《华南农业大学学报》2024年第5期电子宣传册翻页的电子书制作

畜禽机器人技术研究进展与未来展望…………肖德琴，黄一桂，熊悦淞，刘俊彬，谭祖杰，吕斯婷（624）

母猪精准养殖智能感知技术研究进展……………………刘龙申，柳荦，周杰，欧扬森，薛鸿翔（635）

基于视频分析的规模化奶牛智能监测技术研究进展

………………………………………………宋怀波，王云飞，邓洪兴，许兴时，温毓晨，张姝瑾（649）

肉牛智慧养殖技术研究进展………………………………………罗西尔，卢小龙，刘庆友，崔奎青（661）

畜舍养殖环境智能监控研究现状及展望

………………付晓，魏晓莉，严士超，戴百生，姜润杰，周建钊，张翼，王鑫杰，沈维政（672）

研究论文

基于EDEM的皮带式推料机器人推料仿真与试验研究

…………………………兰望娇，张希升，任建华，张姬，杨庆璐，于镇伟，田富洋，于素芳（685）

干湿料饲喂方式下商品猪生产和健康指标模型构建与比较

………………………………………………唐明凤，孙彬，胡彬，王浩，蒲施桦，龙定彪（694）

猪舍环境的多参数无模型自适应控制算法设计……………………………崔琼，刘勇，徐顺来（702）

基于多环境因素分析的猪舍温湿度预测模型

……………………………………朱佳明，孙彬，蒲施桦，潘学民，徐顺来，胡彬，齐仁立（709）

基于关键点检测和多目标跟踪的猪只体尺估计…………姚裔芃，徐晨，陈鸿基，刘勇，徐顺来（722）

基于欠定盲源分离和深度学习的生猪状态音频识别

……………………………………潘伟豪，盛卉子，王春宇，闫顺丕，周小波，辜丽川，焦俊（730）

基于3D卷积视频分析的猪步态评分方法……吴振邦，陈泽锴，田绪红，杨杰，尹令，张素敏（743）

基于Swin-Unet的奶牛饲料消耗状态监测方法…………………………………………张博，罗维平（754）

基于DNAzyme的荧光生物传感器快速检测金黄色葡萄球菌研究

……………………………………………木卡地斯·米吉提，王辉，潘东霞，申瑶，杨亮（764）

基于遥感的奶牛养殖场甲烷检测系统研发…………………………………李弘振，赵凯旋，赫永康（772）

基于视频和BCE-YOLO模型的奶牛采食行为检测

……………………………………张立印，张姬，杨庆璐，李玉道，于镇伟，田富洋，于素芳（782）

基于跨模态共享特征学习的夜间牛脸识别方法……………………许兴时，王云飞，邓红兴，宋怀波（793）

基于双目立体匹配与改进YOLOv8n-Pose关键点检测的奶牛体尺测量方法

………………………………………………………邓洪兴，许兴时，王云飞，张姝瑾，宋怀波（802）

本期执行主编：肖德琴，熊本海

本期策划：周志红

封面图片供稿：刘龙申

期刊基本参数：CN44*1110/S*1959*b*A4*188*zh*P*￥15.00*1000*18*2024-09

JOURNALOFSOUTHCHINAAGRICULTURALUNIVERSITY

Vol.45No.5Sept.2024

CONTENTS

Specialtopicon“Intelligentmanufacturingandsmartbreedinginanimalhusbandry”

Specialreview

Researchprogressonrobotictechnologyinthefieldoflivestockandpoultryfarming

…………………………………XIAODeqin,HUANGYigui,XIONGYuesong,LIUJunbin,TANZujie,LVSiting(624)

Researchprogressonprecisionbreedingandintelligentsensingtechnologiesforsows

………………………………………………LIULongshen,LIULuo,ZHOUJie,OUYangsen,XUEHongxiang(635)

Researchprogressofintelligentmonitoringtechnologyforlarge-scaledairycowsbasedonvideoanalysis

………………………SONGHuaibo,WANGYunfei,DENGHongxing,XUXingshi,WENYuchen,ZHANGShujin(649)

Researchprogressonintelligentfarmingtechniquesofbeefcattle……LUOXi’er,LUXiaolong,LIUQingyou,CUIKuiqing(661)

Statusandprospectofresearchonintelligentmonitoringofbreedingenvironmentinlivestockbarns

………………………………FUXiao,WEIXiaoli,YANShichao,DAIBaisheng,JIANGRunjie,ZHOUJianzhao,

ZHANGYi,WANGXinjie,SHENWeizheng(672)

Researchpaper

PushingsimulationandexperimentalresearchofbeltpusherrobotbasedonEDEM

……………………………………………………LANWangjiao,ZHANGXisheng,RENJianhua,ZHANGJi,

YANGQinglu,YUZhenwei,TIANFuyang,YUSufang(685)

Modellingandcomparisonofproductionandhealthindicatorsofcommercialpigsunderdryandwetfeeding

……………………………………TANGMingfeng,SUNBin,HUBin,WANGHao,PUShihua,LONGDingbiao(694)

Designofmulti-parametermodel-freeadaptivecontrolalgorithmforpighouseenvironment

……………………………………………………………………………CUIQiong,LIUYong,XUShunlai(702)

Predictionmodeloftemperatureandhumidityinpigbarnbasedonmulti-environmentalfactorsanalysis

…………………………………ZHUJiaming,SUNBin,PUShihua,PANXuemin,XUShunlai,HUBin,QIRenli(709)

Estimationofpigbodymeasurementsbasedonkeypointdetectionandmulti-objecttracking

……………………………………………………YAOYipeng,XUChen,CHENHongji,LIUYong,XUShunlai(722)

Pigstateaudiorecognitionbasedonunderdeterminedblindsourceseparationanddeeplearning

…………………PANWeihao,SHENGHuizi,WANGChunyu,YANShunpi,ZHOUXiaobo,GULichuan,JIAOJun(730)

Amethodforpiggaitscoringbasedon3Dconvolutionvideoanalysis

…………………………………WUZhenbang,CHENZekai,TIANXuhong,YANGJie,YINLing,ZHANGSumin(743)

FeedconsumptionstatusmonitoringmethodofdairycowsbasedonSwin-Unet………………ZHANGBo,LUOWeiping(754)

ResearchonrapiddetectionofStaphylococcusaureusbyfluorescentbiosensorbasedonDNAzyme

………………………………………MUKADDASMijit,WANGHui,PANDongxia,SHENYao,YANGLiang(764)

Developmentofmethanedetectionsystemfordairyfarmsbasedonremotesensing

……………………………………………………………………LIHongzhen,ZHAOKaixuan,HEYongkang(772)

DetectionofdairycowfeedingbehaviorbasedonvideoandBCE-YOLOmodel

………………………ZHANGLiyin,ZHANGJi,YANGQinglu,LIYudao,YUZhenwei,TIANFuyang,YUSufang(782)

Nighttimecattlefacerecognitionbasedoncross-modalsharedfeaturelearning

……………………………………………………XUXingshi,WANGYunfei,DENGHongxing,SONGHuaibo(793)

DairycowbodysizemeasurementmethodbasedonbinocularstereomatchingandimprovedYOLOv8n-Posekeypoint

detection……………………………DENGHongxing,XUXingshi,WANGYunfei,ZHANGShujin,SONGHuaibo(802)

肖德琴,黄一桂,熊悦淞,等.畜禽机器人技术研究进展与未来展望[J].华南农业大学学报,2024,45(5):624-634.

XIAODeqin,HUANGYigui,XIONGYuesong,etal.Researchprogressonrobotictechnologyinthefieldoflivestockandpoultryfarming[J].Journalof

SouthChinaAgriculturalUniversity,2024,45(5):624-634.

畜禽机器人技术研究进展与未来展望

肖德琴，黄一桂，熊悦淞，刘俊彬，谭祖杰，吕斯婷

(农业农村部华南热带智慧农业技术重点实验室/华南农业大学数学与信息学院,广东广州510642)

摘要:随着现代畜禽养殖业面临的挑战日益增加，包括提高生产效率、降低成本、确保动物福利以及应对环境变

畜禽养殖业自动化和智能化水平中具有重要作用。其中，饲喂机器人通过精准控制饲料投放，提高了饲喂效率

和养殖动物健康水平；清洁机器人能有效地管理畜牧环境，提升养殖场卫生条件；巡检机器人通过实时监测环境

和动物健康状况，优化了养殖管理；挤奶机器人则实现了奶牛养殖自动化，提高了生产效率。探讨了畜禽养殖机

器人技术面临的挑战与机遇，并对未来的发展趋势进行了展望。

关键词:机器人；畜禽养殖；智能化；发展前景

Researchprogressonrobotictechnologyinthefieldof

livestockandpoultryfarming

XIAODeqin,HUANGYigui,XIONGYuesong,LIUJunbin,TANZujie,LVSiting

(KeyLaboratoryofSmartAgriculturalTechnologyinTropicalSouthChina,MinistryofAgricultureandRuralAffairs/

CollegeofMathematicsandInformatics,SouthChinaAgriculturalUniversity,Guangzhou510642,China)

Abstract:Asthemodernlivestockandpoultryfarmingindustryfacesincreasingchallenges,including

improvingproductionefficiency,reducingcosts,ensuringanimalwelfare,andrespondingtoenvironmental

changes,theapplicationofrobotictechnologyhasbecomethekeytodrivingthetransformationofthisindustry.

Thisarticlereviewedtheresearchprogressofrobotictechnologyinthefieldoflivestockandpoultryfarming,

includingthecurrentstatusandtechnicalcharacteristicsofresearchonfeedingrobots,cleaningrobots,

inspectionrobots,milkingrobots,andotherrelatedareas.Therobotictechnologyplayedanimportantrolein

enhancingtheautomationandintelligencelevelofthelivestockandpoultryfarmingindustry.Amongthem,the

feedingrobotsimprovedthefeedingefficiencyandthehealthleveloffarmedanimalsthroughprecisecontrolof

feeddelivery,thecleaningrobotscouldeffectivelymanagethefarmingenvironmentandenhancethehygiene

conditionsoffarms,theinspectionrobotsoptimizedfarmingmanagementthroughreal-timemonitoringofthe

作者简介：肖德琴，教授，博士，主要从事动植物生产监测与管控、农业智能装备研究，E-mail:deqinx@scau.edu.cn

基金项目：国家重点研发计划(2021YFD200802)；广东省科技计划(2022B0202160010)；江苏省重点领域研发计划

(BE2022379)

华南农业大学学报JournalofSouthChinaAgriculturalUniversity2024,45(5):624-634DOI:10.7671/j.issn.1001-411X.202404055

environmentandanimalhealthcondition,themilkingrobotsachievedautomationindairyfarmingandimproved

theproductionefficiency.Thechallengeandopportunityofrobotictechnologyinlivestockandpoultryfarming

werediscussed,andthefuturedevelopmenttrendandprospectwereproposed.

Keywords:Robot;Livestockandpoultryfarming;Intelligentization;Developmentprospect

畜禽养殖业在中国农业中占据着重要地位，虽

然中国是全球最大的生猪养殖国和第2大肉鸡养

殖国，但是中国畜禽养殖的效益与先进国家之间还

存在显著的差异，这种差异主要源于养殖技术和养

殖成本[1]。其主要矛盾是当前我国主流的传统畜禽

养殖模式在满足日益增长的食物需求方面遇到了

瓶颈，如何提高生产效率、降低成本、确保动物福利

以及应对环境变化已成为行业亟需解决的问

题[2-3]。为了缩小中国和世界养殖水平的差距，提高

竞争力，中国政府在《“十四五”推进农业农村现

代化规划》中强调了发展现代化畜牧业的重要性，

提出了提高规模养殖场及设施农业机械化水平的

目标，并启动了新一轮生猪标准化规模养殖提升行

动。这些措施旨在通过设施设备改造，推动养殖场

在养殖饲喂、动物防疫以及粪污处理等方面的现

代化。

养殖机器人作为重要的养殖装备，结合了人工

智能、物联网、大数据分析等现代信息技术，通过自

动化和智能化手段改革传统养殖方式，实现了对畜

禽饲养过程的优化管理。畜禽养殖机器人技术对提

高养殖技术和降低养殖成本起关键作用。在此背景

下，畜禽养殖机器人技术作为推动现代农业转型的

关键力量，不仅能够提高生产效率，减少人力需求，

还能通过精准监控和数据分析，提升养殖环境质量

和动物健康水平，最终实现可持续发展的农业生产

模式。为了更充分地促进本项技术的交流与发展，

本文在功能分类上综述畜禽养殖机器人的发展现

状、技术特点、应用领域以及面临的挑战与机遇，为

进一步推动技术进步和行业发展提供参考。

1畜禽机器人技术研究进展

畜禽养殖机器人按照功能进行分类，主要有饲

喂、清洁、巡检、挤奶等机器人。不同机器人在畜禽

养殖领域的现状和不足如表1所示。

表1不同机器人在畜禽养殖领域的现状与不足

Table1Thecurrentstatusandinsufficiencyofdifferentrobotsinthelivestockfarmingindustry

类型

Type

研究现状

Researchstatus

存在不足

Insufficient

发展趋势

Developmenttrend

饲喂机器人

Feedingrobot

已有部分畜禽养殖场采用商用的饲

喂机器人，利用非接触式身份识别

和物联网技术能够准确识别畜禽个

体并实现定量饲喂

部分饲喂机器人系统精度尚需提

高，特别是在复杂环境下的饲喂

精度有待提升

未来发展将侧重于提高机器人的

智能化水平，包括更精准的识别

和更灵活的饲喂策略，以适应不

同畜禽品种和生长阶段的需求

清洁机器人

Cleaningrobot

目前，在畜禽养殖场的清洁领域，

尤其是禽舍清洁方面，尚处于研发

和试验阶段，部分养殖场试验了移

动式清洁机器人，但应用有限

移动清洁机器人在复杂的养殖场

环境中可能遇到导航困难和清洁

效率低下等问题；此外，机器人

的清洁范围和适应性仍需改进

未来发展将注重提高机器人的机

动性和自主性，包括更智能的导

航系统和更高效的清洁装置，以

实现全面自动化的清洁任务

巡检机器人

Inspectionrobot

部分畜禽养殖场开始引入巡检机器

人，这些机器人能够监测环境参

数、畜禽健康状态和设备运行情

况，提高了养殖管理的效率

目前，一些巡检机器人功能较为

单一，监测精度和范围有待提

高，特别是在大规模养殖场中的

适应性较差

未来发展趋势将包括多传感器融

合、机器学习等技术的应用，以

实现更全面精准的监测和管理，

提高养殖场智能化水平

挤奶机器人

MilkRobot

挤奶机器人已在奶牛养殖场得到广

泛应用，这些机器人能够自动完成

挤奶任务，提高了挤奶效率和生产

水平

挤奶机器人的维护和管理需要较

高的技术水平和成本投入，有些

养殖场可能难以承担

未来趋势将注重降低挤奶机器人

的成本、提高可靠性，推动其在

不同规模养殖场中的应用

剪毛、分拣等

其他机器人

Otherrobotssuchas

shearingandsorting

尚未有大规模商业应用，但在剪

毛、分拣等领域有研究机构和公司

机器人在剪毛、分拣等领域的适

应性和通用性尚待提高，尤其是

针对不同畜禽品种和养殖场景的

需求

未来发展将聚焦于加强与养殖场

实际需求的对接，提升机器人的

智能化水平和适应性，拓展其在

畜禽养殖中的应用场景

625肖德琴，等：畜禽机器人技术研究进展与未来展望第5期

1.1饲喂机器人

传统畜禽养殖模式中，营养物质供应主要依赖

于人工操作方式进行有机物的直接投放，该方法在

营养管理的精细化调控方面存在较大的局限性，导

致难以实现饲料摄入量的精确控制。随着现代化畜

牧业生产体系的发展，自动化饲喂机器人在规模化

养殖实践中被广泛应用，对提升生产效能及动物生

活品质起到了积极的推动作用。自动化饲喂技术领

域内的创新突破为畜牧业领域带来了根本性改变。

朱军等[4]研发的种猪专用自动精准饲喂系统成功实

现了投喂误差率控制在2%以内；牧原食品股份有

限公司采纳的高效自动化饲喂装置实现了0.9t/h

的饲料投送效能；荷兰Lely公司推出的LelyJuno

自动推料机结合了超声波测距与蓝牙通讯技术，显

著优化了饲料推送的作业效率，图1展示了该机器

的作业场景。饲喂机器人的发展不仅提升了饲喂作

业精度与效率，也彰显了自动化饲喂技术在现代畜

牧业中的巨大发展潜力。然而，这些先进技术的广

泛应用受制于其高昂的投资成本和复杂的操作，尤

其对于规模较小的农户而言，初期高昂的资金投入

可能构成采纳这类先进技术的障碍。

图1LelyJuno自动推料机

Fig.1LelyJunoautomaticfeedpusher

在现代化技术的驱动下，饲喂机器人的创新性

融合为行业带来了向高端技术迈进的新动力，孕育

出针对特定市场细分的一系列创新成果。例如，

Nedap公司推出的针对特定猪种的自动饲喂设备，

利用精确的进食数据分析，实现了对猪只饲喂的精

细管理[5]。法国ACEMO公司开发的种猪测定系

统，其算法能够在群养环境中控制每个个体的采食

行为[6]。如图2所示，爱尔兰Dairymaster公司研发

的站位式饲喂系统，通过独立的饲喂单元运作，不

仅可以准确测量每头奶牛的进食量，还能详细记录

饲喂信息，显著提高了饲料的利用率。郭伟豪等[7]

设计的羊只专用饲喂机器人控制系统，依托先进的

传感器数据采集技术，实现了触摸屏的本地操作和

移动终端的远程监控，进一步优化了羊只饲喂机器

人的运行和出料状态的实时监管。倪志江等[8]设计

的基于RFID技术和单片机控制的奶牛个体精确饲

喂装置，为奶牛提供了个性化的精准饲料配给方

案。然而，这些系统的广泛部署面临着对动物健康

监测数据的高度依赖和复杂的数据处理流程的挑

战，随着精度要求的提升，系统的复杂性和成本也

相应增加。

在智能识别与自动化饲喂技术领域，赵清来

等[9]通过巧妙运用单片机技术，开发了双侧双螺旋

投料装置，该设计显著提升了奶牛个体饲喂的效率

与精度。杨存志等[10]研究的FR-200型奶牛精准饲

喂机器人融合了自动定位与生物识别技术，实现了

对奶牛的精确识别及定向饲喂，进一步推动了精准

农业的发展。耿丽微等[11]构建的基于RFID技术的

奶牛身份识别系统，通过电子标签为奶牛的远程识

别与管理提供了一个高效的解决方案。这些技术的

研发和应用，虽然还面临着提升识别准确性、增强

系统对多变农场环境的适应力以及扩大技术普及

率与用户接受度等挑战，但无疑为农业自动化领域

带来了巨大的潜力。

为了克服现有饲喂机器人在成本、复杂性和适

应性方面的局限性，学者们引入了新的研究成果和

设计理念。谢艳等[12]基于TRIZ理论对奶牛饲喂机

器人进行了优化设计；孙芊芊等[13]研究了一种低噪

声操作的智能饲喂机器人，这些创新不仅提高了操

作效率，还改善了工作环境。贺刚等[14]设计的犊牛

饲喂信息系统，通过可视化管理全过程数据，结合

改进的Logistic回归算法预测犊牛的给奶量，实现

了自动化精确饲喂，确保了犊牛的健康成长(图3)。

朱立学等[15]利用深度学习和视觉技术，开发了适合

笼养环境的肉鸽精准饲喂机器人，优化了鸽舍内的

自动饲喂流程。张帆等[16]的设计则使羊只饲喂机

器人能够根据实际需要调整饲喂路径，实现自动或

遥控饲喂。这些研究不仅展示了科技在农业领域的

应用潜力，也为未来的农业自动化和智能化奠定了

坚实的基础[17]。尽管这些技术取得了显著的改进，

图2站位式饲喂机器人

Fig.2Stationaryfeedingrobot

但仍面临着平衡新技术的成本效益、减少对现有饲

与农场现行操作间的无缝对接等挑战。

1.2清洁机器人

随着全球对可持续发展理念和生态保护意识

的深入理解，粪便处理作为畜牧业环境管理体系中

的关键环节，其技术创新和解决策略的发展轨迹日

益成为该领域科研和技术创新的焦点。1994年，

Vinyard[18]提出的机械化粪便处理设计方案标志着

该领域的初步尝试，这也是早期粪便处理技术的探

索。图4展示了其中一种早期粪便处理设备的结

构。尽管这些方案在提高处理效率方面取得了一定

的进步，但仍然面临清理力度有限，以及无法有效

区分粪便和其他非目标物质(如沙粒和碎石等)的

技术难题。这类初级机械设备主要依赖于人工操

作，在操作效率和人工成本控制方面存在根本性缺

陷，催生了对更高度自动化解决方案的迫切需求。

图4早期粪便处理装备结构图

Fig.4Thestructurediagramofearlyfecaltreatment

equipment

随着科技的不断进步，李许杰等[19]研制了一种

可以在平养鸡舍内实现粪污表层破碎、收集装袋和

地面清扫等功能的自走式清粪装袋一体机，如

图5所示。Cubero等[20]的研究成果以及和丹麦

Washpower公司开发的自主导航式猪舍清理机器

人，充分展示了自动化和无人操作清洁技术在实际

场景中的巨大发展空间。刘磊[21]针对当前猪舍环

境中缺乏智能型粪便清理设备的问题，设计了一种

猪舍专用清洁机器人，采用了具有一定弹性的铲形

头部，设计灵感来自除雪车的铲形结构和机车减震

系统。这些技术的进步降低了人力成本，提高了清

洁作业的效率，同时，扩大了其在更广泛环境下的

应用潜力，例如在沙漠地区进行粪便回收作业。尽

管这一技术发展阶段在自动化水平和操作效能上

实现了质的飞跃，但仍面临许多挑战，包括系统实

施的高昂成本、维护操作的复杂性以及对多变环境

适应能力的需求等[22]。

随着人工智能和机器学习技术的发展，集成单

片机、激光雷达和SLAM(同步定位与地图构建)算

法的先进智能化清洁机器人技术得以实现。罗土玉

等[23]设计的猪舍清粪机器人以工控机为上位机，

STM32为底层控制器，结合激光雷达传感器、超声

波传感器和红外传感器，通过ROS系统对算法进

行改进，实现了机器人自动建图、路径规划和回充，

并以机器人带动刮粪板进行刮粪(图6)。王士涛

等[24]开发的高压吹气式清洁机器人可以在光伏组

件表面行走且清洁。尧李慧等[25]针对清洁机器人

在执行清扫任务时可能遇到的障碍物和路径全覆

盖问题，对机器人的动力学系统和外观构造进行了

深入研究和设计，实施了牛舍内的全面清洁作业。

杨存志等[26]研发了一款可远程操控的自主行走智

能清洁机器人，该机器人利用超声波测距技术和陀

图3犊牛饲喂信息系统

Fig.3Calffeedinginformationsystem

123456789

a：右侧视图b：左侧视图

a:Viewontherightsideb:Viewontheleftside

1：破碎机构；2：收拢机构；3：提升机构；4：清扫机构；5：汽油机；

6：扶手；7：变速箱；8：行走轮；9：机架

1:Crushingmechanism;2:Collectingmechanism;3:Liftingmechanism;

4:Sweepingmechanism;5:Gasolineengine;6:Handrail;7:Gearbox;

