Компьютерное зрение в управлении молочными фермами: обзор современных приложений и перспектив

208
views
ЗАКАЗАТЬ СИСТЕМУ

Компьютерное зрение становится революционным инструментом в управлении молочными фермами, предлагая фермерам более эффективный, точный и неинвазивный способ мониторинга здоровья, поведения и продуктивности стада. Это позволяет принимать решения в режиме реального времени, снижает трудозатраты и минимизирует ошибки, связанные с ручным наблюдением. Кроме того, системы компьютерного зрения могут улучшить благополучие животных, выявляя стресс или дискомфорт на ранней стадии, что приводит к своевременному вмешательству, улучшающему общее самочувствие и продуктивность стада.

В сочетании с другими интеллектуальными технологиями в сельском хозяйстве, такими как автоматизированные системы доения и точное кормление, компьютерное зрение способствует устойчивому и основанному на данных управлению фермой, оптимизируя надои молока при одновременном сокращении отходов и использовании ресурсов. В конечном итоге, внедрение компьютерного зрения в молочном животноводстве способствует как экономической эффективности, так и благополучию животных, что соответствует растущему спросу на устойчивые методы ведения сельского хозяйства.

Компьютерное зрение стремительно трансформирует область управления молочными фермами, обеспечивая автоматизированный, неинвазивный мониторинг здоровья, поведения и продуктивности животных. В данном обзоре представлен всесторонний обзор последних применений компьютерного зрения в управлении молочными фермами, включая идентификацию и отслеживание скота, а следовательно, оценку поведения при кормлении и жвачке, оценки состояния тела, хромоты и поведения во время лежания, мастита и удоя, а также социального поведения и эструса.

Обобщая результаты последних исследований, мы подчеркиваем, как системы компьютерного зрения способствуют улучшению благополучия животных и повышению продуктивности и репродуктивных показателей. В статье также обсуждаются существующие технологические ограничения, такие как изменчивость условий окружающей среды и проблемы интеграции данных, а также возможности для дальнейшего развития, особенно за счет интеграции искусственного интеллекта и машинного обучения. Цель данного обзора — помочь исследователям и практикам более эффективно внедрять технологии компьютерного зрения в точном животноводстве.

1. Введение

Растущий спрос на продукты животного происхождения потребовал расширения животноводческого сектора. Что касается молочного сектора, то спрос на молоко к 2050 году будет расти экспоненциально [1], что приведет к необходимости совершенствования методов управления фермами. Традиционное сельское хозяйство опирается на наблюдения и опыт фермеров; однако этого недостаточно для обеспечения возможности ведения животноводства в больших масштабах. Поэтому во всем мире получили распространение многочисленные технологии точного животноводства (ТВЖ), представляющие собой очень эффективные инструменты, которые помогают фермерам в процессе принятия решений, предоставляя им ценную информацию о благополучии, здоровье, продуктивности и воспроизводстве животных [2] посредством автоматизированного мониторинга стада [3].

Наиболее распространенными методами идентификации, отслеживания или измерения параметров, связанных с животными, являются носимые устройства. Однако их эффективность снижается из-за того, что они могут быть потеряны, повреждены или вызвать стресс у животного [4, 5, 6], что подразумевает дискомфорт для коров и экономические потери для фермеров. Напротив, наличие камер не влияет на животных, предотвращая стресс, связанный с их использованием. Действительно, подход компьютерного зрения представляет собой экономически эффективную альтернативу носимым устройствам, который может предоставлять большой объем информации о животных, заменяя фермера во многих повторяющихся и трудоемких задачах [7, 8].

Однако следует учитывать, что данные, полученные с помощью носимых устройств, часто имеют ограничения по доступности из-за разрешений программного обеспечения, что приводит к более сложной интеграции данных между различными технологиями [9]. Более комплексный подход, учитывающий различные способы получения данных, необходим для улучшения управления животноводством и устойчивости ферм. В этом контексте компьютерное зрение играет ключевую роль в качестве вспомогательной технологии для PLF, позволяя осуществлять автоматизированный, неинвазивный и непрерывный мониторинг животных и помогая фермерам принимать более обоснованные решения на основе данных.

1.1. Общие этапы в методологиях компьютерного зрения

Широкое внедрение датчиков для рутинного мониторинга скота привело к значительному увеличению как объема, так и качества данных, собираемых на фермах, что позволило более комплексно и надежно применять методы статистического анализа и численного моделирования. В этом контексте исследователи в течение последнего десятилетия сосредоточились на разработке систем компьютерного зрения с использованием моделей машинного обучения, стремясь улучшить анализ данных. Например, модели You Only Look Once (YOLO) [10] представляют собой группу сверточных нейронных сетей (CNN), используемых для обнаружения объектов и классификации изображений, которые широко применяются, поскольку они разработаны для обеспечения быстроты, точности и простоты реализации; фактически, их структура позволяет обрабатывать все изображение за один шаг.

Они упоминаются как группа, потому что постоянно перестраиваются и изменяются в размерах для лучшего соответствия различным потребностям [8]. YOLO — популярная модель обнаружения объектов, известная своей производительностью в реальном времени и точностью, которая использовалась в нескольких исследованиях по мониторингу молочных коров. Для повышения ее эффективности были разработаны различные версии YOLO. Аналогично, сверточные нейронные сети (CNN) представляют собой широко распространенное семейство методов глубокого обучения, активно разработанных и адаптированных к различным контекстам, а также интегрированных в архитектуры нейронных сетей с разнообразными характеристиками.

CNN особенно хорошо подходят для сельскохозяйственных приложений, поскольку они превосходно справляются с обработкой сложных и разнообразных изображений, таких как сельскохозяйственные культуры, почвы и скот, снятых при различном освещении, погоде и условиях роста. Их способность автоматически извлекать и изучать иерархические признаки делает их надежными в различении тонких различий, например, между здоровыми и больными животными. Кроме того, CNN очень эффективны для обработки изображений в реальном времени, что критически важно для таких приложений, как точное земледелие, где своевременные решения напрямую влияют на урожайность и управление ресурсами.

Эти модели могут быть объединены с многочисленными алгоритмами, такими как DeepSORT для отслеживания нескольких объектов [11], модуль WhenToRead для повышения распознавания ушных бирок [12] и CenterNet для обнаружения ключевых точек [13], среди прочих, для создания фреймворков, адаптированных к конкретным требованиям. Процедура, принятая в большинстве рассмотренных статей, включала следующие шаги:

(а) Сбор данных

Этап сбора данных включает два различных подхода в зависимости от выбора набора данных для анализа изображений или видео. В частности, некоторые исследования опирались на предварительно записанные наборы данных, которые уже были доступны для обработки [14]. В отличие от них, другие предпочли создать собственные наборы данных, используя RGB-камеры [7, 8, 15], камеры глубины [9, 16], инфракрасные камеры [17, 18] и тепловизионные камеры [5, 13, 19], выбранные и расположенные в соответствии с конкретными целями исследования.

(б) Предварительная и последующая обработка данных

На этом этапе кадры аннотировались с использованием ограничивающих рамок [20], ключевых точек или облаков точек [21], в зависимости от методологии аннотирования, выбранной авторами в соответствии с целью исследования, в рамках подготовки к последующей обработке. Эта процедура выполнялась либо вручную, либо с помощью автоматизированных методов, таких как программное обеспечение для оценки 3D-позы [22], Labelme [23], LabelImg [24] или инструмент аннотирования компьютерного зрения (CVAT) [7].

Извлеченные кадры обрабатываются, например, путем удаления фона [21], улучшения изображения [24], выбора частоты сигнала [25] и, наконец, методов аугментации данных для улучшения общей производительности структуры [11, 26, 27] и удаления препятствий, шума, помех или любых других факторов, которые могут мешать или ухудшать производительность анализа алгоритмов машинного обучения и улучшать классификацию признаков.

(с) Анализ данных

Заключительные этапы этого процесса включают обнаружение и классификацию объектов, выполняемые несколькими различными моделями, включая семейства You Only Look Once (YOLO) [10] и R-CNN [28].

(d) Оценка результатов

Этот этап включает метрики, используемые для определения производительности системы, такие как пересечение-положение-объединение (IoU) [29] и среднее IoU для оценки степени сходства между двумя изображениями, точность и полнота, которые объединены в сбалансированный F1-мерный показатель, показатель достоверности, среднюю точность и среднюю точность.

За последние 10 лет методы компьютерного зрения и глубокого обучения значительно продвинулись в технологическом развитии, обладая потенциалом для революционизации управления животноводством. В подтверждение этому, на  рисунке 1 показана тенденция изменения библиографических источников, исследующих применение компьютерного зрения в животноводстве, на основе поиска в базе данных Scopus с фильтрацией по заголовку, аннотации и ключевым словам.

Рисунок 1.  Тенденция изменения библиографических источников, посвященных применению компьютерного зрения в животноводстве.

Для сокращения времени, затрачиваемого на повторяющиеся действия, связанные с мониторингом стада, крайне необходим надежный инструмент, обеспечивающий поддержку принятия решений. Системы компьютерного зрения нашли широкое и весьма перспективное применение в различных аспектах управления фермерскими хозяйствами, поскольку они могут применяться в различных условиях для получения точных, достоверных и объективных данных.

Автоматизируя трудоемкие задачи и обеспечивая объективную обработку, которая поддерживает принятие решений, технологии машинного обучения оказывают значительную помощь животноводам. В условиях все более масштабного управления стадами внедрение таких технологий имеет решающее значение для минимизации человеческих ошибок и операционных затрат, одновременно повышая эффективность методов управления стадом, таких как воспроизводство, питание и производственные процессы.

1.2. Цель и сфера применения данного обзора

В данной статье представлены результаты обзора литературы, проведенного с целью выявления и обобщения ключевых потенциальных применений систем компьютерного зрения в управлении молочным скотоводством. Главная цель этого обзора — изучить и систематизировать существующую литературу в этой области исследований для формирования более полного понимания темы. Дальнейшая структура документа следующая: Во втором разделе изложена методология данного обзора и представлена ​​подборка статей, проанализированных в этом исследовании. В параграфах с третьего по девятый в указанном порядке будут представлены применения технологий компьютерного зрения и машинного обучения для идентификации и отслеживания, кормления и жвачки, оценки состояния тела (BCS), частоты дыхания и теплового стресса, хромоты и поведения во время лежания, мастита и удоя, а также социального поведения и эструса молочного скота.

