等等，那头猪还不想被吃！这个系统能读懂猪的6种情绪，读图3780张，成功率85%

要说这养猪啊，最近可是发展得红红火火。

2019年，文摘菌就发现了一个奇奇怪怪的招聘，根据主营生猪养殖的牧原食品股份有限公司发布的校招计划，公司针对复旦学子发起“精英管培生”引进计划，给出的薪资标准为：本科生首年月薪20000+，硕士22000+，博士24000+。

这养猪还需要高科技人才了？

还真是这样。

2018年，阿里就宣布，要开启“智能养猪”计划。每一头猪从出生起就要被打上数字ID标签，并围绕此建立起品种、体重、进食情况、运动频次、轨迹、免疫情况等资料在内的数据档案。

农场内的摄像头还会自动扫描这些数字ID，用来观察记录分析小猪的活动情况。通过计算机视觉技术，还能分析出一只猪一天能走多少步——那些运动不够的猪需要被赶出去继续操练。

阿里并非独一家把目光放到了养猪上的大厂。

今年2月，华为也宣布，将通过ICT技术帮助猪场实现智能化养猪，为猪场提供传感器、物联网技术及平台，以实现数字猪场。

但是，俗话说得好，你穿秋裤有两个原因，一个是因为你觉得冷，一个是因为你妈觉得你冷。

要把猪养好，不真正了解它们的心理想法可是不行的。

于是，荷兰瓦赫宁根大学的一位博士Suresh Neethirajan就做了这么一件事。首先，他收集到了全世界6个农场中成千上万头猪的养殖数据，随后他凭此创建了一个AI系统WUR Wolf，用于识别猪的情绪状态。

据了解，在85%的时间内，系统的判断都是准确的。

他希望能够利用这个系统，更好地了解动物的感受，帮助改善他们的生活条件和生活质量。

当然，除了猪以外，这个系统对牛也是适用的。

目前，该项研究已经以论文的形式进行了发表，链接如下：

论文链接：
https://www.biorxiv.org/content/10.1101/2021.04.09.439122v1.full.pdf

从耳朵识情绪，你养的猪感受到压力了吗？

论文指出，该系统使用的3780张图像，来自于235头猪和210头牛。

拿到视频或图像后，我们还需要对这些数据进行一些预处理，包括检测面部、面部对齐，以及输入标准化。

收集到的数据根据时间戳和RFID标签和标记进行了标注，面部提取利用到了MIT的LabelImg代码，用于标注不同模型边界框的注释是按照每个模型的标准格式进行的。

然后，我们就需要把农场动物的情绪进行分类，比如猪有6种情绪，牛有3种情绪等，再根据牛、猪的耳朵姿势、眼白等面部特征的相关性，将采集到的分组图像数据集分为9类，包括放松、警惕、兴奋等。

具体而言，如果牛的耳朵直立着，那代表着它目前可能正感到兴奋，但是如果它的耳朵指向前方，那它很有可能正被沮丧等负面情绪困扰着。

与牛类似，要了解猪的情绪状态，也可以直接从耳朵入手。比如，如果猪的耳朵在快速抽动，那表示它们可能正感到压力，如果猪的耳朵垂悬着并朝眼睛的方向翻转，则表明它正处于一种中性状态（neutral state）。

在接受采访时，Neethirajan博士说到：“有必要从单纯消除消极的情绪状态的做法，转变为向动物提供积极的状态，例如嬉戏的行为。”

他认为，这项技术需要数年时间才能真正在农场上实用，不过这种持续的监测所带来的福利，可能比目前的检查和审计系统所能带来的还要高。

论文中写道：“追踪和分析动物的情绪将成为建立动物福利审核工具的一项突破。”

“动物行为领域的技术进步是提高人类对与之共享这个世界的385种动物的理解的巨大一步，但未来仍有较大的发展空间。”

从面部表情理解情绪状况，能做到吗？

但要准确理解动物的情绪，真的这么简单吗？

去年12月，根据一篇发表于Nature的论文表示，世界不同角落的人们在面对生活中最有意义的情境时，表达情感的方式存在相当高的普遍性。

加州大学伯克利分校和谷歌的研究人员使用了一种 “深度神经网络” 的机器学习技术，分析了上传到YouTube上的约600万个视频片段中的面部表情，这些视频来自全球各地144个国家。

同时，研究人员还创建了一个在线互动地图，展示了该算法如何跟踪与16种情绪相关的面部表情变化。

在把面部表情与不同世界地区的背景和场景联系起来后，研究人员发现，跨越地理和文化边界的人们，在不同社会背景下使用面部表情的方式具有显著的相似性。

无论身处世界各地，这16种面部表情都会出现在类似的情境中。

研究结果表明， 我们用来表达情绪反应的70%的表情是跨文化共享的。

但是，人类毕竟是一种复杂的生物。

如今，我们日常使用的表情包已经不能代表我们内心真正所想，那表情呢？

心理学家Jessica Tracy和Disa Sauter认为，要理解面部表情，我们需要建立一个信息丰富的情感分类系统，不能把幸福（happiness）视为单一的情感。

研究人员应该对情感类别进行分解，幸福（happiness）项下涵盖了joy（愉悦）、pleasure（满足）、compassion（同情）、自豪（pride）等，每种情感的表情可能不同，可能重合。

俄亥俄州立大学哥伦布分校研究面部表情的教授Aleix Martinez表示，自动情绪检测只能揭示一类人一般的情绪反应。

例如，面向营销机构销售软件Affectiva声称，系统接受了来自87个国家700多万张面孔的训练，准确率达到了90%以上。公司还标榜到，该软件有助于预测某类客户对一个产品或营销活动的反应。

面部表达情绪存在差异，但当一个人某种情绪发作时，出现某些面部形态无疑会更加频繁。然而，出于对训练算法的数据的顾虑，以及学界尚存争论的事实，对于这类软件的功能性，或许我们最好保持着批判与质疑的态度。