Recognizing attack behavior of herd pigs using improved YOLOX
-
摘要:
为解决复杂猪舍环境下猪只堆叠和粘连导致群养猪只攻击行为识别准确率低和有效性差的问题，该研究提出一种改进的YOLOX模型，引入攻击活动比例（PAA）和攻击行为比例（PAB）2个优化指标，对群养猪只的撞击、咬耳和咬尾等典型攻击行为进行识别。首先，为提高模型特征提取能力添加归一化注意力模块获取YOLOX颈部的全局信息；其次，将YOLOX中的IoU损失函数替换为GIoU损失函数，以提升识别精度；最后，为保证模型的实时性将空间金字塔池化结构SPP轻量化为SPPF，增强检测效率。试验结果表明，改进的YOLOX模型平均精度达97.57%，比YOLOX模型提高6.80个百分点。此外，当PAA和PAB阈值分别为0.2和0.4时，识别准确率达98.55%，有效解决因猪只攻击行为动作连续导致单帧图像行为识别可信度低的问题。研究结果表明，改进的YOLOX模型融合PAA和PAB能够实现高精度的猪只攻击行为识别，为群养生猪智能化监测提供有效参考和技术支持。
Abstract:Image data was collected at the Pig Breeding Base in Fenxi County, Linfen City, Shanxi Province in July 2020. Nine 5-month-old fattening pigs were selected to raise in a closed pig house. Hikvision DS-2CD3345D-I model camera was used in a downward tilt angle of 60 degrees to collect data under incandescent light. This angle was utilized to obtain the rich behavioral features of pigs, in order to avoid large-scale occlusion, compared with the head-up and overhead views. In the process of data collection, the daily behavior videos of pigs were first repeatedly observed, and 185 video clips of pigs with aggressive behavior were extracted; Inter frame difference method was used to extract the key frames from these video clips. Slow pig movement and long rest time were removed as well. An improved YOLOX model was proposed to identify the typical attack behaviors of herd pigs, such as impact, ear biting, and tail biting. The high accuracy and effectiveness were achieved to reduce pig stacking and adhesion in complex pen environments. Firstly, a Normalization based Attention Module (NAM) was added to obtain the global information about the YOLOX neck; Secondly, the loss function IoU Loss in the YOLOX was replaced with the GIoU to improve the recognition accuracy; Finally, the real-time performance of the model was realized to enhance feature extraction and detection efficiency. Feature pyramid structure SPP was lightweight to SPPF. The experiment showed that the integrated NAM modules, GIoU Loss replacing, and SPPF feature pyramid structures in the original backbone network improved the average accuracy of the model by 2.50, 2.12, and 0.98 percentage points, respectively. The model with SPP feature pyramid structure reduced the parameter by 0.1 MB and improved the accuracy by 0.98 percentage points, indicating the minimum impact of the model parameter after the integrated NAM module. The average accuracy of the improved model increased from 90.77% to 97.57%, with an increase of 6.80 percentage points; The parameter quantity decreased from the highest 34.7 to 34.5 MB with a decrease of 0.2 MB. In addition, there was the continuous attack behavior of pigs in the low credibility of single-frame images. Two optimization indicators (proportion of attack activities (PAA) and proportion of attack behavior (PAB))were introduced to further confirm whether