2. Методология обзора

2.1. Критерии отбора источников

Библиографический поиск проводился путем обращения к базам данных Scopus, Web of Science и PubMed, отбор источников осуществлялся по заголовкам, аннотациям и ключевым словам. Комбинация поисковых запросов в Scopus включала TITLE-ABS-KEY ((dairy cow OR cattle OR cow) AND (computer vision OR machine vision OR vision system) AND (management OR tracking OR identification OR feeding)) AND (LIMIT-TO (LANGUAGE, “English”)). В других базах данных поиск проводился с использованием ключевых слов «dairy cow», «computer vision», «machine learning» и «management».

Ограничения касались времени и языка. Что касается временных ограничений, отобранные работы охватывали период с 2014 по 2024 год, когда завершился библиографический поиск. Кроме того, для полного анализа документов рассматривались тексты глав книг, рецензируемых статей и тезисов конференций, написанные на английском языке. По итогам этого отбора была получена база данных из 92 документов. После этого статьи, не соответствующие тематике данного обзора, были исключены.  На рисунке 2  представлены основные этапы процесса отбора.

Рисунок 2.  Блок-схема процесса отбора библиографических источников.

2.2. Обзор обзоров: прогресс, совпадения и тенденции исследований

В обзорах литературы, опубликованных в последние годы, как правило, основное внимание уделяется одному конкретному применению компьютерного зрения, например, оценке массы тела [30], распознаванию поведения [31, 32] или идентификации животных [33], что приводит к отсутствию более широкого обзора его потенциальных применений и текущего состояния дел в различных конкретных областях.

В то же время, в работах [34, 35] предлагается более всесторонний анализ статей, посвященных применению компьютерного зрения и машинного обучения, с акцентом на техническом описании характеристик этих систем. Цель данного обзора – предоставить всестороннее резюме и общий обзор потенциальных применений компьютерного зрения в сельском хозяйстве в качестве инструмента поддержки принятия решений для фермеров с целью оптимизации методов управления фермерским хозяйством.

3. Идентификация и отслеживание

Возможность идентифицировать и отслеживать отдельное животное имеет фундаментальное значение для оптимального управления животноводством. В молочном секторе присвоение каждому животному идентификатора позволяет отслеживать продукцию животного и гарантировать безопасность потребителей. Кроме того, отслеживание и анализ поведения животных имеют большое значение; фактически, это может помочь фермеру в выявлении животных, нуждающихся в вмешательстве или ветеринарной помощи [36].

Для этой цели на рынке уже доступны различные типы устройств точного животноводства (ТВЖ), оснащенные возможностью распознавания отдельных особей и отслеживания их перемещений внутри коровника. Подавляющее большинство из них являются носимыми устройствами; таким образом, для эффективной работы им необходим физический контакт с животным, и, как следствие, они могут вызывать стресс у животных. Кроме того, большинство этих технологий часто теряются или повреждаются в результате физического взаимодействия животных с ними [7], что приводит к экономическим потерям для фермера.

Одной из наиболее часто используемых технологий ТВЖ для идентификации и отслеживания скота является технология радиочастотной идентификации (RFID), которая беспроводным способом передает записанную информацию. Тем не менее, эти технологии могут привести к сбоям связи, как из-за потери датчиков, так и из-за проблем с подключением между датчиком и компьютером фермера [16].

Цель PLF — предоставить технологию реального времени, которая может непрерывно отслеживать животных в коровнике [37]. Поэтому современные решения, применяемые в молочной промышленности, требуют систематической, надежной и точной системы, которая может автоматически распознавать и идентифицировать каждое животное, чтобы помочь фермеру в управлении стадом с точки зрения здоровья, поведения, продуктивности и благополучия коров, а также улучшить отслеживаемость продукции животных во времени.

Эффективным методом для этого является использование компьютерного зрения или объединение информации, предоставляемой другими технологиями, с информацией, предоставляемой компьютерным зрением. Эта технология предлагает достойную альтернативу носимым датчикам и бесконтактное решение, которое также является экономически эффективным [14, 16].

Биометрическая идентификация животных представляет собой серьезную проблему для исследователей во всем мире. Авторы пробуют различные стратегии, чтобы справиться с тем фактом, что изображения, записанные в реальном времени, не всегда имеют идеальное качество и, следовательно, могут вызывать проблемы при разработке программного обеспечения, которое может обобщать изображения на фоне, сохраняя при этом высокий процент точности [14].

В проанализированных работах 80% авторов решили использовать RGB (красный, зеленый, синий) камеру, а остальные использовали инфракрасную технологию или ее комбинацию [5]. Большинство статей были посвящены исключительно идентификации; однако 30% из них расширили использование камеры для отслеживания коров внутри коровника и мониторинга обычного поведения, такого как питье и кормление. Более 50% моделей, представленных проанализированными авторами, были сосредоточены на всем теле животного с целью распознавания особи на основе рисунка шерсти.

В то время как 30% статей идентифицируют субъектов, фокусируясь на биометрических характеристиках лица или, в частности, морды. [38] фокусируется на анализе костных и хрящевых компонентов лиц крупного рогатого скота, используя анализ матрицы евклидовых расстояний и методы векторной проекции в сочетании с методами машинного обучения.

Указанная анатомическая область была выбрана для анализа, поскольку она концентрирует в относительно небольшом пространстве различные геометрически сложные морфологические паттерны, которые могут быть распознаны алгоритмами. Следует учитывать, что существуют альтернативы биометрическим признакам, когда речь идет о распознавании и идентификации. Например, в работе [8] исследованы алгоритмы, специализирующиеся на чтении различных типов шрифтов и рукописного текста для распознавания цифр, написанных на ушных бирках. Полезным алгоритмом для получения данных с помощью этого метода является распознавание текста по сценам (STR), которое представляет собой тип оптического распознавания символов (OCR), специализирующийся на распознавании текста, извлеченного из естественных изображений.

Кроме того, скорость обработки имеет большое значение для обнаружения животных в реальном времени на крупных молочных фермах, где модели требуются значительные вычислительные мощности. Для решения этой проблемы упомянутые ранее авторы ввели модуль «WhenToRead», благодаря которому вместо использования только информации, предоставляемой одним изображением, модель может делать более точные прогнозы, опираясь на распознавание на основе видео. При этом методе каждый раз при анализе нового кадра сравниваются предыдущие кадры, и сохраняется только наиболее информативный из них. Это помогает модели делать более точные прогнозы, используя при этом меньше вычислительной мощности, что упрощает ее применение в реальных условиях.

Для присвоения идентификатора и последующего отслеживания животных система должна понимать два алгоритма: один, предназначенный для обнаружения отдельной особи, который может быть основан как на изображениях, так и на видео, и другой, который выполняет распознавание животного. Исследователи пытались сосредоточиться на различных биометрических признаках для реализации обнаружения и распознавания животных, что привело к разработке специальных алгоритмов, способных идентифицировать коров путем анализа рисунка шерсти [26] и морфологических особенностей всего тела коровы [18, 39] или ограниченно бока [5], спины [14], морды и морды [7, 15, 16, 40].

Аналогично, используя RGB-D камеру, которая предоставляет информацию как о цвете, так и о глубине изображения, можно извлекать отдельные 3D-модели коров и идентифицировать животных по их походке [41]. Большинство авторов обнаружили животных, используя модели YOLO, предоставляя извлеченные признаки, которые впоследствии поступали в слой отслеживания нескольких объектов, присваивающий идентификационный номер каждой особи на протяжении всего видеопотока, что позволило распознать корову [8].

Бергман и др. [15] впервые сравнили различные алгоритмы обнаружения и распознавания, обнаружив, что наиболее эффективным алгоритмом оказалась комбинация YOLOv5 для обнаружения лиц (получив среднюю точность mAP = 97,8%) и модели Vision-Transformer, вдохновленной распознаванием человеческих лиц (с точностью классификации = 96,3%) со скоростью классификации 20 миллисекунд на кадр.

Эта комбинация алгоритмов была выбрана для достижения эффективности в реальном времени, позволяя модели обнаруживать и распознавать каждую корову в одной и той же партии одновременно. Как утверждают авторы, лучшие результаты могут быть достигнуты за счет увеличения обучающего набора данных для модели Transformer, что, следовательно, может обеспечить большую точность. Одна из самых больших проблем в этой технологической области заключается в том, что при записи изображений или видео алгоритмы испытывают большие трудности с фокусировкой и извлечением полезных признаков из изображений, имеющих различное качество и фон.

Многие авторы сосредоточились на создании модели, которая могла бы эффективно применяться, не только в рамках определенного контекста, но и способной выполнять обобщение фона для поддержания высокой точности распознавания в различных условиях. В работе [14] разработан BottleNet Transformer, объединяющий архитектуру CNN и Transformer для извлечения как локальных, так и глобальных признаков с помощью одного алгоритма, адаптированного к реальному сценарию крупных ферм путем добавления в сеть обучения контрфактуальному вниманию и выборки графов.

Еще одна стратегия комбинирования заключалась в разработке модели распознавания отдельных животных на основе глубокого обучения, которая объединяет сегментацию экземпляров Mask R-CNN и модель классификации изображений ResNet101 для идентификации отдельных коров в доильных залах. Эта модель достигла точности 97,58% с ResNet101 и средней точности 96,73% с моделью Mask R-CNN, превзойдя другие комбинации Mask R-CNN с другими сетями классификации отдельных животных, такими как VGG16, ResNet34 и GoogleNet [42].

Индивидуальная идентификация животных может найти применение не только в мониторинге стада в режиме реального времени, но и в отслеживании производства животных. В частности, в работе [17] использовались сиамские сети для распознавания и идентификации молочного скота на разных этапах жизни: в этом случае авторы применили модель для распознавания молодых особей, которые были идентифицированы ранее после года роста, получив показатель F1-меры 73%.

На самом деле, телята особенно подвержены быстрому росту; следовательно, идентификация представляет собой проблему, которая может повлиять на точность прогнозирования алгоритмов. В работе [21] было показано, что алгоритмы, которые идентифицируют молочных телят на основе 3D-изображений спинной области, достаточно надежны, чтобы оставаться точными на протяжении всего периода роста, поскольку они способны извлекать невоспроизводимые биометрические признаки, на которые не влияют физические изменения, характерные для этого периода.

4. Поведение при кормлении и жвачке

Мониторинг пищевого поведения и активности жвачки у молочных коров помогает экспертам выявлять отклонения в состоянии здоровья и благополучия животных. Следует учитывать, что питание и пищеварительные процессы животных напрямую связаны с их продуктивностью и качеством продукции [43]. Например, у молочных коров, испытывающих тепловой стресс, наблюдается снижение потребления корма и жвачки, что приводит к снижению надоев молока [44].

