《Smart Agricultural Technology》：Automatic On-Farm Detection of Mastitis in Raw Cow Milk Using Optical Spectroscopy and Edge Artificial Intelligence
编辑推荐：
为解决奶牛乳腺炎传统检测方法耗时、主观且依赖实验室设备的问题，研究人员开展了一项集成光学光谱传感与边缘人工智能技术的便携式设备研发。该研究利用18通道（410-940 nm）光谱分析结合ESP32微控制器上的KNN算法，成功实现了对生鲜乳的实时、无创诊断，现场验证准确率达87.27%，为现场快速、客观的乳腺炎监测提供了一种可扩展的新方案。
在全球奶牛养殖业中，乳腺炎作为一种高发的细菌性疾病，不仅严重威胁奶牛健康，更造成巨大的经济损失。每年因牛奶产量下降、治疗成本及废弃牛奶导致的损失高达数百亿欧元。更棘手的是，乳腺炎可分为临床型与亚临床型，后者症状不明显却同样影响奶质，是牧场管理中的“隐形杀手”。当前，牧场主们依赖的现场快速筛查方法主要是加利福尼亚乳腺炎试验(CMT)，这种方法需要操作者肉眼观察试剂与牛奶混合后的凝胶形成程度，主观性强，易受环境光线和操作者经验影响，结果不稳定。而作为“金标准”的实验室检测方法，如基于流式细胞术的Fossomatic?体细胞计数仪，虽然准确，但设备昂贵、需专业人员操作，且样品需送往实验室，无法满足现场即时决策的需求。因此，开发一种能够在牧场现场快速、准确、客观地检测乳腺炎的技术，成为产业迫切的需求。
近期，人工智能与传感技术的融合为这一难题带来了曙光。一些研究尝试将光谱分析与机器学习结合，但多数系统仍依赖于云端或高性能计算机进行数据处理，限制了其在无网络牧场环境下的即时应用。正是在这样的背景下，来自泰国清迈大学的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，他们成功开发出一款集成了多波长光学光谱与边缘人工智能(Edge AI)的便携式设备，能够直接在奶牛场对生鲜乳进行实时、无损的乳腺炎检测。
研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，他们设计并构建了一套便携式硬件系统，其核心是覆盖紫外(UV)、可见光到近红外(NIR)的18个离散波长（410-940 nm）的Triad光谱传感器(AS7265x)和ESP32微控制器。其次，他们设计了专用的黑色PLA材料芯片式样品容器，以确保光谱测量的稳定性和可重复性。在数据分析方面，研究使用了基于曼哈顿距离的K最近邻(KNN)机器学习算法进行模型开发与分类。研究的样本队列来源于泰国清迈大学动物科学与水产养殖系的牧场以及当地奶牛合作社，共采集了173份生鲜乳样本，并以Fossomatic?测定的体细胞计数(SCC)作为“金标准”进行样本分类和模型验证。
数据集采集与预处理
研究人员从合作牧场共采集了123份生鲜乳样本用于模型开发。每份样本均通过Triad光谱传感器获取18通道光谱数据，并同步使用Fossomatic?仪器测定其体细胞计数(SCC)作为真值。基于SCC阈值，样本被分为两类：正常（SCC < 200,000 细胞/mL）和异常（SCC ≥ 200,000 细胞/mL）。通过计算每个类别在所有样本中18个通道光谱幅值的中位数，生成了代表“正常”和“异常”类别的两个中位数光谱向量，这极大地优化了后续边缘设备部署所需的存储和计算资源。
机器学习模型开发与性能评估
研究采用K最近邻(KNN)算法，以曼哈顿距离为相似性度量，开发分类模型。通过网格搜索确定最优邻居数k=5。研究人员对比了使用全部样本数据与仅使用中位数光谱数据训练的模型性能。结果表明，针对“正常/异常”的二分类任务，两种数据策略的模型在内部测试集上均取得了84%的整体准确率，且“正常”类的F1分数为87%，“异常”类为78%。鉴于性能相同，而中位数光谱模型所需存储和计算量极小，研究最终选择“二分类（中位数数据）”模型作为最优模型，以便部署到资源有限的ESP32微控制器上。
现场外部验证
为了验证部署模型的实际效能，研究团队在牧场现场对一个全新的、包含50份样本的独立数据集进行了测试。每份样本同时用三种方法分析：Fossomatic?（金标准）、部署了KNN中位数模型的便携式TSS设备、以及传统的CMT测试。结果表明，便携式TSS设备相对于Fossomatic?金标准的整体分类准确率达到87.27%（95%置信区间为[84.12, 90.42]），其中对正常样本的识别准确率为90.32%，对异常样本的识别准确率为84.21%。相比之下，传统CMT测试在相同样本集上的整体准确率仅为57.55%，尤其在识别异常样本时准确率低至47.36%，显著低于TSS设备。
结论与讨论
本研究成功地开发并验证了一种用于奶牛生鲜乳乳腺炎现场检测的便携式、边缘人工智能光谱系统。该系统的核心创新在于将低成本、宽光谱（UV-Vis-NIR, 410-940 nm）传感技术与轻量级KNN算法相结合，并实现在ESP32微控制器上的完全嵌入式部署，从而实现了无需云端连接、无需复杂样品前处理的实时、客观诊断。
研究结果具有多重重要意义。首先，在实践层面，该系统提供的87.27%的现场诊断准确率显著超越了传统CMT方法，其客观性消除了人为判断误差，为牧场主提供了接近实验室“金标准”可靠性的即时决策工具，有助于早期发现和干预乳腺炎，提升牛奶品质，减少经济损失。其次，在技术层面，研究证实了利用可见光区（410-680 nm）光谱信息进行乳腺炎检测的可行性，为开发更经济的光学传感方案提供了新思路。此外，所采用的“中位数光谱+KNN”边缘AI部署策略，为在资源受限的嵌入式设备上实现高效机器学习分类提供了可复用的范例。
当然，研究也存在一定的局限性，例如总样本量仍有扩大空间，模型在不同牛种、不同地域牧场中的普适性有待进一步验证。未来的工作可以集中于扩大和多样化样本数据集，以进一步增强模型的鲁棒性和泛化能力。尽管如此，这项研究无疑为智慧农业和动物健康管理领域贡献了一个具有高度应用潜力的创新解决方案，推动了无损、快速检测技术从实验室走向田间地头的进程。