the attack behavior occurred. When the PAA and PAB thresholds were 0.2 and 0.4, respectively, the recognition accuracy (Accuracy) reached 98.55%. Video segments with frequent attacks were selected to verify the effectiveness of the optimization. Usually, PAA and PAB posed a significant impact on the recognition of pig aggressive behavior; If the threshold set was too small, it was easy to misjudge frames without attack behavior as having occurred; If the threshold set was too large, the frame without the attack was assumed as the occurrence. The experimental results show that the improved YOLOX model was achieved in the high-precision recognition of pig attack behavior by the integrated PAA and PAB. The finding can provide effective reference and technical support for the intelligent monitoring of herd health pigs.
-
Keywords:
- pig /
- behavior recognition /
- detection /
- attack behavior /
- attention mechanism /
- loss function /
- feature pyramid
-
0. 引 言
土壤胶体是土壤组成中最为微小、最为活跃的组分，通常是有机组分与矿物组分相互吸附胶结形成的复合体[1]。其表面的电化学性质（电荷数量、比表面积、电荷密度以及电场强度）深刻地影响着土壤中离子的吸附解吸、元素的迁移转化以及水动力特征等一系列土壤物理和化学过程，进而影响到土壤水肥保持、土壤侵蚀、污染物防治以及农业面源污染等问题[2-4]。因此，深入研究土壤表面电化学性质对土壤的可持续利用和生态环境保护具有重要意义。
土壤的电化学性质既受气候、环境、植被及施肥方式等诸多外部因素的影响，又受土壤的矿物组成、有机质、pH值、黏粒等内部因素的影响[5-6]。在农田生态系统中，施用有机肥是提高土壤肥力水平、改善土壤环境的有效措施。有机肥可通过２种方式对土壤表面电化学性质产生影响，一方面，施用有机肥可以提高土壤结构的稳定性，促进土壤黏化过程，减小黏粉颗粒的流失[7-8]，黏粉粒的富集有效增加土壤的电荷数量和比表面积；另一方面，有机肥可提高土壤有机质的含量，有机质自身带有大量的可变电荷，可有效地改变土壤表面电化学性质[9]。当然，有机肥进入土壤中后会形成颗粒态有机物和矿物质结合态有机物，颗粒态有机物是未分解或半分解状态的有机残体，易分解，生物活性较高；矿物质结合态有机物多为腐殖化的有机物质，与土壤矿物相结合，性质较为稳定[10]。这些不同组分的有机碳在土壤颗粒的团聚、有机质的周转、肥力提升等过程中具有重要作用[11]。相关研究认为，相比与颗粒态有机物，矿物质结合态有机物对土壤表面电化学性质的影响更为重要[12]。土壤矿物质结合态有机物组分既包含了比表面积和表面电荷数量较大的黏土矿物，还包含了土壤中绝大部分的腐殖物质。并且，这些腐殖物质与黏土矿物相互作用，形成性质各异的有机-无机复合体，进而改变了土壤表面电化学性质[13]。不同类型的有机物进入土壤后的腐殖化过程以及形成的腐殖物质并不相同，例如腐殖物质的芳香度、官能团种类、有机碳链大小都会直接影响其与黏土矿物的吸附过程以及有机-无机复合体的稳定性[14]，但是关于腐殖物质的特性和官能团类型与土壤表面电化学性质之间的内在关系并不清晰，制约全面了解有机培肥措施对土壤表面电化学性质的影响机制。
本文基于16 a的有机肥和秸秆还田的定位培肥试验，分析了土壤表面电化学性质、机械组成、有机碳组分、矿物质结合态腐殖质的光学特性等指标，并利用X射线光电子能谱仪分析了腐殖质-矿物复合体表面的官能团组成，揭示施用有机肥和秸秆还田的培肥措施下土壤表面电化学性质的变化，探究土壤环境因子（如pH值、EC、机械组成）、有机碳组分以及矿物质结合态腐殖质结构特性对土壤表面电化学性质的影响机制，以期为不同培肥模式措施对土壤电化学的影响机制研究以及合理的培肥方案提供科学依据。
1. 材料与方法
1.1 试验区概况与试验设计
试验设在山西省运城市山西农业大学水头试验基地，试验地属暖温带大陆性季风气候，年均气温13.4℃，年均降雨量525 mm，雨热同期，日照时长2040 h，无霜期212 d，试验区土壤类型为褐土，试验前土壤耕层基础肥力为：有机质含量10.9 g/kg，速效氮含量89.6 mg/kg，速效磷含量13.1 mg/kg，速效钾167 mg/kg，pH值为8.4。试验开始于2007年，共设置4个施肥处理：单独施用化肥（F）、有机肥+化肥（MF）、秸秆还田+化肥（SF）以及秸秆还田+有机肥+化肥（MSF）。每个施肥处理3次重复，小区面积为60 m2。化肥为尿素（N 46%）和重过磷酸钙（P2O5 46%），施用量分别为165 N kg/hm2和150 P2O5 kg/hm2；有机肥为腐熟的鸡粪，有机质含量21%，于小麦播种前施入MF和MSF处理，施用量为15 t/hm2。每年6月小麦收获后，SF和MSF处理的秸秆粉碎全量还田，F和MF处理的秸秆移除试验田。
1.2 样品采集与分析
1.2.1 土壤样品采集
于2023年6月小麦收获后五点法采集各小区0～20 cm土层的土壤样品，除去可见的石块、植物残渣等杂物，自然风干后过2 mm和0.15 mm筛，用于土壤理化性质和有机碳分组的测定。
1.2.2 土壤基本理化性质的测定
土壤总有机碳含量采用重铬酸钾氧化-硫酸亚铁滴定法测定；土壤全氮含量采用半微量凯氏法测定；有效磷含量采用0.5 mol/L碳酸氢钠溶液浸提，钼锑抗比色法测定；速效钾含量采用1 mol/L乙酸铵溶液浸提，火焰光度法测定；土壤pH和电导率采用电极法测定，水土比为2.5∶1；土壤黏粒、粉粒和砂粒含量采用激光粒度分析仪（Mastersizer 2000）测定。