Мониторинг в реальном времени может осуществляться с помощью алгоритмов обработки изображений в сочетании с моделями машинного обучения. Эта технология позволяет отслеживать движения и поведение каждой коровы на всей ферме [45]. В работе [43] использовалась система обнаружения объектов YOLOv8 с разделенной головкой, которая выполняет отдельную классификацию и регрессию для повышения возможной точности идентификации и отслеживания, устанавливая ограничение для системы в разрешении камер, которое можно улучшить для получения mAP выше 50,2%.

В работе [46], напротив, использовалась модель YOLOv3, обученная на изображениях с ручной разметкой, для эффективного прогнозирования пищевого поведения. Авторы решили проанализировать количество посещений, среднюю продолжительность посещения, средний интервал между посещениями и общее время кормления, рассматривая как новое посещение момент, когда корова просунула голову через кормушку.

Исследовательская группа заявила, что увеличение интервала получения изображений помогает модели в прогнозировании, поскольку они получили общую точность 99,4%. Из проанализированных статей стало ясно, что для повышения производительности модели целесообразно обучать модели на многочисленных и разнородных данных, а не на однородных данных [47]. Для мониторинга жвачной активности у молочного скота использовались различные носимые устройства, такие как микрофоны [48], налобные повязки [49] и акселерометры [50]; однако, поскольку эти устройства должны контактировать с животным для правильной работы, они могут быть потеряны или сломаны.

Нейронные сети и машинное обучение могут быть жизнеспособным решением для оценки поведения животных с использованием бесконтактных устройств [27]. Ссылка. [27] представили модель компьютерного зрения, которая объединяет VGG16 и ResNet для распознавания того, когда корова жует или глотает, достигнув точности 98,12%, что привело к созданию эффективной системы мониторинга рубцовой активности.

Авторы сосредоточились на наблюдении параметров жвачки и жевания, поскольку они тесно связаны со здоровьем и благополучием животных. Однако изменения в характере жвачки не всегда являются симптомами болезни; вместо этого они могут быть физиологическими проявлениями, связанными с продуктивностью, общим физиологическим состоянием и кормлением [51, 52, 53]. Мониторинг этих мероприятий может помочь фермерам выявлять больных животных и выбирать более эффективные соотношения кормления или стратегии управления, которые лучше соответствуют потребностям стада.

5. Оценка состояния тела.

Системы компьютерного зрения позволяют фермерам полагаться на мониторинг состояния тела животных (BCS) в режиме реального времени, предоставляя им большой объем информации, непосредственно связанной со состоянием здоровья, пригодностью корма, продуктивностью и ростом животных. BCS сам по себе является инструментом, предназначенным для оценки энергетических запасов животных (Сполянский и др., 2016) (Эдмонсон и др., 1989) [54, 55].

Кроме того, использование алгоритмов машинного обучения позволяет немедленно распознавать начало физиологических нарушений во всем стаде, таких как метаболические проблемы или снижение продуктивности. Более того, автоматический мониторинг животных в режиме реального времени помогает фермеру определить масштабы проблемы — например, поражено ли стадо почти полностью болезнью или затронуты только некоторые особи.

В настоящее время наиболее распространенными системами измерения массы тела являются системы взвешивания при ходьбе или ручные наблюдения, методы, которые не являются ни эффективными по времени, ни экономически эффективными, особенно в крупномасштабных условиях, и требуют наличия обученного наблюдателя, который может определить BCS [56].

В этом контексте все авторы предложили использовать недорогие трехмерные (3D) камеры с датчиком глубины; они суммированы в  таблице 1. Камеры применялись в сочетании с различными алгоритмами машинного обучения для поиска решения, которое могло бы повысить эффективность прогнозирования массы тела и более общего морфометрического анализа.

Фактически, 3D-камеры глубины предоставляют изображения, которые позволяют отслеживать не только контуры объекта, но и его структуру, предоставляя трехмерную информацию о животных [57]. В работе [55] предложен трехмерный алгоритм, разработанный в среде Matlab (The MathWorks Inc., Natick, MA, USA, v2016), который обеспечивает топографический обзор тела животного. Извлекая четырнадцать признаков из видео каждой отдельной коровы, этот алгоритм может предсказать BCS с коэффициентом детерминации 0,75.

В работе [57] отмечено, что BCS можно оценить, используя профили спины коров, поскольку они меняются вместе с состоянием тела. Авторы сравнили профиль спины каждой коровы, извлеченный из видео, с подобранной полиномиальной поверхностью для оценки степени отклонения между ними, используя модель 3D-BCS, которая получила коэффициент детерминации 0,70.

В работе [56], напротив, удалось получить коэффициент детерминации 0,98, используя подход Mask R-CNN, интегрированный с линейной смешанной моделью в перекрестной проверке прогнозирования. Авторы обнаружили, что R-CNN обладает высокой эффективностью в сегментации изображений тела коров от фона и обеспечивает наилучшее качество подгонки по сравнению с методами с одним порогом и адаптивным порогом.

Оценка состояния тела может быть частью более целостного подхода, поэтому она интегрирована с другой информацией из различных источников, таких как носимые устройства [58, 59], для достижения более полного обзора отдельного животного и возможных улучшений управления, которые могут быть выполнены для повышения здоровья и благополучия стада. [9] предложили технологию облачных вычислений, основанную на подходе кооперативного обучения, которая опирается как на методы раннего, так и позднего слияния для согласования прогнозов, полученных с помощью различных прогностических моделей. Этот метод позволяет преодолеть технические трудности, связанные с доступностью и интеграцией данных на ферме, с целью получения в качестве результата прогноза фенотипа. Полученная точность относится только к оценке BCS, выполненной с помощью ResNet-50, и составила 96,2%.

Таблица 1.  Подробные сведения из статей, касающихся мониторинга оценки состояния тела у молочного скота.

Отслеживаемая функция Ссылка Подробная информация об используемой камере
БКС [ 9 ] Датчик Kinect V2 (Microsoft; Редмонд, штат Вашингтон, США) Камера глубины
Intel® RealSense™ D435 (Intel® Corporation , Санта-Клара, штат Калифорния, США )
[ 56 ] Камера глубины Intel ® RealSense™ D435 (Intel ® Corporation, Санта-Клара, Калифорния, США)
[ 57 ] Microsoft Kinect (Microsoft; Редмонд, штат Вашингтон, США)
[ 58 ] Microsoft Kinect (Microsoft; Редмонд, штат Вашингтон, США)

6. Частота дыхания и тепловой стресс

Частота дыхания — это параметр, обычно используемый для идентификации животных, страдающих респираторными заболеваниями или тепловым стрессом. В последнем случае следует учитывать, что терморегуляция позволяет животным поддерживать баланс энергии, затрачиваемой на рассеивание тепла и производство: если условия окружающей среды препятствуют этому балансу, животные вынуждены жить вне своей термонейтральной зоны (ТНЗ).

Этот дисбаланс приводит к нарушению физиологической активности и снижению надоев и качества молока [23]. Потери производства негативно сказываются на финансах фермы; поэтому мониторинг надоев молока уже много лет является параметром для распознавания теплового стресса. Фактически, влияние на продуктивность животных является следствием ряда физиологических изменений, таких как снижение потребления корма, увеличение частоты дыхания и сердечных сокращений, а также изменение поведения во время лежания [44].

Частота дыхания (ЧД) — особенно полезный параметр для мониторинга в связи с тепловым стрессом; фактически, ее возникновение происходит сразу же, когда температурные условия выходят за пределы ТНЗ; поэтому она может дать руководителям фермы полезную информацию о том, как активировать или оптимизировать системы охлаждения [25].

В течение многих лет оценка RR проводилась визуально обученным наблюдателем, что представляло собой трудоемкий процесс, требующий специальной подготовки [60]. Учитывая необходимость поиска альтернативы мониторингу RR у скота, многие авторы предложили использовать носимые датчики [61], такие как MP3-рекордеры [62], датчики давления [63] и ремни для мониторинга движений боков [64]. Что касается типа камеры, используемой для этой цели, была предложена инфракрасная тепловизионная съемка, но она имеет некоторые ограничения: на измерения могут влиять температуры окружающей среды, а голова животного должна находиться в определенном положении для получения полезных изображений, что иногда приводит к фиксации, которая может вызвать стресс у животного [65].

Кроме того, стоимость инфракрасных тепловизионных камер выше, чем у RGB-камер [25]. Наиболее предпочтительное положение камеры исследователями — над стойлами или загонами: такой выбор расположения устройства связан с тем, что распознавание RR у стоящих коров очень сложно выполнить из-за мешающих движений и незначительных дыхательных движений [23]. Действительно, RR можно вычислить, сфокусировавшись на изменении интенсивности пикселей в некоторых определенных областях интереса (ROI), которыми в данном случае являются живот или грудь коров [ 23 ].

В работах [23, 25] распознавание коров и областей интереса было выполнено с помощью сетей на основе YOLOv8 и YOLOv5 соответственно, а затем применено быстрое преобразование Фурье (БПФ) для извлечения RR из кадров данных. БПФ — это алгоритм, который уже нашел применение в исследованиях на людях [66] и доказал свою пригодность для этой цели.

В работе [67] утверждается, что состояние покоя может дать нам более надежную информацию о здоровье животных, поскольку это состояние менее подвержено нарушениям движения, так как корова не ходит, не пьет и не взаимодействует с другими коровами. Фактически, авторы решили использовать, во-первых, YOLACT (You Only Look at CoefficienTs) в качестве алгоритма глубокого обучения, который распознает и сегментирует коров на фоне; во-вторых, VGG16, объединенный с Bi-LSTM, использовался для распознавания поведения коровы в состоянии покоя с точностью более 0,95 (т.е. отдых стоя, отдых лежа); и, наконец, RR был вычислен с использованием методов оптического потока.

Оптический поток — это изменение движения пикселей на изображении, и он может быть связан с объектом изображения или с устройством, используемым для записи: когда корова дышит, тело движется горизонтально и ритмично, вызывая обратное движение в направлении оптического потока на записанных изображениях. В этом отношении мощным инструментом является алгоритм Лукаса-Канаде [68], который, как было показано ранее, более эффективен и точен при извлечении движений, связанных с дыханием, по сравнению с другими плотными методами [23].

7. Хромота и ложное поведение

Хромота — одна из наиболее распространенных проблем со здоровьем среди молочного скота, поскольку она вызывает боль, изменения походки и негативно влияет на воспроизводство и производство молока, приводя к экономическим потерям для фермеров [54, 69].

