初夢(mèng)苑 ，劉曉文 ，曾雪婷 ，王彥超 ，劉 剛

（1. 中國(guó)農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083；2. 中國(guó)農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術(shù) 重點(diǎn)實(shí)驗(yàn)室，北京 100083）

0 引 言

隨著人民生活水平的不斷提高，乳制品的需求日益增長(zhǎng)[1-2]。而乳房炎、子宮內(nèi)膜炎、口蹄疫與跛足等奶牛疾病的發(fā)生，不僅降低產(chǎn)奶量、損害牛奶質(zhì)量，還影響人類身體健康、增加牛群更替成本[3]。其中，乳房炎發(fā)病率高、發(fā)病范圍廣，是造成養(yǎng)殖場(chǎng)經(jīng)濟(jì)損失較為嚴(yán)重的疾病之一[4-5]。奶牛乳房炎最常用的分類方法由美國(guó)國(guó)家乳房炎委員會(huì)（American national mastitis committee,ANMC）提出，該方法根據(jù)奶牛乳房及乳汁有無肉眼可見變化，將乳房炎分為臨床型乳房炎（clinical mastitis, CM）與非臨床型乳房炎（nonclinical or subclinical mastitis,SCM），即隱性乳房炎[6-7]。根據(jù)臨床癥狀與乳汁變化程度，CM 又可分為最急性、急性、亞急性和慢性乳房炎[8]。根據(jù)國(guó)際奶業(yè)聯(lián)合會(huì)的統(tǒng)計(jì)，世界上所有存欄奶牛中至少有1/3 患有各類乳房炎，奶牛臨床型乳房炎發(fā)病率是2%，隱性乳房炎發(fā)病率為50%[9-12]。國(guó)內(nèi)臨床型乳房炎頭發(fā)病率約為5.38%，乳區(qū)發(fā)病率約為1.65%；隱性乳房炎頭發(fā)病率約為59.36%，乳區(qū)發(fā)病率約為31.62%[13-18]。全球每年因乳房炎造成的經(jīng)濟(jì)損失高達(dá)350 億美元，僅美國(guó)的損失就達(dá)20 億美元[19-24]。奶牛乳房炎發(fā)病原因主要有病原微生物感染、環(huán)境與管理不當(dāng)、奶牛自身因素等[25-27]。臨床型乳房炎主要根據(jù)奶牛乳房和乳汁是否出現(xiàn)肉眼可見的異常變化進(jìn)行診斷，如乳房紅腫堅(jiān)硬、產(chǎn)奶量下降、乳汁稀薄且混有絮狀物[28]。而隱性乳房炎乳房和乳汁在外觀上肉眼不可見，因此經(jīng)濟(jì)損失更為嚴(yán)重[29]。目前養(yǎng)殖場(chǎng)診斷奶牛隱性乳房炎的方法主要有乳汁體細(xì)胞計(jì)數(shù)（somatic cell count, SCC）[30-31]、加州乳房炎試驗(yàn)（California mastitis test, CMT）[32]、乳汁pH 值檢查[33]、乳汁電導(dǎo)率檢查[34]、乳汁酶學(xué)檢查與病原學(xué)診斷等[35]。上述檢測(cè)方法雖然能較準(zhǔn)確地篩查奶牛乳房炎，但通常工作量大，檢測(cè)周期長(zhǎng)，且奶樣對(duì)檢測(cè)環(huán)境有著較高的要求，難以滿足養(yǎng)殖場(chǎng)快速實(shí)時(shí)診斷奶牛乳房炎的需求。

近年來，隨著信息技術(shù)的迅速發(fā)展，先進(jìn)的電子信息技術(shù)裝備被廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、醫(yī)療與制造業(yè)等領(lǐng)域[36]。在農(nóng)業(yè)信息化領(lǐng)域，智慧養(yǎng)殖是指利用各種傳感器技術(shù)、人工智能技術(shù)、環(huán)境監(jiān)測(cè)技術(shù)、環(huán)境控制技術(shù)、無線通訊技術(shù)與大數(shù)據(jù)技術(shù)等，集成畜禽生理疾病信息的智能監(jiān)測(cè)與預(yù)警、畜禽行為智能監(jiān)測(cè)、精準(zhǔn)飼喂與智能環(huán)境控制等于一體的養(yǎng)殖系統(tǒng)[37]。智慧養(yǎng)殖能夠?yàn)樾笄荽蛟旖】怠⑹孢m、安全的生活環(huán)境，為養(yǎng)殖者提供高效、可靠和綜合的管理手段，全面提升養(yǎng)殖數(shù)字化與智能化水平[38]。奶牛乳房炎自動(dòng)檢測(cè)技術(shù)一般指利用紅外熱成像技術(shù)、機(jī)器視覺技術(shù)、傳感器技術(shù)、機(jī)器學(xué)習(xí)技術(shù)或數(shù)據(jù)分析技術(shù)等，對(duì)獲取的奶牛熱圖像、奶樣、乳房信息、奶牛個(gè)體信息等進(jìn)行綜合分析與處理，診斷奶牛是否患有乳房炎以及患病程度的過程[39-41]。

目前已有較多國(guó)內(nèi)外研究學(xué)者對(duì)奶牛乳房炎進(jìn)行自動(dòng)化檢測(cè)，并取得了豐碩成果。奶牛乳房炎自動(dòng)檢測(cè)研究利用傳感器或多傳感器系統(tǒng)，采集奶牛乳房或乳汁信息，使用數(shù)據(jù)分析與機(jī)器學(xué)習(xí)方法，構(gòu)建乳房炎檢測(cè)模型。根據(jù)奶牛乳房炎自動(dòng)檢測(cè)所采用的傳感器類型，本文主要從基于視覺傳感器、自動(dòng)擠奶系統(tǒng)和其他傳感器的奶牛乳房炎自動(dòng)檢測(cè)技術(shù)3 個(gè)方面展開介紹，分析當(dāng)前階段奶牛乳房炎自動(dòng)檢測(cè)面臨的主要技術(shù)問題與挑戰(zhàn)，并展望未來研究的重點(diǎn)與發(fā)展趨勢(shì)，以期為開展奶牛乳房炎自動(dòng)檢測(cè)技術(shù)與方法研究提供參考。

1 基于視覺傳感器的奶牛乳房炎檢測(cè)技術(shù)