8:Travelingwheel;9:Frame

图5平养鸡舍粪污清收装袋一体机

Fig.5Theintegratedmachineofmanurecollectionand

bagginginflatchickencoop

图6猪舍清粪机器人

Fig.6Themanurecleaningrobotinpigsty

627肖德琴，等：畜禽机器人技术研究进展与未来展望第5期

螺仪进行定位，可以高精度测定前进的距离和方

向，其控制系统能够根据分析结果指令机器人按照

预设路径进行智能避障等操作。侯云涛等[27]提出

了一种适用于动态环境中机器人运动规划的、基于

行为策略的路径规划方法。这些机器人能够自主避

障、自动充电和加水，并实时完成粪污清理的任务，

展现了智能化技术在粪便清理领域广阔的应用潜

力。技术的突破不仅对初期的自动化技术进行了有

效补充与完善，也代表了粪便处理技术朝着更高效

率、更环保的方向发展[28]。

1.3巡检机器人

在现代畜牧业和家禽产业中，智能巡检机器人

展示了其在提升生产效率、监控健康状况和环境质

量方面的巨大潜力。这些机器人的引入标志着行业

正在向自动化和智能化管理的转变。环境监测与管

理是巡检机器人应用的基础。Qi等[29]探讨了畜禽

舍内的环境监测与预测技术，基于检测设备和无线

传感器技术，可以实时监控畜舍的温湿度、气体浓

度等关键环境参数，为提升动物福利和生产效率提

供了数据支持。赵文文等[30]设计了猪舍消杀巡检

机器人系统，该系统可以完成地图构建、自动导航

和猪只体温的检测，记录异常猪只的热红外图像及

圈舍所在位置，在疫情期间为猪舍巡检消杀的少人

化(无人化)作业提供了技术装备(图7)。刁亚萍[31]

开发了一套无线传感网络监测系统代替人工测量，

结合计算流体力学模拟猪舍内部环境分布，对有效

获取猪舍内部环境参数和掌握猪舍内部环境分布

规律具有重要意义。龙长江等[32]搭建了移动式智

能监测平台，通过无线定位系统超宽带(Ultrawide

band，UWB)和集成传感器对畜禽养殖场内环境进

行监测，利用带图像传输功能的摄像头和红外测温

装置实时监控畜禽状态。这一过程的主要挑战在于

如何有效处理和分析大量的环境数据，以做出快速

准确的调整。

随着环境条件的持续优化，自动化收集和计数

技术的应用成为提高农场生产效率的关键。Chang

等[33]提出了一种智能移动机器人(捡蛋机器人)，用

于自由放养的家禽农场收集鸡蛋，如图8所示。赵

与计数，通过轻量级网络YOLOv7-tiny-DO实现了

高精度目标识别和数量统计。Geffen等[35]利用

FasterR-CNN网络实现笼养模式下母鸡的识别和

计数。Jiang等[36]通过改进YOLOv7网络实现了实

时监控麻鸭数量。这些技术直接关联到农场的经济

效益，其面临的挑战在于提高算法的鲁棒性，以适

应多变的光照和遮挡条件。

1

45

2

6

3

1：底盘框架；2：拾蛋机构；3：分蛋装置；4：存蛋箱；5：集蛋通道；

6：控制箱

1:Classisframe;2:Egg-pickingmechanism;3:Egg-sortingdevice;

4:Eggstoragetank;5:Eggcollectionchannel;6:Controlbox

图8捡蛋机器人

Fig.8Eggpickingrobot

健康管理和维护构成了智能巡检机器人应用

的高级阶段，直接关系到动物福利和农场的可持续

发展。连京华等[37]开发的智能巡检机器人集成多

种传感器，实现了对家禽健康状况的综合监测。白

云港等[38]设计的无线充电模块为机器人提供了长

琴等[39-40]针对规模化生猪养殖过程中难以及时获取

猪只体温的问题，设计了基于红外技术的生猪体温

巡检系统，实现了对设施猪场生猪体温的快速监测

(图9)。杨柳等[41]开发和设计基于物联网的山猪体

温测量系统，可以及时掌握山猪体温信息，通过采

取隔离措施避免群体性感染。这些应用面临的主要

挑战在于如何整合来自不同传感器的数据，实现高

效的数据分析和问题预警。

综上所述，环境监测、自动化收集与计数、健康

图7消毒巡检机器人

Fig.7Disinfectioninspectionrobot

管理与维护三大类别的应用不仅彰显了巡检机器

人在畜牧业和家禽产业中的重要作用，也揭示了在

技术适应性、成本效益、数据处理能力和用户接受

度等方面共同面临的挑战[42]。随着技术的不断进步

和成本的降低，智能巡检机器人将在畜牧业和家禽

产业中发挥更大的作用，推动产业向着更高效的方

向前进[43]。

1.4挤奶机器人

自动挤奶机器人的发展标志着农业机械化的

一个新阶段。从Mike等在1986年提出的自动挤奶

系统概念[44]

，到后续几十年技术的不断进步和完

善，自动挤奶机器人的出现显著提升了挤奶的效率

和卫生标准。2021年瑞典利拉伐公司开发的世界

首台转台式机器自动挤奶机器人(Automatic

milkingrobot，AMR)由5个机械臂共同完成挤奶作

业，有效降低了工人的劳动强度[45]。John等[46]对新

型转盘式挤奶系统的研究表明，增加乳头清洗步骤

可以有效提高挤奶效率。洛阳拓博尔铁路设备有限

公司研发的挤奶机器人配备了双目立体视觉系统，

能够自动完成清洗、套杯、脱杯等挤奶流程，并对奶

牛身体状况进行分析[47]。刘俊杰等[48]设计的挤奶机

器人适应了中国奶牛的体态特征，实现了全自动挤

奶，提高了挤奶效率。杨存志等[49]针对单体式挤奶

机器人机械臂的重力和倾覆力矩问题，设计了单体

式全自动智能挤奶机器人，增加了每日挤奶次数，

提升了产奶量(图10)。

上述转盘式挤奶机虽然提高了挤奶效率，但仍

存在劳动强度大、成本高等问题。为解决这一问

题，王成军等[50]基于TRIZ理论设计了一种适用于

大、中型牧场的高效智能化挤奶设备(图11)。李硕

等[51]针对现有挤奶机器人适应性不足、挤奶效率低

等问题，设计出一种七自由度挤奶机器人，该机器

图9生猪体温巡检系统

Fig.9Theinspectionsystemofpigbodytemperature

图10单体式全自动智能挤奶机器人

Fig.10Monolithicfullyautomaticintelligentmilking

robot

图11转盘式挤奶机器人

Fig.11Rotarymilkingrobot

629肖德琴，等：畜禽机器人技术研究进展与未来展望第5期

点，有效地改善了挤奶设备的自动化程度。

高成本、维护需求以及对动物福利的潜在影响

等问题使这一领域的发展依然面临巨大挑战。为了

应对这些挑战，郭洋等[52]提出一种挤奶机器人机械

臂控制方法,实现了无人化、自动化挤奶,有效地提

高了挤奶工作效率和牛奶产量。刘俊杰等[48]为了

保证挤奶机器人的机械臂能够满足使用精度并快

速可靠地工作，采用DH法对机械臂的位姿和坐

标变换进行建模，通过设置机械臂各杆件坐标系，

确定各杆件的齐次坐标变换矩阵，并建立了挤奶机

器人机械臂运动学方程。

1.5其他机器人

在现代农业生产过程中，机器人技术的应用已

经成为提高效率和精确度的关键。这些技术不仅覆

盖了传统的农场工作，如挤奶和剪羊毛，还扩展到

了牧场管理以及禽蛋的分拣和检测。每个领域的技

术进步都体现了机器人技术在农业中的深入和多

样化应用，尽管这些进步伴随着自身的挑战和缺

点。在自动剪羊毛技术上，Trevelyan[53]的研究成果

展示了机器人技术在提高动物产品处理效率方面

的潜力，通过设计轨迹自适应且定位准确的机器

人，不仅提高了作业效率，还努力确保了动物福

利。然而，这项技术同样面临着高精度传感器需

求、对不同羊毛类型的适应以及高昂的设备成本等

问题。这些问题也同样出现在牧场管理机器人技术

应用中，比如“机器人牛仔”SwagBot(图12)，Swag

Bot的开发代表了牧场管理自动化的进步，它通过

先进的传感器和定位系统，能够在复杂地形中有效

地进行畜牧跟踪和管理[54]。荷兰家庭奶牛场配套使

用奶牛流向控制系统、自动饲喂系统以及牛群导航

系统等，利用“帝波罗”牧场管理软件，实现了奶

牛场全方位的智能化管理模式[55]。然而，这些技术

也面临着在户外复杂环境中保持稳定性和准确性

的挑战以及能源管理等问题。

图12“机器人牛仔”SwagBot

Fig.12“Robotcowboy”SwagBot

在禽蛋分拣与检测领域，从Vroegindeweij等[56]

的基于粒子滤波定位技术，到王树才等[57-58]设计的

SIRDGE系统和鸡蛋智能捡拾机器人(图13)，技术

的不断创新提高了分拣和检测的准确性和效率。张

世庆等[59]开发了一套基于动态称量和图像处理的

鸡蛋在线检测系统，通过应变片式传感器动态检测

鸡蛋质量，采用图像处理检测鸡蛋长短轴。郭建军等[60]

基于机器视觉技术对分拣系统硬件选型及布局、鸡

蛋图像信息采集、鸡蛋图像预处理与特征提取等各

个阶段所需要的技术进行选用，设计了裂纹鸡蛋视

觉模块，结合分拣设备形成了裂纹鸡蛋分拣系统。

徐彦伟等[61]采用多信息融合方法研究疫苗制备中

鸡蛋胚体状态的识别与分拣技术。赵祚喜等[62]针

对破壳鸡蛋(破口蛋和裂纹蛋)缺陷差异性大、在线

检测要求实时以及人工检测依靠主观经验且检测

速度慢、检测精度低等问题，提出一种基于改进的

YOLOv7模型的破壳鸡蛋在线实时检测系统。这

些技术的应用提升了食品安全水平和生产效率，但

面临着高成本、对技术精度的极高要求以及设备维

护的挑战。

图13鸡蛋智能捡拾机器人

Fig.13Intelligenteggpickingrobot

在机器人智能化领域，智能检测算法不仅是机

器人的“大脑”，更是推动该领域发展的关键技

术。肖德琴等[63]开发了一种针对笼养蛋鸭的个体

产蛋性能巡检测定装置，能够精确监测蛋鸭的产蛋

数量及品质，极大地提高了对蛋鸭生产的监管效

率，如图14所示的鸭蛋检测系统是智能化农业生

产中的一个重要进步。肖德琴等[64]还针对黄羽鸡表

皮层黑色素的智能分级问题，设计了一种新型方

法，该方法能有效地减少自然光和偏振光对样本分

级的影响，从而提高分级的准确性和可靠性。在复

杂环境下的动物盘点也是智能检测技术的一大挑

战。杨秋妹等[65]等设计的猪只盘点算法，通过在

YOLOv5n主干网络中融入SE-Net通道注意力模

块，显著提升了算法在复杂环境中的识别和计数能

力。殷建军等[66]对YOLOv5l算法进行改进，研发

了一种裂纹禽蛋品质分拣技术(图15)，该算法检测

准确率高达93.8%，为智能检测技术在农业领域的

应用提供了有力的技术支持。这些研究表明，智能

检测技术在农业生产中具有广泛的应用前景，不仅

提高了生产效率，还提升了产品质量，展现了科技

创新在现代农业中的重要作用。这些技术的发展，

将进一步推动智能机器人在农业领域的应用，为农

业生产带来革命性的变化。

2国内养殖机器人产业发展情况

我国对农业机器人领域的研究一直保持着高

始大规模引进和吸收国外先进的养殖设备和技术。

和改进，以适应国内养殖场的实际情况。尽管在

1980年之前，我国关于农业机器人的专利和论文数

量较少，年均在30件(篇)以下，但经过多年的发

展，目前中国在农业机器人领域的专利和论文数量

已经位居全球首位[67]。这表明我国在农业技术研究

方面取得了显著的进展。此外，我国也孵化了许多

机器人企业。虽然这些企业目前还未拥有完全智能

化的养殖机器人，但半智能化的机器人或设备在功

能上已经与国外企业相当，不仅在市场上占有一定

份额，还研制了特定的功能。例如，由华南农业大

学联合华农大智慧农业有限公司研发的巡检机器

人已经具备了自动巡航、自动充电、自动检测障碍

物[68]、动物体温监测[69]、行为监测[70]、体尺测量[71]和

动物盘点[72]等功能和算法(图16)。尽管我国的设

备在整体先进性、鲁棒性、持久度和成本方面仍存

在一定差距，但我国的养殖机器人具备达到世界领规模化立体笼养场景Thethree-dimensionalcagebreedingsceneatlargescale

产蛋记录效果Therecordeffectofeggproduction

二维码Two-dimensionalcode

蛋Egg

摄像头

Camera

盘点仪Inventoryinstrument

图14笼养蛋鸭个体产蛋性能巡检系统

Fig.14Theinspectionsystemofindividualeggproductionperformanceforlayingduckincage

4

1：电脑；2：摄像头；3：Led灯；4：多锥形滚轴

1:Computer;2:Camera;3:Ledlight;4:Multi-coneroller

图15蛋品检测分拣系统

Fig.15Eggdetectionandsortingsystem

表2国内外养殖机器人企业

Table2Thebreedingrobotenterprisesathomeandabroad

机器人

Robot

Foreignrelatedenterprise

Chineserelatedenterprise

饲喂机器人Feedingrobot荷兰Lely、芬兰PELLON国科农牧、泰安意美特

清洁机器人Cleaningrobot德国GEA、瑞典Delaval泰安意美特、青岛睿吉盛工贸

日常巡检机器人Dailyinspectionrobot瑞典Delaval、加拿大Rovibec北京小龙潜行、牧原集团

挤奶机器人Milkingrobot德国GEA、奥地利Hetwin特斯勒设备、农垦畜牧工程

健康巡检机器人Healthinspectionrobot无华大智农、牧原集团

蛋品分拣机器人Eggsortingrobot荷兰Moba、荷兰SANOVO华大智农、振野

631肖德琴，等：畜禽机器人技术研究进展与未来展望第5期

先水平的基础[73]。这是我国农业科技发展的一大亮

点，也是我们未来农业发展的一大优势。期待在不

久的将来，我国的农业机器人能够在全球范围内发

挥更大的作用，推动农业科技的进步。

3面临的挑战与未来展望

3.1我国养殖机器人研究的挑战

尽管养殖机器人在漫长的发展历程中已经取

得了显著的进步，但要实现大规模应用，仍需跨越

一些难关[74]。主要的挑战包括：

1)导航技术的局限。虽然现有的先进室内定位

技术，如WiFi、蓝牙、RFID红外线、超声波、激光

雷达、北斗导航以及UWB定位系统等，能够实现

较为精确的定位，但养殖场的环境复杂多变，如道

路上宽窄差异，以及可能会有动物粪便、饲料和动

路线准确地到达作业地点。

2)成本高。养殖机器人的前期研发需要投入大

机器人往往需要装备大量的传感器和设备，这无疑

增加了机器人的成本；此外，养殖场的高温高湿环

境也可能导致机器人需要频繁维修和更换部件[75]。

3)机器人算法离应用还有距离，工作效率不

高。为了确保作业的准确性和安全性，目前养殖机

器人的工作效率和灵活性相比人工操作机械还有

待提高。例如，挤奶机器人在寻找奶牛乳头的过程

人在寻找需要清洁的地方时也需要花费更多的时

间。因此，许多大型养殖场仍然选择通过人工操作

机械进行生产。

4)动物的应激反应。养殖机器人可能会发出较

大的噪声，影响动物的休息；同时，规模化养殖环境

的复杂性和不可预测性增加了机器人与动物相撞

的风险，这可能会影响动物的免疫力和生产率，因

此还需要进行更多的测试。

5)功能较单一。当前阶段的养殖机器人功能往

往较为单一，只能实现某一项功能，这限制了其在

畜禽养殖领域内的应用。

3.2未来展望

针对上述困难与挑战，结合过去多年的实践，

几个方面：

1)适应不同环境的机器人导航技术。鉴于中国

不同地区和不同养殖模式下的环境差异，养殖机器

人将被设计成能够适应多种工作环境，可以在更广

泛的市场中得到应用，而不是局限于特定的养殖场。

2)进一步降低机器人制造成本。当前机器人进

口组件较多导致成本较高，为了降低成本并提高自

给自足的能力，养殖机器人的部件和技术将趋向于

国内自主研发和生产，这不仅可以减少对进口部件

的依赖，也有助于降低养殖机器人的整体成本，同

时提高其性能和可靠性。

3)通过更大量的应用实践提高算法精度和实

用性。目前，养殖机器人还普遍存在算法在实践应

用中精度偏低，通过大量的数据和试验可以提高养

殖机器人执行任务时的精度，如更准确的体温监

测、体质量估测和异常行为识别算法等。

4)符合动物生物学特性的机器人研发。养殖机

器人将更加注重动物福利，通过优化生物学特征来

确保动物的健康和生产效率，包括减少对动物造成

不适的噪声以及模仿动物的声音、气味和外型等，

让机器人工作时不会导致动物产生应激反应。

5)复合功能的机器人设计。未来的养殖机器人

将不再局限于单一功能，而是集成多种功能，如环

境监测、体温监测、体质量估算、动物盘点、禽舍清

扫和消毒等，以满足养殖场的多元化需求。

总之，养殖机器人的发展将推动畜禽养殖业向

更高水平的自动化和智能化转型，为行业带来更高

的经济效益和可持续性。随着技术的不断创新，我

们有理由相信，未来的养殖业将变得更加高效、环

参考文献：

HUANGY,XIAOD,LIUJ,etal.Analysisofpigactivitylevelandbodytemperaturevariationbasedoneartag

data[J].ComputersandElectronicsinAgriculture,2024,

219:108768.

[1]

图16健康巡检机器人

Fig.16Healthinspectionrobot

肖荣浩,马旭,李宏伟,等.基于UWB定位的农业机械

辅助导航系统设计与试验[J].华南农业大学学报,

2022,43(3):116-123.

[2]

吕恩利,何欣源,罗毅智,等.哺乳母猪智能饲喂物联网

系统设计[J].华南农业大学学报,2023,44(1):57-64.

[3]

朱军,麻硕士,慕厚春,等.种猪自动精细饲喂系统设计

与试验[J].农业机械学报,2010,41(12):174-177.

[4]

王泽程.睿保乐:与科技创新一同见证猪场的未来:访

睿保乐(上海)贸易有限公司[J].猪业科学,2018,

35(11):56-59.

[5]

胡圣杰,王树才.RFID技术在养猪业中的应用[J].湖北

农机化,2007(5):24-25.

[6]

郭伟豪,李海军,郝文博,等.羊只饲喂机器人控制系统

设计与出料试验[J].黑龙江畜牧兽医,2024(5):55-60.

[7]

倪志江,高振江,蒙贺伟,等.智能化个体奶牛精确饲喂

机设计与实验[J].农业机械学报,2009,40(12):205-209.

[8]

赵清来,邹正东,李文彪,等.智能化双侧奶牛个体精量

饲喂装置的设计与试验[J].吉林农业大学学报,2019,

41(1):115-119.

[9]

杨存志,李源源,杨旭,等.FR-200型奶牛智能化精确

饲喂机器人的研制[J].农机化研究,2014,36(2):120-

122.

[10]

耿丽微,钱东平,赵春辉.基于射频技术的奶牛身份识

别系统[J].农业工程学报,2009,25(5):137-141.

[11]

谢艳,张子龙,龚荣虎,等.基于TRIZ理论的奶牛饲喂

机器人创新设计[J].机械设计与研究,2021,37(5):31-34.

[12]

孙芊芊,李海军,宣传忠,等.基于羊只应激反应的智能

饲喂机器人功能与造型研究[J].内蒙古农业大学学报

(自然科学版),2019,40(5):60-64.

[13]

贺刚,翟改霞,祝天宇,等.犊牛饲喂信息系统设计与给

奶量预测研究[J].农业机械学报,2022,53(S2):241-248.

[14]

朱立学,官金炫,张世昂,等.基于深度学习的肉鸽精准

饲喂机器人的研制与试验[J].机电产品开发与创新,

2022,35(5):6-10.

[15]

张帆,李海军,雷禾雨,等.羊只饲喂机器人行走控制系

统的设计[J].农业装备技术,2020,46(1):35-39.

[16]

杨亮,王辉,陈睿鹏,等.智能养猪工厂的研究进展与展

望[J].华南农业大学学报,2023,44(1):13-23.

[17]

VINYARDO.Rear-mountedmanuregatheringmachine

andmethodofhandlingmanure:5297745[P].1994-03-

29.

[18]

李许杰,闫锋欣,胡凯,等.肉鸡平养鸡舍自走式粪污清

收装袋一体机研制[J].农业工程学报,2024,40(3):251-

261.

[19]

CUBEROSN,BADIM,ALIMA,etal.AHigh-speed

cameldungcollectionmachine[J].MechatronicsandMachineVisioninPractice,2021(4):87-103.

[20]

刘磊.猪舍清洁机器人设计及路径规划研究[J].价值工

程,2022,41(1):137-139.

[21]

李保明,王阳,郑炜超,等.畜禽养殖智能装备与信息化

技术研究进展[J].华南农业大学学报,2021,42(6):18-26.

[22]

罗土玉,高彦玉,周昆乐,等.猪舍清粪机器人控制系统

的设计与试验[J].黑龙江畜牧兽医(下半月),2022(12):

30-34.

[23]

王士涛,刘林保,谈仁斌.一种高压吹气清洁机器人:

CN220361723U[P].2024-01-19.

[24]

[25]尧李慧,蔡晓华,田雷,等.牛舍清洁机器人结构设计与

避障设计[J].农机化研究,2018,40(2):70-74.

杨存志,贺刚,尧李慧,等.全自走牛舍清洁机器人的设

计[J].农机化研究,2017,39(5):90-94.

[26]

侯云涛,尧李慧,蔡晓华,等.自动清粪机器人路径规划

方法的研究与实现[J].农机化研究,2017,39(6):23-26.

[27]

胡振楠,孙红敏,李晓明,等.基于加速度传感器的猪舍

刮粪板运行状态监测装置设计与仿真[J].农业与技术,

2019,39(17):18-22.

[28]

QIF,ZHAOX,SHIZ,etal.Environmentalfactordetectionandanalysistechnologiesinlivestockandpoultry

houses:Areview[J].Agriculture,2023,13(8):1489.

[29]

赵文文,王海峰,朱君,等.猪舍消杀巡检机器人系统设

计与试验[J].农业机械学报,2022,53(S2):270-277.

[30]

刁亚萍.基于WSN的集约化猪舍多环境因子监测及

CFD模拟的研究[D].武汉:华中农业大学,2018.

[31]

龙长江,谭鹤群,朱明,等.畜禽舍移动式智能监测平台

研制[J].农业工程学报,2021,37(7):68-75.

[32]

CHANGC,XIEB,WANGC.Visualguidanceandegg

collectionschemeforasmartpoultryrobotforfree-range

farms[J].Sensors,2020,20(22):6624.

[33]

赵春江,梁雪文,于合龙,等.基于改进YOLOv7的笼

养鸡/蛋自动识别与计数方法[J].农业机械学报,2023,

54(7):300-312.

[34]

GEFFENO,YITZHAKYY,BARCHILONN,etal.A

machinevisionsystemtodetectandcountlayinghensin

batterycages[J].Animal,2020,14(12):2628-2634.

