CN114155377A - 基于人工智能和生长周期分析的禽类自适应喂食方法 - Google Patents

Abstract

本发明涉及基于人工智能和生长周期分析的禽类自适应喂食方法，其主要是通过获取目标区域内的目标的图像数据，提取图像数据的轮廓关键点特征，并结合对图像数据中的目标的分割，能够确定每个目标的轮廓的关键点信息，从而确定目标的平均形状轮廓；同时计算据分割后的目标与喂食区域的交并比，来判断目标是否发生了进食动作，若发生进食动作，则根据该目标的轮廓信息与平均形状轮廓的偏差，来计算目标的啄食次数，进而按照设定的喂食规则，确定不同时间的目标喂食量；即本发明能够计算出目标区域内所有目标在不同时间内的啄食量，实现禽类的自适应喂食。

Description

基于人工智能和生长周期分析的禽类自适应喂食方法

技术领域

本发明涉及禽类智能喂养领域，具体涉及一种基于人工智能和生长周期分析的禽类自适应喂食方法。

背景技术

家禽是指人工豢养的鸟类动物，一般为雉科和鸭科动物，如常见的鸡、鸭、鹅等，或其他的鸟类如火鸡、鸽等。其中家禽养殖作为畜牧业的一种形式，是我国畜牧中不可或缺的重要组成部分。

对于在饲养家禽的过程中，现有的科学饲养，是根据家禽不同的生长阶段，按饲养标准配置日粮，少添勤加，保证饲料新鲜。但是其仍是根据人们的经验知识和主观判断为家禽配置相应的口粮，然而由于每个家禽的长势都不一致，加上人为、主观判断的不准确，导致每日的配量经常多余或者缺失不够。特别是当家禽长到一定程度后，最常见的喂养方式便是不限量的自由饲喂，这使得饲养的家禽容易出现健康问题，比如，家禽中最常见的鸡，其在超量饲喂会直接导致鸡的子宫结构异常，产蛋期蛋白质差，脱肛鸡多，还会在后续大大提高鸡产生众多疾病的风险。

发明内容

本发明的目的在于提供一种基于人工智能和生长周期分析的禽类自适应喂食方法，用于解决现有不能合理、准确地进行禽类动物喂养，导致禽类动物出现健康的问题。

为了解决上述问题，本发明采用以下技术方案：

一种基于人工智能和生长周期分析的禽类自适应喂食方法，包括以下步骤：

步骤1，获取目标区域内所有目标的图像数据；

步骤2，利用关键点网络模型，提取采集的图像数据的轮廓关键点特征，其中的轮廓关键点特征包括目标的头部关键点和身体边缘关键点；

步骤3，利用实例分割网络对图像数据进行分割，获取分割后的目标，并根据获取的轮廓关键点特征，确定每个目标的轮廓的关键点信息；

步骤4，根据各目标的轮廓的关键点信息，计算目标的平均形状轮廓；

其中，各目标的平均形状轮廓，具体计算如下：

其中，N代表目标的数量，x_i为第i个目标的平均轮廓；

步骤5，计算步骤2中的分割后的目标与喂食区域的交并比，当交并比大于0时，判断所述分割后的目标的关键点特征，是否在相交的区域内，若在，确定该目标发生进食动作，计算该目标的轮廓与目标的平均形状轮廓之间的偏差，并对所述偏差进行聚类分析，确定不同时刻下的目标的啄食次数；

步骤6，根据不同时刻下目标的啄食次数，按照设定的喂食规则，确定不同时间的目标喂食量。

进一步地，所述设定的喂食规则为：

1)建立笛卡尔直角坐标系，其中横坐标为对应的时间序列，x₁表示第一分钟，x_j表示第j分钟；纵坐标代表单位分钟内目标的啄食次数；以一分钟为基本单位，统计每分钟对应的目标的啄食次数，得到时间与啄食次数的坐标点；

2)根据获取的坐标点，计算啄食次数的平均值；

3)随机选取一个坐标点作为中心点，对该中心点进行扩充，扩充的步长为t分钟，判断以中心点为中心的近邻的t分钟内的坐标点的纵坐标是否大于平均值，若大于，则累计个数，当累计的个数大于设定个数时，则以中心点为中心的近邻的t分钟内的坐标点聚为一类；以此类推，获取所有坐标点的类别和类别对应的中心点；