機(jī)器視覺一般指使用非接觸式光學(xué)傳感設(shè)備，采集被測(cè)目標(biāo)的圖像信息，并對(duì)圖像信息進(jìn)行分析、處理與計(jì)算，得到被測(cè)目標(biāo)的形態(tài)、顏色、紋理等特征數(shù)據(jù)，進(jìn)而根據(jù)特征數(shù)據(jù)進(jìn)行判斷與決策[42-43]?；谝曈X傳感器的奶牛乳房炎自動(dòng)檢測(cè)技術(shù)通常是借助熱像儀、顯微鏡、可見光相機(jī)等數(shù)據(jù)采集設(shè)備，獲取奶牛乳房區(qū)域熱圖像、奶樣體細(xì)胞圖像或奶樣pH 測(cè)試紙圖像，再利用機(jī)器視覺等技術(shù)，對(duì)原始圖像數(shù)據(jù)進(jìn)行分析處理，最后對(duì)奶牛乳房炎患病情況進(jìn)行診斷，如圖1 所示。近年來較為典型的基于視覺傳感器的奶牛乳房炎自動(dòng)檢測(cè)技術(shù)相關(guān)研究成果如表1 所示。

表1 基于視覺傳感器的奶牛乳房炎檢測(cè)技術(shù)Table 1 Researches on mastitis detection technology in dairy cow based on visual sensors

圖1 基于視覺傳感器的奶牛乳房炎檢測(cè)技術(shù)示意圖Fig.1 Sketch map of mastitis detection technology in dairy cow based on visual sensors

1.1 基于乳房熱紅外圖像的奶牛乳房炎檢測(cè)

紅外熱成像（infrared thermography, IRT）技術(shù)可探測(cè)物體發(fā)出的中長(zhǎng)波紅外輻射，并將其轉(zhuǎn)換為溫度數(shù)據(jù)，從而生成物體熱分布可視化的數(shù)字圖像或視頻。目前，越來越多的學(xué)者利用IRT 技術(shù)，評(píng)估農(nóng)場(chǎng)牲畜的生育能力、新陳代謝、疼痛以及疾病監(jiān)測(cè)[56-58]。奶牛乳房炎是當(dāng)乳腺受到病原體侵襲以及理化因素刺激時(shí)，乳房區(qū)域所發(fā)生的炎癥反應(yīng)[59]。奶牛乳房區(qū)域存在炎癥時(shí)，血流會(huì)發(fā)生相應(yīng)變化，炎癥區(qū)域皮膚表面溫度升高。因此，較多研究借助熱像儀測(cè)量奶牛乳房表面溫度，并觀測(cè)其溫度變化，從而進(jìn)行奶牛乳房炎的檢測(cè)。

有些研究通過觀測(cè)奶牛乳房皮膚表面溫度以及變化，來檢測(cè)乳房炎發(fā)病情況。WATZ 等[45]將大腸桿菌注入健康奶牛體內(nèi)誘發(fā)乳房炎，然后利用熱像儀從奶牛后側(cè)拍攝熱紅外數(shù)據(jù)，使用圖像識(shí)別軟件自動(dòng)檢測(cè)奶牛后側(cè)乳房區(qū)域，并計(jì)算熱圖像中乳區(qū)最大溫度。該研究利用IRT 技術(shù)，根據(jù)奶牛乳房最大溫度自動(dòng)檢測(cè)乳房炎，敏感性為93.75%，特異性為94.96%。郭艷嬌等[49]提出了一種基于熱圖像的奶牛乳房溫度分布測(cè)量與乳房炎檢測(cè)方法。該方法可自動(dòng)識(shí)別奶牛左右后乳區(qū)，通過線剖法建立奶牛乳區(qū)溫度分布擬合方程，根據(jù)溫度擬合線斜率的正負(fù)進(jìn)行奶牛乳房炎的識(shí)別，與CMT 真值相比，健康乳區(qū)識(shí)別精度為76%，患病乳區(qū)識(shí)別精度為75%。該研究首次將奶牛乳區(qū)溫度分布擬合線斜率作為乳房炎特征，取得了較好的檢測(cè)效果，為基于乳房圖像的乳房炎檢測(cè)提供了新思路。KHAKIMOV 等[50]利用IRT 研究了奶牛乳房炎，與產(chǎn)奶量和乳房皮膚表面溫度之間的關(guān)系。研究結(jié)果表明，患乳房炎乳區(qū)的皮表溫度與產(chǎn)奶量之間顯著相關(guān)（線性皮爾遜相關(guān)系數(shù)（linear Pearson correlation coefficient, LPCC）為-0.96），健康乳區(qū)皮表溫度與產(chǎn)奶量之間沒有顯著關(guān)系（LPCC 為0.16）。該研究還將皮表溫度范圍為32～36 °C 的乳區(qū)判定為健康乳區(qū)，皮表溫度為36.1～39 °C 范圍內(nèi)的乳區(qū)判定為患病乳區(qū)，該方法證實(shí)了根據(jù)奶牛乳房皮表溫度快速評(píng)估牛群乳房炎感染情況的可行性。但是，只根據(jù)奶牛乳房皮表溫度及變化診斷是否患有乳房炎，結(jié)果易受養(yǎng)殖場(chǎng)環(huán)境、季節(jié)、奶牛個(gè)體特異性等因素影響。