[35]

JIANGK,XIET,YANR,etal.Anattentionmechanism-improvedYOLOv7objectdetectionalgorithmfor

hempduckcountestimation[J].Agriculture,2022,

12(10):1659.

[36]

连京华,李惠敏,祝伟,等.家禽生产智能巡检机器人的

设计[J].中国家禽,2019(18):72-75.

[37]

白云港,祝忠钲,侯英勇,等.养鸡场巡检机器人无线充

电模块设计与试验[J].智能化农业装备学报(中英文),

2022,3(2):45-52.

[38]

肖德琴,刘勤,陈丽,等.设施猪场生猪体温红外巡检系

统设计与试验[J].农业机械学报,2019,50(7):194-200.

[39]

肖德琴,林思聪,刘勤,等.基于红外热成像的生猪耳温

自动提取算法[J].农业机械学报,2021,52(8):255-262.

[40]

杨柳,陈肯,罗金生,等.基于物联网的山猪体温测量系

统设计[J].信息系统工程,2021(8):86-88.

[41]

岳学军,蔡雨霖,王林惠,等.农情信息智能感知及解析

的研究进展[J].华南农业大学学报,2020,41(6):14-28.

[42]

兰玉彬,王天伟,陈盛德,等.农业人工智能技术:现代农

业科技的翅膀[J].华南农业大学学报,2020,41(6):1-13.

[43]

SPENCERS.Roboticmilkmaidstobecomeacommercialreality[J].IndustrialRobot:AnInternationalJournal,

1999,26(2):112-114.

[44]

SHARIPOVDR,YAKIMOVOA,GAINULLINAM

K,etal.Developmentofautomaticmilkingsystemsand

theirclassification[J].IOPConferenceSeries:Earthand

EnvironmentalScience,2021,659(1):12080.

[45]

JOHNAJ,CLARKCE,FREEMANMJ,etal.Review:

Milkingrobotutilization,asuccessfulprecisionlivestockfarmingevolution[J].Animal,2016,10(9):1484-

1492.

[46]

[47]马为红,薛向龙,李奇峰,等.智能养殖机器人技术与应

633肖德琴，等：畜禽机器人技术研究进展与未来展望第5期

用进展[J].中国农业信息,2021,33(3):24-34.

刘俊杰,杨存志,杨旭,等.智能挤奶机器人总体设计方

案研究[J].农业科技与装备,2015(12):16-19.

[48]

杨存志,吴泽全,郭洋.挤奶机器人的结构设计[J].农机

化研究,2018,40(4):98-103.

[49]

王成军,李少强.基于TRIZ理论的转盘式挤奶机器人

结构设计[J].科学技术与工程,2022,22(7):2770-2775.

[50]

李硕,王成军.基于TRIZ理论的挤奶机器人设计[J].

安徽科技,2023(3):34-36.

[51]

郭洋,吴泽全,蔡晓华,等.挤奶机器人机械臂控制方法

研究[J].农业科技与装备,2017(4):18-20.

[52]

TREVELYANJP.Sensingandcontrolforsheepshearingrobots[J].IEEETransactionsonRoboticsandAutomation,1989,5(6):716-727.

[53]

张唯诚.初显身手的五款农业机器人[J].百科知识,

2019(16):24-25.

[54]

刘景喜,彭传文,王丽学.牛群导航系统在荷兰奶牛场

的应用考察[J].天津农业科学,2015,21(11):34-36.

[55]

VROEGINDEWEIJBA,IJSSELMUIDENJ,VAN

HENTENEJ.Probabilisticlocalisationinrepetitiveenvironments:Estimatingarobot’spositioninanaviary

poultryhouse[J].ComputersandElectronicsinAgriculture,2016,124:303-317.

[56]

王树才,任奕林,文友先.禽蛋检测与分级智能机器人

系统的软件实现[J].华中农业大学学报,2008,27(2):

335-339.

[57]

王树才,文友先,苏工兵.禽蛋检测与分级智能机器人

系统的设计[J].机械工程学报,2008,44(2):182-188.

[58]

张世庆,涂佳,孙力,等.鸡蛋质量与长短轴在线检测方

法[J].农业机械学报,2014,45(2):204-209.

[59]

郭建军,杨霖,张恩威,等.基于机器视觉的裂纹鸡蛋分

拣系统设计[J].现代农业装备,2024,45(1):45-52.

[60]

徐彦伟,徐爱军,颉潭成,等.基于多信息融合的疫苗制

备中鸡蛋胚体分拣系统[J].农业机械学报,2015,46(2):

20-26.

[61]

赵祚喜,魏洪飞,黄渊,等.基于改进YOLOv7的破壳

鸡蛋在线实时检测系统[J].农业工程学报,2023,

39(20):255-265.

[62]

肖德琴,王佳涛,毛远洋,等.一种笼养种蛋鸭个体产蛋

性能巡检测定装置、方法和系统:CN116530438A[P].

2023-08-04.

[63]

肖德琴,陈芳玲,刘又夫,等.基于改进ConvNeXt模型

的黄羽鸡表皮层黑色素智能分级方法[J].农业工程学

报,2024,40(3):165-174.

[64]

杨秋妹,陈淼彬,黄一桂,等.基于改进YOLOv5n的猪

只盘点算法[J].农业机械学报,2023,54(1):251-262.

[65]

殷建军,康俊琪,肖德琴.基于改进YOLOv5l的轻量

化鸭蛋裂纹检测算法[J].农业工程学报,2024,40(5):

216-223.

[66]

赵静娟,郑怀国,董瑜,等.全球农业机器人研发趋势预

测及对我国的启示[J].中国农机化学报,2021,42(4):

157-162.

[67]

[68]肖德琴,毛远洋,刘又夫,等.我国家禽工厂化养殖技术

发展现状与趋势[J].华南农业大学学报,2023,44(1):1-

12.

BINZ,DEQINX,JUNBINL,etal.Pigeyeareatemperatureextractionalgorithmbasedonregisteredimages[J].

ComputersandElectronicsinAgriculture,2024,217:

108549.

[69]

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.

[70]

肖德琴,刘俊彬,刘又夫,等.常态养殖下妊娠母猪体质

量智能测定模型[J].农业工程学报,2022,38(S1):161-

169.

[71]

YIGUIH,DEQINX,JUNBINL,etal.Animprovedpig

countingalgorithmbasedonYOLOv5andDeepSORT

model.[J].Sensors,2023,23(14):6309.

[72]

刘成良,贡亮,苑进,等.农业机器人关键技术研究现状

与发展趋势[J].农业机械学报,2022,53(7):1-22.

[73]

唐瑜嵘,沈明霞,薛鸿翔,等.人工智能技术在畜禽养殖

业的发展现状与展望[J].智能化农业装备学报(中英

文),2023,4(1):1-16.

[74]

卞智逸,肖德琴,殷建军,等.基于PLC技术的火龙果

智能补光调控器设计与应用[J].华南农业大学学报,

2022,43(5):124-132.

[75]

肖德琴，博士，教授，博士生

导师。现任农业农村部华南热带智

慧农业技术重点实验室主任，国家

水禽产业技术体系智能化岗位科学

家，CCF数字农业分会常务委

员，中国物联网专委会委员，广东

省农业人工智能专委会副主任委员，“科创中

国”数字农业农村产业服务团团长，广东省农业

大数据工程技术研究中心主任，广东省现代农业

大数据产业技术研发中心主任，华南农业大学计

算机系统结构学科带头人。长期从事计算机网络

和人工智能方面的教学、科研和实践工作，研究

方向为农业先进传感器与智能信息处理，致力于

动植物生产监测与管控、农业物联网与产业大数

据等科学研究与应用推广工作。主持国家星火计

划重点项目、国家重点研发专项子课题、广东省

重点研发专项等科研课题50余项，获得软件著作

权登记30余项，拥有国家专利10余项，发表论

文100余篇，其中，SCI、EI收录50余篇，主编

著作5部，参编著作3部，获科技奖项5项。研

发了多种农业智能传感器、传输设备、智能装备

和计算智能模型。

【责任编辑周志红】

刘龙申,柳荦,周杰,等.母猪精准养殖智能感知技术研究进展[J].华南农业大学学报,2024,45(5):635-648.

LIULongshen,LIULuo,ZHOUJie,etal.Researchprogressonprecisionbreedingandintelligentsensingtechnologiesforsows[J].JournalofSouthChina

AgriculturalUniversity,2024,45(5):635-648.

母猪精准养殖智能感知技术研究进展

刘龙申1,2，柳荦2,3，周杰1，欧扬森1，薛鸿翔2,4

(1南京农业大学人工智能学院,江苏南京210031；2农业农村部养殖装备重点实验室,江苏南京210031；

3南京农业大学动物医学院,江苏南京210095；4南京农业大学工学院,江苏南京210031)

摘要:母猪的生长状况、繁殖性能与健康状况是猪场管理的重要生产要素，直接关系到猪场的经济效益。我国母

猪养殖还存在生产管理智能化水平低、健康管理效率低、生产力水平低等突出问题，制约了我国养殖业的高质

量发展。本文从母猪生长信息感知技术、繁殖行为监测技术、健康状态感知技术等3个方面，总结了母猪精准养

殖管理中生长、生理、健康监测的研究和发展现状，分析了母猪精准养殖技术的薄弱环节，对母猪养殖智慧管控

系统的建设提出了建议，并对未来的发展趋势进行了展望，以期为我国养猪业绿色高效智能转型升级与智能养

猪工厂的建设提供参考。

关键词:精准养殖；母猪；养猪场；智能感知；行为表型监测；健康管理

Researchprogressonprecisionbreedingand

intelligentsensingtechnologiesforsows

LIULongshen1,2

,LIULuo2,3

,ZHOUJie1

,OUYangsen1

,XUEHongxiang2,4

(1CollegeofArtificialIntelligence,NanjingAgriculturalUniversity,Nanjing210031,China;2KeyLaboratoryofLivestock

FarmingEquipment,MinistryofAgricultureandRuralAffairs,Nanjing210031,China;3CollegeofVeterinaryMedicine,Nanjing

AgriculturalUniversity,Nanjing210095,China;4CollegeofEngineering,NanjingAgriculturalUniversity,Nanjing210031,China)

Abstract:Thegrowthconditions,reproductiveperformance,andhealthstatusofsowsareimportantindicators

forswinefarmmanagement.Itdirectlyrelatestotheeconomicbenefitsofpigfarm.Therearestillprominent

problemsforsowfarminginChina,suchaslowlevelofproductionmanagementintelligence,inefficienthealth

management,andlowproductivity,whichrestrictthehigh-qualitydevelopmentofbreedingindustryinChina.

Thisarticlereviewedtheresearchanddevelopmentstatusofgrowth,physiologicalandhealthmonitoringin

precisionbreedingmanagementofsowsfromthreeaspects,includingsowgrowthinformationperception

technology,reproductivebehaviormonitoringtechnology,andhealthstatusperceptiontechnology.Theweak

linksofprecisionbreedingtechnologiesforsowswereanalyzed.Thesuggestionsfortheconstructionoffuture

intelligentcontrolsystemforsowbreedingwereproposed,andthedevelopmenttrendsofprecisionbreeding

technologiesforsowswereprospected.Thisworkaimstoprovidereferencesforthegreen,efficientand

intelligenttransformationandupgradingofpigfarmingindustryandtheconstructionofintelligentpigfarmin

China.

作者简介：刘龙申，副教授，博士，主要从事智慧畜牧业研究，E-mail:liulongshen@njau.edu.cn

基金项目：国家重点研发计划(2021YFD2000805)；国家自然科学基金(32272929)

华南农业大学学报JournalofSouthChinaAgriculturalUniversity2024,45(5):635-648DOI:10.7671/j.issn.1001-411X.202404037

Keywords:Precisionbreeding;Sow;Pigfarm;Intelligentsensing;Behavioralphenotypemonitoring;Health

management

智能化工厂化养猪是我国养猪业发展的必然

趋势[1]。随着信息技术的发展和非洲猪瘟常态化存

在[2]

，散户养猪逐渐退出，我国生猪养殖业正在从传

统养殖模式向智能化、规模化转型，预计2025年养

殖规模化占比将达78%以上，总产值将达1.5万亿

元以上。与生猪养殖技术较为先进的国家相比，我

国生猪养殖存在生产成本高、母猪年生产力(Pigs

weanedpersowperyear,PSY)指标低以及信息化设

备使用效率低等问题，生产效率与国际水平之间还

存在一定的差距，养殖产业的国际竞争力亟待提

升[3]。因此，我国生猪养殖产业的国际竞争力仍需

大幅提升[4]。

能繁母猪是猪场的核心，是生猪生产的基础和

市场供应的“总开关”。保证能繁母猪的存栏量及

生产力水平是调控生猪产能和保障猪肉供给能力

的关键，而智能化养殖则是稳定生猪产能、降低能

繁母猪养殖成本、助力生猪养殖产业良性发展的必

由之路[5]。然而，目前主流的高密度集约化母猪养

殖动物福利差，疾病传播的风险增加，母猪利用年

限短。母猪发情和分娩等繁殖管理多采用同期发情

和同期分娩等批次化处理方式，对母猪的健康和生

产力存在负面影响，频繁使用兽药对食品安全具有

较大挑战。因此，利用人工智能技术实时感知母猪

的生长、繁殖、健康等关键信息，从而进行精准养殖

和疾病预警，有助于提升母猪生产力，提高猪场管

理水平[6-7]。本文针对母猪养殖管理的关键环节，从

生长、繁殖、健康等3个方面关键信息综述母猪精

准养殖系统涉及的传感器、算法模型、系统平台、智

能装备研究和发展现状，以期为我国养猪业绿色高

效智能转型升级和智能养猪工厂的建设提供参考。

1母猪生长信息感知技术

母猪生长信息感知技术是母猪智能养殖过程

的核心技术，也是调整母猪饲喂和淘汰策略的重要

依据[8]。目前，母猪生长信息感知主要依赖于人工

应激反应且效率低下。随着信息时代的飞速发展，

计算机视觉技术已被广泛用于感知母猪体况、体质

量以及体尺等生长状态[9]。通过计算机视觉技术实

现母猪生长信息的实时感知，养殖管理人员可以更

准确地了解母猪生长状况和发展趋势，及时调整饲

养策略。这不仅可以提高数据的准确性和可靠性，

还可以减少人工操作、降低养殖成本、减少人畜的

直接接触、降低疫病传播风险，促进养殖业的智能

化和信息化发展。同时，生长信息感知技术可以辅

助检测母猪发情状态、预警部分健康问题，为母猪

的健康管理提供重要参考。因此，研究基于计算机

视觉的母猪生长信息感知技术，对实现母猪的精准

饲喂、健康检测以及育种选淘具有重要意义。

1.1母猪体况评分

母猪体况评分技术可以评估母猪能量蓄积、营

养状况，进而提高繁殖性能并延长使用年限[10]。目

前，母猪体况评分通常采用人工观察评分点进行评

分，然而人工评分存在误差大、效率低等问题[1,7]。

2015年Knauer等[11]设计了一种由量角器和卡尺组

成的体况评分装置，以弥补工作人员经验差异导致

的评分误差。图像处理与人工智能技术相结合的母

猪自动化评分方法可以有效解决人工评分的缺点，

对提高母猪体况评分的效率、筛选适配母猪以及实

现母猪健康管理具有重要意义[12-13]。薛鸿翔等[14]研

制的体况评分机器人由履带式机器人、数据采集模

块以及数据处理模块构成，通过摄像头采集母猪臀

部图像，实现了母猪体况自动化评分，并完成适配

母猪筛选(图1)。

为解决样本分布不均导致准确率下降的问题，

He等[15]利用YOLOX目标检测网络构建母猪体况

评分模型并引入了半分制，准确率可以达到80.06%。

Liu等[16]采用基于深度学习和EfficientNet-B0的自

动母猪体况评分方法，准确率得到进一步提高，平

均准确率达到85.66%。为解决原始数据类别不平

衡和身体状况数据标注错误的问题，Xue等[14]融合

卷积神经网络(Convolutionalneuralnetworks,CNN)

网络和Transformer网络并引入卷积块注意力模块

(Convolutionalblockattentionmodule，CBAM)注意

力机制以及优化的焦点损失函数，准确率为91.06%；

该方法实现了母猪体况的自动评分，具有广泛的应

用前景。二维数据包含信息有限，运用三维数据处

理方法针对体况评分进行研究成为一大热点。滕光

辉等[17]利用手持Kinect传感器获取母猪臀股的三

维图像，通过点云处理技术，提取母猪臀部的高宽

比、臀股面积和曲率半径并建立体况评分模型，准

确率达到91.70%。

在体况评分算法研究方面，目前主要采用的是

基于猪体局部参考点的参数化研究方法，通过识别

猪体的关键部位进行评分，如肋骨、脊椎等；评分精

度受猪只姿态影响大，导致评分结果不够准确，需

要大量样本进行模型鲁棒性验证。因此，未来的研

究需要重点解决以上问题，包括改进评分算法的准

确性和稳定性、探索更合适的评分标准、增加样本

量以提高模型的泛化能力等，实现更加精准、有效

的母猪体况评分，为养殖管理提供更好的决策支持

和技术指导。

1.2母猪体质量估测

母猪体质量是母猪发育状况的重要生理指标

之一，对实现母猪精准饲喂以及健康监测等方面都

具有重要价值[18]。传统的地磅秤称质量方法难以实

现动态称质量，并且存在测量误差大、效率低下以

及猪只应激反应大等问题。胡肄农等[19]利用神经

网络技术降低了家畜运动引起的地磅称质量误差，

但还不能满足实际生产需要。无接触式体质量估测

的养殖装备因其使用寿命长、猪只应激小等优点得

计算机视觉算法，可以实现对猪只体质量的无接触

式、实时监测，无需人工干预，大大减少了养殖过程

中对猪只的干扰和压力，有助于提高养殖效率和动

物福利；此外，这种装备还具有数据自动记录、分析

和管理的功能，为养殖者提供了更加科学、便捷的

养殖管理手段。现代养殖业中，无接触式体质量估

测的养殖装备已成为提升养殖效益和管理水平的

重要手段之一。图2是南京农业大学开发的搭载深

度相机的生猪分栏设备，可以将数据采集与处理模

块部署至工控机上，实现点云数据的自动采集和体

质量估测。

早期利用2D图像实现体质量估测的研究主要

有边缘检测方法[20]、Ostu算法[21]、颜色特征处理以

及阈值分割等方法[22]

，通过提取母猪投影或体尺参

母猪单体饲喂器

Sowindividualfeedingstation

母猪产仔笼

Sowfarrowingcrates

履带式机器人

Trackedrobot

数据采集模块

Dataacquisitionmodule

云服务器

Cloudserver1.7m

45°

网页端

Webclient

无线数据

传输模块

Wireless

transmission

modulel

数据处理模块

Data

processing

module

手机端

Mobile

phoneclient

图1母猪体况评分机器人[14]

Fig.1Therobotforscoringsowbodycondition

计算机

PC

深度相机

Depthcamera

数据采集与处理

Dataacquisitionandprocessing

MQTT边缘计算网关

MQTTedgecomputinggateway

Cloudserver

Web网页端

Webclient数据展示

Datapresentation分栏设备

Sortingsystem

饲养人员

Feeder

图2无接触体质量估测的生猪分栏系统

Fig.2Livepigsortingsystemofbodyweightestimationwithnon-contact

637刘龙申，等：母猪精准养殖智能感知技术研究进展第5期

数构建体质量回归模型。2020年，武尧等[23]结合

PBAS和Canny算法提取母猪轮廓并构建母猪体质

量估测模型，准确率得到进一步提升，达到95.5%；

但该方法受姿态影响大、包含信息较少，进一步提

升准确率难度较大。为了进一步提升体质量估测的

准确率，研究人员通过使用深度相机获得母猪体高

等信息，研究基于三维数据类型的体质量估测方

法。利用三维数据实现母猪体质量估测的流程与

2D图像处理类似，通过点云滤波以及密度聚类等

数据预处理方法提取母猪点云，利用母猪形态学特

Zhang等[24]利用深层卷积神经网络构建多输出回归

网络模型，结合LabVIEW软件开发平台实现猪只

体质量估测自动化，平均绝对误差为1.16kg。Li等[25]

利用部署在猪只上方的深度相机采集背部彩色图

像以及深度图像，通过数据滤波、点云切片等方式

提取母猪体尺参数，实现了猪只体质量估测。Liu

等[26]整合点云滤波以及密度聚类算法，研究一种混

合三维点云去噪方法，通过投影以及凸包检测法获

取猪背部参数，利用卷积神经网络实现母猪体质量

估测，平均相对误差为5.357%。Cang等[27]采用俯

视深度图像，基于FasterR-CNN网络增加了回归分

支，将猪只检测和体质量回归网络集成到端网络

中，可以同时实现猪只检测、位置识别和体质量估

测等功能。

现有大多数体质量估测系统或模型仍停留于

实验室研究阶段，缺少针对实际生产环境下的应

用，无法实现对应的成果落地转化。未来需要加强

养殖装备在实际养殖场的长期运行和监测，这样才

能积累大量的不同生长阶段、不同品种和不同环境

条件下的数据样本，验证体质量估测模型的稳定性

和可靠性，为模型的进一步改进和优化提供有力支持。

1.3母猪体尺估测

母猪体尺估测对母猪育种选淘、精准饲喂和健

康状态评估等方面具有重要意义。母猪体尺的传统

测量方法需要人工测定体长、胸围等指标，这种方

式工作量大，测量难度高。应用计算机视觉和深度

学习技术的非接触式体尺估测方法提供了效率更

高的方案。猪只体尺自动估测方法研究涉及计算机

视觉、图像处理、深度学习等领域的知识，通过分析

猪只的图像数据准确估测体尺信息。二维平面图像

估测方法主要依赖于对猪只图像的特征提取和测

量，而三维立体数据估测则更加复杂，需要利用三

维成像技术获取猪只的立体信息，并进行相应的数

据处理和分析。这些研究的成果有望为猪只生产管

理提供更精确、高效的技术支持，推动养猪业向智

能化、信息化的方向发展。

基于2D图像的猪只体尺估测研究是近年来备

形态学处理等技术提取猪只的轮廓信息；然后，利

用特定的算法或模型确定体尺测点的位置和数量；

最后，根据测点之间的距离和相对位置关系建立数

学模型，实现对猪只体尺的估测。体尺估测的关键

在于测点，测点提取的准确度直接影响估测结果的

精确度和可靠性。通过探索不同的图像处理方法和

算法，可以提高体尺测点提取的准确度和效率，为

猪只体尺估测技术的进一步发展和应用奠定基础。

刘波等[28]通过获取猪只热红外以及光学图像，结合

非子采样轮廓波的图像融合算法，实现了猪只图像

的自动分割和提取。刘同海等[29]通过实时捕获猪

只彩色图像，采用背景减法、中值滤波及动态阈值

分割等方法，有效地提高了猪体体尺测点识别率，

平均相对误差为0.92%。南京农业大学研制的母猪

体尺智能监测机器人(图3)，采用巡检方式采集数

据，提高了猪场母猪体尺检测效率，为无接触式体

尺估测方法的养殖装备研究提供了新思路。

目前，基于三维数据的猪只体尺估测方法主要

依赖于双目立体视觉技术和深度相机技术[30]。在双

目视觉中，为减少图像受到环境的干扰，通常需采

取一系列预处理和优化措施，包括图像去噪、光照

机器人巡检

Robotinspection

轨道

Track

Robot养殖舍

Animalhousing

背部图像采集

Backimageacquisition

体尺提取

Bodysizeextraction

图3母猪巡检机器人

Fig.3Therobotofsowinspection

均衡化、背景消除等，以提高图像质量和清晰度，有

效地减少干扰因素对体尺估测结果的影响。李卓等[31]

