这两天看到一篇论文，蛮有意思的，技术层面倒没有什么新颖的点，主要是落地应用场景比较贴近现实，文章主要就是应用yolov5来开发构建了一套母猪产仔智能化检测预警模型，从而来降低大型养殖场中人工成本。一起来简单看下吧。

摘要

母猪产仔是养猪的重要组成部分。准确有效的早期对母猪产仔行为的警告有助于饲养员确定是否有必要进行干预及时进行产仔过程，因此对提高仔猪和养猪场的利润。对于大型养猪场来说，人力资源和成本很重要分娩监督中的注意事项。现有的方法，使用基于云计算的深度学习监督母猪分娩，设备成本高，需要上传所有数据到云数据中心，需要大的网络带宽。因此，本文提出了一种方法基于嵌入式人工智能的产仔行为预警与监测智能计算平台（NVIDIA Jetson Nano）。这种轻量级的深度学习方法允许在边缘节点快速处理母猪产下的视频数据，减少带宽确保网络传输中的数据安全。实验表明该模型移植到Jetson Nano后，其对母猪姿势和新生仔猪的精度检测率为93.5%，召回率为92.2%，检测速度提高了一个因素大于8。对18头即将分娩（5小时）的母猪进行了早期预警测试。平均误差预警时间为1.02小时。

介绍

母猪产仔的预警和监督是指之前产生的警报母猪产仔的开始提醒饲养员，以便他们能够发现和处理相关问题早期的问题，并缓解诸如难产（难产）、仔猪等问题窒息和分娩时温度过低[1，2]。作为手动检查耗时、劳动密集、主观性强、自动预警和对接近分娩的监督很重要。他们不仅提高了平均水平每年每头母猪的活产仔猪数量，也有助于仔猪健康成长确保养猪业的发展。母猪在产仔开始前24小时开始表现出明显的筑巢行为活动水平高于正常水平并且姿势改变的频率增加。这些行为通常是分娩的可靠指标[3，4]。全球研究人员已经使用各种传感器设备研究了母猪的筑巢行为，这些传感器设备可以主要分为接触式传感器和非接触式传感器。Oliviero等人[5]安装了一个重力传感器在猪舍的地板上，使用了压力传感器垫和光电传感器，用于检测站立的持续时间和从让母猪站着躺着来预测产仔时间。耳标加速度计Traulsen等人设计的传感器[6]可以检测母猪活动的增加在分娩开始前6-8小时和1-2小时启动预警装置。Manteufel等人[7]使用光电传感器进行定性和定量预测通过使用动态线性模型和累积和来研究母猪在产仔过程中的行为。Küster等人[8]通过动态背景减法分析了母猪的行为活动（DBS）和光流（OF）方法；这种方法可以在平均产下。Okinda等人[9]提出了一种使用红外深度图像传感器，可以确定母猪产仔的时间，准确每只小猪的出生时间、小猪的出生顺序、出生的小猪数量等干扰，以检测窒息仔猪。

计算机视觉辅助监督的方法具有持久性的优点，对动物的非侵入性[10]，以及对干扰的强大抵抗力。虽然很深度学习算法[11-13]发展迅速，需要大量的计算资源和许多参数，并且模型通常只能在高性能上运行配备有图形处理单元（GPU）的工作站。计算机视觉技术基于轻量级深度学习[14-16]的ogy是出于成本考虑而出现的。本文提出了一种基于轻量级深度学习的预警方法监督母猪产仔前和产仔过程中的行为。一个模型是为通过YOLOv5算法检测母猪姿势和出生的小猪，并部署在Jetson上纳米嵌入式开发板。这种迁移模型可以检测母猪和新生儿在猪舍等复杂场景中不同大小的小猪。它允许早期预警通过姿势检测和姿势频率分析接近分娩过渡。此外，该模型还可以生成接近分娩和分娩的警报及时确定新生仔猪的数量，从而降低新生仔猪的死亡率由于缺乏饲养员支持、提高母猪管理和生产力，提高养猪企业的利润。