此外，奶?；既榉垦讜r(shí)，患病乳房局部區(qū)域溫度升高，奶牛體核溫度不變，而奶牛眼睛溫度可以較好地反映直腸溫度。因此，奶牛眼睛與乳房溫度之間的差異在一定程度上可以反映奶?；疾∏闆r。張旭東等[44]利用傳統(tǒng)數(shù)字圖像處理方法進(jìn)行奶牛眼睛與乳房的自動(dòng)定位，然后根據(jù)奶牛眼乳溫差判斷奶牛是否患有乳房炎。在奶牛眼乳定位研究中，該研究基于熱圖像中HSV（hue, saturation, value）顏色特征與骨架特征，自動(dòng)檢測(cè)奶牛眼睛位置。利用基于骨架特征的支持向量機(jī)（support vector machine, SVM）分類技術(shù)，自動(dòng)檢測(cè)奶牛乳房位置。預(yù)測(cè)結(jié)果與SCC 檢測(cè)結(jié)果進(jìn)行對(duì)比，CM 檢測(cè)準(zhǔn)確率為87.5%，SCM 準(zhǔn)確率為33.3%。隨著人工智能的快速發(fā)展，深度學(xué)習(xí)技術(shù)越來越多地應(yīng)用于畜牧自動(dòng)監(jiān)測(cè)領(lǐng)域。ZHANG 等[46]提出了一種基于熱圖像雙邊濾波增強(qiáng)的深度學(xué)習(xí)網(wǎng)絡(luò)EFMYOLOv3（enhanced fusion mobileNetV3 YOLOv3）[60]，用于自動(dòng)檢測(cè)熱圖像中奶牛眼睛與乳房位置，如圖2 所示。在定位奶牛熱圖像中眼睛與乳房之前，使用基于灰度直方圖的雙邊濾波圖像增強(qiáng)算法增強(qiáng)熱圖像細(xì)節(jié)，提高了前景與背景之間的對(duì)比度，最后根據(jù)熱圖像中自動(dòng)提取的奶牛眼乳溫差來判斷奶牛是否患有乳房炎，并將診斷結(jié)果與SCC 結(jié)果對(duì)比。該乳房炎分類算法準(zhǔn)確率、敏感性和特異性分別為83.33%、92.31%和76.47%。王彥超等[47]為提高奶牛乳房炎檢測(cè)精度，在YOLOv3-tiny 網(wǎng)絡(luò)中增加了4 個(gè)殘差結(jié)構(gòu)和3 個(gè)壓縮激勵(lì)（squeeze and excitation，SE）模塊，并對(duì)激活函數(shù)進(jìn)行改進(jìn)，利用改進(jìn)后的YOLOv3-tiny 網(wǎng)絡(luò)進(jìn)行奶牛眼睛與乳房的定位，根據(jù)自動(dòng)檢測(cè)的奶牛眼乳溫差來判定是否患有乳房炎，奶牛乳房炎的檢測(cè)精度為77.3%。宋子琪[48]使用YOLOv4 模型進(jìn)行奶牛眼睛與乳房部位的自動(dòng)檢測(cè)，眼睛檢測(cè)平均精度（Average precision, AP）比使用傳統(tǒng)圖像處理方法提高了3.6%，乳房檢測(cè)AP 值提高了12.65%。根據(jù)奶牛眼乳溫差進(jìn)行乳房炎的分級(jí)，奶牛CM 檢測(cè)準(zhǔn)確率為91.4%，特異性為80%，敏感性為93.3%。用奶牛眼睛與乳房溫度差值檢測(cè)乳房炎，雖在一定程度上避免了奶牛個(gè)體特異性對(duì)檢測(cè)結(jié)果的影響，但奶牛眼睛溫度與體核溫度仍有一定差距，用奶牛眼睛溫度代替直腸溫度，容易造成乳房炎檢測(cè)誤差累積。

圖2 基于IRT 與深度學(xué)習(xí)的奶牛關(guān)鍵部位檢測(cè)[46] Fig.2 Key parts detection of dairy cows based on IRT (infrared thermo graphy) and deep learning[46]

METZNER 等[61]將大腸桿菌注入奶牛右后肢誘發(fā)乳房炎，并利用IRT 技術(shù)觀測(cè)奶牛左右乳房溫差。由熱紅外圖像可以檢測(cè)到誘發(fā)乳房炎的乳區(qū)與未感染乳房炎的乳區(qū)，且最大溫度差異顯著。因此，可以根據(jù)奶牛兩側(cè)乳房溫差來檢測(cè)乳房炎。但是當(dāng)奶牛左右兩側(cè)乳房同時(shí)患有乳房炎時(shí)，兩側(cè)乳房溫度差異較小，可能造成乳房炎的誤診。因此，WANG 等[51]提出了一種基于熱圖像的奶牛乳房炎綜合檢測(cè)新方法，該方法使用YOLOv5 深度學(xué)習(xí)網(wǎng)絡(luò)[62]自動(dòng)獲取奶牛眼睛與乳房位置信息，并提取眼區(qū)與乳區(qū)最大溫度，綜合對(duì)比奶牛左右兩側(cè)乳房皮表溫差與眼乳溫差，從而進(jìn)行乳房炎的診斷。結(jié)果表明，該研究檢測(cè)奶牛乳房炎準(zhǔn)確性、特異性和敏感性分別為87.62%、84.62%和96.30%，該方法可有效減少環(huán)境、個(gè)體特異性等因素的干擾。

隨著深度學(xué)習(xí)在機(jī)器視覺領(lǐng)域的快速發(fā)展，有研究者將圖像分類技術(shù)應(yīng)用于奶牛乳房炎的自動(dòng)檢測(cè)，實(shí)現(xiàn)了“一步式”奶牛乳房炎檢測(cè)。張倩等[52]拼接奶牛眼睛與乳房熱紅外圖像，并基于融合數(shù)據(jù)增強(qiáng)方法提升檢測(cè)模型魯棒性，最后改進(jìn)ResNet34 網(wǎng)絡(luò)用于奶牛乳房炎分類模型的構(gòu)建，檢測(cè)準(zhǔn)確率為88.4%。該方法不僅提高了奶牛乳房炎的檢測(cè)精度，還縮短了分類時(shí)間，有效避免了前人研究中“多步式”造成的誤差累積。但該研究未深入探明ResNet34 網(wǎng)絡(luò)用于熱圖像中乳房炎檢測(cè)所使用的特征，后續(xù)研究應(yīng)詳細(xì)分析網(wǎng)絡(luò)機(jī)理，提取更豐富的乳房炎特征，以提高乳房炎檢測(cè)精度。

基于熱紅外圖像的奶牛乳房炎檢測(cè)方法可以無接觸、無應(yīng)激地檢測(cè)奶牛乳房患病情況，并且可以實(shí)時(shí)獲取檢測(cè)結(jié)果，較大程度地保障了動(dòng)物福利。但是，利用熱像儀拍攝的奶牛乳房熱圖像，僅反映了乳區(qū)皮膚表面溫度分布，而皮表溫度容易受到環(huán)境干擾，造成乳房炎檢測(cè)精度不高。

1.2 基于乳汁圖像的奶牛乳房炎檢測(cè)

基于乳汁圖像的奶牛乳房炎檢測(cè)主要是指對(duì)奶牛乳汁的顯微圖像、pH 試紙圖像等進(jìn)行分析與處理，然后構(gòu)建奶牛乳汁SCC 預(yù)測(cè)模型，根據(jù)自動(dòng)計(jì)算的乳汁中體細(xì)胞數(shù)評(píng)估奶牛乳房炎患病情況[63]。