Эта проблема тесно связана с содержанием скота: неправильно сбалансированный корм, нечистый подстилочный материал и конструкции, не предотвращающие тепловой стресс, могут привести к увеличению числа патологических случаев [70]. Однако оценка хромоты обученными наблюдателями — трудоемкий процесс, нецелесообразный в условиях крупномасштабного фермерского хозяйства [71]. Поэтому разработка инструментов, обеспечивающих раннее выявление хромоты у отдельных коров, имеет большое значение для защиты благополучия животных и экономики фермы.

Для мониторинга скота были предложены акселерометры, но, поскольку носимые датчики в основном применяются на ногах, они могут вызывать дискомфорт и стресс. Недавно было предложено использовать компьютерное зрение для автоматизации процесса оценки хромоты и улучшения раннего выявления в больших стадах. Для достижения этой цели были применены сверточные нейронные сети (CNN) для распознавания объектов и рекуррентные нейронные сети (RNN) для извлечения признаков, что позволило найти корреляцию между степенью хромоты и степенью искривления спины коров [72, 73].

Методы машинного обучения позволяют исследователям сосредоточиться на движениях ног и моделях движений для классификации хромых коров [74] на основе извлечения признаков, связанных с характеристиками движения, такими как симметрия и длина шага [20]. Тем не менее, рассмотрение одной характеристики в качестве основы для обнаружения хромоты может привести к ложным срабатываниям или неточностям, особенно если коровы не сильно хромают [73, 75].

Хромые животные, на самом деле, демонстрируют различные характеристики походки, такие как большее выгибание и уплощение спины и увеличение движений головы во время движения, чтобы минимизировать нагрузку на хромую ногу, что может привести к усилению боли у коровы [76, 77]. Полученные результаты подчеркнули, что Mask R-CNN демонстрирует отличную точность обнаружения хромоты (98%), но все еще имеет некоторые проблемы с определением темных ступней и ног, если фон темный из-за низкого контраста между объектами.

Ссылки [20] и [77] предлагают новый подход, включающий идентификацию трех ключевых точек на спине животного, которые определяют изгиб спины и позволяют рассчитать вариативность движения и степень хромоты. В исследовании были протестированы различные алгоритмы машинного обучения на предмет их эффективности, показав, что AdaBoost является наиболее точным алгоритмом с общей точностью 77,9%.

Другое исследование, напротив, предложило метод, позволяющий одновременно распознавать и анализировать как позу, так и походку, используя Mask R-CNN для оценки различных ключевых точек на теле коровы, чтобы определить изгиб спины и положение головы. Впоследствии алгоритм CatBoost выбирает полезные и несущественные признаки для правильной классификации каждой коровы по степени ее хромоты.

Это исследование показало, что задняя часть животного может предоставить больше информации, чем передняя, ​​в соответствии с тем фактом, что большинство причин хромоты затрагивают задние конечности [77]. Важно отметить, что нерелевантная информация, извлеченная из видео, может снизить точность обнаружения хромоты: в этом отношении [78] предложила сеть с уменьшенным размером пространственно-временных данных (DRSN) для управления нерелевантной информацией и уменьшения ее влияния на общую производительность алгоритма машинного обучения.

Местоположение копыт, предоставленное YOLOv4, использовалось в качестве основы для получения пространственно-временного изображения из видео; соответственно, алгоритм DenseNet выполнял классификацию хромоты на пространственно-временном изображении, получая на выходе оценку локомоции коровы. Этот метод показал точность 98,50% для классификации, выполненной DenseNet, доказывая, что этот метод может эффективно уменьшить неточности, используя DRSN [78].

Для обеспечения индивидуальной классификации хромоты с использованием компьютерного зрения и глубокого обучения камеры следует размещать в местах, где ежедневно перемещаются все животные. Поэтому вход или выход из автоматической системы доения или доильного зала представляют собой идеальное место для этих устройств. Такое расположение камеры может создавать некоторые проблемы, связанные с тем, что вдоль дорожки, ведущей внутрь или наружу зоны доения, коровы очень быстро следуют друг за другом: в этом отношении [79] указал, что временной интервал между следующими животными должен составлять не менее 35 секунд; в противном случае видеозапись и анализ видеокадра не дадут точного результата.

Выявление закономерностей перемещения стада также может предоставить информацию о поведении коров во время лежания, что является сильным показателем уровня комфорта и физического здоровья стада и косвенно пригодности стойл [80]. Как программы оценки благополучия, так и управляющие фермами используют этот параметр ежедневно для оценки благополучия и комфорта животных, но традиционно наблюдения проводились визуально [22], что не нашло применения в контексте крупного животноводства, поскольку является трудоемким и субъективным занятием.

Последние достижения в области компьютерного зрения делают его подходящим инструментом для точного расчета биомеханизмов животного и мониторинга начала изменений кинематического поведения во время переходов между позами. Еще одним параметром, который можно отслеживать для оценки благополучия и здоровья животных, является время лежания [24]: например, коровы, страдающие от теплового стресса, увеличивают время, проведенное в положении стоя, что негативно влияет на жвачку, здоровье копыт и надои молока [44]. В работе [22] предложено программное обеспечение для оценки 3D-позы, способное вычислять разницу между высотой крестца и высотой холки и, следовательно, определять переход из положения лежа в положение стоя, достигая чувствительности обнаружения перехода между позами в 88,2%.

8. Мастит и молочная продуктивность

Мастит — широко распространенное и сложное заболевание, приводящее к значительным экономическим потерям и вызывающее изменения качества и удоя молока. В настоящее время давление на животноводческий сектор с целью сокращения использования противомикробных препаратов возрастает из-за все более распространенной устойчивости к антибиотикам; поскольку лечение мастита является наиболее распространенной причиной применения противомикробных препаратов на молочных фермах, его контроль имеет критически важное значение [81].

Раннее выявление проблем со здоровьем, связанных с выменем, имеет важное значение для фермера, чтобы вмешаться в управление кормлением коров или уборку стойл с целью предотвращения развития мастита [82]. Принимается во внимание, что клинический и субклинический мастит не проявляют одинаковых симптомов: первый характеризуется фенотипическими изменениями, которые обычно видны невооруженным глазом, в то время как второй выявляется по более тонким изменениям, которые не видны [83].

Наиболее распространенные методы диагностики как клинического, так и субклинического мастита включают анализ молока, но эти методы требуют дорогостоящего оборудования, предварительной обработки и квалифицированного персонала для проведения анализа, что приводит к увеличению сроков обнаружения [13]. Инфракрасная термография (ИКТ) представляет собой альтернативный бесконтактный метод [84], с помощью которого можно непрерывно и в режиме реального времени контролировать состояние вымени, выявляя любое повышение температуры кожи, указывающее на наличие воспаления [85].

ИК-термография считается эффективным инструментом для проведения такого рода измерений, особенно в сочетании с алгоритмами глубокого обучения, которые позволяют обнаруживать ключевые точки на вымени молочных коров, зафиксированные на тепловых изображениях, чтобы связать температурные и размерные характеристики и получить точное определение мастита [13, 86].

В этом отношении авторы [19] предлагают использовать YOLOv5 для обнаружения и распознавания мастита на основе сравнения температуры глаз и вымени: установка соответствующего порога для разницы температур между этими двумя точками имеет решающее значение для точного обнаружения.

Порог для разницы температур между выменем и глазом установлен на уровне 0,8 °C, а порог между левой и правой сторонами вымени — на уровне 0,72 °C. Используя этот метод, авторы получили точность обнаружения мастита 85,71%. Следует учитывать, что температура поверхности кожи может легко подвергаться влиянию параметров окружающей среды, и что данные, регистрируемые для этого параметра, могут зависеть от чистоты кожи [13].

В [13] подчеркивается, что методы обнаружения, основанные только на одном индикаторе, могут быть ограниченными и демонстрировать менее точные результаты; вместо этого они предлагают альтернативный метод, сочетающий использование YOLOv7 с алгоритмом глубокого обучения CenterNet. Авторы добились более высокой точности в обнаружении и прогнозировании степени мастита (88,71%), проводя обнаружение и прогнозирование мастита у молочных коров с использованием двух показателей: размера и температурных характеристик вымени, полученных с помощью тепловизионных изображений.

Морфология и размер вымени молочных коров были определены как полезные факторы для прогнозирования и оценки как субклинического, так и клинического мастита на его начальных стадиях. Предыдущие исследования показали, что животные, имеющие определенные особенности прикрепления вымени, его высоту и ширину, коррелируют с более высоким риском мастита [82, 87].

Используя тепловизионные изображения, разница температур между фоном и животным может быть использована для анализа как морфологических, так и температурных характеристик. Удой молока является еще одним важным аспектом, который фермеры учитывают при оценке здоровья вымени, чтобы осознанно принимать решения по многим аспектам воспроизводства, таким как прекращение лактации и выявление течки [83].

Оценка этого параметра проводится в основном во время доения, в частности, с помощью автоматических систем доения [86]; Тем не менее, во многих коровниках сегодня по-прежнему используются традиционные системы доения, которые с меньшей вероятностью предоставляют индивидуальную информацию, связанную с удоем коров [88].

Компьютерное зрение нашло применение в этом отношении как бесконтактная технология, которую можно комбинировать с несколькими датчиками для различных задач. В работе [89] предлагается более дешевая альтернатива по сравнению с традиционными методами оценки удоя молока, а именно применение инфракрасной камеры для получения трехмерных тепловых изображений вымени до и после доения, и благодаря специальному алгоритму можно вычислить объем вымени до и после процесса доения. Хотя этот метод может иметь некоторые ограничения в точности, он предлагает недорогой и оригинальный подход, который может быть применен в будущих исследованиях.

9. Социальное поведение и определение течки

Как высокосоциальные животные, коровы эволюционировали, чтобы жить в группах, регулируемых социальной иерархией и различными уровнями взаимодействия с сородичами [90]. Однако типичные методы управления молочными фермами предполагают почти постоянное перегруппирование животных. Перегруппировка, наряду с ограниченным пространством для социальных взаимодействий, оказывает негативное влияние на благополучие и продуктивность коров [91]. Современные методы мониторинга поведения коров либо основаны на использовании носимых датчиков, точность измерений которых может быть снижена из-за потерь или повреждений, либо требуют много времени, поскольку они полагаются на обученных наблюдателей для оценки записанных видеозаписей коров [92]. Кроме того, большой объем данных, генерируемых датчиками, используемыми на крупных фермах, увеличивает потребность в более крупных системах хранения, которые не всегда легко доступны для фермеров [93].