利用双目视觉技术，结合帧差法及凹陷结构拐点提

取算法，实现了在复杂场景下母猪体尺的自动提

取，检测误差小于2cm。此外，基于深度相机技术

的猪只体尺估测方法，利用深度相机获取的三维数

据，直接获取猪只的体积信息，无需经过繁琐的图

像处理步骤，可以更加准确地估测猪只的体尺。尹

令等[32]利用Kinect深度相机从多个角度捕获母猪

点云数据，利用点云配准融合技术获取母猪完整点

云，实现了体尺特征的自动提取；实际养殖环境中

测试表明，该方法可以有效提高体尺估测精度。

二维图像采集和处理相对简单，通常只需要基

本的图像处理技术即可实现，处理成本低；三维数

据的采集设备相对复杂、数据量大，需要较高的技

术水平和设备投入，但三维数据提供了更丰富的信

息，能够准确捕捉猪只的立体形态，从而更精确地

进行分析和测量，准确度更高。基于三维数据的体

尺估测系统需要解决设备使用困难、数据采集设备

复杂以及数据量更大等挑战，以便有效地应用于实

际生产和研究中。

2母猪繁殖信息的感知与监测技术

2.1母猪发情检测技术

及时准确地识别母猪的发情行为对预测母猪

洲猪瘟传入我国以前，猪场通常采用“公猪试情

法”对母猪进行诱情与查情。随着非洲猪瘟在我国

的肆虐，为了适应常态化的防控需要，规模化猪场

已逐渐放弃使用试情公猪诱情与查情工作，普遍采

用激素及其衍生物对母猪进行同期发情处理。同期

发情处理会损害部分母猪的生殖健康[34]

；此外，部

分因生殖障碍不发情的母猪还会发生误配，增加了

非生产天数，降低了母猪的生产效率[35]。因此，对母

猪发情进行更快更准确的检测是现代工厂化养猪

的必然需求，通过细致准确地观察发情母猪的行为

与生理变化，利用智能化技术提取母猪的发情表

征，分析这些表征信息与发情之间的关联性，进而

实现母猪发情行为的自动化、智能化检测，从而辅

助生产决策。目前，母猪发情的主要检测方式为人

工试情法、接触式传感器监测、非接触式传感器监

测和计算机视觉监测等。

2.1.1人工试情法现阶段，仍有部分猪场采用公

猪试情、人工试情和行为观察等方法[36]。当母猪进

入发情期后，利用试情公猪的同时，经验丰富的养

殖人员通过观察母猪的静立反射并结合母猪外阴

部肿胀程度、阴道黏膜颜色、黏液量及黏稠度等情

况判断母猪是否发情，如图4所示。也有部分养殖

人员采用超声波技术来检测母猪发情状态，通过分

析超声波图像，能够监测卵泡的发育情况，从而判

断母猪的发情状态[37]。虽然人工检测法方法具有准

确性高、可控性强及适用性广等显著特点，但是人

工试情法具有一定的主观性且耗时费力，主要适用

于中小规模养殖场，不能满足养猪工厂化的生产管

理需求。

图4人工查情示意图

Fig.4Schematicdiagramofmanualinvestigation

2.1.2接触式传感器监测家畜接触式传感器是

一类可穿戴式或植入式的检测装置，主要包括计步

器、加速度传感器、姿态传感器等。在生猪养殖领

域，接触式传感器被应用于猪只身份识别、体温监

测、活动量检测、发情监测以及分娩监测等方面，从

而有效地指导生猪的生产管理。在母猪发情检测方

法的早期研究中，Johnson等[38]利用植入式三轴加

速度传感器监测后备母猪发情期的活动量，结果表

明在母猪进入发情期时，活动量增加了37.8%。王

凯等[39]在母猪颈部安装了姿态传感器获取数据，以

爬跨行为和活动量2个特征作为发情行为识别依

佳，错误率仅13.42%。接触式传感器虽然能够较为

精确地监测母猪的发情状态，但植入式传感器易引

起母猪的应激反应且佩戴式传感器存在易脱落等

问题，未来将朝着小型化、低功耗、多参数化的方向

发展，新型的接触式传感器将能够更全面、快速地

监测畜禽个体的生理和健康状况。

2.1.3非接触式传感器监测随着无线通讯、光学

传感及人工智能等技术的不断进步，非接触式传感

器在生猪信息感知领域得到了广泛应用。基于非接

触式传感器的母猪发情检测设备主要通过监测母

639刘龙申，等：母猪精准养殖智能感知技术研究进展第5期

猪声音、行为等指标的变化情况，实现对母猪发情

状态的感知。为了实现基于发声特征的发情检测，

Chen等[40]和Wang等[41]采集了母猪的发情声和非

发情声并采用卷积神经网络算法识别，准确率分别

高达93.00%和97.52%。Freson等[42]通过在猪舍正

上方离地1.6m处安装红外探测器，采集并分析了

58头圈养母猪的运动数据，结果发现当采用平均日

活动量作为发情判断参数时，能够正确识别80%的

发情母猪；当结合日活动峰值与平均日活动量作为

判断参数时，识别准确率高达86%。Cornou等[43]利

用自动饲喂器统计母猪的采食频次，并建立了单变

量动态线性模型，用于识别母猪的发情、跛行及其

他疾病，研究结果表明该方法的发情检测灵敏度为

75.0%，特异性为95.4%。

与接触式传感器相比，非接触式电子传感器降

低了对母猪的干扰和应激反应，确保了检测结果的

准确性；此外，非接触式传感器具有安装简便、维护

成本低等显著优点，在实际猪场的母猪发情检测应

用方面具有一定优势。

2.1.4计算机视觉监测随着人工智能技术的发

展，利用计算机视觉技术可以持续地监测母猪的行

为和运动状态等，进而帮助养殖人员对母猪的发情

情况做出预测。Seo等[44]采集了20头母猪的臀部

图像，分析了纹理图的均匀性、灰度共生矩阵、熵、

角二阶矩等多阶参数，提出了一种基于阴部图像纹

理特征与神经网络的发情检测方法，准确率达

70%。在实际生产中，母猪臀部位置易受污染，导致

阴部图像质量难以保证。针对此问题，Xu等[45]利

用激光雷达相机采集母猪后躯的三维点云数据，根

据外阴肿胀程度判断母猪的发情状况。不同发情母

通过判断母猪外阴肿胀程度可能会错过最佳配种

时机。庄晏榕等[46]基于公猪试情时大白母猪双耳

竖立的特征，构建了一种基于卷积神经网络的母猪

发情行为识别方法，并设定了发情时母猪双耳竖立

准确率高达93.33%；相较于红外行为传感器和加速

度传感器等方法，其性能有显著提升。但该方法需

要公猪试情，因此无法实现发情检测的自动化。

Lei等[47]研发了一套名为“测情机器猪”的装置，

的交互行为等发情特征，利用神经网络模型对大白

母猪的发情行为进行分类，研究发现发情期的母猪

会保持在较高水平。薛鸿翔等[48]设计了仿生公猪

机器人，内置公猪气味剂与模拟公猪发声器，采集

并分析母猪发情期与非发情期的交互行为特征，发

现母猪发情期较非发情期交互时长与频率均显著

提高；提出了一种基于改进YOLOv5s算法的经产

母猪发情快速检测方法，以20s作为发情检测阈值

时，发情检测特异性为89.1%、准确率为89.6%、灵

敏度为90.0%，该方法能够实现发情母猪快速检

测，并搭建了母猪智慧养殖大数据平台(图5)。

与非接触式传感器相比，基于机器视觉的算法

在捕捉母猪发情期间的行为和生理变化方面具有

显著优势。然而，受光照条件及母猪个体差异影

响，基于机器视觉监测母猪发情行为的准确率有待

进一步提升。现有的部分发情检测模型对硬件资源

有一定要求，未来需进一步结合云计算、边缘计算

等技术，实现发情检测数据的实时高效处理与分

析，从而推动智能模型从局部到全局的智能化落

地，实现工厂化养猪的高标准建设。

2.2母猪分娩监测技术

母猪分娩监测技术包括母猪分娩预警和分娩

全程监测。母猪分娩预警是指在母猪分娩前发出警

报，提醒饲养员做好接产有关准备工作，在一定程

度上避免母猪分娩时难产、仔猪窒息、温度过低等

情况[49]。母猪的产仔总数、活仔数、仔猪木乃伊数

巡检设备(搭载视频采集模块)

Inspectionequipment

(Equippedwithvideocapturemodule)

无线模块

Wirelessmodule

二级路由

Secondaryrouting

猪舍内

Insidethepigsty

模拟公猪声

Boar

vocalization

simulation

限位栏

2.3mFarrowingcrates公猪气味剂

Boarodorant

服务器

Server

网络硬盘录像机

Networkvideo

recorder

一级路由

Primaryrouting

猪舍外

Outsidethepigsty

图5查情机器人系统架构图(左)和母猪智慧养殖大数据平台(右)

Fig.5Thesystemarchitecturediagramofintelligencecheckingrobot(left)andthebigdataplatformforintelligentsow

breeding(right)

等反映了母猪的生产性能，对母猪的分娩行为进行

全程监测，有利于养殖人员筛选出品质优良的能繁

母猪，保证能繁母猪合理的存栏水平，促进我国养

猪业的健康发展。目前，母猪分娩的主要监测方式

为人工监测、接触式传感器监测、非接触式传感器

监测和计算机视觉监测等。

2.2.1人工监测实际生产中母猪的分娩监测通

常是由饲养员直接巡栏，对母猪的分娩行为进行观

察或者通过视频监控画面进行观察，该方法不仅耗

时费力，还无法做到全天候接产处理。此外，养殖

人员也可通过测量直肠和阴道温度、检查宫颈扩张

宽度、提取颈静脉血浆浓度等措施来预测母猪分娩

增加产道感染的风险，与动物福利养殖的理念相

悖。人工监测的优点在于饲养人员可以立即执行接

产工作，最大程度地保证母仔健康，缺点是需要人

2.2.2接触式传感器监测基于接触式传感器的

母猪分娩监测是指利用穿戴式传感器检测并分析

母猪的体征和行为数据。Cornou等[50]以群养母猪

为研究对象，利用三轴加速度传感器，结合多过程

卡尔曼滤波法将母猪的行为进行分类，其中，饮食、

侧卧和胸卧3种姿态的识别效果良好，并通过动态

等[51]通过多个传感器测量猪只的运动及饮水情况

判断母猪的分娩行为并进行预警，准确率达97%。

Traulsen等[52]设计的一种加速度耳标传感器能够监

测到母猪分娩前活动量增加，并提出2次分娩预

警，实现在分娩前6~8和1~2h启动预警装置。刘

龙申等[53]将三轴加速度传感器佩戴于母猪颈部，通

过K均值聚类算法对母猪分娩前的运动特征进行

监测，最终能够检测出母猪的典型行为，如躺卧、筑

巢、站立、吃料等，准确率达87.93%。然而，穿戴式

运动传感器可能在母猪活动过程中掉落。

2.2.3非接触式电子传感器监测基于非接触式

电子传感器的母猪分娩监测预警指的是利用光电

传感器、超声波传感器等无接触式设备对母猪分娩

行为进行研究。Manteuffel等[54]使用光电传感器，

通过动态线性模型及累积和的方法对母猪分娩行

为进行定性和定量预测，结果表明，使用单一光电

传感器的精度不如加速度传感器。张光跃等[55]利

用超声波传感器设计了一种基于K均值聚类算法

的母猪产前监测系统，该研究根据母猪头尾等不同

部位的活动距离对母猪行为进行分类，对母猪筑

巢、站立、侧卧等行为的识别准确率均达90%以

上。然而，非接触式电子传感器大多数还停留在试

验阶段，在实际养殖场的应用并不广泛。

2.2.4计算机视觉监测基于目标检测算法的母

猪分娩监测预警是指用摄影机和计算机代替人工

对目标进行检测、分类、跟踪等，建立一种从图像、

视频、多维数据中“感知”到有价值信息的人工智

能手段。也可以通过红外摄像机(IRC)测量猪的眼

睛、耳朵、阴户、乳腺等部位的体表温度来检测早期

疾病或预测分娩[56]。Küster等[57]基于动态背景减法

和光流法2种算法分析每只母猪的行为活动，将母

猪产前的活动分为3个阶段。该方法可在分娩前

4~6h预警，检测率达100%。Luo等[58]提出了一种

轻量级通道注意力模型对母猪的5种姿态进行检

测，该模型参数更少、计算复杂度更低，在CPU平

嵌入式人工智能计算平台(JetsonNano)的猪只目

标检测方法，并将深度学习目标探测器的速度和精

度提高至原来的8.7倍，降低了大型猪场的监控成

本。薛月菊等[60]采用改进的FasterR-CNN算法对

哺乳母猪各姿态进行识别，准确率达到93.25%。刘

龙申等[61]提出一种检测限位栏内仔猪的机器视觉

方法来检测母猪的分娩行为，提出半圆匹配算法和

改进的单高斯模型背景减除法，分别对目标进行分

割和检测，最后根据仔猪目标的颜色和面积特征进

行识别。张弛等[62]通过团序列检测算法和团序列

拼接算法设计了一个母猪分娩监测系统，该方法通

过对母猪图像分割和仔猪目标模板匹配，对母猪分

娩的识别准确率为95.5%。随着目标检测算法的发

展，利用YOLOv3网络可实现对初生仔猪目标的

实时检测，在验证集和测试集上的精确率分别达

到95.76%和93.84%，召回率分别为95.47%和

94.88%[63]。Chen等[64]随后又提出一种基于嵌入式

JetsonNano的产仔行为预警和监控方法，这种轻量

级的深度学习方法可以在边缘节点快速处理母猪

产仔视频数据，降低带宽需求并保证网络传输中的

数据安全；研究表明，该模型迁移到JetsonNano

后，母猪姿势和新生仔猪检测精度达93.5%，召回

率达92.2%，检测速度提升8倍以上，警告的平均

误差为1.02h，该系统运行界面如图6所示。

通过计算机视觉的监测方式具有持续性、对动

物无侵扰、架设相对容易、抗干扰能力强等特点，能

够及时对母猪分娩进行预警，减轻饲养员的工作负

担，也避免给母猪带来应激反应和感染疾病的风

险。未来需进一步优化，结合云计算等新技术，减

少误检、漏检等现象，也可开发配套养殖自动化机

641刘龙申，等：母猪精准养殖智能感知技术研究进展第5期

器人，实现现代化与智能化的工厂化养猪。

3母猪健康状态感知技术

随着养猪场规模化、集约化的快速发展，生猪

健康问题频发，已成为制约畜禽养殖业发展的瓶

颈。母猪作为生猪养殖过程中的核心个体，其健康

状况直接关系到繁殖效率、生长发育和疾病防控。

通过监测母猪的行为、体温、声音等的数据，可以及

时发现母猪健康问题并采取相应的管理和调控措

施，从而降低生产风险，保障养殖业的可持续发展

和食品安全。加强母猪健康状态感知技术的研究与

应用，对于推动生猪养殖业的现代化和产业升级具

有重要意义。

3.1行为信息感知

母猪在亚临床或临床症状出现之前，往往伴随

着行为的改变，以此反映疾病的预兆[65]。为确保母

猪健康、提高生产效益，国内外学者一直致力于母

猪行为自动化监测方法的探索与研究，广泛应用传

感器、机器视觉等技术[1]。佩戴式传感器因其技术

成熟，已成为检测母猪行为的常用工具之一。通过

监测、分析和挖掘母猪的运动参数，可以更好地掌

握母猪的行为模式。闫丽等[66]利用加速度传感器

持续监测不同姿态下的运动信号，建立了对应的特

征模型，用于识别母猪姿态和分娩前的高危行为。

刘龙申等[53]采用接触式项圈装置(图7)，配备无线

加速度传感器节点，收集母猪产前运动信息的各种

特征，并根据加速度曲线的波动性特点，用K均值

聚类算法实现对母猪典型行为的智能分类。

节点1

Node1

Zigbee

GPRS/3G节点2

Node2GPRS/3G手机

Mobilephone

网关

Gateway服务器

节点Servern

Noden

…

Internet

浏览器

Browser

图7接触式项圈装置

Fig.7Thedeviceofcontactcollar

佩戴式传感器由于需要长期与母猪接触，极易

导致母猪产生应激反应，损害养殖福利；此外，在实

际使用过程中，经常存在设备脱落、损坏等问题，难

以在大规模养殖场景下推广应用。近年来，随着机

器视觉技术在畜禽养殖领域的不断发展，非接触式

的母猪行为检测逐渐崭露头角[67]。利用图像处理和

视频理解技术等非接触式手段已成为集约化养殖

场景下的迫切需求和必然趋势。

母猪日常行为如采食、饮水和运动量的监测，

对于饲养和生长管理至关重要。Lao等[68]利用深度

相机对母猪的关键部位(头部、肩部、腹部、臀

部)与产床地面的平均距离以及母猪的身体属性、

产床结构进行检测，建立了母猪行为分类标准，并

从深度图像中挖掘猪只相对于产床的空间位置信

息，实现对母猪采食、饮水2种行为的准确检测。

Yang等[69]结合光流法和长短期记忆网络提出一种

新的框架，用于自动识别母猪在饮水、采食、哺乳以

及其他活动时的运动量。Wang等[70]结合卷积神经

网络和长短期记忆网络建立了母猪姿态检测模型，

能够准确检测母猪的胸卧、侧卧、站立和行走状态，

准确率达到了90.6%。

针对泌乳期母猪的哺乳行为，Yang等[71]利用

全卷积网络从俯视视角中分割出泌乳母猪，随后用

Otsu处理最后一层概率图的色调、饱和度等颜色信

息，用于细化全卷积网络输出；相比于传统的阈值

分割、背景建模等方法，该方法精度更高，达到

96.6%。甘海明等[72]基于MaskR-CNN、ResNet-101

和FPN(Featurepyramidnetwork)识别母猪姿态，通

过检测关键点获取母猪哺乳区域并提取时空特征，

最后利用串接卷积融合确定了母猪的哺乳情况。

猪只步态识别方面，Stavrakakis等[73]评估了

Kinect深度相机在识别猪只行走模式的有效性，

依据跛足猪具有明显的头部和颈部垂直位移幅度

增加等重要特征，在俯视视角下实现了跛行引起

图6母猪分娩报警系统运行图

Fig.6Thealarmsystemoperationdiagramofsowfarrowing

的异常行走模式识别。朱家骥等[74]基于星状骨架

模型，提出猪只步态分析方法，从关键轮廓点的运

动规律中挖掘前肢步态频率。刘波等[75]利用Kinect

相机采集生猪运动图像序列，根据肢体关键点的

前后帧相对坐标变化建立生猪运动模型，提取生

猪步频特征，为异常步态分析和异常行为预警奠

定基础。

也有学者基于母猪日常行为的变化情况判断

其是否发生异常。Zhang等[76]结合SSD(Singleshot

detection)和MobileNet开发出一种母猪行为实时

检测算法(SBDA-DL)，实现了饮水、排尿和爬跨行

为的检测，并自动分析行为的异常情况。Racewicz

等[77]将猪只行为与其生长环境和健康状况联系起

来，以确保动物养殖福利，并最终提高养殖效益。

3.2体温信息感知

体温是反映猪只生理健康状况的重要指标之

一。在许多猪只传染病的临床症状中，体温异常升

高往往比其他症状出现得更早。因此，实现自动化

体温监测能够及时发现猪只健康问题，降低疫病传

播和扩散风险。传统测温方法主要是人工使用兽用

水银体温计测量猪只的直肠温度。这种方法存在诸

多问题，不仅效率低、耗时费力，而且会给猪只造成

较大的应激，影响其健康状况；此外，人工测量还存

在人畜交叉感染的风险，不符合规模化养殖场对于

高效、安全和卫生管理的要求。因此，需要探索更

加高效、便捷且安全的猪只体温监测方法，以满足

现代养殖业的需求[49]。

国内外学者开展了基于接触式传感设备的猪

只体温监测系统研究，并取得一定成效。Krizanac

等[78]采用带有3个温度探头的插管，将其插入被

麻醉的母猪呼吸道实现体温监测。Andersen等[79]

采用带有温度传感器的电子耳标测量耳朵皮肤温

度，同时在猪的栏位上搭建网络摄像头用以捕获

猪只行为，研究耳部温度的昼夜变化节律，探究

体温与行为之间的联系。上述方法会在一定程度

上损害母猪福利，同时需要人工辅助操作，存在设

备维护困难等问题，难以在规模化养殖场中推广

应用。

无接触式猪只体温监测逐渐成为主流。柏广宇

等[80]以CC2430单片机作为节点硬件的主控器，配

合MLX90614红外温度传感器，测量母猪臀部温

度，建立温度补偿机制，探究臀部温度与直肠温度

其总体设计框图如图8所示。

1号测温节点

Temperature

measurementnode1

n号测温节点

measurementnoden

Zigbee3G网络

网关节点3Gnetwork

Gatewaynode

监控中心

Monitorcenter

m号测温节点

measurementnodem

2号测温节点

measurementnode2

图8猪只体温监测系统设计框图

Fig.8Thedesignblockdiagramofpigtemperaturemonitoringsystem

基于红外热成像技术进行非接触式体温检测

方法具有操作便捷、高精度等多种优势。Siewert

等[81]结合红外成像和差分ROI(Regionofinterest)

技术，用于猪只体温升高的早期检测，具有高特异

性和高灵敏度。此外，热红外技术还被广泛应用于

检测猪的疾病，Amezcua等[82]考虑到目前的视觉步

态评分系统存在耗时、评分差异大等问题，基于热

红外技术探究一种定量的猪群跛行检测方法，发现

患蹄部疾病的母猪与步态正常的母猪拓骨和指骨

温度具有显著差异。考虑到热红外成像设备灵敏度

易受环境因素影响，田浩楠等[83]利用FlukeTi27热

红外成像仪及配套软件获取猪只耳根温度，结合温

湿度、光照强度等环境因子，建立线性回归模型，拟

合猪只体温，平均误差为1.41%，为高精度的猪只

体温非接触式测量提供了解决方案。

3.3异常声音监测

猪只异常声音监测可以用于早期发现潜在的

疾病。一些呼吸道疾病在临床症状出现之前会使猪

只发出异常声音，通过监测异常声音，有助于防止

疾病的扩散和传播，规避养殖风险。国内外对于猪

只异常声音监测主要围绕咳嗽声展开。Ferrarif等[84]

通过分析猪只因肺部感染引起的咳嗽声的音频特

猪只咳嗽声自动监测系统，在一定程度上推动了猪

只咳嗽声智能监测技术的发展。Chung等[85]提取猪

643刘龙申，等：母猪精准养殖智能感知技术研究进展第5期

只声音的梅尔频率倒谱系数并作为支持向量机和

稀疏表示分类器的输入特征，监测猪只疾病，检出

率可达94%。国内对于异常声音尤其是咳嗽声的研

究起步较晚，但研究深度和广度近年来取得了长足

进步。徐亚妮等[86]依托曲线目标优化的思想提取

声音功率谱密度特征，并将该特征作为聚类中心，

利用改进的模糊C均值聚类算法对猪只的咳嗽声、

尖叫声进行分类，为猪只咳嗽声的检测提供了一种

简单、高效且可行的方法。马辉栋等[87]以线性预

测倒谱系数及差分、梅尔频率倒谱系数及差分作为

音频特征参数，搭建基于矢量量化(Vector

quantization，VQ)及隐马尔可夫模型(Hidden

markovmodel，HMM)的猪只咳嗽自动识别系统，

结合猪只咳嗽声音信号的特点，对端点检测算法进

行改进，实现了猪只咳嗽声的自动检测。董红松等[88]