实验环境

在这项研究中，从丰原两个养猪场收集了母猪的视频数据有限公司生态农业有限公司养猪场（中国江苏省宿迁市宿豫区）。共有35头母猪，其中11项研究于2017年4月24日至2017年5月31日。其他24只于2020年6月9日至6月15日在郑街养猪场进行了研究。选择围产期大白母猪及其仔猪为试验对象两个农场。母猪被随机放置在产仔箱（2.2m×1.8m）中一周分娩前。摊位上备有食物槽、饮水碗、小猪保温箱等。母猪产仔室的环境温度保持不变介于20和28之间◦C、 仔猪孵化器的温度控制在与产房相一致的舒适范围。仔猪的使用孵化器启动1天。

视频捕获设备包括摄像机、网络硬盘录像机（NVR）、交换机和本地服务器。摄像机安装在产房里，交换机、NVR和本地服务器安装在信息服务的机柜中中心毗邻产房。图1显示了摄像头设备的示意图。除了网络摄像头的型号略有不同。在丰原养猪场和郑街养猪场分别为DS-2CD3135F-I和DS-2CD3325-I，分辨率分别为2048×1536像素和1920×1080像素。它们的焦距为4毫米。它们直接位于天花板上，高2.2米产仔板条箱，以确保监督范围涵盖整个板条箱。每个摄像机连接到用于电源和数据传输的网络电缆，该电缆通过固定摄像机的横杆。猪的头顶视频被连续录制24小时，然后通过NVR（型号：DS-8832N-R8）存储在硬盘上导入到计算机。用于同行评审的传感器2023、23、x共16个传感器中的3个它们的焦距为4毫米。它们直接位于天花板上，高2.2米产仔板条箱，以确保监督范围涵盖整个板条箱。每个摄像机连接到一根用于供电和数据传输的网线上通过固定摄像机的横杆。猪的头顶视频被连续录制24小时，然后通过NVR（型号：DS-8832N-R8）存储在硬盘上导入到计算机。

 母猪产仔前后1天录制的视频是手动录制的筛选，然后使用Python和OpenCV处理成图像数据。标签使用软件对采集的12450张图像中的母猪姿势和新生仔猪的数据进行了人工注释和增强。数据增强是通过裁剪、平移、旋转、镜像、更改亮度、添加噪声和剪切来执行的。数据展开后，共采集了32541张图像。数据集为分为五类，站着和坐着）[17,18]和新生仔猪。培训集、验证集和测试集比率为7:1:2，数据集以PASCAL VOC标准格式生成。

模型流程

目标检测模型采用的是YOLOv5s-6.0。详细设计如下所示：

 用于检测母猪姿势和新生仔猪的算法部署在Jetson Nano系列嵌入式人工智能计算平台NVIDIA推出。TensorRT是一种高性能的神经网络推理机于JetsonNano部署的mizer和运行时引擎。在这项研究中基于YOLOv5s算法对所提出的模型进行mize。的转换过程Jetson Nano嵌入式开发板上的模型是pth→.wts→.发动机，作为如图3所示。优化后的模型在具有更高吞吐量和更低的延迟，可以避免数据泄露引起的数据安全问题与传输时间。

实验分析 

实验结果对比分析如下所示：

 模型的准确性和召回率的变化曲线如图5所示。它可以看出，图5a中的准确率和图5b中的召回率显示随着迭代周期的增加，总体呈增加趋势，但YOLOv5s模型经过训练通过数据扩充，在300个时期内始终具有更高的精度和召回率训练YOLOv5s模型。图6显示了数据增强后的模型。平均精密度（mAP）用于评估该算法检测所有类别的能力。图表中的实际含义是面积封闭在总共五类母猪姿势的P-R曲线的平均值之间小猪和坐标轴。当IoU阈值时，模型的mAP达到0.985为0.5。

