您当前的位置:首页 >> 要闻动态 >> 专题专栏 >> 信息详情
【中国智能养猪白皮书】专题(五)
  发布时间:2018-11-05 09:22  责任编辑: 邹淑琴   文章来源: 农信研究院   自定样式:

(三)人工智能技术
近年来,人工智能的研究如火如荼。我国的养猪业正处在由劳动力密集传统养殖方式向现代化转型的路上,为人工智能等新技术提供了绝佳的发展机遇和应用场景。在养猪领域,目前的研究与应用主要集中在视觉识别和声音识别领域。

1、视觉识别
视觉识别即利用传感器、摄像头等采集猪的视频、图像,结合猪的行为学特征,为每一头猪建立档案,并对猪的行为特征、进食特征、料肉比等进行综合全面分析,为智能建模提供更多的依据。
典型的应用场景如下:

(1)场景1:猪只识别
功能描述:基于深度神经网络等人工智能技术,通过猪只体型、外貌、纹理、面部特征等细节的识别,抽象每一头猪只的特征,精准定位每一头猪只。同时,可以对猪只个体的身份进行核验,为猪只标识唯一的ID,从而实现每头猪只的实时跟踪。

研究进展: 国内多家公司如京东金融、佳格纷纷开展了猪脸识别技术的研究,从目前来看,大多数仍处于探索阶段,有许多问题需要攻克,如猪的外形从小到大变化较快、猪只实时运动以及猪只的清洁程度都会加大图像采集的难度等;猪只面部特征关键点差异小,识别难度相比人脸识别难度更大;目前的识别只能在已录完的视频中进行,基本还不具备对实时视频进行采集和输出的算法应用,且将算法应用到实际产业还需要很长一段时间的探索。

佳格
佳格正在积极开展视觉识别技术在养猪场的应用研究,以猪只数量识别
研究为例,基于全卷积网络的深度神经网络来构建模型,通过对打标图像的训练,生成猪只分布的特征图,最后通过算法对特征图进行计算,自动别出图片中猪的数量,目前识别的准确率达到 90%以上。佳格与猪联网3.0开展了深度合作,为用户上传到猪联网3.0的猪场视频提供算法服务,从而帮助用户实现视频智能盘猪。

影子科技
影子科技于今年3月和7月分别发布了“猪脸识别1.0” 和“猪脸识别2.0”,其中1.0版本主要是猪只单体识别,2.0版本则侧重猪的群体识别,均能够实现对跑动的猪只实时精准识别。公司宣称,准确率接近99%,但与人脸识别一样,注册库达到5万以上难度会很大,因此为保证识别准确率,目前以猪场为单位进行注册,一个猪场一个注册库。

(2)场景2:智能估重
功能描述:利用传感器采集猪的视频、图像,绘制成猪体3D模型,根据模型进行估重。同时估算猪只的体长、体高、体宽、臀部肥厚程度,绘制仔猪生长图谱,同时筛选出优良种猪、提前分类优养。
小龙潜行

小龙潜行已经探索出一个较为成熟的解决方案,即通过自主研发的设备给猪只拍照,得到猪只的完整三维图像,将图像进行评估后发送至云端服务器,通过智能模型计算猪只重量。在一个完整的采集周期内,可获得所有猪只的均重、总重及日增重等重要信息,进而获取料肉比等关键指标。

其产品主要分为两类:
(1)为集团化规模猪场提供集成化、立体化、全方位的数据自动化采集智能产品;
(2)为中小型猪场及饲料、添加剂、屠宰等上下游产业链提供轻型、半自动化的、移动式数据采集智能产品,如手持式设备。目前,主要的技术已经成熟,产品尚在研发阶段。

(3)场景3:行为监测
功能描述:视频图像监测不同环境条件下猪只的行为,如监测不同环境条件下群猪的躺卧行为,分析猪只冷热舒适度;记录猪群的移动轨迹,建立猪群活动指数;利用视频流分析猪群的攻击行为检测攻击事件特征,锁定高侵略性猪只;检测猪只进食时间、进食习惯,为精准投喂提供重要依据。

研究进展:利用视频图像监测猪舍早已有之,但与动物行为学的结合程度还很低。此外对猪的行为学特征研究也有不足,如目前集中研究猪只个体行为特征,群体行为研究较少。
典型企业:佳格目前正在开展猪只活动监测研究,即通过追踪猪只运动轨迹、运动量,发掘猪只活动在时间上和的空间上的分布规律,发现异常行为立即报警。