采用基于离散余弦变换(Discretecosinetransform,

DCT)增强算法对含噪猪咳嗽声的信号进行处理，

采用经验模态分解(Empiricalmodedecomposition,

EMD)和小波包变换(Waveletpackettransform,

WPT)增强方法和DCT增强算法对去除风扇噪声

的效果进行对比，结果表明DCT增强算法能够更

好地分离猪只咳嗽声与风扇噪声信号。赵健等[89]

将深度信念神经网络与HMM模型相结合，以猪只

音频信号的梅尔频率特征作为输入，识别猪只的咳

嗽声。龚永杰等[90]利用改进后的梅尔倒频谱系数

(Melfrequencycepstralcoefficients，MFCC)提取猪

只的音频特征作为矢量化匹配算法的输入，识别猪

只咳嗽声，构建猪咳嗽声识别系统，实现猪呼吸道

疾病的预警。张振华等[91]以MFCC及其一阶差分

作为HMM模型的输入，实现猪只干咳声与湿咳声

的自动分类。黎宣等[92]提取猪只声音的短时能量

和MFCC，通过主成分分析法对特征参数进行降

维，并将降维后的特征参数作为模型深度信念网络

的输入，识别猪只咳嗽声。

除了传统的机器学习方法，基于卷积神经网络

的深度学习方法也被广泛应用于猪只异常声音

的检测。沈明霞等[93]基于深度神经网络，以

logFbank和MFCC及其一、二阶方差作为输入特

征，实现猪只咳嗽、喷嚏、鸣叫、呼噜等声音分类，

为呼吸道疾病监测提供支持(图9)。Yin等[94]将猪

只的声音信号转化为频谱图并作为AlexNet网络的

输入，实现猪只咳嗽声的自动分类。Shen等[95]将

MFCC与CNN相结合提取猪只声音特征并作为支

持向量机的输入，识别猪只咳嗽声。

梅尔滤波

Melfilter

取对数

Takelog

离散余弦变换

Discretecosine

transform

滤波器组Filterbank

梅尔频谱倒谱系数

Melspectrumcepstralcoefficient

三维数组

Three-dimensionarray

预加重、加窗

Pre-weight,addwindow

O

L

L2

+

ReLU

N×64×3

DFSMN

Conv

评价指标

Evaluatingindice

混淆矩阵

Confusion

matrix

结果

Result

01234

0

0.5

0幅值

/NAmplitude幅度Range

短时能量Short-timeenergy短时过零率Shorttimezerocrossingrate

1.0

20

246810

声音识别

Voice

最优模型recognition

Bestmodel

短时傅里叶变换

Short-timeFouriertransform

图9基于深度神经网络的异常声音识别系统框架图

Fig.9Theframeworkdiagramofabnormalsoundrecognitionsystembasedondeepneuralnetwork

4存在的问题与发展趋势

4.1存在的问题

国内外关于母猪生长、繁殖、健康等信息感知

技术研究报道较多，这些技术的研究与应用对于提

升母猪生产力、改善健康管理、减少人员工作量、降

低养殖成本具有重要意义，促进了母猪养殖智能化

发展。然而，受“非洲猪瘟”的影响以及养殖环境

复杂、个体差异大等原因，我国规模化养猪工厂中

母猪精准养殖信息感知技术的推广应用仍存在一

些问题。

1)母猪生长信息检测精度有待进一步提升。目

前，针对母猪体质量、体尺、体况的智能检测技术研

究主要采用2D图像识别和3D点云处理的方式，

在猪舍复杂环境、猪只体型姿态多变以及高度、角

度难于统一的条件下，采用2D图像处理的方式检

测母猪生长信息精度不高，而3D点云数据量大，前

端边缘计算困难。国内外学者对母猪生长信息感知

技术研究主要针对母猪体质量、体尺、体况等指标

检测，与精准饲喂、智能选育、发情和分娩综合管理

关联研究较少。

2)适宜母猪生产管理的繁殖行为监测设备规

模化应用少。目前规模化猪场中对后备母猪的发情

检测主要采用人工巡查方式，对经产母猪的发情和

分娩管理多采用批次化处理方式，现有的母猪查情

机器人研发还处于试验测试阶段，规模化推广应用

还需要与复杂养殖环境和实际管理流程等相结合，

以提高应用的可操作性和适宜性。母猪分娩智能监

测系统已有小范围的试用和测试，大规模使用还需

要进一步提高设备安装维护的便捷性和系统稳定性。

3)基于多源数据融合的母猪健康状况监测技

术有待进一步研究。对体温、行为、声音等单项指

标检测受检测精度的影响，容易造成母猪健康误识

别和误报的问题，导致错误的健康评估和不恰当的

干预措施。虽然各种传感器能够收集大量数据，如

生理、行为和环境数据，但如何有效整合和分析这

些数据，并准确判断母猪的健康状况仍是一个挑

战。需要更高级的数据分析技术和算法来提高诊断

的准确性。另外，设备的耐用性、适应性和成本也

是智能感知技术推广应用的主要障碍之一。

4.2未来发展趋势

智能感知技术在母猪健康养殖方面具有巨大

的应用潜力和发展前景。通过对母猪生长、繁殖、

健康等方面的综合监测，从而进行精准饲喂和管

理，可以显著提升母猪的养殖效率和经济效益。未

来的研究需要在提高传感器的精度和稳定性、优化

算法模型的鲁棒性、感知技术与养殖工艺融合等方

面进行深入探索，以推动智能感知技术在母猪精准

养殖中的广泛应用。

1)利用云边协同技术确保母猪生长信息检测

的高效性。随着图像识别和深度学习技术的发展，

通过机器视觉技术实时监测母猪的生长信息成为

可能。未来的研究可以集中在利用云边协同技术提

升图像和三维点云数据处理的精度和速度，实现更

准确地识别母猪的体质量、体尺、体况等重要生长

参数，并结合环境因素、饲喂量等数据，通过智能算

法优化饲喂策略，实现对每头母猪个体化的精准饲

养管理。

2)融合多元数据提高母猪繁殖行为智能巡检

技术装备的实用性。利用机器视觉、深度学习和机

器人等技术装备，分析母猪的行为模式，早期识别

母猪发情和分娩行为将对提高母猪的繁殖效率和

减少仔猪的死亡率提供重要支持。由于经产母猪发

易受到环境影响，导致发情检测难度大、母猪误配

率高，母猪分娩前筑窝行为个体差异大，因此未来

的研究重点是融合嗅觉、听觉、视觉及触觉等多元

数据，实现母猪的自动诱情和分娩行为智能检测，

并与猪场管理系统有效结合提高系统的实用性。

3)基于大数据分析技术进行母猪健康管理优

化。母猪的健康状况直接影响其生长和繁殖表现。

备、移动终端等智能感知技术综合利用，实时监测

和预测母猪的健康状态。通过收集母猪的生理、行

为以及环境等数据，结合大数据分析和人工智能算

法，早期预警可能出现的健康和繁殖问题，及时进

行干预和治疗。此外，智能感知技术在疫病预防、

药物投放等方面的应用也是未来的研究热点。

丰崇林,赵正侣,周国泰,等.非洲猪瘟防控常态下生猪

疫病防控工作的思考[J].今日畜牧兽医,2022,38(9):

27-28.

贾智宁,翟海华,苏红,等.中美生猪养殖管理与生物安

全操作情况对比[J].中国动物检疫,2021,38(5):37-42.

李南西,何晓涛,周元清.中外畜牧业氨减排政策与技

术比较[J].中国畜牧业,2024(2):41-42.

王怀禹.我国养猪智能化发展研究与应用进展[J].猪业

科学,2021,38(9):38-41.

[6]张利娟,张亮.智能化检测方法在母猪发情鉴定中的应

645刘龙申，等：母猪精准养殖智能感知技术研究进展第5期

用[J].猪业科学,2019,36(11):114-116.

王晨阳,任志强,庞卫军.智能感知技术在猪饲养管理

中的应用研究进展[J].养猪,2020(6):82-88.

张东伟,刘则学,王向明.妊娠后期母猪体况评分、背

膘厚度及胎次对繁殖性能的影响[J].畜牧与饲料科学,

2023,44(6):94-99.

严劲涛.计算机视觉技术在智能养猪中的研究进展[J].

中国畜牧杂志,2019,55(12):38-42.

周书伟,朱中平,彭天舒.母猪体况管理关键控制点及

注意事项[J].今日养猪业,2023(6):62-65.

KNAUERMT,BAITINGERDJ.Thesowbodyconditioncaliper[J].AppliedEngineeringinAgriculture,2015,

31(2):175-178.

刘红刚,张丽慧,钟林忆,等.基于数字孪生的智慧猪场

管理平台设计与应用研究[J].现代农业装备,2022,

43(6):38-44.

相学敬.畜牧兽医领域中营养管理对动物生产性能的

影响研究[J].吉林畜牧兽医,2024,45(1):145-147.

XUEH,SUNY,CHENJ,etal.CAT-CBAM-Net:An

automaticscoringmethodforsowbodyconditionbased

onCNNandtransformer[J].Sensors,2023,23(18):7919.

HEH,CHENC,ZHANGW,etal.BodyconditionscoringnetworkbasedonimprovedYOLOX[J].PatternAnalysisandApplications,2023,26(3):1071-1087.

LIUZ,CHENX,PANB,etal.StudyonpigbodyconditionscoringbasedondeeplearningmodelEfficientNetB0[J].AcademicJournalofComputing&Information

Science,2023,6(6):156-162.

滕光辉,申志杰,张建龙,等.基于Kinect传感器的无接

触式母猪体况评分方法[J].农业工程学报,2018,

34(13):211-217.

WHITTEMORECT,SCHOFIELDCP.Acaseforsize

andshapescalingforunderstandingnutrientuseinbreedingsowsandgrowingpigs[J].LivestockProductionScience,2000,65(3):203-208.

胡肄农,仇振升,朱红宾,等.一种牛动态称重系统的研

发[J].中国畜禽种业,2023,19(10):51-54.

WANGY,YANGW,WALKERLT,etal.Enhancing

theaccuracyofareaextractioninmachinevision-based

pigweighingthroughedgedetection[J].International

JournalofAgriculturalandBiologicalEngineering,2008,

1(1):37-42.

BANHAZITM,TSCHARKEM,FERDOUSWM,et

al.Improvedimageanalysisbasedsystemtoreliablypredicttheliveweightofpigsonfarm:Preliminary

results[J].AustralianJournalofMulti-disciplinaryEngineering,2011,8(2):107-119.

张凯,王春光,刘涛,等.基于计算机视觉技术育肥猪体

重分析研究[J].农机化研究,2017,39(5):32-36.

武尧,刘振宇,谷亚宁,等.基于机器视觉的母猪体重估

测[J].电子技术与软件工程,2020(1):100-101.

ZHANGJ,ZHUANGY,JIH,etal.Pigweightandbody

sizeestimationusingamultipleoutputregressionconvolutionalneuralnetwork:Afastandfullyautomaticmeth-

od[J].Sensors,2021,21(9):3218.

LIG,LIUX,MAY,etal.Bodysizemeasurementand

livebodyweightestimationforpigsbasedonbacksurfacepointclouds[J].BiosystemsEngineering,2022,218:

10-22.

[25]

LIUZ,HUAJ,XUEH,etal.Bodyweightestimationfor

pigsbasedon3Dhybridfilterandconvolutionalneural

network[J].Sensors,2023,23(18):7730.

CANGY,HEH,QIAOY.Anintelligentpigweightsestimatemethodbasedondeeplearninginsowstallenvironments[J].IEEEAccess,2019,7:164867-164875.

刘波,朱伟兴,霍冠英.生猪轮廓红外与光学图像的融

合算法[J].农业工程学报,2013,29(17):113-120.

刘同海,滕光辉,付为森,等.基于机器视觉的猪体体尺

测点提取算法与应用[J].农业工程学报,2013,29(2):

161-168.

杜晓冬,李笑笑,樊士冉,等.生猪体尺检测和体重预估

方法研究进展[J].中国畜牧杂志,2023,59(1):41-46.

李卓,杜晓冬,毛涛涛,等.基于深度图像的猪体尺检测

系统[J].农业机械学报,2016,47(3):311-318.

尹令,蔡更元,田绪红,等.多视角深度相机的猪体三维

点云重构及体尺测量[J].农业工程学报,2019,35(23):

201-208.

程维波,吴德胜,李辉,等.母猪智能化精准饲喂系统研

究现状及展望[J].农业工程,2021,11(3):37-42.

戴江河,张军,王秀锦,等.烯丙孕素对初产断奶母猪发

情影响的试验[J].猪业科学,2022,39(2):112-113.

肖非.浅谈规模化猪场母猪繁殖管理的要点[J].今日养

猪业,2023(4):10-11.

丁兆忠,韩慕俊,吴忠良.母猪的发情鉴定与适时配种

[J].山东畜牧兽医,2014,35(2):32.

赵云翔,邓浩辉,黄山珊,等.丹系母猪断奶后发情和排

卵规律的研究[J].畜牧与兽医,2018,50(4):13-16.

JOHNSONJS,SHADEKA.Characterizingbodytemperatureandactivitychangesattheonsetofestrusinreplacementgilts[J].LivestockScience,2017,199:22-24.

王凯,刘春红,段青玲.基于MFO-LSTM的母猪发情行

为识别[J].农业工程学报,2020,36(14):211-219.

CHENP,YIND,YANGB,etal.Afusionfeatureforthe

oestroussowsoundidentificationbasedonconvolutional

neuralnetworks[J].JournalofPhysics:Conference

Series,2022,2203:012049.

WANGY,LIS,ZHANGH,etal.AlightweightCNNbasedmodelforearlywarninginsowoestrussoundmonitoring[J].EcologicalInformatics,2022,72:101863.

FRESONL,GODRIES,BOSN,etal.Validationofan

infra-redsensorforoestrusdetectionofindividually

housedsows[J].ComputersandElectronicsinAgriculture,1998,20(1):21-29.

CORNOUC,VINTHERJ,KRISTENSENAR.Automaticdetectionofoestrusandhealthdisordersusingdata

fromelectronicsowfeeders[J].LivestockScience,2008,

118(3):262-271.

[44]SEOK,MINB,KIMD,etal.Estrusdetectioninsows

basedontextureanalysisofpudendalimagesandneural

networkanalysis[J].JournalofBiosystemsEngineering,

2012,37(4):271-278.

XUZ,SULLIVANR,ZHOUJ,etal.Detectingsow

vulvasizechangearoundestrususingmachinevision

technology[J].SmartAgriculturalTechnology,2023,3:

100090.

庄晏榕,余炅桦,滕光辉,等.基于卷积神经网络的大白

母猪发情行为识别方法研究[J].农业机械学报,2020,

51(S1):364-370.

LEIK,ZONGC,DUX,etal.Oestrusanalysisofsows

basedonbionicboarsandmachinevisiontechnology[J].

Animals,2021,11(6):1485.

[47]

薛鸿翔,沈明霞,刘龙申,等.基于改进YOLOv5s的经

产母猪发情检测方法研究[J].农业机械学报,2023,

54(1):263-270.

沈明霞,刘龙申,闫丽,等.畜禽养殖个体信息监测技术

研究进展[J].农业机械学报,2014,45(10):245-251.

CORNOUC,LUNDBYE-CHRISTENSENS.Classifyingsows’activitytypesfromaccelerationpatterns:anapplicationofthemulti-processKalmanfilter[J].Applied

AnimalBehaviourScience,2008,111(3/4):262-273.

APARNAU,PEDERSENLJ,JRGENSENE.Hidden

phase-typeMarkovmodelforthepredictionofonsetof

farrowingforloose-housedsows[J].ComputersandElectronicsinAgriculture,2014,108:135-147.

TRAULSENI,SCHEELC,AUERW,etal.Usingaccelerationdatatoautomaticallydetecttheonsetoffarrowinginsows[J].Sensors,2018,18(1):170.

刘龙申,沈明霞,姚文,等.基于加速度传感器的母猪产

前行为特征采集与分析[J].农业机械学报,2013,44(3):

192-196.

MANTEUFFELC,HARTUNGE,SCHMIDTM,etal.

Towardsqualitativeandquantitativepredictionanddetectionofparturitiononsetinsowsusinglightbarriers[J].

ComputersandElectronicsinAgriculture,2015,116:

201-210.

张光跃,刘龙申,沈明霞,等.基于超声波的母猪产前行

为监测系统设计[J].中国农业大学学报,2017,22(8):

109-115.

钟艳.母猪的分娩预测及管理[J].饲料博览,2019(6):

83.

KüSTERS,KARDELM,AMMERS,etal.Usageof

computervisionanalysisforautomaticdetectionofactivitychangesinsowsduringfinalgestation[J].Computers

andElectronicsinAgriculture,2020,169:105177.

LUOY,ZENGZ,LUH,etal.Posturedetectionofindividualpigsbasedonlightweightconvolutionneuralnetworksandefficientchannel-wiseattention[J].Sensors,

2021,21(24):8369.

SEOJ,AHNH,KIMD,etal.EmbeddedPigDet:Fast

andaccuratepigdetectionforembeddedboardimplementations[J].AppliedSciences,2020,10(8):2878.

[60]薛月菊,朱勋沐,郑婵,等.基于改进FasterR-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.

刘龙申,沈明霞,柏广宇,等.基于机器视觉的母猪分娩

检测方法研究[J].农业机械学报,2014,45(3):237-242.

张弛,沈明霞,刘龙申,等.基于机器视觉的新生仔猪目

标识别方法研究与实现[J].南京农业大学学报,2017,

40(1):169-175.

沈明霞,太猛,CEDRICO,等.基于深层卷积神经网络

的初生仔猪目标实时检测方法[J].农业机械学报,

2019,50(8):270-279.

CHENJ,ZHOUJ,LIUL,etal.Sowfarrowingearly

warningandsupervisionforembeddedboardimplementations[J].Sensors,2023,23(2):727.

MELLORDJ.Updatinganimalwelfarethinking:Movingbeyondthe“fivefreedoms”towards“alifeworthliving”[J].Animals,2016,6(3):21.

闫丽,沈明霞,姚文,等.基于MPU6050传感器的哺乳

期母猪姿态识别方法[J].农业机械学报,2015,46(5):

279-285.

WURTZK,CAMERLINKI,DEATHRB,etal.Recordingbehaviourofindoor-housedfarmanimalsautomaticallyusingmachinevisiontechnology:Asystematic

review[J].PloSOne,2019,14(12):e0226669.

LAOF,BROWN-BRANDLT,STINNJP,etal.Automaticrecognitionoflactatingsowbehaviorsthrough

depthimageprocessing[J].ComputersandElectronicsin

Agriculture,2016,125:56-62.

[68]

YANGA,HUANGH,ZHENGB,etal.Anautomatic

recognitionframeworkforsowdailybehavioursbasedon

motionandimageanalyses[J].BiosystemsEngineering,

2020,192:56-71.

WANGM,LARSENM,BAYERF,etal.APCA-based

frameselectionmethodforapplyingCNNandLSTMto

classifyposturalbehaviourinsows[J].Computersand

ElectronicsinAgriculture,2021,189:106351.

YANGA,HUANGH,ZHENGC,etal.High-accuracy

imagesegmentationforlactatingsowsusingafullyconvolutionalnetwork[J].BiosystemsEngineering,2018,

176:36-47.

甘海明,薛月菊,李诗梅,等.基于时空信息融合的母猪

哺乳行为识别[J].农业机械学报,2020,51(S1):357-

363.

STAVRAKAKISS,LIW,GUYJH,etal.Validityof

theMicrosoftKinectsensorforassessmentofnormal

walkingpatternsinpigs[J].ComputersandElectronicsin

Agriculture,2015,117:1-7.

朱家骥,朱伟兴.基于星状骨架模型的猪步态分析[J].

江苏农业科学,2015,43(12):453-457.

刘波,朱伟兴,杨建军,等.基于深度图像和生猪骨架端

点分析的生猪步频特征提取[J].农业工程学报,2014,

30(10):131-137.

ZHANGY,CAIJ,XIAOD,etal.Real-timesowbehaviordetectionbasedondeeplearning[J].Computersand

ElectronicsinAgriculture,2019,163:104884.

[76]

647刘龙申，等：母猪精准养殖智能感知技术研究进展第5期

RACEWICZP,LUDWICZAKA,SKRZYPCZAKE,et

al.Welfarehealthandproductivityincommercialpig

herds[J].Animals,2021,11(4):1176.

[77]

KRIZANACD,HAUGKM,STERZF,etal.Tracheal

temperatureformonitoringbodytemperatureduringmild

hypothermiainpigs[J].Resuscitation,2010,81(1):87-

92.

[78]

ANDERSENHM,JRGENSENE,DYBKJRL,etal.

Theearskintemperatureasanindicatorofthethermal

comfortofpigs[J].AppliedAnimalBehaviourScience,

2008,113(1/2/3):43-56.

[79]

柏广宇,刘龙申,沈明霞,等.基于无线传感器网络的母

猪体温实时监测节点研制[J].南京农业大学学报,

2014,37(5):128-134.

[80]

SIEWERTC,DNICKES,KERSTENS,etal.Differencemethodforanalysinginfraredimagesinpigswith

elevatedbodytemperatures[J].ZeitschriftFürMedizinischePhysik,2014,24(1):6-15.

[81]

AMEZCUAR,WALSHS,LUIMESPH,etal.Infrared

thermographytoevaluatelamenessinpregnantsows[J].

TheCanadianVeterinaryJournal,2014,55(3):268.

[82]

田浩楠,华婧伊,张少帅,等.基于红外热成像与线性回

归拟合的母猪体温检测技术研究[J].智能化农业装备

学报(中英文),2023,4(1):36-41.

[83]

FERRARIS,SILVAM,GUARINOM,etal.Cough

soundanalysistoidentifyrespiratoryinfectioninpigs[J].

ComputersandElectronicsinAgriculture,2008,64(2):

318-325.

[84]

CHUNGY,OHS,LEEJ,etal.Automaticdetectionand

recognitionofpigwastingdiseasesusingsounddatain

audiosurveillancesystems[J].Sensors,2013,13:12929-

12942.

[85]

徐亚妮,沈明霞,闫丽,等.待产梅山母猪咳嗽声识别算

法的研究[J].南京农业大学学报,2016,39(4):681-687.

[86]

马辉栋,刘振宇.语音端点检测算法在猪咳嗽检测中的

应用研究[J].山西农业大学学报(自然科学版),2016,

36(6):445-449.

[87]

董红松,刘振宇,马辉栋,等.语音增强在去除猪咳嗽噪

声中的应用研究[J].山西农业大学学报(自然科学版),

2017,37(11):831-836.

[88]

赵建,黎煊,刘望宏,等.基于DNN-HMM声学模型的

连续猪咳嗽声识别[J].农业工程技术,2020,40(30):93.

[89]

[90]龚永杰,黎煊,高云,等.基于矢量量化的猪咳嗽声识别

[J].华中农业大学学报,2017,36(3):119-124.

张振华,田建艳,王芳,等.猪咳嗽声特征参数提取与识

别的研究[J].黑龙江畜牧兽医,2017(23):18-22.

