基于三型模糊逻辑的自动化检测系统，用于评估牛群中苍蝇侵害的程度

《Computers and Electronics in Agriculture》：Automated detection system based on type-3 fuzzy logic for evaluating fly infestation level in cattle

　　**研究人员**
José L. Rodríguez-álvarez | Jorge L. García-Alcaraz | José R. Díaz-Reza | Ingrid I. Burgos-Espinoza | Iván González-Lazalde | María Q. Galván-Ismael

**所属机构**
管理工程系，TecNM/洛斯利亚诺斯地区，Gpe. Victoria，杜兰戈州 34700，墨西哥

**摘要**
牛虻（Haematobia irritans）的侵扰是养牛业中长期面临的挑战，它影响动物福利、生产力及经济的可持续性。尽管计算机视觉技术的最新发展为自动检测和计数蚊虫提供了可能，但将这些结果转化为可靠的侵扰程度评估仍是一个未解决的问题，尤其是在存在不确定性和主观解释的情况下。本研究提出了一个集成框架，通过结合基于深度学习的视觉模型和第三类模糊逻辑系统（T3FLS）来自动评估牛虻侵扰情况，以实现不确定性意识的、可解释的评估结果。该系统采用You Only Look Once版本11（YOLOv11）在真实环境中进行动物分割和小蚊虫检测。从检测结果中提出了三个互补的描述指标：蚊虫密度、数量和空间覆盖范围。这些指标通过稳健的经验参考值进行标准化，并作为输入输入到Mamdani类型的T3FLS中，该系统能够明确处理由检测噪声、环境变化和模糊侵扰边界引起的不确定性。模糊系统输出一个介于[0, 1]范围内的连续侵扰指数，并提供语言分类（低、中、高）。实验验证使用了150张图像，并由三名专家进行了评估。比较结果显示，第三类模糊模型明显优于低阶模糊模型，在准确率、宏观F1分数和Cohen’s kappa系数方面分别达到了0.905、0.891和0.854，表明其与专家评估结果高度一致。该框架将自动蚊虫评估提升到了一个更全面的、考虑不确定性的水平，为畜牧业管理提供了稳健且实用的决策支持工具。

**引言**
生态寄生虫的侵扰是全球畜牧业面临的持续挑战，对动物健康、福利和经济可持续性有着重要影响（Taylor等人，2012年）。在这些寄生虫中，牛虻（Haematobia irritans）是对牛最具危害性的害虫之一，因为它们几乎在整个成年期间都寄生在动物身上，并且每天多次吸血（Psota等人，2021年）。高侵扰水平与行为压力、饲料效率下降、体重增长减缓、产奶量减少以及病原体传播风险增加有关，最终导致生产者遭受重大经济损失（Ren?ínová等人，2021年）。因此，有效的监测和及时干预是养牛业综合害虫管理策略的关键组成部分（Domingues等人，2021年）。

**控制牛虻的决策**
通常依赖于估计侵扰强度并将其与既定的经济阈值进行比较（Warner等人，2023年）。传统上，这种估计由受过培训的人员通过直接视觉检查或手动从数字图像中计数蚊虫来完成。尽管这些方法被广泛使用，但它们存在许多固有的局限性，包括主观性、观察者间和观察者内的差异、高劳动力成本以及在大规模畜群中的可扩展性有限（Psota等人，2021年）。此外，视觉评估往往难以捕捉蚊虫在动物身体上的空间分布不均匀性，从而导致对侵扰程度的评估不一致或偏见（Shen等人，2025年）。

**计算机视觉和深度学习的进步**
近年来，计算机视觉和深度学习的进步为精准畜牧业中的自动监测开辟了新机遇（Ma等人，2024年）。卷积神经网络（CNN），特别是如You Only Look Once（YOLO）这样的目标检测架构，在不同环境条件下识别动物、身体部位和外部特征方面表现出色（Han等人，2023年）。这些方法相比传统方法具有明显优势，能够快速、客观且可重复地分析大量图像数据。多项研究成功地应用深度学习技术通过高分辨率图像检测害虫或估计牛身上的蚊虫数量，其性能可与人类观察者相当或更可靠（Psota等人，2021年；Venkateswara和Padmanabhan，2025年）。

**现有系统的局限性**
然而，大多数现有的自动蚊虫检测系统主要关注计数准确性或图像内的蚊虫定位，隐含地假设所得数值可以直接用于决策（Psota等人，2021年）。实际上，侵扰评估不仅仅是计数问题。在实践中，蚊虫数量的解释受到多种不确定性的影响，包括图像质量、遮挡、光照条件、蚊虫聚集、身体区域差异以及经济阈值的主观性（Chen等人，2025年）。因此，仅基于蚊虫计数的严格或明确的决策规则可能无法充分捕捉现实畜牧业监测场景中的不确定性（Brocklehurst等人，2025年）。

**模糊逻辑的应用**
为应对这些挑战，最初由Zadeh（1965年）提出的模糊逻辑逐渐被用作农业和生物系统中处理不精确性和不确定性的稳健框架（Jiang等人，2022年）。与传统二进制或基于阈值的方法不同，模糊推理系统可以将定量测量转化为语言概念，从而实现更灵活且可供人类解释的决策（Rodríguez-álvarez等人，2026年）。第一类和第二类模糊系统在农业中有广泛应用，包括作物管理和产量预测的决策（Kumar等人，2024年）、不确定性建模（Castillo & Melin，2008年）以及资源受限的调度（Knyazeva等人，2018年）。然而，当不确定性不仅来自数据变化，还来自专家知识和语言规则定义的模糊性时，这些方法可能仍然存在局限性（Castillo等人，2023年）。