1.2.3 土壤有机碳分组的测定
称取过2 mm筛的土壤样品20 g，加入100 mL去离子水，振荡离心，上清液过0.45 μm滤膜，滤液采用TOC自动分析仪测定含碳量，即为土壤可溶性有机碳的含量。向残留的土壤中加入100 mL浓度为0.5%的六偏磷酸钠溶液，振荡后过0.053 mm的标准筛，残留在筛中的残渣为颗粒态有机碳，采用元素分析仪（vario PYRO cube Elementar Analyser）测定含碳量，过滤的土壤残渣在45℃条件下烘干，即为重组土样。称取5.0 g的上述重组土样，加入50 mL浓度为0.1 mol/L氢氧化钠和0.1 mol/L焦磷酸钠的混合溶液，振荡离心，上清液即为腐殖质溶液，调节腐殖质溶液pH值，分离获得胡敏酸和富里酸，采用重铬酸钾氧化法测定上述腐殖质、胡敏酸含量，富里酸含量由腐殖质与胡敏酸含量相减获得[15]。
1.3 土壤表面化学性质测定与计算
1.3.1 土壤表面化学性质测定
根据土壤表面性质联合测定的方法[16-17]，首先制备氢饱和土壤样品，向200 g土壤样品中加入2 L浓度为0.2 mol/L的HCl溶液，振荡24 h，离心弃去上清液，继续重复上述过程3次，向离心后的土样中加入2 L的去离子水，振荡离心，将离心后的土样在45℃条件下烘干，研磨过0.25 mm筛，获得氢饱和土壤样品。然后称取5 g上述氢饱和土壤样品，加入50 mL浓度为0.01 mol/L Ca(OH)2和NaOH混合溶液，振荡24 h后测其pH值，根据pH值继续加入氢饱和土壤样品或Ca(OH)2和NaOH混合溶液（pH值>10，加入氢饱和土壤样品；pH值<9，加入Ca(OH)2和NaOH混合溶液），振荡直至悬浮液pH值在9～10之间。然后用浓度为0.1 mol/L的HCl溶液调节土壤悬浮液pH值至7左右，离心，测定上清液Ca和Na离子浓度。
1.3.2 土壤表面化学性质计算
表面电位φ0（mV）：
φ0=2RT2(βCa−βNa)Flna0CaNNaa0NaNCa (1) 表面电荷密度σ0（c/m2）：
σ0=sgn(φ0)√εRT2π(a0NaeβNaFφ0RT+a0Cae2βCaFφ0RT) (2) 表面电场强度E0（V/m）：
E0=4πεσ0 (3) 比表面积S（m2/g）：
S=NNaκma0NaeβNaFφ02RT=NCaκma0CaeβCaFφ0RT (4) 表面电荷数量XSCN（cmol/kg）：
SCN=105Sσ0F (5) κ为德拜参数（L/dm）：
κ=√8πF2C0εRT (6) 式中T为绝对温度，K；R为理想气体常数，J/(K·mol)；F为为法拉第常数，C/mol；βNa和βCa分别为Na+和Ca2+的有效电荷系数；a0Na和a0Ca分别为Na+和Ca2+的活度，mol/L；NNa和NCa分别为Na+和Ca2+在土壤中的吸附量，mol/g；ε为水的介电常数，8.9×10−9，C2/(J·dm)；m=0.525 9ln（c0Na/c0Ca）+1.992；c0Na和c0Ca分别为溶液中 Na+和Ca2+浓度。
1.4 土壤腐殖质结构特性测定
1.4.1 X射线光电子能谱仪（XPS）测定
对腐殖质提取前的重组土壤颗粒进行XPS（UIVAC-PHI5000 Versa Probe）测试，定量分析土壤颗粒表面有机碳的结构组成。将1.2.3中的重组土壤颗粒进行XPS扫描，获取C(1s)高分辨光谱，用脂肪碳（284.5 eV）进行校准，C (1s)结合能的特征为：287.8 eV为C=O/C(O)N，286.7 eV为C-O-C，286.2 eV为C-O/C-N，285 eV为C-C/C-H，284.4 eV为C=C。利用软件XPS peak 41对光谱进行分峰拟合，并获得上述有机官能团的峰面积，然后根据峰面积计算其相对含量。
1.4.2 土壤腐殖质光学性质的测定
腐殖质的光学特性用色调系数（ΔlgK）和光密度（E4/E6）来表示，即ΔlgK和E4/E6的值越高，表明腐殖质的分子量越小，分子结构越简单[18]。利用紫外分光光度计（723型分光光度计）测定腐殖质在400、465、600和665 nm处的吸光值，并计算ΔlgK和E4/E6值。
ΔlgK=lgK400−lgK600 (7) E4/E6=K465/K665 (8) 式中K400、K465、K600和K665分别为在波长400、465、600和665 nm处的吸光值。
1.5 数据处理
采用SPSS 24.0软件单因素方差分析（One-way ANOVA）对不同施肥处理之间的土壤基本性质、土壤表面电化学性质、有机碳组分等指标进行显著性比较（Duncan, P<0.05），运用Canoco 5软件对土壤表面电化学性质和有机碳组分间的关系进行冗余分析，采用Origin 2018软件进行绘图。
2. 结果与分析
2.1 不同施肥处理对土壤基本理化性质的影响
不同施肥处理对土壤理化性质有显著影响（表1）。与不施肥处理（F）相比，有机肥处理（MF）、秸秆还田处理（SF）和有机肥+秸秆还田处理（MSF）显著提高了土壤全氮、有效磷、速效钾含量，其中以MSF处理最高。各处理对土壤pH值无显著影响，而MSF处理的EC值较F和SF处理分别提高了31.3%和24.1%。各处理对土壤黏粒和粉粒含量无显著影响，但MSF处理的砂粒含量显著低于F处理。
表 1 不同施肥处理对土壤基本性质的影响Table 1. Effects of different fertilization treatments on the basic properties of soils处理
Treatments全氮
Total nitrogen/
(g·kg−1)有效磷
Available phosphorus/
(mg·kg−1)速效钾
Available potassium/
(mg·kg−1)pH值
pH value电导率
Electrical conductivity
EC/(µs·cm−1)黏粒质量分数
Clay mass
fraction/%粉粒质量分数
Silt mass fraction /%砂粒质量分数
Sand mass