[91]

黎煊,赵建,高云,等.基于深度信念网络的猪咳嗽声识

别[J].农业机械学报,2018,49(3):179-186.

[92]

沈明霞,王梦雨,刘龙申,等.基于深度神经网络的猪咳

嗽声识别方法[J].农业机械学报,2022,53(5):257-266.

[93]

YINY,TUD,SHENW,etal.Recognitionofsickpig

coughsoundsbasedonconvolutionalneuralnetworkin

fieldsituations[J].InformationProcessinginAgriculture,

2021,8(3):369-379.

[94]

SHENW,TUD,YINY,etal.Anewfusionfeature

basedonconvolutionalneuralnetworkforpigcoughrecognitioninfieldsituations[J].InformationProcessingin

Agriculture,2021,8(4):573-580.

[95]

刘龙申，博士，副教授。现任

江苏智慧牧业装备科技创新中心副

主任，农业农村部养殖装备重点实

验室骨干成员，中国畜牧兽医学会

信息技术分会委员，中国农业机械

学会青年工作委员会委员，联合国

粮食及农业组织(FAO)“动物疾病早期检测”专家

库成员。研究方向为畜禽精准养殖智慧管控技术

装备，针对我国畜禽养殖装备智能化水平低、动

物健康福利条件差等关键性问题，研究了围产期

母猪行为智能检测、母猪分娩监测预警技术、仔

猪行为识别及健康评估技术等，建立了母仔猪一

体化管控平台，创制了围产期母猪智能精准饲喂

装备，全面提高了仔猪存活率和母仔猪健康福利

水平。主持国家及省部级科研项目10余项，包括

国家自然科学基金面上项目、青年基金、国家重

点研发计划子课题等。2019年入选了江苏省高层

次创新创业人才引进计划。在《Computersand

ElectronicsinAgriculture》《Biosystems

Engineering》等学术权威杂志上发表论文10余

篇，获得国家专利及软件著作权16项，荣获江苏

省科学技术二等奖等省部级奖励5项。

宋怀波,王云飞,邓洪兴,等.基于视频分析的规模化奶牛智能监测技术研究进展[J].华南农业大学学报,2024,45(5):649-660.

SONGHuaibo,WANGYunfei,DENGHongxing,etal.Researchprogressofintelligentmonitoringtechnologyforlarge-scaledairycowsbasedonvideo

analysis[J].JournalofSouthChinaAgriculturalUniversity,2024,45(5):649-660.

宋怀波，王云飞，邓洪兴，许兴时，温毓晨，张姝瑾

(农业农村部农业物联网重点实验室/西北农林科技大学机械与电子工程学院,陕西杨凌712100)

摘要:奶牛智能监测是规模化奶牛养殖的重要环节，视频分析技术具备无接触、低成本及智能分析优势，已成为

当前规模化奶牛智能监测技术研究的热点。奶牛目标检测、目标跟踪以及个体和行为识别技术对规模化奶牛监

管具有重要意义，复杂养殖环境中的光照、昼夜交替变化、围栏遮挡以及牛群数量繁多导致的相互遮挡是影响

规模化奶牛智能监测的重要因素。本文对基于视频分析的奶牛智能监测技术研究中常用的深度模型及应用情况

进行综述，提出了当前研究中面临的问题与挑战。分析发现，注意力机制、混合卷积等技术是提高模型识别准确

率的有效方法，轻量化模块有利于减少模型的复杂度与计算量；计算复杂度、普适性、准确性等是影响该技术推

广应用的因素；具体应用时，需要针对奶牛养殖环境、奶牛状况等进行具体分析以不断满足规模化养殖的需求。

关键词:奶牛；智能监测技术；目标检测；深度学习；机器视觉；畜牧养殖

Researchprogressofintelligentmonitoringtechnologyfor

large-scaledairycowsbasedonvideoanalysis

SONGHuaibo,WANGYunfei,DENGHongxing,XUXingshi,WENYuchen,ZHANGShujin

(KeyLaboratoryofAgriculturalInternetofThings,MinistryofAgricultureandRuralAffairs/CollegeofMechanical

andElectronicEngineering,NorthwestA&FUniversity,Yangling712100,China)

Abstract:Cowintelligentmonitoringisanimportantlinkinlarge-scaledairyfarming.Videoanalysishasthe

advantagesofcontactless,low-cost,andintelligentanalysis,andhasbecomeahotspotintheresearchof

intelligentidentificationtechnologyoflarge-scaledairycows.Dairycowtargetdetection,targettracking,and

thetechnologiesofindividualandbehaviorrecognitionareofgreatsignificanceforlarge-scaledairycow

supervision.Lighting,dayandnightalternations,fenceocclusionandmutualocclusioncausedbylargenumber

ofcowsincomplexbreedingenvironmentareseriousfactorsaffectingtheintelligentmonitoringoflarge-scale

dairycows.Thispapersummarizedthedepthmodelsandpracticalapplicationcommonlyusedincowintelligent

monitoring.Theproblemsandchallengesfacedinthecurrentresearchwereputforward.Theanalysisresult

showedthattheattentionmechanismandhybridconvolutionwereeffectivemethodstoimprovetherecognition

accuracyofthemodel,andthelightweightmoduleswereconducivetoreducingthecomplexityandcomputation

ofthemodel.Thefactorsthataffectedthecurrentresearchtobepracticalwerecomputationalcomplexity,

基金项目：国家重点研发计划(2023YFD1301800)；国家自然科学基金(32272931)；陕西省农业重点核心技术项目

(2023NYGG005)

华南农业大学学报JournalofSouthChinaAgriculturalUniversity2024,45(5):649-660DOI:10.7671/j.issn.1001-411X.202403038

universalityandaccuracy.Itisnecessarytoconductspecificanalysesbasedonthedairyfarmingenvironment

andtheconditionofdairycowstocontinuouslymeettheneedsoflarge-scalefarmingwhileapplyingthis

technology.

Keywords:Dairycattle;Intelligentmonitoringtechnology;Objectidentification;Deeplearning;Machine

vision;Livestockbreeding

规模化奶牛养殖是利用现代化技术大批量奶

牛聚集养殖的方式，采用现代化手段辅助养殖人员

管理牛场以提高养殖效率与效益，是未来奶牛养殖

业发展的重要方向[1-2]。规模化养殖凭借其规模优势

可以有效降低饲料浪费、减少环境污染等，目前牛

场的监管方式大多是由人工监管，信息化、数字化

程度较低，随着奶牛养殖规模的不断扩展，对监管

人员的工作要求也不断增加。研发基于视频分析的

奶牛智能监测技术，可以有效提高奶牛养殖信息

化、数字化、智能化水平，进而促进当前奶牛养殖业

转型升级和提质增效，对规模化奶牛养殖有重要价

值[3-4]。本文分析了2014—2024年奶牛目标检测、

目标跟踪、个体识别和行为识别4个研究方向的文

献，以此为基础总结了当下研究的优势与不足，最

后对未来技术的发展进行了展望，以期为规模化奶

牛智能监测技术提供思路与借鉴。

1奶牛智能监测技术

如图1所示，基于视频分析的奶牛智能监测是

规模化奶牛养殖中的重要环节[5-8]。奶牛目标检测可

用于牛只计数，辅助了解牛场运营状况。奶牛目标

跟踪可以了解牛只行动轨迹，判断其运动情况与健

康信息[9-10]。奶牛个体识别可以获取奶牛身份信息，

进行奶牛精细化管理。奶牛行为识别可以有效发现

奶牛早期疾病并及时医治[11-12]

；奶牛进食、饮水、反

刍等行为可以反映奶牛的健康状况[13-14]。

基于视频分析的规模化奶牛智能监测

Intelligentmonitoringoflarge-scaledairycowsbasedonvideoanalysis

奶牛目标检测Cowtargetdetection

奶牛目标跟踪Cowtargettracking

奶牛行为识别Cowbehaviorrecognition

0%

20%

40%

60%

80%

100%confidence

奶牛计数Cowcounting

奶牛轨迹Cowtrack

奶牛身份查找Cowidentitysearch

奶牛健康分析Cowhealthanalysis

FeedingDrinkingLyingStandingWalking

奶牛个体识别Cowindividualidentification

信息采集

Information

collection摄像机

Vidicon

TPTPTP

TP

HDD

移动端

Mobileterminal

交换机

Exchange

路由器

Router

工作站

Workstation

DVR

发射器

Emitter

接收器

Acceptor

信息传输

信息存储

storage

远程访问

Remote

access

图1奶牛智能监测技术

Fig.1Intelligentmonitoringtechnologyforcows

奶牛目标检测是指在场景中检测奶牛目标的

技术，它可以帮助进行牛群计数、牛群动向分析

等。依靠人工肉眼观察大规模牛群的准确率较低，

智能项圈或耳标可以进行奶牛的目标检测，但应用

成本较高[15]。早期部分研究者使用分割算法，通过

将奶牛目标从牛场背景中分割实现奶牛的识别，但

这些方法受到光照、参数设定的影响较大，对于不

同的应用场景效果尚需提高[16-17]。使用深度学习模

型可以有效地解决目标检测的普适性问题[18-19]。在

奶牛目标检测方法研究中，遮挡奶牛目标、昼夜奶

牛目标检测等都是重要的研究方向；同时，针对深

度学习模型需要较大计算资源的问题，为应对实际

使用过程中牛场计算资源有限的问题，奶牛目标检

测模型剪枝、轻量化也是重要的研究方向。

奶牛目标跟踪是指跟踪特定奶牛目标，它可以

应用于发情奶牛、患病奶牛的跟踪以观察其健康状

况，也可以用于观察奶牛特定身体部位以汇聚奶牛

子滤波算法等对视频进行处理，在每一帧中分割出

奶牛目标，最后合成出奶牛运动视频，实现跟踪。

传统奶牛目标跟踪方法存在普适性问题，大多数适

用于单一目标，对奶牛多目标跟踪是其重大难题[14]。

针对该问题，深度学习模型被用于训练以有效提取

目标特征，避免了人工设计特征提取方式的局限[20-21]

；

合增强了跟踪的准确性。在奶牛目标跟踪中，跟踪

关系着跟踪算法的实用性。

奶牛个体识别是识别与跟踪目标身份的辨识

技术，它可以有效帮助牛场管理人员获取目标奶牛

信息。传统方式依靠给奶牛佩戴耳标或一些特殊颜

色项圈进行身份识别，这种方式工作量大经济成本

高，容易引起奶牛的应激反应，耳标、项圈的丢失或

损坏也会导致身份信息的丢失。刘渊等[15]使用图

像对比的人工特征提取方式判别2幅奶牛图像以

获取其身份信息，该方式效率较低。何东健等[22]

基于深度学习目标检测算法用于奶牛个体身份识

别，但仅能识别经过模型训练的奶牛图像，即仅适

用于闭集，对于新加入的奶牛无法实现个体识别。

针对该问题，度量学习、重识别技术等在奶牛个体

识别研究中获得了重视，拓展了奶牛个体识别技术

的实用性[23]。目前奶牛个体识别技术受限于奶牛图

像的拍摄视角等，需要重点提高准确率以满足实际

生产使用。

奶牛行为识别是指监测分析奶牛行为的技术，

它可以帮助发现奶牛的早期疾病(如跛行)、奶牛发

情产犊等。奶牛的部分行为是隐晦且难以观察到

的，依靠人工仅能对规律性行为进行监测。早期研

究者通过给奶牛佩戴智能颈圈、耳标、脚环等测定

奶牛运动量及生物量来记录奶牛行为，但这种方式

误差较大且成本高。也有研究通过传统跟踪算法观

测奶牛行为，但普适性较差。基于视频的行为识

得出正确行为。针对上述问题,有研究者利用长短

期记忆网络(Longshort-termmemory,LSTM)的记

忆性以及循环神经网络(Recurrentneuralnetwork,

RNN)的循环性来提高模型准确率[24-25]。Wang等[26]

采用3D卷积进行奶牛的行为识别并取得了不俗的

效果。目前的研究大多是基于完整行为视频序列的

全天候奶牛视频，模型对多行为不断变化的适应性

较弱。

1.1奶牛目标检测

奶牛目标检测技术大致可以分为传统奶牛目

标检测方法和基于深度学习的奶牛目标检测方法

(表1)。传统奶牛目标检测方法采用人工设计的特

征提取方式，通过对奶牛进行细致的观察，利用脸

部、背部、侧面、鼻部等特征将奶牛与背景进行区分，

实现奶牛目标的识别；基于深度学习的方法将人工

设计的特征提取方式替换为深度卷积神经网络，利

用大量的奶牛图像训练网络，进而有效地提取奶牛

特征，最后根据网络提供的候选框结合非极大值

抑制(Non-maximumsuppression，NMS)、交并比

(Intersectionoverunion，IOU)等阈值判定将奶牛目

标区域在图像中框出，从而实现奶牛目标的识别。

传统方法受环境因素影响较大因而普适性较差，

近年来，基于深度学习的奶牛目标检测方法占据主流。

Table1Researchontargetrecognitionofdairycow

方法Method技术要点Technicalessential结果Result文献Literatrue

传统图像处理

Traditionalimage

基于递归背景建模思想模型精度最高为95.00%[27]

高斯混合模型及卷积神经网络相结合准确率为99.81%[22]

基于Horn-Schunck光流法检测充盈率为98.51%[14]

基于无参核密度估计背景建模方法识别准确率为95.65%[28]

基于深度学习模型

Methodsbasedondeep

learningmodel

人工设计的四层卷积神经网络准确率为89.95%[29]

利用RGB-D图像训练卷积神经网络识别准确率为93.65%[30]

改进MaskR-CNN模型模型精度最高为100%[31]

基于粒子滤波算法准确率为89.00%[32]

基于YOLO算法准确率为66.00%[23]

基于YOLOv5模型准确率为90.00%[33]

设计YOLOv5-ASFF模型准确率为96.20%[35]

利用CBAM注意力机制对GhostNet进行改进检测准确率为94.86%[36]

对YOLOv5s网络进行通道剪枝模型精度为99.50%[37]

651宋怀波，等：基于视频分析的规模化奶牛智能监测技术研究进展第5期

1.1.1传统奶牛目标检测传统奶牛目标检测方

法大多通过目标与背景的差异或通过背景建模、滤

波等方式将目标从背景中提取实现目标检测(图2)，

背景建模方式以及滤波参数等会极大影响识别效

果，算法对不同背景以及不同奶牛的普适性不强。

针对奶牛嘴部咀嚼过程动作幅度较小导致人工观

测困难的问题，宋怀波等[14]通过分析奶牛反刍视频

中的光流场，识别出嘴部区域的候选区域，然后利

用嘴部区域检测模型进一步确定反刍时奶牛嘴部

的位置，以充盈率检测模型效果，充盈率最高达到

了98.51%。宋怀波等[13]通过循环矩阵采集奶牛嘴

检测，平均误检率为7.72%。

a：基于光流法的奶牛目标检测

a:Cowtargetrecognitionbasedontheopticalflowmethod

b：基于光流法的奶牛嘴部识别

b:Cowmouthidentificationbasedontheopticalflowmethod

c：基于背景建模的奶牛目标检测

c:Cowtargetrecognitionbasedonbackgroundmodelling

图2传统奶牛目标检测方法效果

Fig.2Effectsoftraditionalcowtargetrecognitionmethods

针对奶牛整体目标的检测，宋怀波等[38]利用背

景建模方法可以有效估计像素的概率模型，并根据

背景在图像中像素不变的特点将背景剔除；刘冬等[39]

提出了一种动态背景建模方法，在混合高斯模型中

引入惩罚因子，模型准确率最高达到了95.00%。滤

波算法也可以进行背景的剔除，Bello等[40]为粒子

滤波算法增加了临时记忆能力，保存了前一次预测

的奶牛位置并根据前一次的位置预测下一次的位

置，同时结合了Mean-shift算法实现了奶牛目标检

测，该方法的准确率为89.00%。Li等[41]对奶牛图

像人工截取一个兴趣区(Regionofinterest,ROI)，通

过对该区域进行二值化以及滤波等操作，获取该

区域的斑纹信息，并将该特征输入支持向量机

(Supportvectormachines,SVM)进行分类。Guo等[42]

结合了背景差分法和帧间差分法对奶牛目标进行

检测，结果表明，当奶牛静止时，帧间差分法难以检

测，但融合了背景差分法则可以有效地提高其性

能，从而取得较好的效果。

1.1.2基于深度学习的奶牛目标检测早期模型

大多根据研究数据自主设计且模型层数较少。刘杰

鑫等[17]利用高斯混合模型剔除视频背景，用卷积神

经网络识别奶牛，模型准确率最高达99.81%。

Bello等[28]利用卷积、ReLU激活函数和池化操作，

设计了一个四层卷积神经网络用于奶牛的识别，将

奶牛背部图像用于训练和测试，该模型在测试集上

的准确率为89.95%。Bezen等[27]利用RGB-D图像

结合卷积神经网络设计奶牛识别模型，利用深度卷

积神经网络提取奶牛及颈环信息，识别准确率为

93.65%。随着计算机领域检测和分割模型的进步，

部分深层模型被应用于奶牛目标的识别。李昊玥等[32]

对MaskR-CNN中的特征提取网络ResNet-50嵌入

了注意力模块(SEblock)以提高边界检测的精度，

模型精度达到了100%。高精度的代价是模型参数

量大，模型的实时性偏弱。为减少模型复杂度，可

以采用轻量化模块(CSResNeXtmodule)替换模型

的部分结构，带来的精确率下降可以通过注意力模

块弥补[43]。Tian等[44]利用CBAM注意力机制对

GhostNet进行了改进，同时还融合了特征金字塔网

络(FPN)，该模型可对奶牛目标以及牛场中一些路

障进行识别与分割，检测准确率为94.86%。

在这些模型当中，YOLO家族模型(图3)使用

最广泛。Tassinari等[18]利用YOLO算法实现奶牛的

识别，准确率达66.00%。Wang等[29]融合YOLO和

训练，准确率达95.00%。Wang等[30]对YOLO

v4模型进行了改进，利用GhostNetmodule减小了

模型复杂度，同时采用深度可分离卷积替代了普通

卷积以减小模型计算量，对奶牛眼部区域检测的

mAP为96.88%。Qiao等[31]将自适应空间特征融合

模块(Adaptivelyspatialfeaturefusion)添加到了

YOLOv5的头部以增强模型特征融合效果，模型的

准确率为96.20%。Mon等[45]使用YOLOv5模型进

行了奶牛位置的检测，准确率达到了90.00%。Xu

等[36]对YOLOv5s网络进行了通道剪枝，在确保模

型精度轻微下降的情况下，成功减小了模型大小和

计算量，最终模型精度为99.50%。深度卷积网络因

其强大的特征提取能力逐步取代了传统背景建模

等方法，检测模型的发展也极大地提升了奶牛目标

检测的准确率和鲁棒性，正成为当下研究的热点。

1.2奶牛目标跟踪

奶牛目标跟踪技术可以分为传统奶牛目标跟

踪方法和基于深度学习的奶牛目标跟踪方法(表2)。

传统奶牛目标跟踪方法大多使用光流法和差分法，

根据奶牛运动视频中的像素变化提取光流图，进而

将背景剔除，实现奶牛目标的跟踪。基于深度学习

的方法则利用了目标检测网络，结合卡尔曼滤波等

预估奶牛位置，从而实现奶牛目标的跟踪。当奶牛

运动缓慢时，传统方法相应的光流图提取会受到影

响，而使用目标检测结合卡尔曼滤波的方法可以根

据奶牛的实时运动情况进行跟踪，是当前奶牛目标

跟踪方法的主流思路。

Table2Researchoncowtargettracking

联合稠密光流和帧间差分法跟踪准确率为89.12%[46]

提出了一种SiamFC的跟踪器最高跟踪准确率为100.00%[47]

YOLOv4模型结合Kalman滤波和Hungarian算法准确率为93.92%[48]

提出了YOLO-BYTE跟踪模型多目标跟踪准确率为83.00%[49]

YOLOv5检测器剪枝融合Cascaded-BufferedIoU多目标跟踪准确率为86.10%[26]

Siamese注意力算法跟踪准确率为93.80%[25]

超轻量化孪生网络模型Siamese-Remo单目标跟踪平均重合度为0.47[50]

1.2.1传统奶牛目标跟踪方法奶牛目标跟踪技

术是获取奶牛个体信息及位置信息的基础，该技术

的主要思路是利用识别结合后处理的操作实现对

视频中奶牛目标的不断跟踪。Tong等[51]联合稠密

光流和帧间差分法进行奶牛嘴部区域跟踪，对视频

中每一帧反刍奶牛嘴部区域进行识别，对提取的光

流图重新融合为视频，实现了嘴部区域的实时跟

踪，跟踪准确率为89.12%。Makhura等[34]在目标检

测算法的基础上，引入数据关联进行多目标跟踪，

计算当前帧每一个观测目标与其可能的各种跟踪

SiamFC的跟踪器用于奶牛目标的跟踪，对有遮挡、

头部Head

特征提取

骨干网络

Backbone

瓶颈网络

Neck

预测网络

Prediction

C3

Focus

SPPConv

Up-Sampling

Concat

图3YOLO家族奶牛识别模型框架

Fig.3YOLOfamilycowrecognitionmodelframework

653宋怀波，等：基于视频分析的规模化奶牛智能监测技术研究进展第5期

运动模糊、快速运动的目标进行了跟踪试验，跟踪

准确率最高达100%。

1.2.2基于深度学习的奶牛目标跟踪方法YOLO

检测器配合卡尔曼滤波估算奶牛位姿，且随视频不

断更新，可以取得极佳的跟踪效果，其流程如

图4所示。Zheng等[33]使用融合了自注意力和混合

卷积模块的YOLOv7检测奶牛目标，利用卡尔曼滤

波算法预估奶牛位置，模型识别准确率为97.30%，

多目标跟踪准确率为83.00%。毛燕茹等[37]利用

YOLOv4检测奶牛嘴部区域，结合Kalman滤波和

Hungarian算法进行跟踪，实现了多目标奶牛个体

的嘴部跟踪和反刍行为监测，模型对奶牛嘴部上、

下颚区域的识别准确率分别为93.92%和92.46%。

Zheng等[21]对YOLOv5检测器进行了剪枝操作以

降低计算复杂度，同时融合Cascaded-BufferedIoU

以扩展探测和轨迹匹配空间，模型多目标跟踪准确

率达到86.10%。Guzhva等[46]提出了一种Landmark

CNN和CowCNN相结合的深度模型用于检测奶

牛，随后使用自主设计的跟踪器对经过挤奶厅的奶

牛进行了跟踪识别，实现了对奶牛长达4min的持

续跟踪且取得了较高的准确率。Zheng等[20]提出了

一种Siamese注意力算法，对奶牛腿部区域的跟踪

准确率为93.80%。刘月峰等[52]设计了新型的正负

样本选取策略来改进跟踪模型，在自然场景下单目

标跟踪平均重合度(Expectedaverageoverlap,EAO)

达到0.47。

奶牛目标检测

Cowtargetdetection

目标检测结果1

Targetdetection

result1

目标检测结果2

result2

卡尔曼滤波更新结果

Kalmanfilterupdateresults

相似匹配

Similarmatching

位姿预测

Poseprediction

下一帧

Nextframe

位姿更新

Poseupdate删除

Delete

删除

未匹配

Unmatch

去除轨迹

Removal

trajectory

检测器

Detector

f2

f1D1T1

T2

T3

Tn

D2

D3

Dn

真

True

False

Ture

假

假假

DHigh[θHigh,1]