在基于乳汁顯微圖像的奶牛乳房炎檢測(cè)方面，DE MELO 等[53]將奶牛乳汁原始RGB 顯微圖像改為L(zhǎng)ab 顏色空間，應(yīng)用K 均值聚類算法去除圖像中碎片與其他背景，通過分水嶺變換分離剩余的邊界細(xì)胞，然后對(duì)圖像中體細(xì)胞進(jìn)行計(jì)數(shù)。所提方法與人工計(jì)數(shù)對(duì)比，該方法能夠以99.7%的準(zhǔn)確率自動(dòng)計(jì)算顯微鏡載玻片圖像中細(xì)胞數(shù)量。GAO 等[55]為快速測(cè)定奶牛乳汁中體細(xì)胞數(shù)，開發(fā)了一種基于視覺的乳汁體細(xì)胞計(jì)數(shù)儀。該儀器能夠自動(dòng)獲取載玻片的顯微圖像，并使用霍夫變換對(duì)顯微圖像進(jìn)行校準(zhǔn)，然后建立離散優(yōu)化模型確定圖像分割閾值，最后采用最小二乘圓法檢測(cè)乳汁體細(xì)胞圓度，通過遞歸算法實(shí)現(xiàn)體細(xì)胞的自動(dòng)計(jì)數(shù)。該細(xì)胞計(jì)數(shù)儀與丹麥FossMatic 5 000 高精度乳汁SCC 儀的檢測(cè)結(jié)果進(jìn)行對(duì)比，最大偏差低于8%，驗(yàn)證了該儀器的適用性。

在基于乳汁pH 試紙圖像的奶牛乳房炎檢測(cè)方面，蔡一欣等[54]為解決奶牛隱性乳房炎難以防治等問題，提出利用可見光相機(jī)采集奶牛乳汁pH 試紙圖像，融合顏色特征與形態(tài)學(xué)處理方法，分割試紙中化學(xué)反應(yīng)區(qū)并獲取RGB 值，最后使用冪回歸法建立RGB 值與乳汁SCC的預(yù)測(cè)模型，并基于Android 技術(shù)在便攜式移動(dòng)終端開發(fā)了奶牛乳房炎快速檢測(cè)系統(tǒng)。根據(jù)養(yǎng)殖場(chǎng)實(shí)測(cè)的20 組乳汁SCC 進(jìn)行對(duì)比，該估測(cè)方法平均相對(duì)誤差為3.67%，標(biāo)準(zhǔn)差為1.88%，可滿足養(yǎng)殖場(chǎng)奶牛隱性乳房炎的快速檢測(cè)。

基于乳汁圖像的奶牛乳房炎檢測(cè)相關(guān)研究，通常檢測(cè)乳汁SCC 精度較高，但大多研究沒能將所提方法用于實(shí)際養(yǎng)殖環(huán)境中的奶牛乳房炎檢測(cè)，即乳房炎檢測(cè)精度未知。未來研究應(yīng)注重方法的實(shí)際應(yīng)用，將設(shè)計(jì)的奶牛乳汁SCC 預(yù)測(cè)模型應(yīng)用于乳房炎檢測(cè)，實(shí)現(xiàn)奶牛乳房炎的快速精準(zhǔn)檢測(cè)。

綜上所述，基于視覺傳感器的奶牛乳房炎檢測(cè)技術(shù)，可以無損無應(yīng)激地實(shí)現(xiàn)奶牛乳房炎的檢測(cè)，尤其是基于熱紅外圖像的乳房炎檢測(cè)方法，直接對(duì)無接觸獲取的奶牛乳房熱圖像進(jìn)行分析檢測(cè)，較大程度地保障了動(dòng)物福利，但基于IRT 檢測(cè)奶牛乳房炎精度通常不高?；谌橹瓐D像的奶牛乳房炎檢測(cè)技術(shù)，在乳汁SCC 檢測(cè)中取得了較高精度，但大多研究缺少實(shí)際檢測(cè)奶牛乳房炎的相關(guān)試驗(yàn)。相較于AMS 和其他傳感器獲取奶牛乳房炎數(shù)據(jù)，該方法主要優(yōu)勢(shì)在于無接觸無應(yīng)激地采集數(shù)據(jù)，保障了動(dòng)物福利。但獲取的數(shù)據(jù)較為單一，且圖像分析過程增加了誤差積累，檢測(cè)精度不高。

2 基于自動(dòng)擠奶系統(tǒng)的奶牛乳房炎檢測(cè)技術(shù)

基于自動(dòng)擠奶系統(tǒng)的奶牛乳房炎檢測(cè)技術(shù)，通常是利用養(yǎng)殖場(chǎng)AMS 采集奶牛乳汁信息，并結(jié)合本地?cái)?shù)據(jù)或人工記錄的奶牛個(gè)體信息，使用機(jī)器學(xué)習(xí)分類方法，構(gòu)建奶牛乳房炎檢測(cè)模型，并通過養(yǎng)殖場(chǎng)實(shí)際測(cè)試，逐步優(yōu)化檢測(cè)模型[64-65]。近年來較為典型的基于自動(dòng)擠奶系統(tǒng)的奶牛乳房炎自動(dòng)檢測(cè)技術(shù)相關(guān)研究成果如表2 所示。

表2 基于自動(dòng)擠奶系統(tǒng)的奶牛乳房炎檢測(cè)技術(shù)Table 2 Researches on mastitis detection technology in dairy cow based on AMS (automatic milking systems)

AMS 是乳品行業(yè)中最關(guān)鍵技術(shù)之一[77]。AMS 不僅可以代替人工擠奶與傳統(tǒng)擠奶系統(tǒng)，還是管理奶牛健康、提升生產(chǎn)效率的一種通用方法[78]。2020 年全球AMS 使用數(shù)量約5 萬個(gè)，主要集中在歐洲（90%）、加拿大（9%）以及其他國(guó)家（1%）[79-80]。AMS 作業(yè)時(shí)，內(nèi)部嵌入的乳汁傳感器可以自動(dòng)檢測(cè)乳汁中體細(xì)胞數(shù)、電導(dǎo)率、乳糖與脂肪等成分的含量，這些數(shù)據(jù)都是奶牛乳房炎檢測(cè)的重要指標(biāo)[81]。由于AMS 可以自動(dòng)、快速、準(zhǔn)確地獲取乳汁中關(guān)鍵信息，較多研究學(xué)者利用AMS 獲取奶牛乳汁信息構(gòu)建乳房炎檢測(cè)模型。