fraction /%F 0.97±0.06c 63.1±19.1b 104.3±16.3c 8.2±0.1a 126.7±14.0b 19.6±0.4a 29.1±0.5a 51.3±0.9a SF 1.62±0.06b 191.4±27.2a 190.7±52.4ab 8.1±0.1a 134.1±14.3b 19.8±0.5a 29.6±0.9a 50.5±0.9ab MF 1.42±0.25b 68.4±4.1b 152.7±14.5bc 8.2±0.1a 155.7±4.9ab 20.0±0.2a 30.0±0.8a 50.0±0.8ab MSF 1.80±0.31a 252.5±117.2a 220.7±26.7a 8.2±0.2a 166.4±23.1a 20.4±0.5a 30.3±0.5a 49.3±0.5b 注：数据为平均值±标准差（n=3），同列数据后不同小写字母表示处理间差异显著（P<0.05）。F、SF、MF和MSF分别代表单独施用化肥、秸秆还田+化肥、有机肥+化肥以及秸秆还田+有机肥+化肥处理。下同。 Note: The data are means ± standard error (n=3). Values followed by different lowercase letters in the same column are significantly different (P<0.05). F, SF, MF, and MSF indicate chemical fertilizer, straw returning + chemical fertilizer, organic fertilizer + chemical fertilizer, straw returning + organic fertilizer + chemical fertilizer, respectively. Same as below. 2.2 不同施肥处理对土壤表面电化学性质的影响
不同施肥处理对土壤表面电化学性质有显著影响（表2）。各施肥处理的土壤表面电荷密度变幅为0.20～0.25 c/m2，其中SF、MF和MSF处理均显著高于F处理。
表 2 不同施肥处理对土壤表面电化学性质的影响Table 2. Effects of different fertilization treatments on soil surface electrochemical properties处理
Treatments表面电荷密度
Surface charge density
σ0/(c·m−2)表面电场强度
Surface electric field intensity
E0/(108 V·m−1)比表面积
Specific surface area
S/(m2·g−1)表面电荷数量
Surface charge number
SCN/(cmol·kg−1)表面电位
Surface potential
φ0/(mV)F 0.20±0.00b 1.46±0.11 d 57.52±2.85b 11.70±0.46c −81.40±2.04c SF 0.22±0.00a 2.58±0.61c 60.61±4.05ab 14.09±1.48b −86.00±2.10b MF 0.23±0.00a 4.24±0.39b 62.92±5.12ab 15.14±0.29b −87.83±1.55ab MSF 0.25±0.00a 5.12±0.44a 67.02±2.65a 17.07±0.97a −91.14±1.59a 各施肥处理的土壤表面电场强度变幅为1.46×108～5.12×108 V/m，且各处理的表面电场强度大小排序为MSF、MF、SF、F。各施肥处理的土壤比表面积变幅为57.52～67.02 m2/g，其中MSF处理最高，较F处理显著提高了16.5%。各施肥处理的土壤表面电荷数量和表面电位的变幅分别为11.70～17.07 cmol/kg和−81.40～−91.14 mV，不同处理间均以MSF处理最高，且显著高于SF和F处理。
2.3 不同施肥处理对土壤有机碳的影响
不同施肥处理对各有机碳组分有显著影响（图1）。对于土壤总有机碳、可溶性有机碳、颗粒态有机碳、腐殖质和胡敏酸含量，不同处理间均以MSF处理最高，分别为21.5 g/kg、96.6 mg/kg、12.1 g/kg、5.51 g/kg和3.32 g/kg。MSF和MF处理的富里酸含量分别为2.20 g/kg和2.10 g/kg显著高于F处理。MSF处理有较高的胡敏酸/富里酸比值，为1.51，且显著高于F、SF和MF处理，其中MF和SF之间无显著差异，但显著高于F处理。
![]()
图 1 不同施肥处理对土壤有机碳组分的影响注：不同大写字母表示处理间差异显著（P<0.05），误差线表示三个重复测定的标准差，f图中的点线图为胡敏酸/富里酸比值。下同。Figure 1. Effects of different fertilization treatments on the soil organic carbon fractionsNote: Different capital letters indicate significant differences between treatments (P<0.05). The error line shows the standard deviation of the three repeated measurements. The curve in f figure is the ratio of humic acid and fulvic acid content. Same as below.2.4 影响土壤表面电化学性质的因素
有机碳组分和土壤质地与土壤表面电化学性质密切相关（表3）。土壤总有机碳、颗粒态有机碳、腐殖质、胡敏酸、富里酸以及胡敏酸/富里酸比值均与土壤表面电荷密度、电场强度、比表面积、电荷数量和电位呈显著或极显著的正相关关系；可溶性有机碳与比表面积之间的相关性并不显著，但与其余表面电化学性质呈极显著的正相关关系。土壤黏粒含量与土壤表面电荷密度、电场强度、电荷数量和电位均呈显著正相关关系；粉粒含量仅与表面电荷数量呈显著的正相关关系；砂粒含量则与各土壤表面电化学性质呈显著的负相关关系。
表 3 有机碳组分、土壤质地与表面电化学性质的相关性Table 3. Correlation analysis between different organic carbon fractions and surface electrochemical properties参数Parameter SOC DOC POC HM HA FA HA:FA Clay Silt Sand σ0 0.81** 0.89** 0.87** 0.91** 0.87** 0.93** 0.70* 0.69* 0.45 −0.66* E0 0.80** 0.83** 0.84** 0.95** 0.95** 0.84** 0.86** 0.68* 0.50 −0.69* S 0.60* 0.53 0.65* 0.67* 0.67* 0.58* 0.61* 0.38 0.56 −0.61* SCN 0.84** 0.86** 0.92** 0.94** 0.91** 0.90** 0.77** 0.64* 0.59* −0.74** φ0 0.86** 0.91** 0.93** 0.95** 0.92** 0.94** 0.76** 0.69* 0.54 −0.73** 注：*和**分别表示在0.05和0.01水平上显著相关（n=12）。