广告
本文探讨了在猪舍中安装合适的摄像头来监控所有猪的好处。
人工智能 (AI) 的想法很快让人想到自动驾驶汽车和机器人。然而，AI 远比我们看到的要多得多。例如：在猪场使用监控摄像头。这不是一个新概念，但如果这些摄像头能够通过使用人工智能、深度学习算法和图像识别来检测动物表现出的关键行为——比如吃、喝、睡、疾病动作和攻击性活动，会怎样？这会说服你在猪舍里安装摄像机吗？
图1、利用摄像头观测猪群
“眼见为实”
从养猪之初人们就依靠眼睛密切监测猪以发现任何疾病迹象。今天，人们依旧使用相同的解决方案，主要依靠主观和偶然的方法，例如定期巡视。不幸的是，他们每天只有很短的时间（一眼而过）与每只猪相处。会导致不可靠的结果和负面结果，例如未发现疾病、或判断失误，并可能导致相应高死亡率。
养猪人面临的挑战
这些是养猪业核心面临的一些挑战：必须应对劳动力短缺、盈利能力、饲料成本和猪群健康等问题（包括遗传、免疫、抗生素耐药性和生物安全）。现在是进行技术转型以适应养猪业发展变革的最佳时机。
通过采用图像识别、相机、机器人等视觉技术，对养猪业产生了深远的影响。利用深度学习技术进行多目标跟踪和区分确实是一种结合自主牲畜监测的非侵入性方式，并且在猪场中迅速变得越来越流行。这成为21世纪让养猪生产者把重点放在高效管理猪群的新方法。
利用摄像头、计算机视觉和基于人工智能的技术可以监控猪的身体活动、饲养模式和整体攻击性，因此养猪人可以了解猪群的健康状况。这些模式允许更早、更容易地识别疾病，从而减少疾病影响，提高生产效率。
如果猪在生产的不同阶段被转移到新的社会群体，攻击性会更频繁地出现，因为它们被迫在每个新群体中确定一个新的等级。
对于群养母猪，通过攻击性事件，这些动物经常互相咬伤，随着时间的推移，它们会受到伤害和应激。以至于出现跛足、流产等显现。保育猪后期往往容易出现咬耳咬尾，如果发现不及时往往会在猪群内传播。
一些疾病导致猪群发生大群感染，其发病比例、痊愈的比例也必须要人为现场持续跟踪观测。往往因为现场观察不及时延误猪群治疗时机。
很多病症会引发急性死亡，但因人的不在场而对病情无法及时知晓。
大多数的疾病诱发事件发生在人类不在场时。这就是为什么养猪人需要一个能够 24小时全天候关注畜群并在早期有效解决问题的解决方案。
融合传统与现代
但要注意大多数计算机视觉算法在此观测分析上表现并不理想。这是因为：
在猪场饲养的动物看起来完全一样，没有任何明显的空间特征。
现有的跟踪器很难保持长期使用。
真实世界的条件，例如不断变化的光照、频繁的遮挡、不同的摄像机角度以及不同大小的动物，使模型难以概括。
荷兰软件公司 Serket 开发了一个端到端的行为监控系统，用于群养猪同时执行实例级分割、跟踪、动作识别和重新识别任务。
图2，摄像头、计算机视觉和基于人工智能的技术可以监控猪的身体活动、饲养模式和整体攻击性
这是第一个端到端的多对象牲畜监控框架，它学习分组猪的实例级嵌入。对于基准测试，动物科学家对由视频序列组成的精心策划的手动数据集进行分析，对真实室内养殖环境中的猪进行分割、跟踪和活动分类。
图3，区分不同的猪、行为、表现。照片：塞尔凯特
这些图像显示了来自数据集的示例视频帧和注释。图1是猪栏的常规相机视图。图3显示与带注释的帧相同的视频，其中包含猪的分割、跟踪和活动分类。颜色表示动物的行为。每只动物身上的数字都是其唯一的 ID。
猪的攻击性行为会导致突然的动作和频繁的咬合，并使猪挤在一起，在传统视频数据集中很难继续跟踪分析。随着时间的推移，养殖活动也具有局限性、重复性和周期性，这使得它们不同于传统的行动数据集。任何此类数据集都应捕捉条件的可变性，并且必须能智能下对牲畜的行为进行注释。
传统智慧与人工智能创新
更多的人工智能技术正在养猪业广泛应用。创新的人工智能解决方案与现有的监控摄像系统相结合，使养猪人能够有效地分配他们的宝贵时间。一旦这些摄像头和软件系统在猪舍大规模部署，它们就可以全天候覆盖。远程牲畜监测就可以成为现实。随着畜牧业的不断发展并发挥更高的作用，可能不再需要大量劳动力。这将使养猪人能更高效管理猪群，并利于我们的猪场发展。