 除了YOLOv5s算法外，我们还评估了无锚目标检测算法YOLOX-nano和NanoDet-m的性能，这两种算法都支持图像检测、本地视频检测和摄像机检测——针对同一数据集。表1介绍了用于评估模型的指标。综合分析表明YOLOX nano和NanoDet-m的检测速度略快于YOLOv5s，而它们的准确度较低，有许多新生儿的漏诊或假诊小猪。相比之下YOLOv5s算法对于不同尺寸的检测是有效的，该模型对图像、本地视频和相机的平均检测速度分别为9.9，9.8和8.1ms，与其他两种的检测速度相当传感器2023,23727第7页，共16页无锚目标检测算法，数据增强的YOLOv5s模型具有准确率和召回率最高，分别为0.982和0.973。

 为了测试中模型的泛化能力和抗干扰能力本文以郑洁养猪场24号母猪为试材，在对该模型进行训练时进行了保留。共有410张图片包含不同的从新的样本中选择了复杂的场景来测试模型。图7显示了母猪姿态和仔猪目标检测在四种场景下的结果：复杂光照、时间第一只小猪出生时，不同颜色的加热灯，晚上打开加热灯。测试后模型的漏检和误报情况如表2所示。结果结果表明，母猪姿态的漏检和误报主要受这种变化的影响光照（图7a，d），仔猪主要受到加热灯打开的影响，即强光下的小猪很难识别（图7d），以及当时的情景第一只小猪出生的时间和不同颜色的加热灯（图7b，c）几乎没有影响。

 Jetson Nano连接了无线网卡、显示器、键盘、鼠标和其他设备。带有M.2接口的CF-938AC无线网卡连接到WiFi节点以实现无线数据传输。对优化后的TensorRT实时视频流进行了解码和神经网络推理用于检测母猪姿势和新生仔猪的模型。然后，该模型成功地部署在嵌入式开发板上，如图8所示。图7。复杂场景图像测试效果。（a） 复杂的光线，（b）第一只出生的小猪，（c）不同加热灯的颜色，（d）晚上打开加热灯。

 Jetson Nano连接了无线网卡、显示器、键盘、鼠标和其他设备。带有M.2接口的CF-938AC无线网卡连接到WiFi节点以实现无线数据传输。解码与神经网络对TensorRT优化模型的实时视频流进行了推理用于检测母猪姿势和新生仔猪。模型随后成功部署在嵌入式开发板上，如图8所示。在本研究中，对模型优化前后的检测结果进行了测试适用于日间和夜间场景。如图9所示，Quadro P4000用于图9a、图9b和Jetson Nano中的测试平台用于图9c，d。通过比较图9a、c和图9b、d之间的模型检测结果对于相同的场景，可以发现该模型准确地检测到了母猪的姿势以及被部署到嵌入式开发板后的新生小猪。表3给出了测试结果的详细比较。尽管模型显示出轻微优化后精度损失，其速度提高了8倍以上。

 嵌入式开发板上的GPU利用率限制了实际应用模型的应用能力。图10a，b显示了当基于嵌入式开发的图像和视频形式的模型检测目标板由于处理视频流需要解码，因此GPU的利用率检测视频期间的速率高于检测图像期间的速率，尽管这并不影响模型的性能。两个测试结果表明本文的模型可以应用于不同的生产场景。

 实验团队通过对 22 头母猪的数据进行测试和分析，得出产前 48 小时至产后 24 小时母猪平均姿势转换频率。根据变化频率（下图所示），团队将模型的预警策略归纳为：
1. 姿势转换频率超上限值（17.5 次/小时）和低于下限值（10 次/小时）时发出警报。
2. 为了减少母猪日常活动对预警的影响，上限值或下限值必须超过 5 小时。
对样本的测试表明，该模型能够在产仔开始前 5 小时发出警报，预警时间与产仔实际时间误差为 1.02 小时。