SOC、DOC、POC、HM、HA、FA、Clay、Silt、Sand和HA:FA分别表示土壤有机碳、可溶性有机碳、颗粒态有机碳、腐殖质、胡敏酸、富里酸、黏粒、粉粒、砂粒含量和胡敏酸与富里酸的比值；σ0、E0、S、SCN和φ0分别代表表面电荷密度、表面电场强度、比表面积、表面电荷数量和表面电位。下同。 Note: * and ** respectively indicate the significant correlation at the 0.05 and 0.01 levels (n=12). SOC, DOC, POC, HM, HA, FA, Clay, Silt, Sand and HA/FA respectively indicate soil organic carbon, dissolved organic carbon, particulate organic carbon, humus, humic acid, fulvic acid, clay, silt, and sand contents, and HA : FA ratio. σ0, E0, S, SCN and φ0 respectively indicate surface charge density, surface electric field intensity, specific surface area, surface charge number, and surface potential. Same as below. 冗余分析结果表明（图2），RDA1和RDA2对土壤表面电化学性质的解释度分别为77.97%和11.76%，其中腐殖质是影响土壤表面电化学性质的最重要的因素，解释度为67.0%，其次为土壤黏粒含量（5.9%）和胡敏酸/富里酸比值（4.9%）。
![]()
图 2 有机碳组分与表面电化学性质的冗余分析Figure 2. Redundancy analyses (RDA) between different organic carbon fractions and surface electrochemical properties2.5 土壤腐殖质的光学特征及与表面电化学性质之间的关系
不同施肥处理对土壤腐殖质的E4/E6和ΔlgK有显著的影响（图3）。MSF处理的E4/E6最低，为3.90，显著低于F和SF处理，但与MF处理无显著差异。MSF、MF和SF处理的ΔlgK无显著差异，分别为1.03、1.08和1.15，其中MSF处理显著低于F处理。
![]()
图 3 不同施肥处理对土壤腐殖质光密度E4/E6和色调系数ΔlgK的影响Figure 3. Effects of different fertilization treatments on the optical density E4/E6 and chromaticity coffcient ΔlgK of soil humus对腐殖质提取前的重组土壤颗粒进行XPS测试，分析腐殖质的结构组成（图4）。各处理C=C的相对含量表现为SF（57.1%）>F（31.4%）>MF（20.7%）≈MSF（19.6%）；C-C/C-H的相对含量在F和MF处理中最高，分别为54.6%和50.6%，高于MSF（42.4%）和SF（25.2%）处理；各处理C-O的相对含量在14.1%～0.4%之间，低于其他类型的有机官能团；C-O-C的相对含量表现为MF（18.4%）>MSF（11.5%）>SF（8.1%），在F处理并未检测；C=O/C(O)N的相对含量在MSF处理中最高，为26.1%，高于MF（9.4%）和SF（6.0%）处理。
![]()
图 4 不同施肥处理土壤腐殖质-矿物的XPS表征结果Figure 4. XPS characterization results of soil humus-mineral in the different fertilization treatments土壤腐殖质的E4/E6、ΔlgK以及有机官能团的相对含量与表面电化学性质密切相关（表4）。
表 4 土壤腐殖质的E4/E6、ΔlgK以及XPS表征的有机官能团与表面电化学性质的相关性Table 4. Correlation analysis of E4/E6 and ΔlgK of soil humus, and organo-functional group measured by XPS with surface electrochemical properties参数Parameter E4/E6 ΔlgK C=C C-C/C-H C-O C-O-C C=O/C(O)N σ0 −0.79* −0.49 −0.38 −0.19 −0.18 0.23 0.66* E0 −0.69* −0.37 −0.69* −0.04 −0.11 0.23 0.89** S −0.86** −0.64* −0.39 −0.12 0.05 −0.02 0.65* SCN −0.75* −0.66* −0.45 −0.17 −0.06 0.10 0.77* φ0 −0.84** −0.58* −0.46 −0.16 −0.09 0.14 0.74* E4/E6与土壤表面电荷密度、电场强度、比表面积、电荷数量和电位呈显著和极显著负相关关系；ΔlgK则与比表面积、表面电荷数量和电位呈显著的负相关关系，与表面电荷密度和电场强度呈负相关关系，但并不显著；C=O/C(O)N与土壤表面电荷密度、电场强度、比表面积、电荷数量和电位呈显著的正相关关系；C=C则与各土壤表面电化学性质指标呈负相关关系。
3. 讨 论
3.1 施肥对土壤表面电化学性质的影响
施肥通过改变土壤结构、pH、氧化还原电位、有机碳含量等理化性质[19]，进而影响土壤表面电化学性质[20]。秸秆还田和施用有机肥可显著提高土壤表面电荷密度、电场强度、比表面积、表面电荷数量和表面电位（表2）。这主要是由于秸秆和有机肥腐解过程中形成的有机质对土壤表面电化学属性有较为深刻的影响[21]，多孔结构的有机质具有较大的比表面积，显著提高土壤颗粒的比表面积，并且其表面富含羧基、羟基等活性有机基团能够提供大量的阳离子交换位点[5]，同时可以解离H+使土壤颗粒表面呈负电荷[22]。丁武泉等[23]研究认为，有机质自身带有大量的电荷，随着有机质含量的增加，土壤表面电荷密度、电荷数量以及比表面积显著增加，与本研究结果相一致。另一方面，有机质与黏土矿物颗粒通过吸附、共沉淀等方式相互作用，形成有机无机复合体，稳定土壤团粒结构，减少土壤粘粒的侵蚀流失，从而对土壤表面电化学性质产生间接的影响[21,24]。并且，秸秆和有机肥在腐解过程中产生的柠檬酸、草酸等有机酸可以促进土壤黏粒矿物的转化[25]。本研究中，土壤黏粒含量与土壤表面电化学性质之间呈显著的正相关关系（表3），虽然各处理之间的黏粒含量并无显著差异，但是MSF处理的砂粒含量显著低于F处理（表1），表明长期的秸秆还田和施用有机肥可以通过影响土壤的机械组成来影响土壤表面电化学性质。