基于AMS 的奶牛乳房炎檢測(cè)在研究初期多采用簡(jiǎn)單的線性回歸方法，根據(jù)SCC、EC 與產(chǎn)奶量等常規(guī)指標(biāo)進(jìn)行奶牛乳房炎患病狀況的預(yù)測(cè)[82]。DEMOL 等[66]基于AMS 設(shè)計(jì)了一個(gè)奶牛乳房炎自動(dòng)檢測(cè)模型，該模型主要包括牛奶產(chǎn)量和EC 兩個(gè)變量的時(shí)間序列，通過線性回歸更新參數(shù)值和殘差方差。當(dāng)殘差超出設(shè)定置信區(qū)間時(shí)，模型發(fā)出乳房炎警報(bào)。使用構(gòu)建的最優(yōu)乳房炎檢測(cè)模型，測(cè)試25 頭奶牛的29 033 次擠奶樣本，特異性為98%，敏感性達(dá)到100%。該模型檢測(cè)精度較高，但測(cè)試的奶牛樣本數(shù)量較少，無法驗(yàn)證該方法在實(shí)際乳房炎檢測(cè)中的普適性與準(zhǔn)確性。KAMPHUIS 等[67]分析來自AMS中的傳感器數(shù)據(jù)，包括乳汁EC、RGB 值以及牛奶產(chǎn)量，通過計(jì)算相關(guān)系數(shù)和信息增益比評(píng)估各項(xiàng)參數(shù)在預(yù)測(cè)異常乳汁和CM 中的重要性。經(jīng)測(cè)試與計(jì)算，最重要的參數(shù)為乳汁EC、藍(lán)色與綠色通道值，該研究將上述參數(shù)作為奶牛乳房炎與異常乳汁檢測(cè)的潛在預(yù)測(cè)變量，但并未利用潛在預(yù)測(cè)變量構(gòu)建乳房炎檢測(cè)模型。CLAYCOMB等[68]在AMS 下方約1.5 m 處長(zhǎng)奶管中安裝單個(gè)傳感器測(cè)量奶牛前奶EC，通過控制常規(guī)集群內(nèi)單個(gè)乳頭的脈動(dòng)，實(shí)現(xiàn)4 個(gè)乳房之間乳汁的有序分離，使用4 個(gè)乳房乳汁的EC 值作為奶牛乳房炎患病狀態(tài)判斷的主要指標(biāo)。經(jīng)現(xiàn)場(chǎng)試驗(yàn)測(cè)試，1 000 次擠奶樣本中乳房炎檢測(cè)敏感性范圍為68%～88%。

隨著人工智能的快速發(fā)展，基于AMS 的奶牛乳房炎檢測(cè)研究使用SVM、貝葉斯網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)方法對(duì)奶牛乳房炎進(jìn)行診斷[83-85]。MAMMADOVA 等[71]使用SVM 技術(shù)，根據(jù)來自AMS 的奶牛數(shù)據(jù)（泌乳等級(jí)、產(chǎn)奶量、EC、平均擠奶時(shí)間、季節(jié)），計(jì)算奶牛乳汁中SCC，并依據(jù)SCC 值預(yù)測(cè)奶牛是否感染乳房炎[86]。該方法對(duì)奶牛乳房炎檢測(cè)的敏感性為89%，特異性為92%。HUYBRECHTS 等[72]提出將協(xié)同控制概念引入奶牛乳房炎檢測(cè)中，協(xié)同控制可以對(duì)多傳感器輸出數(shù)據(jù)進(jìn)行實(shí)時(shí)建模并減小建模值殘差。該研究基于產(chǎn)奶量變化數(shù)據(jù)，開發(fā)并測(cè)試了協(xié)同控制模型用于奶牛乳房炎的早期檢測(cè)，檢測(cè)CM 敏感性為63%。該研究首次將協(xié)同控制技術(shù)應(yīng)用于奶牛乳房炎檢測(cè)，但檢測(cè)精度不高，后續(xù)研究可以融合多模態(tài)數(shù)據(jù)構(gòu)建多特征的奶牛乳房炎檢測(cè)模型。BONESTROO 等[75]開發(fā)了一種基于傳感器和梯度增強(qiáng)分類器的奶牛慢性乳房炎檢測(cè)模型，該模型使用SCC、EC、乳汁中血液含量、產(chǎn)次、乳汁分流、擠奶間隔時(shí)間、產(chǎn)奶量和產(chǎn)奶天數(shù)預(yù)測(cè)奶牛慢性乳房炎，其中SCC、EC與乳汁中血液含量數(shù)據(jù)來自AMS。該模型利用7 個(gè)奶牛養(yǎng)殖場(chǎng)的傳感器數(shù)據(jù)進(jìn)行訓(xùn)練，利用其他7 個(gè)養(yǎng)殖場(chǎng)的數(shù)據(jù)對(duì)模型性能進(jìn)行測(cè)試。試驗(yàn)結(jié)果表明，該模型對(duì)奶牛慢性乳房炎檢測(cè)的準(zhǔn)確率為88.8%，馬修斯相關(guān)系數(shù)（Matthew’s correlation coefficient, MCC）為71.2%，AUC為96.4%。BAUSEWEIN 等[76]指出不同制造商開發(fā)的AMS 檢測(cè)奶牛CM 精度不同，以德國(guó)南部巴伐利亞奶牛群作為試驗(yàn)對(duì)象，當(dāng)?shù)谹MS 檢測(cè)CM 敏感性在31%～78%之間，特異性在79%～97%之間。

上述研究都是根據(jù)AMS 的乳汁SCC、EC、產(chǎn)奶量與產(chǎn)次等數(shù)據(jù)對(duì)乳房炎患病進(jìn)行預(yù)測(cè)。還有一些研究提出使用奶?；顒?dòng)量、乳汁氧濃度等指標(biāo)檢測(cè)乳房炎，也取得了較高檢測(cè)精度[87-88]。WITTEK 等[73]提出利用乳汁中氧濃度（oxygen concentrations, OC）預(yù)測(cè)奶牛乳房炎感染情況。根據(jù)氧濃度預(yù)測(cè)乳房炎的依據(jù)是，奶牛乳汁中細(xì)胞會(huì)消耗氧氣，SCC 的增加將導(dǎo)致OC 降低。因此，該研究通過分析乳汁OC 與SCC 的關(guān)系，驗(yàn)證OC 檢測(cè)SCM 的可行性。經(jīng)過對(duì)690 份奶牛乳汁樣本的分析與檢測(cè)，發(fā)現(xiàn)OC 隨著SCC 的增加而降低，而EC 顯著增加。利用OC 檢測(cè)奶牛SCM 敏感性為84%，特異性為46%，AUC 為0.72。KHATUN 等[74]為確定養(yǎng)殖場(chǎng)中自動(dòng)擠奶系統(tǒng)檢測(cè)奶牛SCM 的可行性，根據(jù)乳汁EC，與使用熱量和反芻-長(zhǎng)距離標(biāo)簽記錄的每日活動(dòng)和每日反芻相對(duì)變化預(yù)測(cè)當(dāng)季SCM。研究表明，結(jié)合奶牛乳汁EC、活動(dòng)變化、SCM 發(fā)生前反芻變化和產(chǎn)次所構(gòu)建的聯(lián)合模型，SCM 預(yù)測(cè)性能最優(yōu)，平均AUC 為0.92。

