機器視覺在豬隻識别中的作用
機器視覺是人工智能(AI)的子集，主要用于解決圖像和視訊識别、分析和分類、媒體娛樂和自然語言處理等方面的問題。
首先需要采集圖像，即通過攝像頭來捕捉數字資訊。攝像頭的種類很多，不同類型的相機能夠提供不同的資訊和圖像參數。目前養豬研究中主要使用CCD、深度和紅外相機。
其次需要圖像分析。擷取的圖像需要相關軟體來讀取資料，并進行後續研究。
卷積神經網絡(CNN)是一種基于深度學習的魯棒算法，可完成圖像分析任務在基于CNN的基礎上，發展出支援向量機(SVM)、基于區域的CNN(R-CNN)、MaskR-CNN、FasterR-CNN和YOLO等各種算法。
近年來，智慧豬業的發展步伐加快，機器視覺在養豬生産中的應用也越來越廣泛。尤其是在豬隻識别、豬隻行為和運動檢測以及疾病監測等方面顯示出了巨大的優勢。
以豬隻識别為例，機器視覺貫穿于豬臉識别、個體追蹤、智能估重等方面。
一、在豬臉識别中的作用
識别出豬隻個體不但能明晰所有權，也是動物福利、行為識别和疾病診斷等後續研究的基礎。
生産上有多種識别豬隻的方法，比如剪耳缺、在豬身上編号或标記、佩戴耳标或射頻識别器（RFID）等。
RFID具有機制簡單、成本低等優點，曾經很流行；但其讀取範圍有限、不能同時讀取多個資料、容易磨損、弄髒及丢失等，不再适用于智慧養豬的需求。
其他方法也都各有局限，現在均已被淘汰。
人臉識别在各個應用場景得到廣泛使用，這也為識别豬臉提供了可能。RFID在識别動物方面的局限性可通過使用攝像頭的面部識别得到克服。
與人臉識别機制類似，豬臉識别需要提取豬鼻子、眼部區域和皺紋等特征用于訓練集和驗證集。
有研究者使用深度CNN模型來識别豬臉，準确率超過90%。還有研究者使用Fisher人臉、VGG人臉模型和深度CNN算法進行豬臉識别，準确率達到了96.7%。
不過豬是多胎動物，全同胞個體數量多，且生長迅速，影響了豬臉識别的準确性。未來可以通過增加訓練集、使用RGB圖像、訓練前進行預處理等方式進一步提高算法的準确性。
二、在個體追蹤中的作用
從群體中識别出豬隻個體并進行追蹤，對于豬的運動、行為和活動的研究非常重要。
最初生産上常使用RFID耳标，但有局限。機器視覺運作高效，無需接觸，并且可以遠端控制，更适用于進行個體豬隻的識别和追蹤。
2D相機最常用于識别群體中的豬隻，現在也采用3D和深度相機。
首先從圖像中檢測物體，然後使用形态特征從檢測到的物體中識别出個體主隻。
很多算法及其改進方法被引入其中，比如基于GMM的背景消除、使用低通濾波和Otsu門檻值法去噪、形态學運算、橢圓拟合、基于圖形子產品的分割和基于學習的跟蹤等。
在實際生産中，豬場的光線變化很大，很難找到一頭豬與另一頭豬之間的明顯差異；并且豬場環境惡劣，攝像頭容易損壞；各種蚊蠅和灰塵都容易對識别結果造成幹擾。
這些情況都會導緻追蹤失敗，并且使得監控過程不穩定。然而使用2D相機，采用CNN、FasterR-CNN、R-FCN和SSD模型對個體豬隻進行識别，采用邊界框法對豬進行跟蹤，結果基于CNN的模型以94.72％的精度和94.74％的召回率成功地檢測出标簽框中的個體豬隻。
此外，使用深度相機進行了在各種光照條件下快速檢測豬隻的研究，使用深度圖像或紅外圖像來解決光照限制，使用Otsu門檻值法進行圖像分割，并使用YOLO 9000進行快速監控，結果也表明該方法準确率更高，檢測時間更短。
三、在智能估重中的作用
豬的飼養成本占總生産成本的75％或更多，是以活重對于豬場至關重要。
采食量和增重呈線性相關，通過定期監測豬隻體重可揭示飼喂不足或過度飼喂問題，進而優化成本。
定期稱重不僅可以監測豬隻采食量，還是評價繁殖力和生長速度、确定繁殖周期、計算飼料轉化率和監測疾病的重要手段。
估重最初純靠眼睛和手，準确率低。
後來生産上常用電子稱重平台或稱重傳感器來測量豬隻體重，但是費時長，消耗人工，操作不便。早期的研究人員嘗試通過體尺估測體重，同樣存在費人工、對豬隻造成應激、預測不準等問題。
但是，這些研究也證明了形态和體重間存在相關性，提供了通過非接觸式方法估測體重的可能性。1990年，Schofield使用照相機拍攝豬來估測生豬體重。
其他研究人員也利用CCD相機拍攝豬的長度、寬度和邊界區域等特征來估算活豬體重。
現在則主要采用基于3D的深度相機通過全自動系統監測活體重。
傳感器收集通過形态過濾預處理的深度和紅外資訊，并使用DNN和FasterR-CNN算法估重，相對誤差僅為4%~5%。
并且研究表明使用多個體尺的主成分幂回歸體品質估測模型較為精确，可用在機器視覺估測豬體品質的應用中。
盡管機器視覺在20世紀70年代末就開始用于農業和畜牧業領域。
隻是由于當時的軟硬體技術水準較低，未能被廣泛應用。
