姿态转换频率精准识别发情母猪。在发情周期内不同阶段，母猪因体内雌性激素的周期性消涨，排卵前后渐进式地表现出不同的行为模式。基于此，本研究构建基于轻量级卷积神经网络的母猪姿态检测模型，实现母猪行为特征的实时检测。为提升模型的检测速度和精度，本研究采用YOLO v5作为检测器，并结合目标框与猪只活动区域的位置关系进行目标框的筛选，同时引入CBAM注意力机制，以增强模型对母猪位置信息和姿态信息的关注度。本研究通过垂直整合网络结构、水平组合网络结构、去除Concat层等优化方式，提升模型在嵌入式GPU上的推理速度。本研究利用所构建的模型，自动检测母猪断奶后1-7天内的侧卧、胸卧等四种特征行为，并将母猪姿态转换频率和姿态时长等特征与母猪发情、异常发情进行关联分析。实验结果表明，本研究所构建的姿态检测模型识别平均精确率、平均召回率及平均F1-score可达97.1%、96.1%、96.6%。同时，该模型在嵌入式GPU上处理单张图片的时间仅需74.4 ms，发情母猪检测准确率可达94.12%，该方法可以实现发情母猪的精准识别。
(4)在保证发情检测准确率的同时，为提高发情母猪检测的及时性。本研究构建了基于多元数据的母猪体温精准估测模型，实现了母猪体温的自动监测，并根据母猪发情周期内不同阶段的体温变化规律，实现发情母猪的快速检测。针对母猪体温估测存在的自动化程度低、估测难度大的问题，本研究融合了轻量级目标检测算法与Deeplabv3+语义分割算法，实现了母猪外阴区域的精准分割。将检测到的母猪外阴区域位置坐标映射至热红外图像的温度矩阵，从而提取出该区域的温度矩阵。本研究综合考虑了母猪外阴温度、环境温湿度、光照度及母猪直肠温度等多个因素，利用自适应遗传算法和随机森林算法构建了母猪体温估测模型。通过将数据采集系统所捕捉到的数据输入至模型中，可实现空怀母猪的发情检测与异常发情母猪的分析。研究结果表明，本文构建的母猪外阴区域分割器IoU和分割速度可达91.5%、49.26 fps，对不同尺寸及不同干扰条件下的母猪外阴区域均呈现出良好的分割效果。本文构建的母猪温度估测模型MSE、MAE和R2分别为0.114℃、0.191℃和0.845，有效实现了母猪体温的精准估测。本研究以体温估测模型为基础，探究了不同经产母猪发情周期内的体温变化规律并进行测试。根据现场试验结果，本研究提出的基于体温特征的母猪发情检测方法准确率可达到94.29%，该方法可以快速准确地识别出发情母猪。
主要创新点如下：
(1)针对母猪个体表型差异小、整体体型与关键评估点特征提取困难等问题，提出一种基于混合神经网络的母猪体况评分模型。利用卷积注意力机制提升CNN网络的特征提取能力，并利用多头注意力机制增强评分特征的表征能力。采用优化后的焦点损失函数解决体况评分数据类别样本不均衡和数据误标注问题，避免不良体况母猪参与发情检测与配种任务。
(2)利用“公猪效应”与仿生工程学相关技术，融合视觉、嗅觉、听觉及触觉等多源诱情因子构建仿生公猪机器人。构建基于轻量级神经网络的断奶母猪与仿生公猪机器人交互行为识别模型，以量化仿生公猪机器人对发情母猪的吸引力，并根据母猪发情期与非发情期母猪的交互特征，实现发情母猪的快速检测。
(3)利用机器视觉技术构建基于“站立”、“坐立”“胸卧”“侧卧”四种姿态特征的母猪行为量化模型，实现母猪活跃度的实时检测与量化。融合实时环境数据、母猪外阴特征，构建基于多元数据的母猪体温反演模型。并根据母猪发情周期中不同阶段的行为与体征变化规律，实现母猪发情检测与异常发情分析。