上述基于AMS 進(jìn)行奶牛乳房炎檢測(cè)的研究，都能夠較好地為養(yǎng)殖戶提供乳房炎預(yù)警數(shù)據(jù)，即篩選出養(yǎng)殖場(chǎng)中可能患有乳房炎的奶牛。但預(yù)警數(shù)據(jù)中，所有奶?；既榉垦椎母怕氏嗤?，無法從列表中判斷奶?；疾?yōu)先級(jí)[89]。因此，STEENEVELD 等[69]根據(jù)奶牛個(gè)體信息（產(chǎn)次、產(chǎn)奶天數(shù)、季節(jié)、SCC 歷史數(shù)據(jù)以及乳房炎病史等數(shù)據(jù)），結(jié)合AMS 檢測(cè)奶牛乳房炎的敏感性和特異性，構(gòu)建基于貝葉斯網(wǎng)絡(luò)的奶牛乳房炎警報(bào)列表排序模型。該模型的構(gòu)建對(duì)目前基于AMS 的奶牛乳房炎檢測(cè)技術(shù)提供了新的研究方法與思路。同時(shí)，STEENEVELD等[70]在上述研究基礎(chǔ)上，根據(jù)奶牛個(gè)體信息與來自AMS的警報(bào)信息（乳汁EC、警報(bào)原因、乳汁顏色是否異常、與預(yù)期產(chǎn)奶量的偏差以及96 小時(shí)內(nèi)警報(bào)次數(shù)），基于樸素貝葉斯網(wǎng)絡(luò)，區(qū)分來自AMS 警報(bào)列表中的真陽數(shù)據(jù)與假陽數(shù)據(jù)[90]。試驗(yàn)結(jié)果表明，奶牛乳房炎警報(bào)列表上的假陽警報(bào)有效減少了35%。

綜上所述，基于AMS 的奶牛乳房炎檢測(cè)技術(shù)，利用集成式AMS 擠奶同時(shí)自動(dòng)檢測(cè)并分析乳汁中各成分含量及理化指標(biāo)，乳房炎檢測(cè)的自動(dòng)化程度和精度較高[91]。當(dāng)檢測(cè)到奶牛乳汁異常時(shí)，可及時(shí)對(duì)異常牛奶進(jìn)行分流處理，并預(yù)警患病奶牛信息。目前國(guó)內(nèi)奶牛養(yǎng)殖主要以小規(guī)模的散戶飼養(yǎng)為主，大型化、規(guī)?；酿B(yǎng)殖場(chǎng)較少，而AMS 成本較高，國(guó)內(nèi)雖有少數(shù)大型養(yǎng)殖場(chǎng)引入AMS，但仍未見基于AMS 的奶牛乳房炎檢測(cè)相關(guān)研究的報(bào)道。此外，AMS 擠奶完成后，通過拉力作用從奶牛身上抽出，容易造成奶牛乳房皮膚損傷，從而導(dǎo)致乳房出血、產(chǎn)奶量降低、乳房炎發(fā)生等問題，損害動(dòng)物福利[92-93]。

3 基于其他傳感器的奶牛乳房炎檢測(cè)技術(shù)

除了借助視覺傳感器與AMS 檢測(cè)奶牛乳房炎的方法外，還有較多研究者根據(jù)奶牛乳房炎發(fā)病特征與乳汁理化性質(zhì)變化，研發(fā)了專門用于奶牛乳房炎檢測(cè)的傳感器或多傳感器系統(tǒng)?；谄渌麄鞲衅鞯哪膛Ｈ榉垦讬z測(cè)方法，根據(jù)傳感器采集的奶牛個(gè)體數(shù)據(jù)，利用機(jī)器學(xué)習(xí)分類算法構(gòu)建奶牛乳房炎檢測(cè)模型，如圖3 所示。相比于AMS，該類傳感器或系統(tǒng)一般檢測(cè)方法較為簡(jiǎn)單，成本也更低。近年來基于其他傳感器的奶牛乳房炎自動(dòng)檢測(cè)技術(shù)相關(guān)研究成果如表3 所示。

表3 基于其他傳感器的奶牛乳房炎檢測(cè)技術(shù)Table 3 Researches on mastitis detection technology in dairy cow based on other sensors

圖3 基于其他傳感器的奶牛乳房炎檢測(cè)技術(shù)示意圖Fig.3 Sketch map of mastitis detection technology in dairy cow based on other sensors