4)计算各类别对应的次数的平均值，进而计算相邻两个类别的平均值，判断该平均值是否大于啄食次数的平均值，若大于，则将相邻的两个类别归于一类；反之，则无需归类，最终得到优化的类别，其中优化的类别包含啄食次数；

5)根据生长周期的喂食次数，选取优化的类别中满足生长周期的喂食次数的类别对应的初始时间点，计算投喂量，并进行自适应定点投喂。

进一步地，所述投喂量为：

其中，

为当日得到的目标的平均轮廓形状；

为历史设定时间内得到的目标的平均形状的平均值；ε为历史设定时间内的平均投喂量。

进一步地，计算目标的平均形状轮廓的方法，包括以下步骤：

(1)任选其中一个目标的轮廓的关键信息作为第一参考轮廓，将其他剩余的目标依次与该目标的轮廓的关键信息进行相似变换，获取各目标的相似轮廓；

其中，相似变换的变换矩阵为：

其中，x、y为轮廓的关键信息的坐标点，s是缩放尺度，当s＝1时，为正向，s＝-1，为逆向；当取s＝1，则变换形式可以简化为：

其中，R是旋转矩阵；t是平移矢量；

(2)计算各相似轮廓的关键点特征的权重，并获取各相似轮廓组合后的权重矩阵w_i；

其中，关键点特征k所占的权重为：

其中，

为关键点特征k和k之外的其他关键点特征之间的距离的方差和；

(3)根据各相似轮廓的权重矩阵w_i，计算各原始轮廓与对应的各相似轮廓的加权和；

其中，

其中，设第i个目标的轮廓特征记为向量x_i＝(x_i1,x_i2,x_i3…x_i20),该轮廓经过相似变换的旋转、尺度缩放和平移后得到

S_i为x_i映射到

时对应的加权和；

(4)根据其他各相似轮廓以及各相似轮廓的加权和S_i，计算平均轮廓；

(5)以平均轮廓作为第二参考轮廓，按照步骤1)-3)，继续和所有的原始轮廓作相似变换，迭代多次，直到第n次的参考轮廓与该次的平均轮廓相等，停止迭代，则第n次的平均轮廓即为目标的平均形状轮廓。

进一步地，统计目标啄食次数的方法为：

步骤a，计算各进食图像中目标的原始轮廓和得到的目标的平均轮廓之间的偏差；

步骤b，运用均值聚类算法将所述偏差进行进食动作分析，确定鸡的啄食动作次数，其中进食动作包括鸡进食的低头状态和抬头状态，将鸡进食的低头状态记为一次啄食动作；

步骤c，统计各时段下图像数据内目标进行啄食动作的次数，并计算平均值，作为目标在低头状态下的啄食频率f，结合时间，计算各目标的啄食次数。

本发明的有益效果为：

本发明通过获取设定区域内的目标的图像数据，并利用关键点网络模型提取图像数据的轮廓关键点特征，并结合对图像数据中的目标的分割，能够确定每个目标的轮廓的关键点信息，从而确定目标的平均形状轮廓；同时计算据分割后的目标与喂食区域的交并比，来判断目标是否发生了进食动作，若发生进食动作，则根据该目标的轮廓信息与平均形状轮廓的偏差，来计算目标的啄食次数，进而按照设定的喂食规则，确定不同时间的目标喂食量；即本发明通过人工智能网络将关键点特征的提取与目标分割的结合，能够快速地获取目标的平均形状轮廓，并依据目标的平均形状轮廓，进行目标的啄食次数的计算，进而能够计算出目标区域内所有目标在不同时间内的啄食量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍：

图1是本发明的基于人工智能和生长周期分析的禽类自适应喂食方法实施例的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行介绍。

本发明提出一种基于人工智能和生长周期分析的禽类自适应喂食方法，其是通过检测禽类的关键点特征，并根据关键点特征结合实例分割网络中对各只鸡进行单独划分，接着进行轮廓匹配后进行相似变换，获取禽类的平均形状轮廓，并对进食动作下的目标的轮廓和平均形状轮廓的偏差值进行均值聚类，确定每日目标区域内每个目标的进食次数，然后通过设定的喂食规则来达到最终的按需按时定点定量分配的目的。