3.2 有机碳对土壤表面电化学性质的影响
将土壤有机碳分为可溶性有机碳、颗粒态有机碳以及矿物质结合态腐殖质等组分，每个有机碳组分在土壤环境中有不同功能[26]。本研究中，虽然上述各组分有机碳与土壤表面电化学性质均呈显著的正相关关系（表3），但是通过冗余分析发现矿物质结合态腐殖质是影响土壤表面电化学性质最主要的因素（图2）。这主要是由于腐殖质表面含有丰富的有机官能团，可以通过官能团的解离产生大量的负电荷，增加土壤表面电荷数量[27]。并且腐殖质的比表面积巨大，约为800～900 m2/g，是无机矿物的10倍，因此腐殖质含量增加，土壤颗粒比表面积增加[22]。张晓媛[12]研究认为，与颗粒态有机碳相比，矿物质结合态有机碳包含了土壤中绝大部分腐殖物质，是引起土壤表面电位、电荷数量以及比表面积变化的根本原因。在本研究中，胡敏酸/富里酸比值与土壤表面电化学属性呈显著的正相关关系（表3），是影响土壤表面电化学性的另一重要因素（图2）。胡敏酸/富里酸比值是反应腐殖质品质的重要指标之一[28]，有机肥的投入可提高土壤胡敏酸/富里酸比值，有利于分子量较大且以杂环结构为特征的胡敏酸的积累，加速土壤腐殖化进程，使腐殖质内结构复杂化，增强有机质的稳定性[29]，从而对土壤表面电化学性质产生更为持久的影响。可见，腐殖质的结构特征与土壤表面电化学性质密切相关。同时，本研究发现腐殖质的E4/E6和ΔlgK值与各土壤表面电化学性质属性之间呈显著的负相关关系（表4），说明腐殖质的分子量越大，分子结构越复杂，对土壤表面电化学性质的影响越显著。土壤中多数腐殖质是与矿物表面的金属离子相互作用，形成“腐殖质-金属离子-矿物”复合体[14]。腐殖质的分子量可影响其与金属离子的作用效果，大分子量的腐殖质与土壤金属离子络合形成更为稳定的复合体[30-31]，从而对土壤表面电化学性质的影响更为持久。并且，腐殖质的分子量主要是由疏水键和氢键的决定[32]，而这些键能的强弱又受腐殖质表面的电化学性质的影响。可见，腐殖质的结构特征与土壤表面电化学存在密切的联系。
腐殖质含有大量的羧基、酚羟基、氨基等多种官能团[33]，并且不同分子量的腐殖质的官能团组成也有较大差异[34]。这些丰富的有机官能团可以与多种阴阳离子相互作用，进而调节土壤表面电化学性质[35-36]。对腐殖质-矿物复合体进行XPS扫描，结果发现有机肥处理（MF和MSF）中腐殖质-矿物复合体含有更丰富的C=O/C(O)N基团（图4），且与各表面电化学属性成显著的正相关关系（表4）。这可能是由于有机肥自身腐质化程度较高，腐解过程中释放更多富含芳香族的含氮有机基团，容易在土壤矿物中累积[37]。而富含氮素的有机基团可以与被固持在矿物表面的有机官能团通过共价键或者电子交换的方式相互吸附[38]。腐殖质的芳香族、脂肪族等化合物会产生含有大量羧酸、醌类的有机小分子，增加纳米颗粒的稳定性，去质子化后可以大量增加土壤颗粒表面的负电荷数量[39-40]。并且，腐殖质中的有机链存在芳香环之间相互作用，可以将有机链中未与土壤黏土矿物结合的部分约束起来，在土壤胶体表面形成稳固的有机层[41]，从而影响胶体表面的电化学性质。
4. 结 论
1）秸秆还田配施有机肥的措施可显著提高表面电荷数量、比表面积、表面电荷密度、表面电场强度以及表面电位，其值分别可达17.07 cmol/kg、67.02 m2/g、0.25 c/m2、5.12×108 V/m和−91.14 mV，这主要是因为有机肥和秸秆还田显著提高了土壤各组分有机碳含量（总有机碳、可溶性有机碳、颗粒有机碳以及矿物质结合态腐殖质、胡敏酸和富里酸），降低了土壤砂粒含量。
2）土壤矿物质结合态腐殖质对土壤表面电化学性质的影响效果最强。并且，腐殖质的光密度E4/E6和色调系数ΔlgK值以及C=O/C(O)N基团的含量与各土壤表面电化学性质属性呈显著的正相关关系，说明腐殖质化学特性与土壤表面电化学性质密切相关。研究结果阐释了长期施用有机肥、秸秆等有机物对土壤表面电化学的影响机理，对于耕地质量提升和健康土壤培育具有重要意义。
-
![]()
图 2 YOLOX-NGS的网络结构
注：Conv代表卷积块；BN代表批量归一化；Leaky Relu代表 Leaky Relu激活函数；Silu代表Silu激活函数；Sigmoid代表Sigmoid激活函数；Maxpool代表最大池化层；Up Sampling代表上采样；NAM代表归一化注意力模块；ResX代表该模块由X个残差块组成，例如，Res4代表由4个残差块组成的模块。
Figure 2. Network structure of YOLOX-NGS
Note：Conv represents convolutional blocks; BN represents batch normalization; Leaky Relu represents the Relu activation function; Silu represents the Silu activation function; Sigmoid represents the Sigmoid activation function; Maxpool represents the maximum pooling layer; Up Sampling represents up sampling; NAM stands for normalized attention module; ResX represents a module composed of X residual blocks, for example, Res4 represents a module composed of four residual blocks.
![]()
图 5 预测框与真实框并集图
注：A代表预测边框；B代表真实边框；U代表A和B的并集。
Figure 5. Union diagram of predicted box and real box
Note：A represents the predicted border; B represents the true border; U represents the union of A and B.