 在检测到第一只新生小猪后触发了母猪产仔警报，提示“开始发货！开始时间：×××”。此外，发光二极管（LED）的闪烁是通过改变通用输出的电平来控制的输入/输出（GPIO）引脚。饲养员可以通过检查快速找到正在产仔的母猪闪烁的LED灯并判断是否需要手动干预。检测在嵌入式开发板上使用该模型的每个图像的时间为67.2–80.3ms。当检测速度过高时，仔猪往往会被错误地检测到，并且警报的生成时间早于必要时间。因此，为了减少错误的数量报警并实现实时检测，“三连检测”的方法警报生成前采用；也就是说，只有当新生小猪被检测到三只如图13所示。视频对22头母猪的产仔过程进行了试验。当采用“单一检测”方法时，误报率为9.55，当采用采用了“三次连续检测”方法，表明错误警报的数量。

 每次检测到小猪的标签盒，小猪的数量就会增加到1，记录分娩的持续时间，直到过程结束测定了仔猪的数量。图14显示了检测到的仔猪数量，其中第19只以30头母猪为例。Cur_num表示监督范围，最大值为仔猪数量。仔猪数量检测到的值接近真实值。这些错误主要是由于以下因素造成的仔猪、被覆盖仔猪和母猪局部（如耳朵、尾巴、腿）的粘连传感器2023,23727第13页，共16页被错误地检测为小猪。仔猪靶精度的测量公式母猪产仔过程中的检测如下。

 在上面的等式中，CA（当前数字精度）是母猪生产过程中的当前仔猪数量和DA（检测数量准确性）是母猪产仔过程中仔猪检测的平均准确度。总体平均值当前数字的准确度为63.2%，检测到的总体平均准确度在实验中，22头母猪在产仔过程中检测到的仔猪数量为92.9%样品和每只猪圈仔猪检测的具体结果如表4所示。

在实际应用中，摄像头安装在嵌入式开发板上实时检测新生仔猪，并对接近发出预警和警报根据母猪姿势和仔猪的检测结果将产仔送到及时向饲养员传达母猪的产仔行为，提高仔猪存活率。

结论

母猪临产预警及产仔行为监测围产期的iors是使用嵌入式开发板实现的。得出以下结论。
（1） 对35头母猪产仔前后的视频数据进行采集和预处理构建包含四种类型的母猪姿势以及新生仔猪的数据集，用于检测母猪姿势和新生仔猪的模型是使用Quadro P4000进行训练和测试。《中华人民共和国企业会计准则》评价指标分析不同的算法表明YOLOv5算法对检测不同大小的母猪和仔猪。
（2） 为的模型生成了一个支持TensorRT的推理引擎母猪姿势和新生仔猪的检测。已部署加速模型到嵌入式开发板，之后它以更高的吞吐量运行以及更低的延迟。迁移到Jetson Nano后，模型的精度达到93.5%，召回率为92.2%，检测速度提高了一倍大于8。
（3） 根据由模型中，早期预警在分娩开始前5小时发出，平均警告时间和实际分娩时间之间的误差为1.02小时。的警报母猪产仔采用“三次连续检测”的方法第一只新生仔猪，根据数量确定仔猪数量检测到的新生仔猪数量。我们研究了如何自动预测和检测母猪产仔的持续时间通过临近产仔的预警和基于产仔行为的监督在嵌入式开发板上。与Steffen Küster方法的比较等[8]，通过本文提出的方法获得的母猪产仔预警误差时间论文减少了近2小时，并部署在嵌入式开发板上。它有低成本、低延迟、高效率和易于实现的优点可以加速向智能养猪过渡。

之所以觉得文章有意思是因为我在读的时候也在想现在这个经济形势下对于我们这种传统种植、养殖大国来说真的是全面拥抱AI的好时机吗？到底是噱头还是真的实用呢？很多问题如果没有完整的解决方案的话是很难真正落地应用的，到最后很有可能是高额投入成本买单之后最终又是形象工程了，只能说科技是一把双刃剑，到底如何用好科技造福社会全看顶层设计层面了。作为一个技术从业人员，自然是希望我们的生活能够更加智能化更加便利化，也希望早日能看到那么一天！