有些研究根據(jù)奶牛乳房炎發(fā)病后乳汁理化性質(zhì)的變化，設(shè)計(jì)了用于乳汁分析的傳感器，并根據(jù)乳汁EC、pH、蛋白質(zhì)以及乳糖等特征信息構(gòu)建乳房炎檢測(cè)模型。李晉陽等[94]根據(jù)奶牛感染乳房炎后乳汁EC 與pH 值的變化，研發(fā)了一種基于單片機(jī)的奶牛乳房炎自動(dòng)檢測(cè)儀。該儀器可以安裝在AMS 中，在擠奶過程中在線監(jiān)測(cè)奶?；疾∏闆r，也可以獨(dú)立使用，能夠?qū)崿F(xiàn)快速且低成本的奶牛乳房炎檢測(cè)。當(dāng)pH 閾值設(shè)置為6.9，電導(dǎo)率閾值設(shè)置為6.5 mS/cm 時(shí)，CM 檢測(cè)準(zhǔn)確率為94%，SCM 檢測(cè)準(zhǔn)確率67%。MOTTRAM 等[95]設(shè)計(jì)了一種化學(xué)傳感器系統(tǒng)以提高奶牛乳房炎檢測(cè)性能，該傳感器系統(tǒng)由一系列化學(xué)傳感器和數(shù)據(jù)處理傳感器陣列組成，根據(jù)被感染腺體與健康腺體乳汁分泌物的差異判斷奶牛是否患有乳房炎。利用該傳感器系統(tǒng)檢測(cè)奶牛CM，敏感性和特異性分別為93%和96%。KAMPHUIS 等[96]探討了奶牛乳汁EC 和在線復(fù)合體細(xì)胞計(jì)數(shù)（in-line composite somatic cell count, ISCC）傳感器[102]，在擠奶過程中檢測(cè)CM。試驗(yàn)結(jié)果表明，僅使用EC 作為奶牛乳房炎檢測(cè)工具，檢測(cè)錯(cuò)誤率最高為7.8%，僅使用ISCC 檢測(cè)乳房炎錯(cuò)誤率最高為3.7%，而使用模糊邏輯算法結(jié)合EC 與ISCC 檢測(cè)CM，錯(cuò)誤率最高僅為2.1%，檢測(cè)性能較優(yōu)。FOSGATE 等[97]基于貝葉斯分類模型，利用手持式乳汁電導(dǎo)率儀檢測(cè)奶牛乳房炎，當(dāng)EC 值超過臨界點(diǎn)25 mO/cm時(shí)，模型估計(jì)奶?；加腥榉垦?，奶牛乳房炎檢測(cè)的敏感性與特異性分別為89.9%和86.8%。ALTAY 等[99]使用分類與回歸樹（classification and regression tree, CART）、卡方自動(dòng)交互檢測(cè)（chi-squared automatic interaction detection, CHAID）、窮舉卡方自動(dòng)交互檢測(cè)（exhaustive chi-squared automatic interaction detection, Ex-CHAID）、快速無偏有效統(tǒng)計(jì)樹（quick, unbiased, efficient, statistical tree, QUEST）與MARS 數(shù)據(jù)挖掘算法，根據(jù)潛在預(yù)測(cè)因子（包括哺乳次數(shù)、產(chǎn)奶天數(shù)、乳糖、乳汁顏色與明度、脂肪含量、蛋白質(zhì)含量、密度、pH 值與EC 等），預(yù)測(cè)奶牛乳房炎患病情況。結(jié)果表明，CART 和MARS 算法在區(qū)分患病奶牛與健康奶牛時(shí)具有較好的分類性能。與CMT 結(jié)果相比，CART 分類方法敏感性為71.6%，特異性為83.9%，準(zhǔn)確率為75%，AUC 為0.742。MARS 分類方法敏感性85.7%，特異性80.9%，準(zhǔn)確率83%，AUC0.869。

此外，還有研究根據(jù)奶牛乳房炎發(fā)病前后乳房和個(gè)體特征變化，借助相關(guān)傳感器對(duì)奶牛乳房炎患病情況進(jìn)行預(yù)測(cè)。REES 等[98]使用測(cè)力傳感器對(duì)45 頭患CM 奶牛和95 頭健康奶牛的乳房硬度進(jìn)行了客觀測(cè)定。分析乳房硬度數(shù)據(jù)發(fā)現(xiàn)，相較于上下測(cè)量點(diǎn)，奶牛乳房中間測(cè)量點(diǎn)硬度最高。而且患有嚴(yán)重CM 的奶牛比健康奶牛的乳房硬度更高，患有CM 的乳區(qū)相較于其他乳區(qū)硬度更高。該研究根據(jù)奶牛兩后腿之間乳房硬度的差異構(gòu)建奶牛乳房炎檢測(cè)模型。當(dāng)硬度差異閾值置為0.425 kg 時(shí)，AUC 為0.817，敏感性為62.5%，特異性為96.7%。FENG等[100]設(shè)計(jì)了一個(gè)基于物聯(lián)網(wǎng)的奶牛社會(huì)行為感知框架模擬奶牛乳房炎的傳播，并推斷奶牛感染乳房炎的風(fēng)險(xiǎn)。該研究首先為養(yǎng)殖場(chǎng)中每頭奶牛安裝了便攜式GPS，以追蹤奶?；顒?dòng)軌跡。其次，根據(jù)奶牛時(shí)空接觸信息，繪制有向加權(quán)的奶牛社會(huì)行為圖，如圖4 所示。最后構(gòu)建奶牛乳房炎傳播概率模型，估測(cè)奶?；既榉垦赘怕省＝Y(jié)果表明，該研究根據(jù)奶?；疾「怕蕛?yōu)先級(jí)預(yù)測(cè)結(jié)果與SCC 一致，驗(yàn)證了所提方法的有效性。趙紫瑄等[101]采用轉(zhuǎn)盤式擠奶系統(tǒng)記錄奶牛產(chǎn)奶量數(shù)據(jù)，通過項(xiàng)圈測(cè)定奶牛活動(dòng)量，并利用聲波傳感器監(jiān)測(cè)奶牛反芻時(shí)間。根據(jù)上述奶牛個(gè)體數(shù)據(jù)，通過決策樹、隨機(jī)森林、eXtreme Gradient boosting 等機(jī)器學(xué)習(xí)算法，預(yù)測(cè)奶牛是否患有乳房炎。結(jié)果表明，該研究中隨機(jī)森林算法對(duì)乳房炎預(yù)測(cè)效果最優(yōu)，產(chǎn)奶量、活動(dòng)量與反芻時(shí)間可作為奶牛乳房炎預(yù)測(cè)因子。

圖4 基于物聯(lián)網(wǎng)的奶牛社會(huì)行為感知框架[100] Fig.4 Dairy cow social behavior perception framework based on Internet of things[100]

與基于AMS 的奶牛乳房炎檢測(cè)方法相比，使用獨(dú)立傳感器基本能夠滿足快速、精準(zhǔn)檢測(cè)奶牛乳房炎的需求，而且成本更低，操作簡(jiǎn)便。但使用不同類型的傳感器檢測(cè)奶牛乳房炎，精度差異較大，這是由于傳感器類型的限制，導(dǎo)致所獲取的奶牛乳房及乳汁特征通常較為單一，所構(gòu)建的乳房炎檢測(cè)模型性能差異也較大，不利于奶牛乳房炎的高精度檢測(cè)。因此，后續(xù)研究應(yīng)采用多傳感器系統(tǒng)，采集多模態(tài)數(shù)據(jù)，增加特征維度，以提高奶牛乳房炎檢測(cè)精度。

4 討 論

4.1 當(dāng)前主要挑戰(zhàn)

近年來，雖然國(guó)內(nèi)外研究學(xué)者在奶牛乳房炎自動(dòng)檢測(cè)領(lǐng)域已做出大量的改進(jìn)與創(chuàng)新，取得了豐碩的研究成果，但奶牛乳房炎自動(dòng)檢測(cè)技術(shù)的實(shí)時(shí)性、準(zhǔn)確性以及自動(dòng)化程度仍有待提高。因此，進(jìn)行奶牛乳房炎自動(dòng)檢測(cè)技術(shù)的研究時(shí)，仍需著重考慮以下問題：