具体地，以家禽中常见的鸡为例，对本发明的基于人工智能和生长周期分析的禽类自适应喂食方法进行详细介绍，如图1所示，该自适应喂食方法，包括如下步骤：

步骤1，获取鸡舍内所有鸡的图像数据；

本实施例中，通过在鸡舍上方装载RGB相机，采集相应的图像数据作为数据源。

其中，数据集需为对应参数范围相机拍摄的鸡的图像，其中主要是鸡的自上而下正视视角或斜视视角下的轮廓图像。图像数据中可以全为鸡，也可以有部分背景。其中随机选择数据集的80％作为训练集，剩余的20％作为验证集。

步骤2，利用关键点网络模型，提取采集的图像数据的轮廓关键点特征，其中的轮廓关键点特征包括鸡的喙尖、上鸡冠、下鸡冠、鸡头顶、鸡脖子和多个鸡身边缘特征点；

本实施例中事先对训练集进行关键点特征的标注，即先在数据图像同等大小的单通道上标注出目标对应的位置点，而后使用高斯核进行处理，使其形成关键点热斑，为关键点标签；然后利用关键点标签进行关键点网络模型的训练，得到训练好的关键点网络模型。

其中网络模型的损失函数采用均方差损失函数。

步骤3，利用实例分割网络对图像数据进行分割，获取分割后的目标，并根据获取的轮廓关键点特征，确定每个目标的轮廓的关键点信息；

本发明中对多只鸡的实例分割通过Mask R-CNN网络实现，其具体训练过程为：

1)将采集到的含有多只鸡的图像作为训练数据集，对数据集进行标注，其中分别对每只鸡标注不同的标签，属于同一只鸡的各区域标签则一致。随机选择数据集的80％作为训练集，剩余的20％作为验证集。

2)将输入的图像送入到特征提取网络中得到特征图，然后对特征图的每一个像素位置设定固定个数的ROI，然后将ROI区域送入PRN网络中进行二分类以及坐标回归，以获得优化的ROI区域。

3)对获得的ROI区域执行ROIAlign操作，划分均匀大小的子图像块，并，将原始图像数据和特征图的像素一一对应，并将特征图和子图像块进行一一对应，最后对这些ROI区域进行多类别分类，候选框回归和引入FCN生成Mask，完成分割任务。

需要说明的是，由于本发明中需要对鸡舍内每只鸡的轮廓进行分析，因此需要将采集的原始图像数据送入实例分割网络中进行多只鸡的分割。

而在实例分割过程中，由于存在多只鸡的相互遮挡，因此，在一幅图像数据中很难得到每只鸡的整体轮廓信息，因此，作为进一步的实施方式，本发明还可以通过对每只鸡设置不同的物理标签和全天候的视频拍摄得到每只鸡的完整轮廓信息，首先，将鸡舍内的每只鸡都打上标签；

其中，标签上标记的方法可以是打翅标、给鸡身作不同颜色或不同记号的标记等方式。

其次，根据标签，对采集图像数据进行分类，确定每只鸡轮廓上的所有关键点，得到各目标的轮廓的关键点信息。

本发明中的图像数据，是采集的一天内不同时刻的多帧图像，取100帧，确保每只鸡轮廓上的所有关键点均被获取到，否则继续选取不同时间点的100帧图像进行关键点获取；由于相机拍摄时存在视角的远近情况，因此最后对得到的所有关键点，计算各关键点对应的均值，并以各关键点的均值作为各鸡轮廓的对应关键点。