(4)场景4:体温监测
功能描述:利用红外成像获取猪只的体温,结合猪群的行为,监测猪只健康状况。
研究进展:红外成像技术较为成熟,市场也有专业的红外成像仪,但仪器的性能差异很大,价格相差也很悬殊,从几十元到几万元不等。

(5)场景5:疾病诊断
功能描述:建立猪病大数据库,将病猪的照片上传到数据库,系统自动识别照片,给出初步的诊疗方案。
挺好科技

挺好科技推出的挺好e线APP致力于实现智能猪病诊断。用户只需将病猪的照片上传到挺好e线,系统可自动识别家畜种类及患病部位。同时系统会提供多种患病家畜图片,用户可选择情况最为相似的一种做进一步检测,并根据情况调整临床信息、患病程度,确定病情后系统会分别提供中西药治疗方案、营养调控建议及管理改善建议等。

猪联网的猪病通为全行业人员提供猪病远程诊断服务,也在积极探索猪病智能诊断。平台上线至今已经积累了数万张病例图片,对于算法的开发是非常宝贵的数据资源。

(6)场景6:怀孕识别
功能描述:根据B超仪拍摄的B超图片自动判断出母猪是否怀孕,类似于人类的医学影像智能诊断。

研究进展:目前市场上尚没有这样的成熟产品。从人类的智能医疗发展现状来看,智能图像诊断的算法相对成熟,很多学校和商业研究团队分别在不同病种的病理图像自动识别上取得了不错的成果,在识别准确率上接近或超过了人工识别,目前已经形成成型产品、在各应用场景实现小范围推广。因此,笔者相信智能影像诊断应用到养猪上也是指日可待。

2、声音识别
声音识别即结合声学特征、语言识别技术和猪的行为学特征,对猪只的生长状态和健康状况做出判断。

典型应用场景包括:
场景1:对猪只的情绪、饥饿、发情、咳嗽等状况做出判断,为生产决策和疾病防控提供指导。
场景2:在小猪被母猪压住后,语言识别技术通过小猪的尖叫声,去判断小猪的位置,并通知管理员去把小猪救下来。

研究进展:国内一些科研院所、企业在开展这方面的研究。在实验室环境下,对养猪场现场采集的声音进行分析,对多种状态的声音进行声音去噪、端点检测、加窗分帧后,提取声音的特征参数,并利用提取的声音特征训练分类模型,建立猪声音识别系统,可以有效地识别猪不同状态的声音且精度较高。虽然尽量模拟现实场景,但与真实的养殖情况还有一定差距。

科大讯飞洛阳语音云创新研究院
科大讯飞洛阳语音云创新研究院正在与某生猪养殖龙头企业合作进行猪群咳嗽自动监测和预警的核心技术研究,通过分布式声场网络和声纹识别技术进行猪应激声自动识别,结合大数据分析,实现动物疾病的早期发现和诊断。目前,已完核心算法和配套软硬件产品开发,产品还在中试阶段。

(四)区块链技术
区块链即去中心化、分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。

区块链的不可篡改性在食品安全领域将有广泛的应用空间,例如将区块链、物联网和防伪技术相互结合,实时记录猪只位置和生长信息,追溯猪的成长过程,保证每只猪从猪仔到成猪的所有数据都被真实记录,打通信息壁垒,通过区块链进行流转,使消费者买到猪肉后可以通过App或二维码进行防伪溯源信息查询。需要指出的是,区块链的不可篡改性指的是数据上链后被篡改的概率极低,而上链前的真实性则仍需要辅以其他手段加以保证。

研究进展:目前国内的区块链市场整体上还处于研发投入阶段,除了数字货币,其他领域尚没有现象级的应用出现。部分技术型公司已经开展了将区块链技术应用到农产品溯源的项目,如阿里、京东纷纷宣布利用区块链建立食品追溯体系,中南建设携手北大荒集团开发了一整套“区块链大农场”平台基础架构,但这些项目仍处于搭建平台和基础技术研发的阶段,尚未给行业带来实质性改变。