![]()
图 6 YOLOX和YOLOX-NAM检测结果比较
Figure 6. Comparison of detection results of YOLOX and YOLOX-NAM
![]()
图 7 YOLOX和YOLOX-GIoU检测结果比较
Figure 7. Comparison of detection results of YOLOX and YOLOX-GIoU
![]()
图 8 YOLOX和YOLOX-NGS检测结果比较
Figure 8. Comparison of detection results of YOLOX and YOLOX-NGS
表 1 攻击行为定义
Table 1 Definition of aggressive behavior
攻击种类
Type of
aggressive攻击行为名称
Name of
aggressive behavior行为描述
Behavior description撕咬
Bite咬耳朵 撕咬另外一只猪只的耳朵 咬尾 撕咬另外一只猪只的尾巴 咬身体 撕咬另外一只猪只的身体部位，
包含嘴部，颈部撞击 Knock 头对头撞击 猪只用头部撞击另一只猪的头部 头对身撞击 猪只用头部撞击另一只猪的身体部位 
下载: 导出CSV
表 2 不同模型的试验结果对比
Table 2 Comparison of experimental results with different models
% 模型
Model准确率
Precision召回率
RecallF1值
F1-Score平均精度
Average precision(AP)SSD 65.55 75.73 70.27 82.62 CenterNet 82.29 76.70 79.40 85.48 YOLOv4 85.87 76.70 81.03 88.54 YOLOv5 91.11 79.61 84.97 89.66 YOLOX 86.46 80.58 83.42 90.77
下载: 导出CSV
表 3 不同注意力模块的试验结果
Table 3 The test result of different attention module
% 模型
Model准确率
Precision召回率
RecallF1值
F1-Score平均精度
APYOLOX 86.46 80.58 83.42 90.77 YOLOX-SE 81.08 87.38 84.11 90.61 YOLOX-BAM 85.44 85.44 85.44 91.00 YOLOX-CBAM 89.36 81.55 85.28 91.12 YOLOX-NAM 87.50 88.35 87.92 93.27
下载: 导出CSV
表 4 不同损失函数的试验结果
Table 4 The test result of different IoU Loss
% 模型
Model准确率
Precision召回率
RecallF1值
F1-Score平均精度
APYOLOX 86.46 80.58 83.42 90.77 YOLOX-CIoU 84.26 88.35 86.26 91.07 YOLOX-DIoU 87.88 84.47 86.14 92.00 YOLOX-EIoU 83.19 91.26 87.04 91.98 YOLOX-GIoU 84.91 87.38 86.13 92.89
下载: 导出CSV
表 5 消融试验结果
Table 5 Results of ablation experiment
模型
Model改进策略 Improvement strategy 准确率
Precision/
%召回率
Recall/
%F1值
F1-Score/
%平均精度
AP/%参数量
Parameters/
MBNAM SPPF GIoU YOLOX - - - 86.46 80.58 83.42 90.77 34.35 √ - - 87.50 88.35 87.92 93.27 34.76 - √ - 88.00 85.44 86.70 91.75 34.22 - - √ 84.91 87.38 86.13 92.89 34.33 √ √ - 81.90 92.23 86.76 93.77 34.57 √ - √ 88.07 93.20 90.56 94.24 34.74 - √ √ 80.00 93.20 86.10 93.53 34.29 √ √ √ 95.05 93.20 94.12 97.57 34.58
下载: 导出CSV
表 6 不同攻击活动比例和攻击行为比例阈值组合下的猪只攻击行为识别结果
Table 6 Results of attack behavior of pigs under different proportion of attack activities (PAA) and proportion of attack behavior (PAB) threshold combinations
PAA阈值 PAB阈值 精准率 准确率 召回率 PAA threshold PAB threshold Accuracy/% Precision/% Recall/% 0.1 0.3 84.99 87.00 84.47 0.4 85.08 87.13 85.44 0.5 92.46 97.85 88.35 0.2 0.3 97.57 95.05 93.20 0.4 98.55 95.00 92.23 0.5 96.76 95.96 92.23 0.3 0.3 95.32 96.94 92.23 0.4 92.46 97.85 88.35 0.5 90.50 95.50 85.00
下载: 导出CSV
-
[1] 叶建伟,薛亚辉,王明宇,等. 行为自动检测技术在生猪健康和福利方面的研究进展[J]. 家畜生态学报,2019,40(10):8-13,7. YE Jianwei, XUE Yahui, WANG Mingyu, et al. Research progress on automatic pig behavior detection technology in animal health and welfare[J]. Acta Ecologiae Animalis Demastici, 2019, 40(10): 8-13,7. (in Chinese with English abstract)
[2] 贺稚非,余思洁,李洪军,等. 非洲猪瘟病毒生物学特性及在猪肉生产中的防控措施研究[J]. 农业工程学报,2019,35(10):299-304. HE Zhifei, YU Sijie, LI Hongjun, et al. Biological characteristics of African swine fever virus and its prevention and control measures in pork food production[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(10): 299-304. (in Chinese with English abstract)
[3] VIAZZI S, ISMAYILOVA G, OCZAK M, et al. Image feature extraction for classification of aggressive interactions among pigs[J]. Computers and Electronics in Agriculture, 2014, 104: 57-62.
[4] OCZAK M, VIAZZI S, ISMAYILOVA G, et al. Classification of aggressive behaviour in pigs by activity index and multilayer feed forward neural network[J]. Biosystems Engineering, 2014, 119(4): 89-97.