步骤4，根据各只鸡的轮廓的关键点信息，计算目标的平均形状轮廓；

其中，各只鸡的平均形状轮廓，具体计算式如下：

其中，N代表鸡舍内鸡的数量，取15，x_i为第i只鸡的平均轮廓。

上述步骤中，计算鸡的平均形状轮廓的具体方法，如下：

1)任选其中一只鸡的轮廓的关键信息作为第一参考轮廓，将其他剩余的目标依次与该目标的轮廓的关键信息进行相似变换，获取各鸡的相似轮廓；

其中，相似变换的变换矩阵为：

其中，x、y为轮廓的关键信息的坐标点，s是缩放尺度，当s＝1时，为正向，s＝-1，为逆向；当取s＝1，则变换形式可以简化为：

其中，R是旋转矩阵；t是平移矢量。

2)计算各相似轮廓的关键点特征的权重，并获取各相似轮廓组合后的权重矩阵w_i；

其中，关键点特征k所占的权重为：

其中，

为关键点特征k和k之外的其他关键点特征之间的距离的方差和。

3)根据各相似轮廓的权重矩阵w_i，计算各原始轮廓与对应的各相似轮廓的加权和；

其中，

其中，设第i只鸡的轮廓特征记为向量x_i＝(x_i1,x_i2,x_i3…x_i20),该轮廓经过相似变换的旋转、尺度缩放和平移后得到

S_i为x_i映射到

时对应的加权和；

需要说明的是，x_i表示的是形状轮廓，其实际上包含了20个关键点的集合。

本实施例中的w_i表示该轮廓内所有关键点的权重矩阵，权重越大，则表示该关键点相对于其他点的稳定性越好。

4)根据其他各相似轮廓以及各相似轮廓的加权和S_i，计算平均轮廓；

5)以平均轮廓作为第二参考轮廓，按照步骤1)-3)，继续和所有的原始轮廓作相似变换，迭代多次，直到第n次的参考轮廓与该次的平均轮廓相等，停止迭代，则第n次的平均轮廓即为鸡的平均形状轮廓。

步骤5，计算步骤2中的分割后的鸡的图像与喂食区域的交并比，当交并比大于0时，判断所述分割后的鸡的关键点特征，是否在相交的区域内，若在，确定该鸡发生进食动作，计算该鸡的轮廓与鸡的平均形状轮廓之间的偏差，并对所述偏差进行聚类分析，确定不同时刻下的鸡的啄食次数；

本实施例中是通过对食槽区域人为划定ROI，在得到的视频帧中选取200幅图像，计算经实例分割后每幅图像中鸡的分割图与ROI区域的面积交并比，其中只保留与ROI区域交并比不为0的鸡轮廓，在保留的图像中，继续遍历鸡的分割图与ROI区域相交的区域内，是否含有所标注的鸡头及鸡脖上的五个关键点；对于该五个关键点少于三个的图像继续进行滤除，反之则进行保留。

需要说明的是，在获取到鸡在食槽区域的进食图像，然而鸡在食槽边不一定一直是进食状态，可能只是站在食槽区域进行其他行为；另外，鸡在进食的时候需要不断的进行啄食动作，此时可能在脖子及头部低下去的姿态下只有头部进行小幅度的上下摆动，加上各鸡之间的相互遮挡，导致在监控视频中不能有效捕捉到鸡进食的动作或者存在误判的情况发生，因此本发明中在统计鸡的啄食次数过程中需首先解决上述问题，从而采用以下方法：

步骤a，计算各进食图像中鸡的轮廓和得到的鸡的平均轮廓之间的偏差；

本实施例中，对于每一个形状，可以求得其与平均形状之间的偏差

值得说明的是，由于鸡的相互遮挡，因此本发明中仅对经上述步骤中滤除后至少保留有鸡头鸡脖上至少三个关键点的图像进行偏差操作，且偏差只计算鸡头鸡脖上各个关键点的平均值；

步骤b，运用均值聚类算法将所述偏差进行进食动作分析，确定鸡的啄食动作次数，其中进食动作包括鸡进食的低头状态和抬头状态，将鸡进食的低头状态记为一次啄食动作。

本实施例中，由于鸡进食的动作只可能存在于低头状态中，因此对抬头状态的数据进行滤除，只保留低头状态的数据。

本实施例中，为了减少鸡相互遮挡带来的计算误差，本发明选取其中鸡头鸡脖上五个关键点均被相机采集到的鸡进行啄食动作判断；

具体的是，选取全天不同的n个时段，本发明中取n＝20，每个时段为一分钟，包含有鸡头以及颈部的五个关键点的图像数据，并统计各关键点y坐标值；再次使用均值聚类算法，将各关键点根据y坐标值分为两类，其中y坐标值较高的一类属于鸡低头啄食过程中的轻抬头动作，较低的一类属于鸡的啄食动作。