Для лучшего понимания социального поведения и взаимоотношений компьютерное зрение представляет собой многообещающий и неинвазивный метод анализа этой темы и оценки того, как животные используют структуры и устройства, присутствующие на ферме, такие как автоматические системы доения [94, 95] или щетки [96]. В работе [95] камеры были сфокусированы на автоматических системах доения, и для работы с пространственной близостью между парами животных был использован метод EfficienDet в сочетании с моделью отслеживания на основе евклидовой диаграммы; детектор на основе CNN позволил распознать каждое животное, а модель отслеживания позволила отслеживать временные изменения во взаимодействиях между животными в пространстве и времени.

Анализ времени как важного фактора для отслеживания различных форм поведения и взаимодействий в течение дня и ночи должен учитывать изменение интенсивности света на фоне, что усложняет обработку и оценку изображений [97]. Для решения этой проблемы в работе [98] был предложен метод, учитывающий различные погодные условия, с использованием технологии синтеза каналов RGB для имитации, например, различной интенсивности света.

Благодаря этой реализации удалось достичь средней точности 90,2% в распознавании основных форм поведения (например, еда, стояние, лежание, ходьба), и этот метод может быть дополнительно развит для распознавания социальных взаимодействий между коровами. Кроме того, важным аспектом, который следует учитывать при анализе поведения, является тип взаимодействия, которое осуществляют животные, которое может быть либо аффилиативным (положительным), либо агонистическим (отрицательным), причем последнее обычно указывает на наличие проблем с благополучием.

Обычно камеры, предназначенные для классификации поведения, размещаются в определенных зонах коровника, где агрессивное поведение более вероятно из-за конкуренции между коровами, занимающими разные иерархические позиции, за доступ к корму, дойке или пространству. Зоны кормления и ожидания — это места, где такое поведение обычно проявляется [99, 100]. В этом отношении носимые устройства могут обнаруживать социальные взаимодействия на основе пространственной близости, но не способны идентифицировать и классифицировать само поведение.

Поэтому система, например, такая как сверхширокополосная связь (UWB), может быть реализована вместе с CNN, так что первая может использоваться для отслеживания коров, а вторая — для классификации взаимодействий между ними [99]. Альтернативный метод классификации взаимодействий коров предложен в [100], где расстояния вычисляются как геометрические характеристики, и исследовано выравнивание форм коров, однако получена точность около 85%.

Точность, полученная в исследованиях, посвященных распознаванию и классификации взаимодействий животных, оставалась ниже 94%, что доказывает сложность применения методов компьютерного зрения в этой области и для этой цели. Реакция животного на стимул обусловлена ​​внешними факторами, создавшими стимул, а также индивидуальным опытом и характеристиками; следовательно, для распознавания отдельного движения используемые алгоритмы должны учитывать диапазон меж- и внутриклассовой изменчивости, что представляет собой потенциальную проблему, которую необходимо решить для улучшения этих технологий [97].

Необходимы дальнейшие исследования социальных взаимодействий и, в более общем смысле, изучения поведения животных, поскольку это является фундаментальной предпосылкой для поддержания и оптимизации здоровья, благополучия и продуктивности молочных коровников.

Еще один аспект, который можно отслеживать с помощью обработки изображений и который может дать нам информацию о физиологическом состоянии животных, — это эструс. Хорошо структурированная стратегия управления репродукцией имеет решающее значение для обеспечения благополучия и продуктивности скота. Неправильная идентификация эструса приводит к снижению репродуктивной эффективности коров [101, 102].

Для обнаружения коров в течке используются различные методики, такие как устройства, прикрепленные к хвосту, которые используют мел или краситель; акселерометры [103], прикрепленные к ошейникам или шагомерам [104]; и термометры, которые отслеживают изменения внутренней температуры, связанные с проявлением эструса [105].

Эти технологии являются носимыми или требуют прямого контакта с животным для записи данных, что делает их потенциально стрессовыми для коров, а кроме того, устройства, измеряющие активность и внутреннюю температуру, полагаются на косвенные индикаторы тепла; следовательно, они могут давать ложноположительные результаты, вызванные физиологическими изменениями, отличными от эструса [106].

Одним из наиболее важных признаков эструса является пассивная реакция самки коровы на попытки других коров ее спарить [101], и это действие может быть обнаружено с помощью машинного зрения. В работе [106] в качестве порогового значения для классификации коровы как находящейся в эструсе рассматривается 2 секунды последующего поведения, которое переходит в еще 2 секунды поведения спаривания. Авторы подчеркивают необходимость внедрения количества индикаторов или пороговых значений, чтобы помочь алгоритмам отличать ложные события эструса от истинных.

10. Выводы и направления дальнейших исследований

В данном обзоре литературы рассмотрено применение моделей глубокого обучения в компьютерном зрении и методах машинного обучения, с акцентом на приложениях, связанных с управлением молочными фермами, и подчеркнуто практическое влияние таких инноваций на повседневную сельскохозяйственную деятельность.
Основные выводы данного обзорного исследования можно резюмировать в следующих трех пунктах:
  • По сравнению с традиционными носимыми устройствами, компьютерное зрение обеспечивает простой, экономичный и масштабируемый метод мониторинга молочного скота. Исключая риск потери или повреждения оборудования и избегая прямого контакта с животными, оно обеспечивает непрерывный сбор данных, одновременно защищая благополучие животных и снижая экономические потери для фермеров.
  • Интеграция передовых моделей, таких как сверточные нейронные сети (CNN) и архитектуры на основе YOLO, кардинально изменила возможности мониторинга животноводства. Эти методы позволяют точно и в режиме реального времени выявлять незначительные физиологические и поведенческие изменения, что способствует более раннему обнаружению проблем со здоровьем и благополучием животных. В свою очередь, это способствует принятию более точных решений, целенаправленным вмешательствам и повышению производительности на все более крупных молочных фермах.
  • Несмотря на значительные успехи, остаются проблемы, связанные с обеспечением устойчивости алгоритмов в различных условиях фермерских хозяйств, освещения и на разных стадиях роста. Для раскрытия всего потенциала компьютерного зрения будущие исследования должны сосредоточиться на создании более крупных и разнородных наборов данных, интеграции мультимодальных источников данных и проверке систем в реальных условиях. Эти шаги имеют решающее значение для того, чтобы компьютерное зрение стало краеугольным камнем устойчивого, ориентированного на благополучие животных молочного животноводства.

Молочный сектор сталкивается с растущими проблемами, вызванными изменением климата и технологической трансформацией современных систем животноводства. В этом контексте настоящий обзор может способствовать улучшению как условий содержания животных, так и повышению производительности в молочном животноводстве.