[5] JONGUK L, LONG J, DAIHEE P, et al. Automatic recognition of aggressive behavior in pigs using a kinect depth sensor[J]. Sensors, 2016, 16(5): 631. doi: 10.3390/s16050631
[6] CHEN C, ZHU W, MA C, et al. Image motion feature extraction for recognition of aggressive behaviors among group-housed pigs[J]. Computers and Electronics in Agriculture, 2017, 142: 380-387. doi: 10.1016/j.compag.2017.09.013
[7] 肖德琴,曾瑞麟,周敏,等. 基于DH-YoloX的群养马岗鹅关键行为监测[J]. 农业工程学报,2023,39(2):142-149. XIAO Deqin, ZENG Ruilin, ZHOU Min, et al. Monitoring the vital behavior of Magang geese raised in flocks based on DH-YoloX[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(2): 142-149. (in Chinese with English abstract)
[8] 黄志杰,徐爱俊,周素茵,等. 融合重参数化和注意力机制的猪脸关键点检测方法[J]. 农业工程学报,2023,39(12):141-149. HUANG Zhijie, XU Aijun, ZHOU Suyin, et al. Key point detection method for pig face fusing reparameterization and attention mechanisms[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(12): 141-149. (in Chinese with English abstract)
[9] 齐咏生,焦杰,鲍腾飞,等. 基于自适应注意力机制的复杂场景下牛脸检测算法[J]. 农业工程学报,2023,39(14):173-183. QI Yongsheng, JIAO Jie, BAO Tengfei, et al. Cattle face detection algorithm in complex scenes using adaptive attention mechanism[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(14): 173-183. (in Chinese with English abstract)
[10] YANG Q M, XIAO D Q, LIN S C. Feeding behavior recognition for group-housed pigs with the Faster R-CNN[J]. Computers and Electronics in Agriculture, 2018, 144: 453-460.
[11] YANG A, HUANG H, ZHENG C, et al.High-accuracy image segmentation for lactating sows using a fully convolutional network[J]. Biosystems Engineering, 2018, 76: 36-47. doi: 10.1016/j.biosystemseng.2018.10.005
[12] 杨秋妹,肖德琴,张根兴.猪只饮水行为机器视觉自动识别[J]. 农业机械学报,2018,49(6):232-238. YANG Qiumei, XIAO Deqin, ZHANG Genxing.Automatic pig drinking behavior recognition with machine vision[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(6): 232-238. (in Chinese with English abstract)
[13] 李菊霞,李艳文,牛帆,等.基于YOLOv4的猪只饮食行为检测方法[J]. 农业机械学报,2021,52(3):251-256. LI Juxia, LI Yanwen, NIU Fan, et al.A method for detecting dietary behavior in pigs based on YOLOv4[J]. Transactions of the Chinese Society for Agricultural Machinery, 2021, 52(3): 251-256. (in Chinese with English abstract)
[14] 高云,陈斌,廖慧敏,等.群养猪侵略性行为的深度学习识别方法[J]. 农业工程学报,2019,35(23):192-200. GAO Yun, CHEN Bin, LIAO Huimin, et al. Recognition method for aggressive behavior of group pigs based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(23): 192-200. (in Chinese with English abstract)
[15] ZHENG C, ZHU X M, YANG X F, et al. Automatic recognition of lactating sow postures from depth images by deep learning detector[J]. Computers and Electronics in Agriculture, 2018, 147:51-63.
[16] 薛月菊,朱勋沐,郑婵,等. 基于改进Faster R-CNN识别深度视频图像哺乳母猪姿态[J]. 农业工程学报,2018,34(9):189-196. XUE Yueju, ZHU Xunmu, ZHENG Chan, et al.Lactating sow postures recognition from depth image of videos based on improved Faster R-CNN[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(9): 189-196. (in Chinese with English abstract)
[17] 房俊龙,胡宇航,戴百生,等. 采用改进CenterNet模型检测群养生猪目标[J]. 农业工程学报,2021,37(16):136-144. FANG Junlong, HU Yuhang, DAI Baisheng, et al. Detection of group-housed pigs based on improved CenterNet model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 136-144. (in Chinese with English abstract)
[18] 曾繁国,朱君,王海峰,等. 改进帧间差分-深度学习识别群养猪只典型行为[J]. 农业工程学报,2022,38(15):170-178. ZENG Fanguo, ZHU Jun, WANG Haifeng, et al. Typical behavior recognition of herd pigs based on improved frame difference and deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 170-178. (in Chinese with English abstract)
[19] LIU Y, SHAO Z, TENG Y, et al. NAM: Normalization-based attention module[EB/OL]. (2021-11-24)[2022-12-15]. https://arxiv.org/abs/2111.12419.
[20] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2018, 42(2): 318-327.
[21] HAMID R, NATHAN T, JUNYOUNG G, et al. Generalized intersection over union: A metric and a loss for bounding box[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, April 1-9, 2019, Los Angeles, America: IEEE, 2019: 658-666.
[22] LIU W, ANGUELOV D, ERHAN D, et al. Ssd: Single shot multibox detector[C]//European Conference on Computer Vision, October 8-16, 2016, University of Amsterdam, Amsterdam: ECCV, 2016: 21-37.
[23] DUAN K, BAI S, XIE L, et al. Centernet: Keypoint triplets for object detection[C].Proceedings of the IEEE/CVF Conference onComputer Vision and Pattern Recognition, April 1-9, 2019, Los Angeles, America: IEEE, 2019: 6569-6578.
[24] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: Optimal speed and accuracy of object detection[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, June 14-19, 2020, Seattle, USA: IEEE, 2020: 1-17.
[25] ZHANG K, WANG C, YU X, et al. Research on mine vehicle tracking and detection technology based on YOLOv5[J]. Systems Science & Control Engineering, 2022, 10(1): 347-366.
[26] GE Z, LIU S, WANG F, et al. Yolox: Exceeding yolo series in 2021[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, June 19-25, 2021, Virtual: IEEE, 2021:1-7.
计量
- 文章访问数: 249
- HTML全文浏览量: 31
- PDF下载量: 104