本实施例中的均值聚类算法属于公知技术，因此本发明中不再详细描述；步骤c，统计各时段下图像数据内鸡进行啄食动作的次数，并计算平均值，作为鸡在低头状态下的啄食频率f，结合时间，计算各鸡的啄食次数。

最后以此频率根据被遮挡处各鸡的低头时长对其进食次数进行估算，如啄食频率为20次/分，某只鸡的低头时长为0.5min，则在此时间段内该鸡的啄食次数为20×0.5＝10次。

步骤6，根据不同时刻下目标的啄食次数，按照设定的喂食规则，确定不同时间的目标喂食量；

其中的设定的喂食规则为：

1)建立笛卡尔直角坐标系，其中横坐标为对应的时间序列，x₁表示第一分钟，x_j表示第j分钟；纵坐标代表单位分钟内鸡的啄食次数；以一分钟为基本单位，统计每分钟对应的目标的啄食次数，得到时间与啄食次数的坐标点；

需要说明的是，本发明中共有720个对应的单位为分钟的时间段，即x轴最大值坐标为x₇₂₀。

2)根据获取的坐标点，计算啄食次数的平均值；

作为其他实施方式，在得到的坐标点中，根据啄食次数进行排序，排除啄食次数最多和最少的前20％，计算中间60％坐标点啄食次数的平均值

3)随机选取一个坐标点作为中心点，对该中心点进行扩充，扩充的步长为t分钟，判断以中心点为中心的近邻的t分钟内的坐标点的纵坐标是否大于平均值，若大于，则累计，当累计的个数大于设定个数时，则以中心点为中心的近邻的t分钟内的坐标点聚为一类；以此类推，获取所有坐标点的类别和类别对应的中心点；其中的设定个数可以取4或者5，也可以按照实际需求进行设置；

4)计算各类别对应的次数的平均值，进而计算相邻两个类别的平均值，判断该平均值是否大于啄食次数的平均值，若大于，则将相邻的两个类别归于一类；反之，则无需归类，最终得到优化的类别，其中优化的类别包含啄食次数；

5)根据生长周期的喂食次数，选取优化的类别中满足生长周期的喂食次数的类别对应的初始时间点，并进行自适应定点投喂。

本实施例中，生长周期的喂食次数为o，各类对应初始时间点投喂量的标准按照当前类别数据点个数占前o类总数据点的个数比例进行分配。其中总投喂量的增加比例为三天更新一次，新增加投喂量a，由下式计算得到：

其中，

为当日得到的鸡的平均轮廓形状；

为最近三天得到的鸡的平均形状的平均值；ε为最近三天的平均投喂量。

至此，可根据鸡的生长周期进行自适应的喂食次数和喂食量分配。

上述设定的喂食规则，是为了对每日早六点至晚六点时间段内鸡的啄食数量进行有效划分从而进行自适应喂食，也即从时域的角度出发进行聚类，其更关注的是横坐标上的时间，然后再根据喂食次数的大小进行时间上的聚类，而传统的聚类算法基本都是对空间中的点数据进行聚类处理，其并不能满足本发明中的一系列时间点数据的聚类。

需要说明的是，尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (5)

1.一种基于人工智能和生长周期分析的禽类自适应喂食方法，其特征在于，包括以下步骤：

步骤1，获取目标区域内所有目标的图像数据；

步骤2，利用关键点网络模型，提取采集的图像数据的轮廓关键点特征，其中的轮廓关键点特征包括目标的头部关键点和身体边缘关键点；

步骤3，利用实例分割网络对图像数据进行分割，获取分割后的目标，并根据获取的轮廓关键点特征，确定每个目标的轮廓的关键点信息；

步骤4，根据各目标的轮廓的关键点信息，计算目标的平均形状轮廓；

其中，各目标的平均形状轮廓，具体计算如下：

其中，N代表目标的数量，x_i为第i个目标的平均轮廓；

步骤5，计算步骤2中的分割后的目标与喂食区域的交并比，当交并比大于0时，判断所述分割后的目标的关键点特征，是否在相交的区域内，若在，确定该目标发生进食动作，计算该目标的轮廓与目标的平均形状轮廓之间的偏差，并对所述偏差进行聚类分析，确定不同时刻下的目标的啄食次数；