Литература

  1. Ruviaro, C.F.; de Leis, C.M.; Florindo, T.J.; de Medeiros Florindo, G.I.B.; da Costa, J.S.; Tang, W.Z.; Pinto, A.T.; Soares, S.R. Life Cycle Cost Analysis of Dairy Production Systems in Southern Brazil. Sci. Total Environ. 2020, 741, 140273. [Google Scholar] [CrossRef]
  2. Jiang, B.; Tang, W.; Cui, L.; Deng, X. Precision Livestock Farming Research: A Global Scientometric Review. Animals 2023, 13, 2096. [Google Scholar] [CrossRef]
  3. Rancato, G. Precision Livestock Farming (PLF) Applications to the Dairy Sector; Università degli Studi di Padova: Padova, Italy, 2024. [Google Scholar]
  4. Edwards, D.S.; Johnston, A.M.; Pfeiffer, D.U. A Comparison of Commonly Used Ear Tags on the Ear Damage of Sheep. Anim. Welf. 2001, 10, 141–151. [Google Scholar] [CrossRef]
  5. Bhole, A.; Falzon, O.; Biehl, M.; Azzopardi, G. A Computer Vision Pipeline That Uses Thermal and RGB Images for the Recognition of Holstein Cattle. In Proceedings of the Lecture Notes in Computer Science, Salerno, Italy, 3–5 September 2019; including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics. Springer: Berlin/Heidelberg, Germany, 2019; Volume 11679 LNCS, pp. 108–119. [Google Scholar]
  6. Lamanna, M.; Bovo, M.; Cavallini, D. Wearable Collar Technologies for Dairy Cows: A Systematized Review of the Current Applications and Future Innovations in Precision Livestock Farming. Animals 2025, 15, 458. [Google Scholar] [CrossRef]
  7. Dac, H.H.; Gonzalez Viejo, C.; Lipovetzky, N.; Tongson, E.; Dunshea, F.R.; Fuentes, S. Livestock Identification Using Deep Learning for Traceability. Sensors 2022, 22, 8256. [Google Scholar] [CrossRef]
  8. Smink, M.; Liu, H.; Dopfer, D.; Lee, Y.J. Computer Vision on the Edge: Individual Cattle Identification in Real-Time with ReadMyCow System. In Proceedings of the Proceedings—2024 IEEE Winter Conference on Applications of Computer Vision, WACV 2024, Waikoloa, HI, USA, 3 January 2024; Institute of Electrical and Electronics Engineers Inc.: Piscataway, NJ, USA; pp. 7041–7050. [Google Scholar]
  9. Ferreira, R.E.P.; Angels de Luis Balaguer, M.; Bresolin, T.; Chandra, R.; Rosa, G.J.M.; White, H.M.; Dórea, J.R.R. Multi-Modal Machine Learning for the Early Detection of Metabolic Disorder in Dairy Cows Using a Cloud Computing Framework. Comput. Electron. Agric. 2024, 227, 109563. [Google Scholar] [CrossRef]
  10. Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. You Only Look Once: Unified, Real-Time Object Detection. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 9 December 2016; IEEE Computer Society: Piscataway, NJ, USA; Volume 2016, pp. 779–788. [Google Scholar]
  11. Fuentes, A.; Han, S.; Nasir, M.F.; Park, J.; Yoon, S.; Park, D.S. Multiview Monitoring of Individual Cattle Behavior Based on Action Recognition in Closed Barns Using Deep Learning. Animals 2023, 13, 2020. [Google Scholar] [CrossRef]
  12. Pretto, A.; Savio, G.; Gottardo, F.; Uccheddu, F.; Concheri, G. A Novel Low-Cost Visual Ear Tag Based Identification System for Precision Beef Cattle Livestock Farming. Inf. Process. Agric. 2024, 11, 117–126. [Google Scholar] [CrossRef]
  13. Chu, M.; Li, Q.; Wang, Y.; Zeng, X.; Si, Y.; Liu, G. Fusion of Udder Temperature and Size Features for the Automatic Detection of Dairy Cow Mastitis Using Deep Learning. Comput. Electron. Agric. 2023, 212, 108131. [Google Scholar] [CrossRef]
  14. Xu, Z.; Zhao, Y.; Yin, Z.; Yu, Q. Optimized BottleNet Transformer Model with Graph Sampling and Counterfactual Attention for Cow Individual Identification. Comput. Electron. Agric. 2024, 218, 108703. [Google Scholar] [CrossRef]
  15. Bergman, N.; Yitzhaky, Y.; Halachmi, I. Biometric Identification of Dairy Cows via Real-Time Facial Recognition. Animal 2024, 18, 101079. [Google Scholar] [CrossRef]
  16. Benicio, L.M.; Condotta, I.C.F.S.; Lopes, L.B.; Xavier, D.B.; Vendrusculo, L.G.; Lima, I.B.G. Individual Facial Identification of Beef and Dairy Cattle Based on Computer Vision; American Society of Agricultural and Biological Engineers (ASABE): St. Joseph, MI, USA, 2024. [Google Scholar]
  17. Negreiro, A.; Alves, A.; Ferreira, R.; Bresolin, T.; Menezes, G.; Casella, E.; Rosa, G.J.M.; Dórea, J.R.R. Siamese Networks for Identification of Holstein Cattle during Growth and across Different Physiological Stages; Berckmans, D., Tassinari, P., Torreggiani, D., Eds.; European Conference on Precision Livestock Farming: Bologna, Italy, 2024; pp. 467–474. [Google Scholar]
  18. Wu, D.; Wang, Y.; Han, M.; Song, L.; Shang, Y.; Zhang, X.; Song, H. Using a CNN-LSTM for Basic Behaviors Detection of a Single Dairy Cow in a Complex Environment. Comput. Electron. Agric. 2021, 182, 106016. [Google Scholar] [CrossRef]
  19. Wang, Y.; Kang, X.; He, Z.; Feng, Y.; Liu, G. Accurate Detection of Dairy Cow Mastitis with Deep Learning Technology: A New and Comprehensive Detection Method Based on Infrared Thermal Images. Animal 2022, 16, 100646. [Google Scholar] [CrossRef]
  20. Myint, B.B.; Onizuka, T.; Tin, P.; Aikawa, M.; Kobayashi, I.; Zin, T.T. Development of a Real-Time Cattle Lameness Detection System Using a Single Side-View Camera. Sci. Rep. 2024, 14, 13734. [Google Scholar] [CrossRef]
  21. Ferreira, R.E.P.; Bresolin, T.; Rosa, G.J.M.; Dórea, J.R.R. Using Dorsal Surface for Individual Identification of Dairy Calves through 3D Deep Learning Algorithms. Comput. Electron. Agric. 2022, 201, 107272. [Google Scholar] [CrossRef]
  22. Kroese, A.; Alam, M.; Hernlund, E.; Berthet, D.; Tamminen, L.M.; Fall, N.; Högberg, N. 3-Dimensional Pose Estimation to Detect Posture Transition in Freestall-Housed Dairy Cows. J. Dairy. Sci. 2024, 107, 6878–6887. [Google Scholar] [CrossRef]
  23. Shu, H.; Bindelle, J.; Gu, X. Non-Contact Respiration Rate Measurement of Multiple Cows in a Free-Stall Barn Using Computer Vision Methods. Comput. Electron. Agric. 2024, 218, 108678. [Google Scholar] [CrossRef]
  24. Xiao, J.; Si, Y.; Xie, M.; Liu, G.; Yan, Z.; Wang, K. A Novel and Convenient Lying Cow Identification Method Based on YOLOX and CowbodyNet: A Study with Applications in a Barn. Comput. Electron. Agric. 2024, 225, 109287. [Google Scholar] [CrossRef]
  25. Mantovani, R.R.; Menezes, G.L.; R Dórea, J.R. Predicting Respiration Rate in Unrestrained Dairy Cows Using Image Analysis and Fast Fourier Transform. JDS Commun. 2024, 5, 310–316. [Google Scholar] [CrossRef]
  26. Tassinari, P.; Bovo, M.; Benni, S.; Franzoni, S.; Poggi, M.; Mammi, L.M.E.; Mattoccia, S.; Di Stefano, L.; Bonora, F.; Barbaresi, A.; et al. A Computer Vision Approach Based on Deep Learning for the Detection of Dairy Cows in Free Stall Barn. Comput. Electron. Agric. 2021, 182, 106030. [Google Scholar] [CrossRef]
  27. Ayadi, S.; Said, A.B.; Jabbar, R.; Aloulou, C.; Chabbouh, A.; Achballah, A.B. Dairy Cow Rumination Detection: A Deep Learning Approach; Springer: Berlin/Heidelberg, Germany, 2021. [Google Scholar] [CrossRef]
  28. Hmidani, O.; Ismaili Alaoui, E.M. A Comprehensive Survey of the R-CNN Family for Object Detection. In Proceedings of the Proceedings—2022 5th International Conference on Advanced Communication Technologies and Networking, CommNet 2022, Marrakech, Morocco, 12–14 December 2022; Institute of Electrical and Electronics Engineers Inc.: Piscataway, NJ, USA, 2022. [Google Scholar]
  29. Rezatofighi, H.; Tsoi, N.; Gwak, J.; Sadeghian, A.; Reid, I.; Savarese, S. Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Long Beach, CA, USA, 15–20 June 2019. [Google Scholar]
  30. Mate, S.; Somani, V.; Dahiwale, P. Applications of Machine Learning to Address Complex Problems in Livestock. In Proceedings of the 2024 3rd International Conference for Innovation in Technology, INOCON 2024, Bangalore, India, 1–3 March 2024; Institute of Electrical and Electronics Engineers Inc.: Piscataway, NJ, USA, 2024. [Google Scholar]
  31. Rohan, A.; Rafaq, M.S.; Hasan, M.J.; Asghar, F.; Bashir, A.K.; Dottorini, T. Application of Deep Learning for Livestock Behaviour Recognition: A Systematic Literature Review. Comput. Electron. Agric. 2024, 224, 109115. [Google Scholar] [CrossRef]
  32. Liu, N.; Qi, J.; An, X.; Wang, Y. A Review on Information Technologies Applicable to Precision Dairy Farming: Focus on Behavior, Health Monitoring, and the Precise Feeding of Dairy Cows. Agriculture 2023, 13, 1858. [Google Scholar] [CrossRef]
  33. Hossain, M.E.; Kabir, M.A.; Zheng, L.; Swain, D.L.; McGrath, S.; Medway, J. A Systematic Review of Machine Learning Techniques for Cattle Identification: Datasets, Methods and Future Directions. Artif. Intell. Agric. 2022, 6, 138–155. [Google Scholar] [CrossRef]
  34. Borges Oliveira, D.A.; Ribeiro Pereira, L.G.; Bresolin, T.; Pontes Ferreira, R.E.; Reboucas Dorea, J.R. A Review of Deep Learning Algorithms for Computer Vision Systems in Livestock. Livest. Sci. 2021, 253, 104700. [Google Scholar] [CrossRef]
  35. de Ufitikirezi, J.D.M.; Bumbálek, R.; Zoubek, T.; Bartoš, P.; Havelka, Z.; Kresan, J.; Stehlík, R.; Kuneš, R.; Olšan, P.; Strob, M.; et al. Enhancing Cattle Production and Management through Convolutional Neural Networks. A Review. Czech J. Anim. Sci. 2024, 69, 75–88. [Google Scholar] [CrossRef]
