国外将信息化技术应用到奶牛养殖业中的发展相对较早，例如德国、澳大利亚、新西兰等国家都已开发出了比较完善的农场奶牛管理系统，可是这些系统大都使用传感器元件来监测奶牛的行为，所用的传感器经常要安装在奶牛的身体部位上，所以对奶牛的生活会产生一定的影响。图像处理技术在提高奶牛福利、无损检测方面有明显的优势，国外科研机构和研究人员也始终致力于该方面的实验和研究。2012年比利时鲁汶大学研究了通过计算机图像中的视觉技术来监测奶牛的跛足行为，实验中通过压力数据和图像数据开发了自动同步奶牛测量系统，系统中使用摄像机来记录奶牛的运动情况和体型,并结合传感器来记录奶牛行走的位置和时间，可以更准确地检测到奶牛的跛足状况[2]。2013年以色列学者研究了通过奶牛后部图像进行自动分类跛足奶牛的方法。2013年意大利卡塔尼亚大学开发了一种基于机器视觉的开阔仓库中奶牛躺卧行为的自动监测系统，该系统由多个摄像枪视频系统和利用Viola－Jones算法对奶牛躺卧行为进行检测的部分组成。2013年以色列班固里安大学研究了一种用傅里叶描述子和身体特征来自动计算奶牛体型得分的方法，该研究收集151头奶牛的俯视图像，利用图像的颜色变化来进行自动阈值选取，根据得出的模型自动计算奶牛的体型得分，并通过分数来判定牛的体型的具体状况，例如胖和瘦[3]。34611
国内研究现状
我国在奶牛养殖业中引入信息技术相对于其他发达国家起步较晚，因此科技水平与其他国家相比有一定的差距。最近几年，国家在不断加大对奶牛养殖业的扶持和补贴力度，不断促进奶牛养殖业的智能化和标准化。我国的一些研究机构和相关学者也积极开展有关智能养殖的科学研究。2007年，河北农业大学的王文娣、钱东平、黄冉君等开发了基于计算机图像处理的奶牛体型评估系统，使用LabView虚拟仪器软件开发平台和IMAQ Vision图像处理软件包设计基于计算机图像处理的奶牛体型评估系统，该系统采用蓝色背景来增强图像的定位准确性和对比度，降低了图像处理的难度，采用从HSL模型中选取S分量的方法来实现图像的灰度化处理，并通过中值滤波对图像进行降噪处理。实验结果表明，识别特征点时使用模板匹配法，识别率可以达到90%以上。人工评分结果和计算机评分的最大绝对误差为1.1cm，相对误差为0.8%，系统精度满足线性评定要求，完全能代替人工评估，而且还可以提高评定的效率[4]。2009年，内蒙古农业大学进行基于机器视觉的奶牛体型评定中的关键技术研究，通过机器视觉技术重建获得的虚拟奶牛，文中提出一种基于图像分块的多尺度Harris特征点检测算法，以提取图像一定数量的特征点能最大限度地表征图像特征为目的。该算法在保持原算法计算简便性和稳定性的前提下，对图像分块检测特征点，每块内自动选取阈值，得到的特征点数量可控、区域可控，整体分布均匀，论文网有效地缓解了聚簇现象和数据冗余[5]。2012年，李斌提出了基于计算视觉的奶牛体型线性测量系统设计，通过CCD设备组成的视觉采集系统对家畜的体态进行图像的含噪采集，运用DSP嵌人式设备组成的模块完成奶牛关键特征点定位、信息处理和图像去噪等工作，设计软件优化算法，完成基于计算视觉的奶牛体型线性测量系统的设计，主要由两部分组成：奶牛图像特征处理系统和奶牛体态的视觉采集系统，这两个系统分别完成奶牛的图像采集、图像去噪、图像特征定位、图像特征计算等功能，根据计算结果，完成奶牛体型的准确定位[6]。2013年，内蒙古农业大学的张立倩等人设计了基于模糊逼近计算视觉算法来测量奶牛体重，利用图像平滑以及滤波方法对奶牛图像进行降噪处理，模糊逼近定位的奶牛特征空间位置，并建立了奶牛体型的立体空间来计算奶牛体重。中国农业大学的郭浩等人采用基于深度图像的奶牛体型评定指标获取技术，使用Xtion PRO摄像头用作深度图像采集设备，基于OpenNI搭建的数据获取程序实现了对奶牛随机部位的点云获取，并结合MeshLab完成了对获得的点云数据进行测量和可视化处理，最终将重建点云测量与人工测量所得到的指标进行对比[7]。2015年，西北农林科技大学的赵凯旋等人研究了基于卷积神经网络的奶牛身份识别方法，研究中根据图像序列样本量较大这一特性，在原算法的基础上进行了改进，实现了基于卷积神经网络和视频分析的奶牛身份识别方法，在使用采集奶牛视频方案的基础上，进一步分析奶牛视频，跟踪并提取奶牛运动过程中的身体部位图像。根据这些图像的特点，选取卷积神经网络的参数和结构，用奶牛身体部位图像对网络性能进行测试和训练，最后完成在奶牛现实生活环境下的身份高效精确识别[8]。 奶牛身份识别系统国内外研究现状:http://www.youerw.com/yanjiu/lunwen_32170.html