步骤6，根据不同时刻下目标的啄食次数，按照设定的喂食规则，确定不同时间的目标喂食量。

2.根据权利要求1所述的基于人工智能和生长周期分析的禽类自适应喂食方法，其特征在于，所述设定的喂食规则为：

1)建立笛卡尔直角坐标系，其中横坐标为对应的时间序列，x₁表示第一分钟，x_j表示第j分钟；纵坐标代表单位分钟内目标的啄食次数；以一分钟为基本单位，统计每分钟对应的目标的啄食次数，得到时间与啄食次数的坐标点；

2)根据获取的坐标点，计算啄食次数的平均值；

3)随机选取一个坐标点作为中心点，对该中心点进行扩充，扩充的步长为t分钟，判断以中心点为中心的近邻的t分钟内的坐标点的纵坐标是否大于平均值，若大于，则累计个数，当累计的个数大于设定个数时，则以中心点为中心的近邻的t分钟内的坐标点聚为一类；以此类推，获取所有坐标点的类别和类别对应的中心点；

4)计算各类别对应的次数的平均值，进而计算相邻两个类别的平均值，判断该平均值是否大于啄食次数的平均值，若大于，则将相邻的两个类别归于一类；反之，则无需归类，最终得到优化的类别，其中优化的类别包含啄食次数；

5)根据生长周期的喂食次数，选取优化的类别中满足生长周期的喂食次数的类别对应的初始时间点，计算投喂量，并进行自适应定点投喂。

3.根据权利要求2所述的基于人工智能和生长周期分析的禽类自适应喂食方法，其特征在于，所述投喂量为：

其中，

为当日得到的目标的平均轮廓形状；

为历史设定时间内得到的目标的平均形状的平均值；ε为历史设定时间内的平均投喂量。

4.根据权利要求1所述的基于人工智能和生长周期分析的禽类自适应喂食方法，其特征在于，计算目标的平均形状轮廓的方法，包括以下步骤：

(1)任选其中一个目标的轮廓的关键信息作为第一参考轮廓，将其他剩余的目标依次与该目标的轮廓的关键信息进行相似变换，获取各目标的相似轮廓；

其中，相似变换的变换矩阵为：

其中，x、y为轮廓的关键信息的坐标点，s是缩放尺度，当s＝1时，为正向，s＝-1，为逆向；当取s＝1，则变换形式可以简化为：

其中，R是旋转矩阵；t是平移矢量；

(2)计算各相似轮廓的关键点特征的权重，并获取各相似轮廓组合后的权重矩阵w_i；

其中，关键点特征k所占的权重为：

其中，

为关键点特征k和k之外的其他关键点特征之间的距离的方差和；

(3)根据各相似轮廓的权重矩阵w_i，计算各原始轮廓与对应的各相似轮廓的加权和；

其中，

其中，设第i个目标的轮廓特征记为向量x_i＝(x_i1,x_i2,x_i3…x_i20),该轮廓经过相似变换的旋转、尺度缩放和平移后得到

S_i为x_i映射到

时对应的加权和；

(4)根据其他各相似轮廓以及各相似轮廓的加权和S_i，计算平均轮廓；

(5)以平均轮廓作为第二参考轮廓，按照步骤1)-3)，继续和所有的原始轮廓作相似变换，迭代多次，直到第n次的参考轮廓与该次的平均轮廓相等，停止迭代，则第n次的平均轮廓即为目标的平均形状轮廓。

5.根据权利要求1所述的基于人工智能和生长周期分析的禽类自适应喂食方法，其特征在于，统计目标啄食次数的方法为：

步骤a，计算各进食图像中目标的原始轮廓和得到的目标的平均轮廓之间的偏差；

步骤b，运用均值聚类算法将所述偏差进行进食动作分析，确定鸡的啄食动作次数，其中进食动作包括鸡进食的低头状态和抬头状态，将鸡进食的低头状态记为一次啄食动作；

步骤c，统计各时段下图像数据内目标进行啄食动作的次数，并计算平均值，作为目标在低头状态下的啄食频率f，结合时间，计算各目标的啄食次数。

Images