四、问题反思与趋势展望

(一)问题反思                                                                      
1、农业物联网标准化程度低
物联网标准是实现物联网技术应用的关键。作为底层控制网络、海量行业数据存储系统、业务模型、用户需求的交互中心,顶层平台与各部分的接入涉及到各种网络制式、数据接口、行业接口、异构数据交汇等。

此外,底层控制网络不同厂商设备的组网、业务模型的标准交互通道、海量行业数据存储、用户访问通道内部更是需要更为详细、精确的标准规范。而目前我国的农业互联网数据共享协议、数据接口、业务模型访问协议、用户外部访问协议还未实现标准化,制约着我国农业物联网技术与设备的发展。

2、猪场智能设备普及率不高
我国的智能农业设备传感器实用化程度较低,管理不方便,与国际先进的物联网传感器相比,还存在着设备体积大、功耗高、感知数据精度低等问题。

设备对于恶劣环境的耐受能力也是个重要因素,养殖设备智能化升级远远落后于工业智能化进程,除了工业信息化条件优于养殖业的原因之外,最大的限制条件就是相关智能化设备要能够在较为恶劣的现场条件下稳定运行,如猪场内粉尘大、腐蚀性大、湿度大、蚊虫多、通讯条件差,这些不利条件都可能影响设备元器件的性能。

此外,目前猪场智能设备的成本对于中小规模的猪场仍然偏高,但整体性价比有待提高,因此猪场采购智能设备的动力不够强劲。

3、应用模型实用性有待加强
虽然通过猪场物联网设备和管理软件汇集了大量的猪场生产管理数据,但这些实时感知的数据没有得到充分挖掘利用。

首先,目前在猪场知识模型、模式识别、知识表示、业务模型的机器学习方面已有突破性进展,但部分的模型、算法不足以反应客观现实,以致于达不到指导猪场精准生产的实际需求。

其次,现阶段的自动化控制或局部的智能化还是基于人的经验,而人的经验有两个局限性:并不精准,可能与实际情况有出入;受限于具体的环境,不同的环境下经验不能通用。再次,目前主要还是时序控制、单一指标控制,难于实现按需控制和多指标控制,应用系统的智能化程度需要提高。

(二)趋势展望
1、机器自我学习是突破点
智能是要实现软件系统与硬件设备能够按照不同的场景进行自主计算、并实现自主精准的决策和互动,最终达到智能化、无人化操作。

下一个阶段的发展方向是机器自我学习,即在人的经验的基础上,机器通过深度学习,积累养殖经验,构建精细化养猪模型,如精准饲喂模型、母猪发情监测模型、疾病预警模型、环境控制模型等,修正人的经验,从而实现精细化管理。

例如,按照人的经验,哺乳母猪的最适温度范围为16~18℃,机器通过不断的自我学习,能够将母猪的适宜温度数值区间锁定在更准确、更科学的范围,如16.5~18.5 ℃,并以此指导系统调节猪舍的环境状况,带动养殖效率的提升。

2、数据是最终驱动力
从人工智能技术发展的历程来看,早期的发展主要由算法驱动,但缺少海量数据支撑与高水平的运算力保证,无法对算法模型进行持续的优化、迭代。

随着科技的发展,算法模型日益优化,现代计算机的性能逐年提升。当算法和计算力不能支撑实际产业需求或者未来技术壁垒很低的时候,数据将成为核心驱动力。

以深度学习为例,深度学习是海量数据+人工神经网络,其效果取决于两个因素,即计算能力和数据量的大小。全球科技巨头如Google、Facebook、IBM、阿里、百度都有开源平台,所以随着时间推移,技术壁垒最终会大幅降低,真正的痛点在数据量。因此,未来掌握更多数据的企业或平台在行业内将更有话语权。

3、平台化优势将不断凸显
未来,随着技术的不断成熟和与产业的深度融合,平台化的优势会更加突出。

一方面,猪场大数据服务平台拥有庞大的猪场用户群体,能够提供广泛的应用场景和海量的行业数据,为技术的发展提供丰富的分析、训练与应用资源;

另一方面,平台能够整合软件服务商、技术服务商、设备提供商等各类行业主体,提供优质高效、低成本的运算能力和服务。通过海量优质的多维数据结合大规模计算力的投入,以应用场景为接口,平台将构建起覆盖全产业链生态的商业模式,满足用户复杂多变的实际需求。


【打印本页】 【关闭窗口】