[θLow,θHigh]DLow

f3

fn

目标检测结果3

result3

图4融合卡尔曼滤波与检测算法(YOLO)的跟踪算法流程

Fig.4TrackingalgorithmflowofcombiningKalmanfilteranddetectionalgorithm(YOLO)

1.3奶牛个体识别

奶牛个体识别技术可以分为传统奶牛个体识

别方法、基于深度学习的奶牛个体识别方法以及基

于度量学习的奶牛个体识别方法(表3)。传统方式

用人工特征提取方式进行特征对比判别2幅奶牛

图像以获取身份信息，该方法效率较低；基于深度

学习目标检测算法(以YOLO为代表)的个体身份

识别，仅能识别经过模型训练的奶牛图像，即仅适

用于闭集；针对新加入奶牛个体的识别问题，度量

学习、重识别技术等被提出，使奶牛个体识别技术

向开集识别的方向发展。

1.3.1传统奶牛个体识别方法奶牛个体识别可

以使用RFID或GPS项圈等智能设备，如图5所

示。刘渊等[15]利用RFID和GPS进行奶牛个体定

位与身份识别，取得较高的准确率。但这些方法经

济成本较高，且在牛场潮湿环境下设备容易损坏。

基于视频分析的奶牛个体识别技术主要利用视频

中奶牛个体的斑纹、体型等差异进行特征提取并加

以区分，早期大多为人工设计特征的提取方法。Li

等[41]对奶牛图像人工截取一个感兴趣区域(Region

ofinterest,ROI)区域，通过对该区域进行二值化以

及滤波等操作，获取该区域的斑纹信息，将该特征

输入SVM模型进行分类。张瑞红等[47]用梯度方向

直方图(HOG)特征进行多角度检测,实现奶牛标牌

的定位，识别准确率为96.98%。

SVM广泛应用于奶牛个体识别，该方法大多

使用图像处理算法将图像特征提取，最后使用

SVM进行个体分类实现识别，其效果如图6所示。

Xiao等[49]通过将每头奶牛背部图像分割出来再进

行特征提取，最终输入SVM进行特征的区分。

Du等[48]使用VGG-16提取奶牛躯干特征信息，添

加了全局特征池化来降低所提取的浅层和深层特

征维度，最后使用SVM对所提取的特征进行分类

实现奶牛个体识别，准确率为99.48%。Kumar等[63]

采用自主设计的深度卷积神经网络提取奶牛特征

并利用SVM对提取的特征进行了奶牛个体识别，

Achour等[50]利用奶牛进食时头部图像花纹的不同

训练了卷积神经网络，并对17头奶牛进行了个体

身份识别，准确率为96.55%。Zhao等[56]使用

LeNet-5对30头奶牛进来个体识别，准确率为

90.55%。传统奶牛个体识别算法因提取方式低效、

法和智能设备识别法。

1.3.2基于深度学习的奶牛个体识别方法深度

学习模型中的目标检测与分割模型被应用于奶牛

个体识别，其效果如图7所示。Xiao等[49]利用

Table3Researchonindividualrecognitionofdairycow

传统个体识别方法

Traditionalindividual

recognitionmethod

基于LeNet-5模型识别准确率为90.55%[53]

自主设计卷积神经网络准确率为96.55%[55]

基于机器学习的奶牛颈环ID自动定位与识别识别准确率为96.98%[56]

VGG-16+SVM准确率为99.48%[57]

基于深度学习的方法

Methodbasedon

deeplearning

R-CNN检测模型识别准确率为86.10%[58]

DCNN结合SVM准确率最高为97.01%[59]

YOLO和SVM准确率为98.36%[60]

Mask-R-CNN和SVM网络准确率为98.67%[61]

基于度量学习的方法

Methodbasedonmetriclearning

ShuffleNetv2模型融合交叉熵损失和三元组损失函数精度为73.30%[39]

ResNet-50结合A-softmax损失准确率为94.26%[62]

b：脚环

b:Anklet

c：耳标

c:Eartag

a：颈圈

a:Collar

图5穿戴式个体识别设备

Fig.5Wearableindividualrecognitiondevice

a：基于背部斑纹的个体识别方法

a:Individualrecognitionmethodbasedonbackmarking

b：基于耳标图像处理的个体识别方法

b:Individualrecognitionmethodbasedoneartagimageprocessing

图6传统视觉个体识别效果

Fig.6Effectoftraditionalvisualindividualrecognition

图7基于深度检测模型的个体识别效果

Fig.7Individualrecognitioneffectbasedondepth

detectionmodel

655宋怀波，等：基于视频分析的规模化奶牛智能监测技术研究进展第5期

Mask-R-CNN和SVM网络实现了48头奶牛的识

别，准确率为98.67%。Achour等[50]和Hu等[61]利

用DCNN进行特征提取，结合SVM进行特征的分

类从而完成个体识别。Zin等[57]利用自主设计的

DCNN进行个体识别，对奶牛背部图像进行模型训

练，结合图像的颜色直方图和灰度图进行背景和围

栏障碍的区分，准确率最高达到了97.01%。Hu

等[61]融合了YOLO和SVM进行了奶牛检测，模型

准确率为98.36%。何东健等[22]利用改进的YOLO

v3网络对89头奶牛进行了个体识别，识别准确率

为95.91%。Andrew等[54]利用R-CNN检测模型进

行奶牛个体身份识别，89头奶牛识别准确率为

86.10%，模型大小为489.54M。多模态图像也可以

用于个体识别。Bhole等[19]使用了RGB和热图像

(Thermalimages)联合输入CNN进行特征提取，再

使用SVM进行分类。

在进行特征提取时，不同视角拍摄到的图像特

征会有差异，针对该问题，Weng等[55]使用了TwoBranchCNN进行特征提取，通过对比各Branch

network提取特征的相似性来判断是否是同一头奶

牛。一些研究也进行了模型轻量化的工作，Hao

等[53]使用了知识蒸馏技术结合注意力机制训练了

一个计算量更小的DCNN，完成了牛的个体识别。

Lu等[60]利用奶牛的关键部位作为辅助提高识别的

准确率。以YOLO为代表的目标检测网络极大地

提升了识别的速度与准确率，但模型无法对未经过

训练的奶牛识别，这也是影响模型走向实用性的关

键问题。

1.3.3基于度量学习的奶牛个体识别方法SVM

或目标检测模型等无法找到未经训练的奶牛个体，

因而只能将新增奶牛个体归类为已有类别中，导致

了错误的识别。针对新增个体的识别，度量学习是

一种较好的解决思路。Andrew等[59]使用了度量学

习的方法进行个体识别任务，该方法以特征聚类的

思路改变了现有方法的特征分类思路，解决了网络

重新训练的问题。但其使用的ResNet-50特征提取

网络参数量较大，同样不利于模型的可移植性。

Wang等[23]采用轻量级模型(ShuffleNetv2)对奶牛

进行个体识别，同时还融合了交叉熵损失和三元组

损失函数，在保证模型轻量化的同时解决了新个体

识别问题，识别精度达73.30%。Wang等[58]采用Asoftmax损失进行新的个体识别，利用注意机制、反

向残差结构和深度可分离卷积设计了轻量级奶牛

特征提取网络，识别准确率可达94.26%。度量学习

可以有效拓展对新奶牛个体的识别，成为奶牛个体

识别模型新的研究热点。

1.4奶牛行为识别

如表4所示，奶牛行为识别方法可分为传统方

法和基于深度学习的方法。传统方法中部分研究基

于接触式方式观测奶牛行为，另一部分研究则利用

LSTM模型的记忆性以及RNN网络的循环性来提

高模型准确率。基于深度学习的奶牛行为识别方法

大多采用3D卷积进行奶牛的行为识别。

Table4Researchoncowbehaviorrecognition

传统方法

Traditional

methods

基于正态分布背景统计模型准确率为93.89%[10]

基于支持向量机模型的奶牛行为识别准确率为98.02%[64]

背景减除法融合SVM分类器准确率为90.92%[65]

Lucas-Kanade稀疏光流算法准确率为98.58%[21]

三轴加速度传感器识别精度和召回率分别为

92.80%和95.60%

Methodsbasedon

deeplearningmodel

基于CNN-LSTM算法准确率、召回率和特异性分别为

97.10%、96.50%和98.30%

空间特征网络优化的Efficient-LSTM算法识别精度为97.87%[41]

利用3D卷积对RexNet网络进行改进准确率为95.00%[62]

半监督长短期记忆早期跛行自编码器算法准确率为97.78%[67]

深度可分离卷积和3D卷积操作构建E3D的

奶牛基本运动行为识别模型

准确率为98.17%[42]

基于姿态估计和膝关节角度特征向量的奶

牛跛行识别方法

准确率为97.22%[68]

E-YOLO的奶牛发情行为识别模型准确率为93.90%[12]

1.4.1传统奶牛行为识别方法奶牛行为识别方

法大致分为接触式和非接触式方法。接触式方法依

靠给奶牛穿戴传感器获取数据进行分析，进而发现

奶牛行为。Shen等[69]利用三轴加速度传感器采集

数据，使用SVM算法对数据进行进食、反刍和其他

行为3个类别的分类，对进食的识别精度和召回率

分别为92.80%和95.60%，对于反刍的识别精度和

召回率分别为93.70%和94.30%。传统非接触式方

法大多利用人工提取特征结合SVM网络对奶牛行

为进行分类识别。任晓惠等[70]利用萤火虫寻优算

法优化支持向量机的参数，能有效区分不同奶牛的

进食、反刍、饮水行为，准确率为98.02%。Guo等[71]

融合颜色和纹理进行背景减除，随后利用SVM分

类器实现了奶牛爬跨行为的识别，准确率为90.92%。

Jiang等[72]利用光流法进行跛行检测，将光流信息

与视频帧空间信息有效结合，识别精度为98.24%。

宋怀波等[12,16]利用线性斜率最近邻分类进行跛行

分析，准确率达93.89%；利用Lucas-Kanade稀疏光

流算法进行单目标奶牛呼吸行为检测，准确率为

98.58%。

1.4.2基于深度学习的奶牛行为识别方法LSTM网

络因其记忆性被广泛应用于行为识别。Zhang等[62]

提出了一种半监督长短期记忆(LSTM)早期跛行自

编码器算法，准确率为97.78%。Jiang等[66]使用

YOLOv3改进算法提取奶牛区域，提出了一种奶牛

背部曲率提取模型，用于提取奶牛背部曲线，最终

使用改进LSTM模型实现跛行检测。Wu等[24]提出

了一种CNN-LSTM算法用于识别单头奶牛的基本

运动行为，对5种行为识别的平均准确率、召回率

和特异性分别为97.10%、96.50%和98.30%。Yin

等[25]对LSTM网络增加BiFPN实现不同深度信息

的汇聚，该算法可在自然场景下实现奶牛行为识

别，精度为97.87%。王克俭等[64]在时域段网络(TSN)

的基础上融合了时态移位模块(TSM)、特征注意单元

(FAU)和长短期记忆(LSTM)网络，识别准确率达

82.60%。

3D卷积被实践证明有利于提取时空信息，传

再进行一次融合，因而效果不佳，而3D卷积则可以

3D卷积对RexNet网络进行改进实现了无接触奶

牛基本运动行为识别，准确率为95.00%。Wang

等[26]利用深度可分离卷积和3D卷积操作构建奶牛

基本运动行为识别模型，准确率达98.17%。史学伟

等[73]设计了R(2+1)D模型对奶牛行为进行识别，准

确率为89.20%。

基于深度学习的关键点检测模型也可以作为

辅助行为判别的重要方式。杜粤猛等[67]将Faster

RCNN卷积神经网络模型引入奶牛关键点检测以

提高跛行识别的可靠性，最终模型准确率为97.22%。

为解决人工发情监测效率低的问题，Wang等[10]将

背景信息增强模块(CBAM)和三联体注意模块

(TAM)融合于YOLO模型以增强网络对发情奶牛

2存在的挑战

现阶段基于视频分析的奶牛智能监测方法取

得了不俗的进展，然而当前技术的发展还存在较多

挑战，算法的计算复杂度、普适性、准确性等都是重

要的影响因素，影响了模型的应用。

1)现有研究大多局限于固定样本，而随着牛群

规模不断扩大以及牛场奶牛频繁更替，新增样本的

大量引入会影响模型的泛化性能。现有深度卷积神

经网络经过训练后得到了较好的性能，但随着新增

目标的引入，模型能否在变化样本中有效识别未训

练的对象，同一模型在多个牛场的泛化性能也是其

重要的挑战。

2)基于视频分析的方法对非结构化牛场环境

中的遮挡有较大的灵敏性，遮挡问题会导致模型提

取冗余或错误的奶牛特征，进而影响检测、跟踪、个

体识别、行为识别的准确率。同时，现有模型训练

大多需要庞大的数据集，数据的标注处理工作带来

了较高的经济成本，而数据量较少可能影响模型性

能，因而如何利用少样本训练高准确率模型是未来

第1帧

Thefirstframe

b

a

第2帧

Thesecondframe

图82D卷积(a)与3D卷积(b)对比

Fig.8Comparisonbetween2Dconvolution(a)and3D

convolution(b)

657宋怀波，等：基于视频分析的规模化奶牛智能监测技术研究进展第5期

一个重要研究方向。

3)对于模型的实际应用，现有深度模型为提高

精确率大多层数较多，导致了计算复杂度较高。在

对牛场中庞大的视频流处理时，较高的计算复杂度

会导致模型的实时性变差，而缩减模型的深度可能

会导致准确率的降低，因而如何平衡模型的准确性

3未来研究趋势的展望

针对上述挑战，本研究对基于视频分析的奶牛

智能监测方法进行了如下展望：

1)针对新个体加入或奶牛更替导致的模型泛

化能力减弱问题，借助度量学习的思路，利用特征

相似度匹配来进行个体识别，可以使模型不受限于

奶牛的数量，实现对新奶牛的识别。

2)针对遮挡问题，可以考虑为现有深度模型增

加图像融合及背景修复能力来恢复被遮挡的部分

信息，通过将多个图像进行融合或利用背景信息进

行填补来实现。针对训练数据集较大的问题，研究

中可以借助半监督或无监督方法。半监督学习可以

利用大量未标记的奶牛数据和少量标注过的数据

来训练模型；无监督学习可以利用获取的奶牛图像

数据的结构进行自行数据标注再进行模型训练。对

现有大量已训练模型，增量学习以及迁移学习也是

有效提高模型训练效率的方法。

3)针对模型复杂度较高的问题，模型剪枝与轻

量化模块是减少模型大小和计算复杂度的有效方

法。通过删除神经网络中的冗余连接或参数减少模

型大小和计算复杂度。对现有已训练模型，可通过

知识蒸馏或网络压缩的方式，精炼小网络来保全已

有模型的精确度。

总之，深度学习技术可以有效应用于规模化奶

牛智能监测任务，但实现实时多场景监测仍需进一

步优化。另外，许多实际应用环境下的挑战仍需不

断克服，比如不同环境、不同品种牛只模型的泛化

性能和鲁棒性等。为促进规模化奶牛养殖业的发

展，需要从实际情况出发研发智能监测模型，推动

其不断进步与发展。

宋怀波,李振宇,吕帅朝,等.基于部分亲和场的行走奶牛

骨架提取模型[J].农业机械学报,2020,51(8):203-213.

杨蜀秦,刘杨启航,王振,等.基于融合坐标信息的改

进YOLO-v4模型识别奶牛面部[J].农业工程学报,

2021,37(15):129-135.

LIZ,SONGL,DUANY,etal.Basicmotionbehaviour

recognitionofdairycowsbasedonskeletonandhybrid

convolutionalgorithms[J].ComputersandElectronicsin

Agriculture,2022,196:106889-106893.

LIZ,ZHANGQ,LVS,etal.FusionofRGB,optical

flowandskeletonfeaturesforthedetectionoflamenessin

dairycows[J].BiosystemsEngineering,2022,218:62-77.

YANGG,XUX,SONGL,etal.Automatedmeasurementofdairycowsbodysizevia3Dpointclouddata

analysis[J].ComputersandElectronicsinAgriculture,

2022,200:107218-107226.

王政,宋怀波,王云飞,等.奶牛运动行为智能监测研究进

展与技术趋势[J].智慧农业(中英文),2022,4(2):36-52.

张姝瑾,许兴时,邓洪兴,等.基于YOLO_v8n-segFCA-BiFPN的奶牛身体分割方法研究[J].农业机械学

报,2024,50(3):282-289.

HUAZ,WANGZ,XUX,etal.AneffectivePoseC3D

modelfortypicalactionrecognitionofdairycowsbased

onskeletonfeatures[J].ComputersandElectronicsin

Agriculture,2023,212:108152-108161.

郝玉胜,林强,王维兰,等.基于Wi-Fi无线感知技术的

奶牛爬跨行为识别[J].农业工程学报,2020,36(19):

168-176.

WANGZ,HUAZ,WENY,etal.E-YOLO:RecognitionofestruscowbasedonimprovedYOLOv8n

model[J].ExpertSystemswithApplications,2024,238:

1-13.

宋怀波,华志新,马宝玲,等.基于SimCC-ShuffNetv2

的轻量化奶牛关键点检测方法[J].农业机械学报,

2023,54(10):275-281.

宋怀波,姜波,吴倩,等.基于头颈部轮廓拟合直线斜率

特征的奶牛跛行检测方法[J].农业工程学报,2018,

34(15):190-199.

宋怀波,牛满堂,姬存慧,等.基于视频分析的多目标奶牛

反刍行为监测[J].农业工程学报,2018,34(18):211-218.

宋怀波,李通,姜波,等.基于Horn-Schunck光流法的

多目标反刍奶牛嘴部自动监测[J].农业工程学报,

2018,34(10):163-171.

刘渊,杨泽林,赵永军.基于RFID的物联网技术在畜

牧业中的应用[J].黑龙江畜牧兽医,2012(16):15-17.

宋怀波,吴頔华,阴旭强,等.基于Lucas-Kanade稀疏

光流算法的奶牛呼吸行为检测[J].农业工程学报,

2019,35(17):215-224.

刘杰鑫,姜波,何东健,等.基于高斯混合模型与

CNN的奶牛个体识别方法研究[J].计算机应用与软件,

2018,18(10):159-164.

TASSINARIP,BOVOM,BENNIS,etal.Acomputer

visionapproachbasedondeeplearningforthedetection

ofdairycowsinfreestallbarn[J].ComputersandElectronicsinAgriculture,2021,182:106030-106042.

BHOLEA,UDMALESS,FALZONO,etal.CORF3D

contourmapswithapplicationtoHolsteincattlerecognitionfromRGBandthermalimages[J].ExpertSystems

withApplications,2022,192:116354-116365.

ZHENGZ,ZHANGX,QINL,etal.Cows’legstrackingandlamenessdetectionindairycattleusingvideo

analysisandSiameseneuralnetworks[J].Computersand

ElectronicsinAgriculture,2023,205:107618.

ZHENGZ,QINL.PrunedYOLO-tracker:Anefficient

multi-cowsbasicbehaviorrecognitionandtrackingtechnique[J].ComputersandElectronicsinAgriculture,

2023,213:108172-108181.

何东健,刘建敏,熊虹婷,等.基于改进YOLO+v3模型

的挤奶奶牛个体识别方法[J].农业机械学报,2020,

51(4):250-260.

WANGY,XUX,WANGZ,etal.ShuffleNet-Triplet:A

lightweightRE-identificationnetworkfordairycowsin

naturalscenes[J].ComputersandElectronicsinAgriculture,2023,205:107632-107646.

WUD,WANGY,HANM,etal.UsingaCNN-LSTM

forbasicbehaviorsdetectionofasingledairycowina

complexenvironment[J].ComputersandElectronicsin

Agriculture,2021,182:106016-106028.

YINX,WUD,SHANGY,etal.UsinganefficientNetLSTMfortherecognitionofsinglecow’smotionbehavioursinacomplicatedenvironment[J].Computersand

ElectronicsinAgriculture,2020,10:57-67.

WANGY,LIR,WANGZ,etal.E3D:Anefficient3D

2023,205:107607-107616.

BEZENR,EDANY,HALACHMII.Computervision

systemformeasuringindividualcowfeedintakeusing

RGB-Dcameraanddeeplearningalgorithms[J].ComputersandElectronicsinAgriculture,2020,172:104345-

104356.

BELLOR,ZAWAWIA,SUFRILA,etal.Image-based

individualcowrecognitionusingbodypatterns[J].InternationalJournalofAdvancedComputerScienceandApplications,2020,11(3):92-98.

WANGY,CHENT,LIB,etal.Automaticidentificationandanalysisofmulti-objectcattleruminationbased

oncomputervision[J].JournalofAnimalScienceand

Technology,2023,65(3):519-534.

WANGY,KANGX,CHUM,etal.Deeplearning-based

automaticdairycowocularsurfacetemperaturedetectionfromthermalimages[J].ComputersandElectronics

inAgriculture,2022,202:107429-107442.

QIAOY,GUOY,HED.Cattlebodydetectionbasedon

YOLOv5-ASFFforprecisionlivestockfarming[J].ComputersandElectronicsinAgriculture,2023,204:107579-

107589.

李昊玥,陈桂芬,裴傲.基于改进MaskR-CNN的奶牛

个体识别方法研究[J].华南农业大学学报,2020,41(6):

ZHENGZ,LIJ,QINL.YOLO-BYTE:Anefficient

multi-objecttrackingalgorithmforautomaticmonitoring

ofdairycows[J].ComputersandElectronicsinAgriculture,2023,209:107857-107867.

MAKHURAO,WOODSJ.Learn-select-track:Anapproachtomulti-objecttracking[J].SignalProcessing:ImageCommunication,2019,74:153-161.

LIANGY,CHENX.Trackingguidedactionsrecognitionforcows[J].QuantitativeBiology,2022,10:351-365.

[36]XUX,WANGY,HUAZ,etal.Light-weightrecognitionnetworkfordairycowsbasedonthefusionof

YOLOv5sandchannelpruningalgorithm[J].TransactionsoftheCSAE,2023,39(15):153-163.

毛燕茹,牛童,王鹏,等.利用Kalman滤波和Hungarian算法的多目标奶牛嘴部跟踪及反刍监测[J].农业工

程学报,2021,37(19):192-201.

宋怀波,阴旭强,吴頔华,等.基于自适应无参核密度估

计算法的运动奶牛目标检测[J].农业机械学报,2019,

50(5):45-58.

刘冬,赵凯旋,何东健.基于混合高斯模型的移动奶牛

目标实时检测[J].农业机械学报,2016,47(5):288-294.

BELLOR,MOHAMEDA,TALIBA,etal.Computer

vision-basedtechniquesforcowobjectrecognition[C]//

IOPConferenceSeries:EarthandEnvironmentalScience.Bristol:IOPPublishing,2021:58-71.

LIW,JIZ,WANGL,etal.AutomaticindividualidentificationofHolsteindairycowsusingtailheadimages[J].

ComputersandElectronicsinAgriculture,2017,142:

622-631.

GUOY,HED,CHAIL.Amachinevision-basedmethodformonitoringscene-interactivebehaviorsofdairy

calf[J].Animals,2020,10(2):190-204.

YUZ,LIUY,YUS,etal.Teatdetectionofdairycows

basedondeeplearningneuralnetworkFS-YOLOv4

model[J].ComputersandElectronicsinAgriculture,

2022,200:107224-107234.

TIANF,HUG,YUS,etal.Anefficientmulti-taskconvolutionalneuralnetworkfordairyfarmobjectdetection

andsegmentation[J].ComputersandElectronicsinAgriculture,2023,211:108000-108017.