1）基于乳房熱紅外圖像的奶牛乳房炎檢測(cè)技術(shù)，雖然較大程度上保障了動(dòng)物福利，能夠無接觸、無應(yīng)激地實(shí)現(xiàn)奶牛乳房炎的自動(dòng)檢測(cè)。但由于乳房皮膚表面溫度易受環(huán)境、季節(jié)等外界因素影響，因此該方法檢測(cè)乳房炎精度較低；

2）基于乳汁圖像的奶牛乳房炎檢測(cè)技術(shù)，在檢測(cè)精度上有所提升，同時(shí)也保障了動(dòng)物福利。但該方法通常需要采集奶牛新鮮的乳汁，然后進(jìn)行乳汁相關(guān)圖像的分析與處理，因此對(duì)環(huán)境要求較為嚴(yán)格，不利于推廣應(yīng)用，自動(dòng)化程度也較低；

3）基于AMS 的奶牛乳房炎檢測(cè)技術(shù)，能夠取得更高的檢測(cè)精度與速度，可以在奶牛擠奶同時(shí)，實(shí)時(shí)檢測(cè)乳汁中相關(guān)成分含量與理化特征，自動(dòng)化程度較高。但由于AMS 造價(jià)較高，鮮有國(guó)內(nèi)養(yǎng)殖場(chǎng)引入。而且AMS在擠奶時(shí)，也會(huì)對(duì)奶牛乳房造成一定損傷，不利于動(dòng)物福利；

4）基于其他傳感器的奶牛乳房炎檢測(cè)技術(shù)，基本能夠滿足乳房炎快速、實(shí)時(shí)的檢測(cè)需求，而且成本較低，操作簡(jiǎn)便。但使用單個(gè)傳感器進(jìn)行奶牛乳房炎檢測(cè)，通常獲取的乳房炎特征維度較小，檢測(cè)精度難以提升。

4.2 未來發(fā)展趨勢(shì)

基于以上奶牛乳房炎自動(dòng)檢測(cè)技術(shù)存在的問題與挑戰(zhàn)，未來該研究領(lǐng)域的發(fā)展趨勢(shì)與研究重點(diǎn)是：

1）基于乳房熱紅外圖像的奶牛乳房炎檢測(cè)方面，精準(zhǔn)計(jì)算奶牛乳房溫度、提高乳房炎檢測(cè)模型的精度、乳房熱圖像中獲取多維特征數(shù)據(jù)，是目前基于熱圖像的奶牛乳房炎研究中的重點(diǎn)；

2）基于乳汁圖像的奶牛乳房炎檢測(cè)方面，研究重點(diǎn)在于提高檢測(cè)的自動(dòng)化程度，實(shí)現(xiàn)乳房炎的實(shí)時(shí)快速檢測(cè)，并且在檢測(cè)SCC 后，構(gòu)建奶牛乳房炎預(yù)測(cè)模型，更有利于該方法的推廣與應(yīng)用；

3）基于AMS 的奶牛乳房炎檢測(cè)技術(shù)，研究重點(diǎn)在于降低AMS 成本，并且減小擠奶儀器對(duì)奶牛乳房乳頭的傷害。中國(guó)研究學(xué)者應(yīng)設(shè)計(jì)符合國(guó)情的AMS，并研發(fā)用于奶牛常見疾病檢測(cè)的嵌入式設(shè)備，是未來該領(lǐng)域的發(fā)展趨勢(shì)；

4）基于其他傳感器的奶牛乳房炎檢測(cè)方面，需要結(jié)合多種傳感器類型，共同診斷奶牛乳房炎患病情況。多傳感器集成與多模態(tài)數(shù)據(jù)的獲取，能夠增加特征數(shù)據(jù)維度，提高乳房炎檢測(cè)精度，更有利于該方法的推廣應(yīng)用；

5）上述4 類奶牛乳房炎檢測(cè)方法各有優(yōu)劣，未來研究中，綜合多種乳房炎檢測(cè)方法，采集多種傳感器數(shù)據(jù)，擴(kuò)大奶牛乳房炎數(shù)據(jù)樣本量，并豐富樣本種類，利用數(shù)字圖像處理、深度學(xué)習(xí)與數(shù)據(jù)分析等先進(jìn)的計(jì)算機(jī)技術(shù)，構(gòu)建實(shí)時(shí)、精準(zhǔn)、自動(dòng)、輕量級(jí)的檢測(cè)模型，是目前奶牛乳房炎自動(dòng)檢測(cè)領(lǐng)域的研究重點(diǎn)與趨勢(shì)。

5 結(jié) 語

本文主要介紹了奶牛乳房炎自動(dòng)檢測(cè)技術(shù)的3 種主要方法。首先是基于視覺傳感器的奶牛乳房炎檢測(cè)技術(shù)，該技術(shù)又分為基于乳房熱紅外圖像的與基于乳汁圖像的奶牛乳房炎檢測(cè)。綜述了近年來基于視覺傳感器的奶牛乳房炎自動(dòng)檢測(cè)研究進(jìn)展，并分析了該方法的優(yōu)勢(shì)與短板。其次介紹了基于自動(dòng)擠奶系統(tǒng)的奶牛乳房炎檢測(cè)技術(shù)，分析了該檢測(cè)方法的研究特點(diǎn)，并整理了近年來使用AMS 檢測(cè)奶牛乳房炎的研究進(jìn)展。然后闡述了基于其他傳感器的奶牛乳房炎檢測(cè)方法的研究流程與研究重點(diǎn)。最后提出了當(dāng)前奶牛乳房炎自動(dòng)檢測(cè)研究所面臨的精度低、實(shí)時(shí)性差、自動(dòng)化程度不足等問題，以及未來該領(lǐng)域的發(fā)展趨勢(shì)。與歐美等發(fā)達(dá)國(guó)家相比，雖然中國(guó)在奶牛乳房炎自動(dòng)檢測(cè)領(lǐng)域已取得了較大突破，但與研究成果的推廣應(yīng)用還有較大距離。因此，亟需結(jié)合中國(guó)奶牛養(yǎng)殖業(yè)現(xiàn)狀，研發(fā)精準(zhǔn)、實(shí)時(shí)、經(jīng)濟(jì)的奶牛乳房炎自動(dòng)檢測(cè)技術(shù)。