  36. Wurtz, K.; Camerlink, I.; D’Eath, R.B.; Fernández, A.P.; Norton, T.; Steibel, J.; Siegford, J. Recording Behaviour of Indoor-Housed Farm Animals Automatically Using Machine Vision Technology: A Systematic Review. PLoS ONE 2019, 14, e0226669. [Google Scholar] [CrossRef]
  37. Halachmi, I.; Guarino, M.; Bewley, J.; Pastell, M. Smart Animal Agriculture: Application of Real-Time Sensors to Improve Animal Well-Being and Production. Annu. Rev. Anim. Biosci. 2019, 7, 403–425. [Google Scholar] [CrossRef]
  38. McVey, C.; Egger, D.; Pinedo, P. Improving the Reliability of Scale-Free Image Morphometrics in Applications with Minimally Restrained Livestock Using Projective Geometry and Unsupervised Machine Learning. Sensors 2022, 22, 8347. [Google Scholar] [CrossRef]
  39. Giannone, C.; Bovo, M.; Ceccarelli, M.; Benni, S.; Tassinari, P.; Torreggiani, D. Real Time Identification of Individual Dairy Cows through Computer Vision; European Conference on Precision Livestock Farming: Bologna, Italy, 2024; pp. 452–458. [Google Scholar]
  40. Ahmed, S.U.; Frnda, J.; Waqas, M.; Khan, M.H. Dataset of Cattle Biometrics through Muzzle Images. Data Brief. 2024, 53, 110125. [Google Scholar] [CrossRef]
  41. Okura, F.; Ikuma, S.; Makihara, Y.; Muramatsu, D.; Nakada, K.; Yagi, Y. RGB-D Video-Based Individual Identification of Dairy Cows Using Gait and Texture Analyses. Comput. Electron. Agric. 2019, 165, 104944. [Google Scholar] [CrossRef]
  42. Li, Z.; Zhang, H.; Chen, Y.; Wang, Y.; Zhang, J.; Hu, L.; Shu, L.; Yang, L. Dairy Cow Individual Identification System Based on Deep Learning. In Proceedings of the Communications in Computer and Information Science, Fuzhou, China, 17–18 December 2022; Springer Science and Business Media Deutschland GmbH: Berlin/Heidelberg, Germany, 2023; Volume 1787 CCIS, pp. 209–221. [Google Scholar]
  43. King, K.; Thornton, C.; Roopaei, M. Smart Feeding: Integrating Deep Learning into Dairy Farm Practices. In Proceedings of the 2024 IEEE 5th World AI IoT Congress, AIIoT 2024, Seattle, WA, USA, 29–31 May 2024; Institute of Electrical and Electronics Engineers Inc.: Piscataway, NJ, USA, 2024; pp. 151–156. [Google Scholar]
  44. Giannone, C.; Bovo, M.; Ceccarelli, M.; Torreggiani, D.; Tassinari, P. Review of the Heat Stress-Induced Responses in Dairy Cattle. Animals 2023, 13, 3451. [Google Scholar] [CrossRef]
  45. Porto, S.M.C.; Arcidiacono, C.; Anguzza, U.; Cascone, G. The Automatic Detection of Dairy Cow Feeding and Standing Behaviours in Free-Stall Barns by a Computer Vision-Based System. Biosyst. Eng. 2015, 133, 46–55. [Google Scholar] [CrossRef]
  46. Bresolin, T.; Ferreira, R.; Reyes, F.; Van Os, J.; Dórea, J.R.R. Assessing Optimal Frequency for Image Acquisition in Computer Vision Systems Developed to Monitor Feeding Behavior of Group-Housed Holstein Heifers. J. Dairy. Sci. 2023, 106, 664–675. [Google Scholar] [CrossRef]
  47. Bezen, R.; Edan, Y.; Halachmi, I. Computer Vision System for Measuring Individual Cow Feed Intake Using RGB-D Camera and Deep Learning Algorithms. Comput. Electron. Agric. 2020, 172, 105345. [Google Scholar] [CrossRef]
  48. Chelotti, J.O.; Vanrell, S.R.; Milone, D.H.; Utsumi, S.A.; Galli, J.R.; Rufiner, H.L.; Giovanini, L.L. A Real-Time Algorithm for Acoustic Monitoring of Ingestive Behavior of Grazing Cattle. Comput. Electron. Agric. 2016, 127, 64–75. [Google Scholar] [CrossRef]
  49. Antanaitis, R.; Džermeikaitė, K.; Krištolaitytė, J.; Arlauskaitė, S.; Girdauskaitė, A.; Tolkačiovaitė, K.; Juodžentytė, R.; Palubinskas, G.; Labokojytė, A.; Šertvytytė, G.; et al. Utilizing Noseband Sensor Technology to Evaluate Rumination Time as a Predictor of Feeding and Locomotion Behaviors in Dairy Cows. Agriculture 2025, 15, 296. [Google Scholar] [CrossRef]
  50. Guyard, R.; Delagarde, R. Grazing Time of Dairy Cows Recorded Using Two Devices Based on Accelerometers. Appl. Anim. Behav. Sci. 2025, 283, 106515. [Google Scholar] [CrossRef]
  51. Cavallini, D.; Mammi, L.M.E.; Buonaiuto, G.; Palmonari, A.; Valle, E.; Formigoni, A. Immune-Metabolic-Inflammatory Markers in Holstein Cows Exposed to a Nutritional and Environmental Stressing Challenge. J. Anim. Physiol. Anim. Nutr. 2021, 105, 42–55. [Google Scholar] [CrossRef]
  52. Schirmann, K.; Chapinal, N.; Weary, D.M.; Heuwieser, W.; von Keyserlingk, M.A.G. Rumination and Its Relationship to Feeding and Lying Behavior in Holstein Dairy Cows. J. Dairy. Sci. 2012, 95, 3212–3217. [Google Scholar] [CrossRef]
  53. Li, J.; Liu, Y.; Zheng, W.; Chen, X.; Ma, Y.; Guo, L. Monitoring Cattle Ruminating Behavior Based on an Improved Keypoint Detection Model. Animals 2024, 14, 1791. [Google Scholar] [CrossRef]
  54. Bewley, J.M.; Peacock, A.M.; Lewis, O.; Boyce, R.E.; Roberts, D.J.; Coffey, M.P.; Kenyon, S.J.; Schutz, M.M. Potential for Estimation of Body Condition Scores in Dairy Cattle from Digital Images. J. Dairy. Sci. 2008, 91, 3439–3453. [Google Scholar] [CrossRef]
  55. Spoliansky, R.; Edan, Y.; Parmet, Y.; Halachmi, I. Development of Automatic Body Condition Scoring Using a Low-Cost 3-Dimensional Kinect Camera. J. Dairy. Sci. 2016, 99, 7714–7725. [Google Scholar] [CrossRef]
  56. Bi, Y.; Campos, L.M.; Wang, J.; Yu, H.; Hanigan, M.D.; Morota, G. Depth Video Data-Enabled Predictions of Longitudinal Dairy Cow Body Weight Using Thresholding and Mask R-CNN Algorithms. Smart Agric. Technol. 2023, 6, 100352. [Google Scholar] [CrossRef]
  57. Li, W.-Y.; Shen, Y.; Wang, D.-J.; Yang, Z.-K.; Yang, X.-T. Automatic Dairy Cow Body Condition Scoring Using Depth Images and 3D Surface Fitting; IEEE: Piscataway, NJ, USA, 2019. [Google Scholar]
  58. Baltrusaitis, T.; Ahuja, C.; Morency, L.P. Multimodal Machine Learning: A Survey and Taxonomy. IEEE Trans. Pattern Anal. Mach. Intell. 2019, 41, 423–443. [Google Scholar] [CrossRef]
  59. Atrey, P.K.; Hossain, M.A.; El Saddik, A.; Kankanhalli, M.S. Multimodal Fusion for Multimedia Analysis: A Survey. Multimed. Syst. 2010, 16, 345–379. [Google Scholar] [CrossRef]
  60. Handa, D.; Peschel, J.M. A Review of Monitoring Techniques for Livestock Respiration and Sounds. Front. Anim. Sci. 2022, 3, 904834. [Google Scholar] [CrossRef]
  61. Wang, M.; Li, S.; Peng, R.; Räisänen, S.E.; Serviento, A.M.; Sun, X.; Wang, K.; Yu, F.; Niu, M. Learning End-to-End Respiratory Rate Prediction of Dairy Cows from RGB Videos. J. Dairy. Sci. 2024, 107, 9862–9874. [Google Scholar] [CrossRef]
  62. de Carvalho, G.A.; Salman, A.K.D.; da Cruz, P.G.; de Souza, E.C.; da Silva, F.R.F.; Schmitt, E. Technical Note: An Acoustic Method for Assessing the Respiration Rate of Free-Grazing Dairy Cattle. Livest. Sci. 2020, 241, 104270. [Google Scholar] [CrossRef]
  63. Strutzke, S.; Fiske, D.; Hoffmann, G.; Ammon, C.; Heuwieser, W.; Amon, T. Technical Note: Development of a Noninvasive Respiration Rate Sensor for Cattle. J. Dairy. Sci. 2019, 102, 690–695. [Google Scholar] [CrossRef]
  64. Milan, H.F.M.; Maia, A.S.C.; Gebremedhin, K.G. Technical Note: Device for Measuring Respiration Rate of Cattle under Field Conditions. J. Anim. Sci. 2016, 94, 5434–5438. [Google Scholar] [CrossRef]
  65. Gade, R.; Moeslund, T.B. Thermal Cameras and Applications: A Survey. Mach. Vis. Appl. 2014, 25, 245–262. [Google Scholar] [CrossRef]
  66. Wiede, C.; Richter, J.; Manuel, M.; Hirtz, G. Remote Respiration Rate Determination in Video Data Vital Parameter Extraction Based on Optical Flow and Principal Component Analysis. In Proceedings of the VISIGRAPP 2017—Proceedings of the 12th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications, Porto, Portugal, 27 February–1 March 2017; SciTePress: Setúbal, Portugal, 2017; Volume 4, pp. 326–333. [Google Scholar]
  67. Wu, D.; Han, M.; Song, H.; Song, L.; Duan, Y. Monitoring the Respiratory Behavior of Multiple Cows Based on Computer Vision and Deep Learning. J. Dairy. Sci. 2023, 106, 2963–2979. [Google Scholar] [CrossRef]
  68. Kanade, T.; Lucas, B.D. An Iterative Image Registration Technique with an Application to Stereo Vision (IJCAI) An Iterative Image Registration Technique with an Application to Stereo Vision. In Proceedings of the IJCAI’81: 7th International Joint Conference on Artificial Intelligence, Vancouver, BC, Canada, 24–28 August 1981. [Google Scholar]
  69. Mylostyvyi, R.; Sejian, V.; Souza-Junior, J.B.F.; Wrzecińska, M.; Za, T.; Chernenko, O.; Pryshedko, V.; Suslova, N.; Chabanenko, D.; Hoffmann, G. Digitalisation Opportunities for Livestock Welfare Monitoring with a Focus on Heat Stress. Multidiscip. Rev. 2024, 7, 2024300. [Google Scholar] [CrossRef]
  70. Urban-Chmiel, R.; Mudroň, P.; Abramowicz, B.; Kurek, Ł.; Stachura, R. Lameness in Cattle—Etiopathogenesis, Prevention and Treatment. Animals 2024, 14, 1836. [Google Scholar] [CrossRef]
  71. Van, T.; Antwerpen, H.P.; Viazzi, S. On Farm Implementation of a Fully Automatic Computer Vision System for Monitoring Gait Related Measures in Dairy Cows. In Proceedings of the 2014 ASABE and CSBE/SCGAB Annual International Meeting, Montreal, QC, Canada, 13–16 July 2014. [Google Scholar]