**第三代模糊逻辑系统（T3FS）**
最近，第三代模糊逻辑系统（T3FS）作为模糊逻辑的高级扩展出现，增强了处理高阶不确定性的能力。通过引入额外的隶属函数和推理机制的自由度，T3FS提供了比低阶模糊模型更稳健的不确定性表示（Miramontes等人，2025年），特别适用于精准畜牧业中复杂且不可避免的决策问题。将基于深度学习的蚊虫检测与模糊推理框架相结合，为更可靠和可操作的侵扰评估提供了途径。这种混合方法不仅依赖于原始的蚊虫数量，还结合了空间密度测量和热图信息以及不确定性意识的推理，从而更贴近专家判断和实际决策过程（Psota等人，2021年）。这种整合能够更细致地解释牛虻的侵扰情况，超越简单的数值阈值，进行全面评估，考虑生物数据的固有模糊性和专家知识。

**研究目标**
本研究的目标是开发一个自动化的、非侵入性的系统，通过将最先进的深度学习检测模型与第三类模糊推理系统相结合，来评估牛身上的牛虻侵扰程度。该框架首先使用You Only Look Once（YOLO）版本11（YOLOv11）模型在高分辨率图像中检测牛虻，并生成密度、相对数量和空间覆盖范围等定量指标。这些指标随后作为输入输入到模糊推理系统中，将侵扰程度分类为低、中、高等语言类别，明确考虑了测量和解释中的不确定性。该框架在真实环境中使用专家标记的数据进行了验证，以评估其性能和可解释性。

**主要贡献**
- 开发了一种用于牛图像中牛虻检测和空间密度估计的自动化计算机视觉流程；
- 将基于热图的定量描述指标与第三类模糊推理系统集成，用于侵扰分类；
- 提出了一个能够明确处理蚊虫侵扰评估中不确定性的稳健决策框架。

**论文结构**
第2节介绍文献综述，第3节介绍方法论，第4节展示结果（包括图形用户界面方案），第5节讨论结果，第6节提出结论和未来研究展望。

**数据集与图像采集**
本研究使用的数据集是在墨西哥杜兰戈州Guadalupe Victoria的一个农场采集的牛的数字图像，旨在捕捉畜牧业环境中存在的自然变化。图像采集在户外进行，动物在自然光线下观察，并遵循典型管理实践。数据集包括动物姿势、方向、背景复杂性的变化以及蚊虫分布的差异。

**算法1：第三类模糊推理过程**
1. 输入：标准化描述指标D（密度）、C（数量）、S（空间覆盖范围）
2. 初始化：z切片层次zk和扰动参数δk（k=1,?,K）
3. 对每个z切片k执行以下操作：
3.1. 使用δk构建上下隶属函数
3.2. 将输入D、C、S模糊化为区间隶属度μk(D)、μk(C)、μk(S)
3.3. 使用Mamdani推理（AND：最小值，OR：最大值）评估规则库
3.4. 汇总规则输出得到μk(I)
3.5. 使用重心方法对μk(I)进行去模糊化，得到明确输出Ik
4. 汇总各切片的输出：I=∑k=1

**数据集和实验设置**
本研究使用的图像是在真实畜牧业管理条件下采集的，反映了农场环境中常见的变化。图像捕捉直接在牛的处理区域内进行，没有控制照明或标准化背景，导致光照、动物姿势、相机距离、部分遮挡和背景复杂性的自然变化。这种设置旨在确保分割和...

**关键发现的解释**
早期关于自动牛虻评估的研究表明，使用计算机视觉和深度学习可以检测和计数牛身上的牛虻，从而减少与人工视觉检查相关的主观性和劳动力。特别是Psota等人（2021年）提出了一种两阶段视觉框架，结合了牛分割和蚊虫检测，证明了神经网络可以实现与人类注释者相当且可重复的蚊虫计数。

**结论**
本研究提出了一个集成的、考虑不确定性的自动化框架，用于评估牛身上的牛虻侵扰情况，结合了基于深度学习的视觉模型和第三类模糊推理系统。该方法综合考虑了蚊虫密度、绝对数量和空间覆盖范围，实现了对侵扰程度更全面和可解释的表征。

**作者贡献声明**
José L. Rodríguez-álvarez：撰写——原始草稿、方法论制定、调查、数据分析
Jorge L. García-Alcaraz：撰写——审稿与编辑、验证、监督
José R. Díaz-Reza：验证、概念化
Ingrid I. Burgos-Espinoza：验证、概念化
Iván González-Lazalde：验证
María Q. Galván-Ismael：验证

**利益声明**
作者声明没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

**致谢**
本研究得到了科学、人文、技术及创新秘书处（SECIHTI）根据José L. Rodríguez-álvarez的博士后项目协议I1200/320/2022的支持。

**AI辅助技术**
在准备本文的过程中，作者使用了ChatGPT和Grammarly来提高文本的清晰度、语法和可读性。使用这些工具/服务后，作者根据需要对内容进行了审查和编辑。