利用人工智能和传感器数据建立牵引性病问题的公共数据集 CowScreeningDB，以及使用原始传感器数据对健康和疾病牛进行分类的机器学习技术的研究。

May, 2024

本研究提出了一个利用深度学习图像处理技术提取与蹒跚步态相关的多种运动特征的自动跛行检测系统。使用 T-LEAP 姿势估计模型，从牛行走的视频中提取 9 个关键点的动作，99.6% 的正确关键点。然后利用这些关键点的轨迹计算了六个运动特征：背部姿势测量、头部上下摆动、跟踪距离、步幅长度、站立持续时间和摆动持续时间。结果显示背部姿势测量、头部上下摆动和跟踪距离是最重要的三个特征。研究还表明，合理合并观察者的评分可以提高观察者间的可靠性和一致性。结果显示，包含多种运动特征可以将分类准确性从仅使用一个特征的 76.6% 提高至使用三个最重要特征的 79.9%，并进一步提高至使用所有六个运动特征的 80.1%。

Jan, 2024

本研究旨在采用视频数据并比较不同深度学习方法，从而提高重复实测牛体重的预测性能，同时释出相关源代码，结果显示，Mask-RCNN 方法提高了牛体重预测的性能。

Jul, 2023

针对牛只的精准识别和精细畜牧的需要，本文首次提出和评估了一种自上而下（背部视角）的深度学习系统，该系统可使用深度数据准确识别个体牛只，为进一步研究提供了代码、数据集和训练权重。研究采用了基于卷积神经网络和多层感知器的背骨架，并通过生成嵌入空间进行聚类以实现高精度识别，无需重新训练网络。通过对 ResNet 和 PointNet 两种不同的背骨架进行评估，结果表明使用深度图和点云分别作为输入的模型均能获得与基于皮毛花纹的背骨架相当的高准确性。

Mar, 2024

本文对基于视觉的牛辨识进行了系统的文献综述，旨在分析使用机器学习和深度学习进行牛识别的研究，并发现支持向量机、k 最近邻和人工神经网络是最常用的机器学习模型，而卷积神经网络、残差网络、Inception、YOLO 和 Faster R-CNN 则是深度学习模型，而牛的口印和毛皮花纹是区分牛的最显著特征。

Oct, 2022

本研究旨在利用基于传感器行为数据的机器学习算法，早期检测数字皮炎 (DD) 并预测奶牛 DD。通过建立早期警报工具，实现对商业环境下 DD 的监测和管理，降低 DD 的发病率和严重程度，改善动物福利。通过基于行为传感器数据的机器学习模型，在自由栏条件下预测和检测奶牛数字皮炎，本探索性研究中，DD 临床症状出现的第 0 天的检测模型准确率达到 79%，DD 临床症状出现前 2 天的预测模型准确率达到 64%。该机器学习模型有助于基于行为传感器数据在常规奶牛环境下开发实时自动化的 DD 监测和诊断工具。研究结果表明，个体层面的行为模式变化可用作牛群管理早期警报系统的输入，以检测个体牛健康的差异。

Sep, 2023

利用深度学习分割方法和两个不同传感器获得的红外和可见光图像进行葡萄藤疾病的自动检测，该方法在葡萄藤级别上达到 92％以上的检测准确度，在叶子级别上达到 87％以上的检测准确度，对于计算机辅助的葡萄园疾病检测具有很好的前景。

Dec, 2019

该研究介绍了一个名为 Cattle Visual Behaviors (CVB) 的视频数据集，用于牛行为识别。通过计算机视觉标注工具（CVAT）收集了 502 个视频剪辑，每个视频剪辑都有 15 秒长，并且标注了 11 种能够直观感知的牛的行为。研究使用预训练模型对视频中的牛进行检测和跟踪，并使用 CVAT 进行修正和标记，从而减少了标注的时间和精力。最后，使用 SlowFast 动作识别模型对该数据集进行了训练和评估，能够准确地识别牛的频繁出现的行为。

May, 2023

研究使用深度卷积神经网络实现牲畜重新识别，将该任务与人类重新识别任务进行比较，并探讨其独特挑战，并通过与基于深度架构和标准机器学习算法的不同基线进行比较，并展示了丰富的剖析研究以进一步研究该任务的独特特性。

Feb, 2019

这项研究首次系统调查了公开可获得的牲畜计算机视觉数据集，并讨论了数据集的特征、应用及其对动物福利的影响。同时，还探讨了开发牲畜计算机视觉数据集所面临的挑战和机遇，指出数据质量和标注数量的限制是牲畜精准畜牧中的一个瓶颈。

Jun, 2024