[论文解读] Livestock feeding behaviour: A review on automated systems for ruminant monitoring

José O. Chelotti, Luciano Sebastián Martinez-Rau+6 more|arXiv (Cornell University)|Dec 3, 2023

Animal Behavior and Welfare Studies被引用 4

一句话总结

本文对用于监测反刍动物采食行为的自动化系统进行了全面的教程式综述，整合了运动、声音、图像/视频及压力传感技术，结合信号处理与计算智能技术。该文评估了不同环境下的性能表现，识别了标准化方面的关键挑战，并提出了未来研究方向，以提升农业与畜牧养殖中的牲畜监测水平。

ABSTRACT

Livestock feeding behaviour is an influential research area for those involved in animal husbandry and agriculture. In recent years, there has been a growing interest in automated systems for monitoring the behaviour of ruminants. Despite the developments accomplished in the last decade, there is still much to do and learn about the methods for measuring and analysing livestock feeding behaviour. Automated monitoring systems mainly use motion, acoustic, and image sensors to collect animal behavioural data. The performance evaluation of existing methods is a complex task and direct comparisons between studies are difficult. Several factors prevent a direct comparison, starting from the diversity of data and performance metrics used in the experiments. To the best of our knowledge, this work represents the first tutorial-style review on the analysis of the feeding behaviour of ruminants, emphasising the relationship between sensing methodologies, signal processing, and computational intelligence methods. It assesses the main sensing methodologies (i.e. based on movement, sound, images/videos, and pressure) and the main techniques to measure and analyse the signals associated with feeding behaviour, evaluating their use in different settings and situations. It also highlights the potentiality of automated monitoring systems to provide valuable information that improves our understanding of livestock feeding behaviour. The relevance of these systems is increasingly important due to their impact on production systems and research. Finally, the paper closes by discussing future challenges and opportunities in livestock feeding behaviour monitoring.

研究动机与目标

• 整合当前关于自动化系统监测反刍动物采食行为的已有知识。
• 评估不同传感模式（运动、声学、图像及压力基系统）的有效性与局限性。
• 分析用于采食行为分析的信号处理与计算智能技术。
• 识别现有研究在性能评估与标准化方面的差距。
• 概述未来在自动化牲畜监测方面的研究机遇，以提升农业生产力与动物福利。

提出的方法

• 对100余项关于使用自动化系统监测反刍动物采食行为的研究进行系统性综述。
• 将传感技术分类为运动、声学、图像/视频及压力基系统。
• 分析信号处理流程，包括特征提取、滤波与分类算法。
• 整合计算智能方法（如机器学习与深度学习）用于行为分类。
• 通过评估性能指标与数据多样性，评估研究间的可比性。
• 将研究发现整合为面向精准畜牧养殖领域研究人员与实践者的教程框架。

实验结果

研究问题

• RQ1 自动化反刍动物采食行为监测中，主流传感技术有哪些？
• RQ2 不同信号处理与机器学习技术在分类采食行为方面的表现如何比较？
• RQ3 由于指标与数据采集协议不一致，现有研究在性能比较方面面临的主要挑战是什么？
• RQ4 这些系统在哪些农业与管理环境中最为有效？
• RQ5 为实现标准化并提升自动化反刍动物监测系统，未来需要哪些发展？

主要发现

• 运动传感器（如加速度计）广泛用于检测与采食相关的运动，且在受控环境中表现出高精度。
• 声学传感器在检测咀嚼与反刍声音方面具有潜力，但环境噪声仍是主要挑战。
• 基于图像与视频的系统可提供丰富的视觉数据，但需要大量计算资源，且对光照条件与遮挡敏感。
• 压力基传感器（如饲料槽中的传感器）可直接测量采食量，但应用较少，通常局限于特定饲养系统。
• 由于性能指标与数据采集协议不一致，研究间的性能评估仍缺乏一致性，限制了直接比较。
• 将多模态传感与先进信号处理及机器学习技术结合，是实现准确且可扩展的采食行为监测的最可靠路径。