  72. Poursaberi, A.; Bahr, C.; Pluk, A.; Van Nuffel, A.; Berckmans, D. Real-Time Automatic Lameness Detection Based on Back Posture Extraction in Dairy Cattle: Shape Analysis of Cow with Image Processing Techniques. Comput. Electron. Agric. 2010, 74, 110–119. [Google Scholar] [CrossRef]
  73. Viazzi, S.; Bahr, C.; Schlageter-Tello, A.; Van Hertem, T.; Romanini, C.E.B.; Pluk, A.; Halachmi, I.; Lokhorst, C.; Berckmans, D. Analysis of Individual Classification of Lameness Using Automatic Measurement of Back Posture in Dairy Cattle. J. Dairy. Sci. 2013, 96, 257–266. [Google Scholar] [CrossRef]
  74. Zhao, K.; Bewley, J.M.; He, D.; Jin, X. Automatic Lameness Detection in Dairy Cattle Based on Leg Swing Analysis with an Image Processing Technique. Comput. Electron. Agric. 2018, 148, 226–236. [Google Scholar] [CrossRef]
  75. Alsaaod, M.; Fadul, M.; Steiner, A. Automatic Lameness Detection in Cattle. Vet. J. 2019, 246, 35–44. [Google Scholar] [CrossRef]
  76. Gleerup, K.B.; Andersen, P.H.; Munksgaard, L.; Forkman, B. Pain Evaluation in Dairy Cattle. Appl. Anim. Behav. Sci. 2015, 171, 25–32. [Google Scholar] [CrossRef]
  77. Barney, S.; Dlay, S.; Crowe, A.; Kyriazakis, I.; Leach, M. Deep Learning Pose Estimation for Multi-Cattle Lameness Detection. Sci. Rep. 2023, 13, 4499. [Google Scholar] [CrossRef]
  78. Kang, X.; Li, S.; Li, Q.; Liu, G. Dimension-Reduced Spatiotemporal Network for Lameness Detection in Dairy Cows. Comput. Electron. Agric. 2022, 197, 106922. [Google Scholar] [CrossRef]
  79. Van Hertem, T.; Schlageter Tello, A.; Viazzi, S.; Steensels, M.; Bahr, C.; Romanini, C.E.B.; Lokhorst, K.; Maltz, E.; Halachmi, I.; Berckmans, D. Implementation of an Automatic 3D Vision Monitor for Dairy Cow Locomotion in a Commercial Farm. Biosyst. Eng. 2018, 173, 166–175. [Google Scholar] [CrossRef]
  80. Tucker, C.B.; Jensen, M.B.; de Passillé, A.M.; Hänninen, L.; Rushen, J. Invited Review: Lying Time and the Welfare of Dairy Cows. J. Dairy. Sci. 2021, 104, 20–46. [Google Scholar] [CrossRef]
  81. Down, P.M.; Bradley, A.J.; Breen, J.E.; Green, M.J. Factors Affecting the Cost-Effectiveness of on-Farm Culture Prior to the Treatment of Clinical Mastitis in Dairy Cows. Prev. Vet. Med. 2017, 145, 91–99. [Google Scholar] [CrossRef]
  82. Miles, A.M.; McArt, J.A.A.; Leal Yepes, F.A.; Stambuk, C.R.; Virkler, P.D.; Huson, H.J. Udder and Teat Conformational Risk Factors for Elevated Somatic Cell Count and Clinical Mastitis in New York Holsteins. Prev. Vet. Med. 2019, 163, 7–13. [Google Scholar] [CrossRef]
  83. Wang, N.; Zhou, C.; Basang, W.; Zhu, Y.; Wang, X.; Li, C.; Chen, L.; Zhou, X. Mechanisms by Which Mastitis Affects Reproduction in Dairy Cow: A Review. Reprod. Domest. Anim. 2021, 56, 1165–1175. [Google Scholar] [CrossRef]
  84. Mota-Rojas, D.; Pereira, A.M.F.; Wang, D.; Martínez-Burnes, J.; Ghezzi, M.; Hernández-Avalos, I.; Lendez, P.; Mora-Medina, P.; Casas, A.; Olmos-Hernández, A.; et al. Clinical Applications and Factors Involved in Validating Thermal Windows Used in Infrared Thermography in Cattle and River Buffalo to Assess Health and Productivity. Animals 2021, 11, 2247. [Google Scholar] [CrossRef]
  85. Colak, A.; Polat, B.; Okumus, Z.; Kaya, M.; Yanmaz, L.E.; Hayirli, A. Short Communication: Early Detection of Mastitis Using Infrared Thermography in Dairy Cows. J. Dairy. Sci. 2008, 91, 4244–4248. [Google Scholar] [CrossRef]
  86. Van Der Zwan, M.; Telea, A. Robust and Fast Teat Detection and Tracking in Low-Resolution Videos for Automatic Milking Devices. In Proceedings of the VISAPP 2015—10th International Conference on Computer Vision Theory and Applications, Berlin, Germany, 11–14 March 2015; VISIGRAPP, Proceedings. SciTePress: Setúbal, Portugal, 2015; Volume 3, pp. 520–530. [Google Scholar]
  87. Miles, A.M.; Posbergh, C.J.; Huson, H.J. Direct Phenotyping and Principal Component Analysis of Type Traits Implicate Novel Qtl in Bovine Mastitis through Genome-Wide Association. Animals 2021, 11, 1147. [Google Scholar] [CrossRef]
  88. Gargiulo, J.I.; Eastwood, C.R.; Garcia, S.C.; Lyons, N.A. Dairy Farmers with Larger Herd Sizes Adopt More Precision Dairy Technologies. J. Dairy. Sci. 2018, 101, 5466–5473. [Google Scholar] [CrossRef]
  89. Shorten, P.R. Computer Vision and Weigh Scale-Based Prediction of Milk Yield and Udder Traits for Individual Cows. Comput. Electron. Agric. 2021, 188, 106364. [Google Scholar] [CrossRef]
  90. Boyland, N.K.; Mlynski, D.T.; James, R.; Brent, L.J.N.; Croft, D.P. The Social Network Structure of a Dynamic Group of Dairy Cows: From Individual to Group Level Patterns. Appl. Anim. Behav. Sci. 2016, 174, 1–10. [Google Scholar] [CrossRef]
  91. Von Keyserlingk, M.A.G.; Olenick, D.; Weary, D.M. Acute Behavioral Effects of Regrouping Dairy Cows. J. Dairy. Sci. 2008, 91, 1011–1016. [Google Scholar] [CrossRef]
  92. Shane, D.D.; White, B.J.; Larson, R.L.; Amrine, D.E.; Kramer, J.L. Probabilities of Cattle Participating in Eating and Drinking Behavior When Located at Feeding and Watering Locations by a Real Time Location System. Comput. Electron. Agric. 2016, 127, 460–466. [Google Scholar] [CrossRef]
  93. Geng, H.; Hou, Z.; Liang, J.; Li, X.; Zhou, X.; Xu, A. Motion Focus Global–Local Network: Combining Attention Mechanism with Micro Action Features for Cow Behavior Recognition. Comput. Electron. Agric. 2024, 226, 109399. [Google Scholar] [CrossRef]
  94. Guzhva, O.; Ardö, H.; Herlin, A.; Nilsson, M.; Aström, K.; Bergsten, C. Automatic Detection of Social Interactions in the Waiting Area of Automatic Milking Stations Using a Video Surveillance System. In Proceedings of the Precision Livestock Farming’15: 7th Conference on Precision Livestock Farming, Milan, Italy, 15–18 September 2015; Guarino, M., Berckmans, D., Eds.; pp. 681–688. [Google Scholar]
  95. Ozella, L.; Magliola, A.; Vernengo, S.; Ghigo, M.; Bartoli, F.; Grangetto, M.; Forte, C.; Montrucchio, G.; Giacobini, M. A Computer Vision Approach for the Automatic Detection of Social Interactions of Dairy Cows in Automatic Milking Systems. Acta IMEKO 2024, 13, 1–6. [Google Scholar] [CrossRef]
  96. Sadrzadeh, N.; Foris, B.; Krahn, J.; von Keyserlingk, M.A.G.; Weary, D.M. Automated Monitoring of Brush Use in Dairy Cattle. PLoS ONE 2024, 19, e0305671. [Google Scholar] [CrossRef]
  97. Fuentes, A.; Yoon, S.; Park, J.; Park, D.S. Deep Learning-Based Hierarchical Cattle Behavior Recognition with Spatio-Temporal Information. Comput. Electron. Agric. 2020, 177, 105627. [Google Scholar] [CrossRef]
  98. Mu, Y.; Hu, J.; Wang, H.; Li, S.; Zhu, H.; Luo, L.; Wei, J.; Ni, L.; Chao, H.; Hu, T.; et al. Research on the Behavior Recognition of Beef Cattle Based on the Improved Lightweight CBR-YOLO Model Based on YOLOv8 in Multi-Scene Weather. Animals 2024, 14, 2800. [Google Scholar] [CrossRef]
  99. Ren, K.; Bernes, G.; Hetta, M.; Karlsson, J. Tracking and Analysing Social Interactions in Dairy Cattle with Real-Time Locating System and Machine Learning. J. Syst. Archit. 2021, 116, 102139. [Google Scholar] [CrossRef]
  100. Guzhva, O.; Ardö, H.; Herlin, A.; Nilsson, M.; Åström, K.; Bergsten, C. Feasibility Study for the Implementation of an Automatic System for the Detection of Social Interactions in the Waiting Area of Automatic Milking Stations by Using a Video Surveillance System. Comput. Electron. Agric. 2016, 127, 506–509. [Google Scholar] [CrossRef]
  101. Reith, S.; Hoy, S. Review: Behavioral Signs of Estrus and the Potential of Fully Automated Systems for Detection of Estrus in Dairy Cattle. Animal 2018, 12, 398–407. [Google Scholar] [CrossRef] [PubMed]
  102. Liu, T.; Li, C.; Zhao, L.; Fang, J.; Luo, J.; Li, A. Cow Estrus Control System Based on Machine Vision. In Proceedings of the 35th Chinese Control and Decision Conference, CCDC 2023, Yichang, China, 20–22 May 2023; Institute of Electrical and Electronics Engineers Inc.: Piscataway, NJ, USA, 2023; pp. 3759–3763. [Google Scholar]
  103. Valenza, A.; Giordano, J.O.; Lopes, G.; Vincenti, L.; Amundson, M.C.; Fricke, P.M. Assessment of an Accelerometer System for Detection of Estrus and Treatment with Gonadotropin-Releasing Hormone at the Time of Insemination in Lactating Dairy Cows. J. Dairy. Sci. 2012, 95, 7115–7127. [Google Scholar] [CrossRef] [PubMed]
  104. Reith, S.; Brandt, H.; Hoy, S. Simultaneous Analysis of Activity and Rumination Time, Based on Collar-Mounted Sensor Technology, of Dairy Cows over the Peri-Estrus Period. Livest. Sci. 2014, 170, 219–227. [Google Scholar] [CrossRef]
  105. Polsky, L.B.; Madureira, A.M.L.; Filho, E.L.D.; Soriano, S.; Sica, A.F.; Vasconcelos, J.L.M.; Cerri, R.L.A. Association between Ambient Temperature and Humidity, Vaginal Temperature, and Automatic Activity Monitoring on Induced Estrus in Lactating Cows. J. Dairy. Sci. 2017, 100, 8590–8601. [Google Scholar] [CrossRef]
  106. Tsai, D.M.; Huang, C.Y. A Motion and Image Analysis Method for Automatic Detection of Estrus and Mating Behavior in Cattle. Comput. Electron. Agric. 2014, 104, 25–31. [Google Scholar] [CrossRef]

Авторы: Veronica Antognoli, Livia Presutti, Marco Bovo, Daniele Torreggiani, Patrizia Tassinari

ЗАКАЗАТЬ СИСТЕМУ

СХОЖИЕ СТАТЬИБОЛЬШЕ ОТ АВТОРА