MONSL,ZINTT,TINP,etal.Video-basedautomatic

cattleidentificationsystem[C]//2022IEEE11thGlobal

ConferenceonConsumerElectronics,Osaka:IEEE,

2022:490-491.

GUZHVAO,ARDH,NILSSONM,etal.Nowyou

seeme:Convolutionalneuralnetworkbasedtrackerfor

dairycows[J].FrontiersinRoboticsandAI,2018,5:

107-116.

张瑞红,赵凯旋,姬江涛,等.基于机器学习的奶牛颈

环ID自动定位与识别方法[J].南京农业大学学报,

2021,44(3):586-595.

DUY,KOUY,LIB,etal.Individualidentificationof

dairycowsbasedondeeplearningandfeaturefusion[J].

AnimalScienceJournal,2022,93(1):13789-13797.

XIAOJ,LIUG,WANGK,etal.Cowidentificationin

free-stallbarnsbasedonanimprovedMaskR-CNNand

anSVM[J].ComputersandElectronicsinAgriculture,

2022,194:107638-107649.

ACHOURB,BELKADIM,FILALII,etal.Imageanalysisforindividualidentificationandfeedingbehaviour

monitoringofdairycowsbasedonconvolutionalneural

networks(CNN)[J].BiosystemsEngineering,2020,198:

31-49.

TONGL,BOJ,DIHUAW,etal.Trackingmultipletargetcows’ruminantmouthareasusingopticalflowand

inter-framedifferencemethods[J].IEEEAccess,2019,7:

18520-185531.

659宋怀波，等：基于视频分析的规模化奶牛智能监测技术研究进展第5期

刘月峰,刘博,暴祥,等.基于超轻量化孪生网络的自然

场景奶牛单目标跟踪方法[J].农业机械学报,2023,

54(10):282-293.

HAOW,ZHANGK,HANM,etal.AnovelJinnanindividualcattlerecognitionapproachbasedonmutualattentionlearningscheme[J].ExpertSystemswithApplications,2023,230:120551-120562.

ANDREWW,GREATWOODC,BURGHARDTT.

Visuallocalisationandindividualidentificationofholsteinfriesiancattleviadeeplearning[C]//2017IEEEInternationalConferenceonComputerVisionWorkshops

(ICCVW).IEEE,2017:2850-2859.

WENGZ,MENGF,LIUS,etal.Cattlefacerecognition

basedonatwo-branchconvolutionalneuralnetwork[J].

ComputersandElectronicsinAgriculture,2022,196:

106871-106882.

ZHAOK,HED.Recognitionofindividualdairycattle

basedonconvolutionalneuralnetworks[J].Transactions

oftheChineseSocietyofAgriculturalEngineering,2015,

31:181-187.

ZINT,PHYOC,HAMAH.Imagetechnologybased

cowidentificatio[C]//ProceedingsoftheInternational

MultiConferenceofEngineersandComputerScientists

2018,HongKong,2018:320-323.

WANGR,GAOR,LIQ,etal.Anultra-lightweight

methodforindividualidentificationofcow-backpattern

imagesinanopenimageset[J].ExpertSystemswithApplications,2024,15:54-68.

ANDREWW,GAOJ,MULLANS,etal.VisualidentificationofindividualHolstein-Friesiancattleviadeep

metriclearning[J].ComputersandElectronicsinAgriculture,2021,185:106133-106144.

LUY,WENGZ,ZHENGZ,etal.Algorithmforcattle

identificationbasedonlocatingkeyarea[J].ExpertSystemswithApplications,2023,228:120365-120378.

HUH,DAIB,SHENW,etal.Cowidentificationbased

onfusionofdeeppartsfeatures[J].BiosystemsEngineering,2020,192:245-256.

ZHANGK,HANS,WUJ,etal.Earlylamenessdetectionindairycattlebasedonwearablegaitanalysisusing

semi-supervisedLSTM-Autoencoder[J].Computersand

ElectronicsinAgriculture,2023,213:108252-108267.

KUMARS,SINGHSK,SINGHRS,etal.Real-timerecognitionofcattleusinganimalbiometrics[J].Journalof

Real-TimeImageProcessing,2016,13(3):505-526.

王克俭,孙奕飞,司永胜,等.基于时空特征的奶牛视频

行为识别[J].农业机械学报,2023,54(5):261-358.

MAS,ZHANGQ,LIT,etal.BasicmotionbehaviorrecognitionofsingledairycowbasedonimprovedRexnet

3Dnetwork[J].ComputersandElectronicsinAgriculture,2022,194:106772-106281.

JIANGB,SONGH,WANGH,etal.Dairycowlamenessdetectionusingabackcurvaturefeature[J].ComputersandElectronicsinAgriculture,2022,194:106729-

106738.

杜粤猛,史慧,高峰,等.基于姿态估计和关键点特征向

量的奶牛跛行识别方法[J].华中农业大学学报,2023,

42(5):251-261.

SHOGOH,YOSHITAKAM,MASAFUMIM,etal.

Leveragingcomputervision-basedposeestimationtechniqueindairycowsforobjectivemobilityanalysisand

scoringsystem[J].ComputersandElectronicsinAgriculture,2024,217:108573-108582.

SHENW,CHENGF,ZHANgY,etal.Automaticrecognitionofingestive-relatedbehaviorsofdairycowsbased

ontriaxialacceleration[J].InformationProcessinginAgriculture,2020,8:427-443.

任晓惠,刘刚,张淼,等.基于支持向量机分类模型的奶牛

行为识别方法[J].农业机械学报,2019,50(S1):290-296.

GUOY,ZHANGZ,HED,etal.Detectionofcow

mountingbehaviorusingregiongeometryandoptical

flowcharacteristics[J].ComputersandElectronicsinAgriculture,2019,10:48-62.

JIANGB,YINX,SONGH.Single-streamlong-termopticalflowconvolutionnetworkforactionrecognitionof

lamenessdairycow[J].ComputersandElectronicsinAgriculture,2020,175:105536-105563.

史学伟,司永胜,韩宪忠,等.基于SE-R(2+1)D网络的

自然环境下的奶牛行为识别[J].河北农业大学学报,

2023,46(1):97-109.

宋怀波，博士，教授，博士生

导师。农业农村部农业物联网重点

实验室副主任，“科创中国”农业

工程科技服务团高级专家、农业工

程学会高级会员、陕西省图形图像

学会理事，中国农业工程学会畜牧

工程分会第十届理事会理事，中国农学会农业监

测预警分会理事、农业工程学会青年工作委员会

委员，人工智能学会智能农业专委会会员，中国

畜牧兽医学会信息技术分会会员、陕西省计算机

学会会员。主要从事大型畜禽健康行为智能识别

技术、农情信息获取及识别等方面的理论研究。

先后主持国家自然科学基金青年项目，国家重点

研发项目子课题，陕西省重点研发计划项目，陕

西省自然科学基金，中央高校基本科研业务经

费，国家863项目子课题。在《Biosystems

Engineering》《ComputersandElectronicsin

Agriculture》等期刊发表论文60余篇，《Optical

engineering》《Precisionagriculture》《Biosystems

Agriculture等20余家杂志审稿人。

罗西尔,卢小龙,刘庆友,等.肉牛智慧养殖技术研究进展[J].华南农业大学学报,2024,45(5):661-671.

LUOXi’er,LUXiaolong,LIUQingyou,etal.Researchprogressonintelligentfarmingtechniquesofbeefcattle[J].JournalofSouthChinaAgricultural

University,2024,45(5):661-671.

肉牛智慧养殖技术研究进展

罗西尔1,2，卢小龙1,2，刘庆友1,2，崔奎青2

(1广东省动物分子设计与精准育种实验室,广东佛山528225；2佛山大学生命科学与工程学院,广东佛山528225)

摘要:肉牛智慧养殖技术是肉牛养殖业由粗放型向集约型转型升级的关键技术，在提升养殖效益及管理效率上

发挥越来越重要的作用。国内肉牛养殖业面临着智能化设备利用率低、养殖场管理效率低、养殖成本偏高等产

业突出问题。本文从肉牛个体识别技术、智慧表型采集技术、智慧发情鉴定技术、自动化饲喂技术、疾病检测技

术、以及牛舍环境监测与清洁等6个方面概述了当前肉牛智慧养殖技术的研究进展和现状，阐述了关键技术的

应用和原理，并对今后肉牛智慧养殖技术的发展进行了展望，以期为我国肉牛养殖智慧化发展提供参考。

关键词:智慧养殖；肉牛；个体识别；行为监测；环境监测

Researchprogressonintelligentfarmingtechniquesofbeefcattle

LUOXi’er1,2

,LUXiaolong1,2

,LIUQingyou1,2

,CUIKuiqing2

(1GuangdongProvincialKeyLabofAnimalMolecularDesignandPreciseBreeding,Foshan528225,China;

2CollegeofLifeScienceandEngineering,FoshanUniversity,Foshan528225,China)

Abstract:Beefcattleintelligentfarmingtechnologyisthekeytechnologyforthetransformationandupgrading

ofbeefcattlefarmingfromextensivetointensive,anditplaysanincreasinglyimportantroleinenhancing

farmingefficiencyandmanagementefficiency.Domesticbeefcattlefarmingindustryfacesoutstanding

problemssuchaslowutilizationrateofintelligentequipment,lowfarmmanagementefficiencyandhigh

farmingcost.Thispaperoutlinesthecurrentresearchprogressandstatusofbeefcattleintelligentfarming

technologyfromsixaspects,includingbeefcattleindividualidentificationtechnology,intelligentphenotype

collectiontechnology,intelligentestrusidentificationtechnology,automatedfeedingtechnology,disease

detectiontechnology,aswellasenvironmentalmonitoringandcleaningofthebarn,etc.,describesthe

applicationofthekeytechnologiesandtheprinciples,andlooksforwardtothefuturedevelopmentofbeefcattle

intelligentfarmingtechnology,withaviewtoprovidingareferenceforChina’sbeefcattleaquaculture

intelligentdevelopment.

Keywords:Smartfarming;Beefcattle;Individualrecognition;Behavioralmonitoring;Environmentalmonitoring

作者简介：罗西尔，讲师，博士，主要从事反刍动物优质性状基因的研究及智慧生产繁育系统的开发，E-mail:

luoxier@fosu.edu.cn；通信作者：崔奎青，教授，博士，主要从事畜禽智慧养殖与动物生殖生理研究，E-mail:

kqcui@fosu.edu.cn

基金项目：国家重点研发计划(2023YFD2000700)；广东省季华实验室基金项目(X220991UZ230)

华南农业大学学报JournalofSouthChinaAgriculturalUniversity2024,45(5):661-671DOI:10.7671/j.issn.1001-411X.202405032

我国智慧养殖行业的市场规模不断增长，由

2018年的163.23亿元增长至2022年的292.25亿

元，其中个体识别、表型采集、发情鉴定和环境监测

等方面的技术不断优化，国产化水平不断提高。智

能化养殖技术成功推动了传统粗放型养殖向现代

化、自动化以及智能化养殖模式转型；其核心优势

在于以智能设备为基础、物联网为中心、信息流为

载体，推动畜牧业生产信息化进程，进而构建智能

化牧场，创建全新的智慧养殖模式。然而，智慧养

殖的发展仍然面临诸多挑战，例如自动获取信息的

硬件设备薄弱，综合处理信息的软件系统的开发力

度有待加强，集成化和示范化的智慧养殖平台应用

较少，动物生理行为与智能信息结合利用程度低。

为了解决智慧养殖行业存在的问题，《中华人民共

和国国民经济和社会发展第十四个五年规划和

2035年远景目标纲要》明确提出“加强大中型、智

能化、复合型农业机械研发应用”“加快发展智慧

农业，推进农业生产经营和管理服务数字化改

造”。同时，我国正在加快推进物联网、大数据、人

工智能、区块链等新一代信息技术与农业生产经营

深度融合，建设数字田园、数字灌区和智慧农(牧、

渔)场。

随着肉牛智慧养殖技术的研发和应用不断增

多，大规模肉牛养殖场正逐步实现向智慧养殖的转

型，在这一过程中，肉牛养殖行业不仅要提高养殖

效率和生产力，还要兼顾牛肉品质和安全性，解决

饲养成本、废弃物处理等问题[1]。因此，贯穿肉牛全

生命周期的智慧养殖技术对提高养殖效率、降低运

营成本和监测肉牛健康状态具有重要意义。本文将

从肉牛个体识别、智慧表型采集、智慧发情鉴定、自

动化饲喂、疾病检测、牛舍环境监测与清洁6个方

面阐述肉牛智慧养殖技术的研究和发展现状，以期

为中国肉牛养殖业的智慧化转型提供参考。

1肉牛个体识别技术研究进展

1.1接触式个体识别技术

接触式个体识别方法主要分为永久性识别法

(Permanentidentificationmethodology，PIM)、半永

久性识别法(Semi-permanentidentification

methodology，SIM)和临时性识别法(Temporary

identificationmethodology，TIM)3种[2]。PIM主要通

过纹身、耳纹、高温烙印和冷冻烙印等方式识别牛

只身份[3]

，耗时耗力，还会对牛造成伤害，甚至引发

感染。SIM主要包括塑料颈圈、塑料耳标、金属耳

夹等，静态标志为数字、条形码或二维码等，后两者

可通过配套的管理系统识别个体牛只，但会损伤牛

耳朵，标志会磨损和丢失[2]。TIM主要指无线射频

识别(Radiofrequencyidentification，RFID)，RFID

由标签和读取器两部分组成，标签储存牛只身份信

息，放置在牛的颈圈、耳标或瘤胃内[4]

，读取器再通

过电磁场数据识别牛只身份，还可测量体温和追踪

定位。目前，纽扣式RFID电子耳标已广泛应用于

牛、羊、猪等家畜养殖中。

1.2非接触式个体识别技术

鼻纹识别、视网膜或虹膜识别、面部识别均属

于非接触式个体识别的范畴，并且需要丰富的生物

特征数据集。牛鼻子的纹理特征具有唯一性，根据

鼻纹凹陷部分和凸起珠子的纹理特征能识别牛只

个体[5]。将墨水喷在牛鼻子上，用纸张获取牛鼻纹

印，再通过机器学习算法识别牛只身份，通过局部

二值模式从口鼻纹图像中提取局部不变特征，应用

不同的分类器进行牛只识别，准确率达99.50%[6]

，

但收集数据的工作量庞大，人工操作繁琐，且对图

像质量要求很高，不适用于大规模养殖场。视网膜

识别通过独特的视网膜图案来确定牛只身份；不同

生物个体的视网膜图案各不相同，同一个体两只眼

睛的视网膜图案也不相同。牛的虹膜具有多种形态

和纹路，也可以辅助分类和识别牛只个体，可以通

过人工观察视网膜的血管图案识别牛只身份[7]。以

往使用二维复小波变换获取牛虹膜信息，试验的识

别准确率达98.33%，但虹膜图像不易获取，对图像

质量要求也很高[6]

，因此也不适用于大规模养殖

场。图1展示了牛视网膜识别、虹膜识别、口鼻纹

A

C

B

A：视网膜血管分支[7]

，B：虹膜[8]

，C：口鼻纹[9]

A:Retinalbranch,B:Iris,C:Muzzle

图1牛视网膜、虹膜、口鼻纹识别所用的生物特征

Fig.1Biometricsforbovineretinal,irisandmuzzle

recognition

识别所用的生物特征。

牛面部、躯干图案也可以作为分类和识别牛只

的特征，与鼻纹、视网膜或虹膜图像相比，这些图像

更容易获取。Kim等[10]利用联想神经记忆算法学

习12头日本和牛的面部图像，证明了可以通过神

经网络算法识别缺少花纹特征的牛面部图像，并进

面，赵凯旋等[11]用视频分析方法提取30头奶牛的

躯干图像，利用卷积神经网络准确识别奶牛个体，

对视频段样本识别准确率达93.33%，但主要用于识

别花斑明显的奶牛，无法识别肉牛。2023年，张宇[7]

提出了基于TLAINS-InceptionV3模型的肉牛体侧

识别方法，对39只西门塔尔牛和安格斯牛的3634

张体侧图像的识别准确率为99.74%。在牛脸识别

方面，刘爽[8]采集了50头西门塔尔牛130段视频，

将视频片段分解成帧图片后，标记面部关键点获取

牛面部数据集，利用Keras深度学习框架搭建用于

肉牛面部识别的神经网络模型，准确率达98.60%。

为了提高在局部遮挡条件下肉牛面部识别的检测

速度和识别精度，李征[12]提出了一种自动捕获和剪

切西门塔尔肉牛面部图像的算法，对103头肉牛的

10239张面部图像的识别准确率达99.86%。即使

在40%的遮挡率下，也有80.00%以上的准确率。

表1对比了8种非接触式个体识别技术的准确率，

它们在很大程度上提高了识别的精确度和便捷性，

实现了多种特征的识别和跟踪，适用于大规模养殖

场，为肉牛养殖行业带来了全新的发展契机。

2肉牛智慧表型采集技术研究进展

采集肉牛的诸多表型数据，能够评估肉牛遗传

价值、生长性能及繁殖潜能等，为育种选配和养殖

管理提供科学依据。传统的肉牛表型采集依靠人工

测量和记录，如通过卷尺测量体质量、体高、体长

等，测量误差大、工作量大、效率低，严重制约大规

模养殖场的发展。自动化、智能化的表型采集技术

如物联网系统、计算机视觉技术、传感器技术正逐

步取代人工。

2.1开放型牧场肉牛称重技术

地磅是直接测量肉牛体质量的最佳选择[14]

，然

而在散养型牧场，驱赶每头牛称重不仅费时费力，

还容易引起应激反应。基于RFID耳标的自动称重

系统通过在牛耳上安装无线射频的电子耳标，当牛

经过称重台时，系统自动识别牛只身份，记录其体

质量数据，借助物联网将数据实时上传至云端，在

泰国清莱一家养殖场对60头肉牛进行了为期120d

的体质量监测，结果表明，集成RFID、物联网技术

的肉牛自动称重系统能提供有力的数据支撑[15]。

Brown等[16]研发的步行称重(WalkoverWeigh，

WOW)系统已广泛应用于散养型牛、羊养殖中，

WOW系统主要包括板条箱、称重秤、信号识别系

统、太阳能电池和数据传输系统，可自动识别牛只

信息和称重，还可计算牛生长速度[17]。Aldridge等[18]

在澳洲北部牧场测试WOW系统，对232奶头牛称

重，记录了这些牛在119d内的体质量数据，并准确

预测了96头母牛的产犊日期，表明WOW系统有

Parsons等[19]在美国俄克拉荷马州对10头肉牛进

行286d的放牧试验，使用WOW系统记录牛只体

质量变化，共识别出3759个有效体质量数据，与地

磅称重的数据相比，准确率达到96.00%，表现良

好。这类物联网称重设备避免了动物应激，但需要

放置诱饵吸引牛，有时会因牛移动过快导致数据错

误，仍需进一步改进。

2.2集约型牧场肉牛体型采集技术

常用的描述肉牛体型的测量数据包括肩高、体

长、胸围、胸宽、臀高、臀宽等。Gritsenko等[20]对

561头肉牛进行了基于RGB-D图像的自动化测量，

测量数据包括体质量、肩高、胸高、体长、胸深、胸

围和蹄围。该系统采用3台MicrosoftKinectv2摄

像头，分别从左侧、右侧及顶部同步获取牛只的色

彩和深度图像，再通过三维模型重建以测量牛只的

体型，实现了自动、快速且无接触的表型采集。测

表1非接触式个体识别技术准确率对比

Table1Accuracycomparisonofnon-contactindividual

recognitiontechnology

类别

Category

主要识别方法

Mainidentificationmethod

准确率/%

Accuracy

参考文献

Reference

口鼻纹

Snoutprint

特征提取和匹配算法

MuzzleView

98.85[9]

特征提取算法

Localbinarypattern

99.50[6]

视网膜

Retina

人工观察96.20[13]

虹膜

Iris

基于复小波变换的

图像处理技术

98.33[8]

躯干

Torso

计算机视觉

TLAINS-InceptionV3

99.74[7]

面部

Face

VGG-Face+Keras

98.60[8]

VGG16

91.90[13]

MobileNetV1+K-means++

99.86[12]

663罗西尔，等：肉牛智慧养殖技术研究进展第5期

量结果表明，RGB-D图像系统测量的体质量准确率

达到92.40%，体型尺寸准确率达96.80%，各项测量

指标的误差均在3.00%以内。与传统人工测量相

比，该方法提高了肉牛生产性能的预测准确性及选

种效率。Li等[21]提出了一种基于3D点云数据自动

测量肉牛体型尺寸的方法，首先提取肉牛腿部区域

的特征，确定关键测量部位，再利用“五点聚类梯

度边界识别算法”精确定位腿部区域边界，随后提

取肩部、胸部、臀部等关键区域，最后计算出肉牛的

斜长、高度、宽度、腹围和胸围等主要体型指标；对

10头肉牛采集了不同姿势的点云数据，测量上述

5项体型指标的误差分别为2.30%、2.80%、1.60%、

2.80%和2.60%。然而，点云数据自动计算肉牛体

型尺寸存在定位不准确、对牛姿势敏感等局限(图2)，

妨碍了其商业推广和应用。为此，Li等[22]研发了一

种基于姿势的测量调整方法，用于提升点云数据测

定肉牛体型尺寸的准确性。该方法通过提取背部、

躯干、腿部和头部的12种微姿势特征参数构建姿

势调整模型，以此降低姿势对测量结果的影响。他

们对11头肉牛的表型采集误差分别为体长1.14%、

肩高1.84%、臀高3.47%、胸围1.56%、腹围2.36%，

经过模型校准后，肉牛体型尺寸的平均误差显著降

低，不同姿势下的测量结果更为稳定。这些自动化

方法能有效采集肉牛表型数据，保障数据可靠性，

为肉牛的表型采集、育种选配及制定屠宰标准等提

供支撑。

A：肩高WitherheightB：胸围ChestgirthC：体斜长Bodyslantlength

图2不同姿态肉牛体型测量值的差异[22]

Fig.2Thedifferencesofbodysizemeasurementsofbeefcattlewithdifferentpostures

2.3肉牛瘤胃内表型采集技术

瘤胃丸剂常用来采集和记录牛瘤胃内的生理

指标，丸剂通常包括温度传感器、pH传感器、氧化

还原传感器及无线传输系统。如爱尔兰Moonsyst

公司和奥地利SmaXtec公司已研制出相似且成熟

的瘤胃丸剂，后者的丸剂长12.00cm、宽3.50cm、

重210.00g，耐瘤胃环境，无需维护，能实时监测牛

SmaXtec基站自动读取数据并通过互联网上传至

SmaXtec云平台，由人工智能分析多元数据，发现

异常会立即发送通知[23]。此外，养殖户或兽医可以

在智能手机或电脑上访问结构清晰的生理指标信

息和待办事项，使牧场管理更加高效。

3肉牛智慧发情鉴定技术研究进展

发情期是指母牛在雌激素作用下排卵进入适

宜配种阶段的时期，发情周期通常为21d，但也存

在个体差异。母牛在发情期受孕率最高，是进行人

工授精的最佳阶段。因此，准确判定发情期并及时

人工授精，对提高肉牛的繁殖效率和养殖场的经济

效益至关重要。传统的鉴定发情方法主要包括观察

牛爬跨行为、观察外阴黏液、直肠检查及测量阴道

温度，但这些方法存在主观性强、准确性低以及耗

时费力等问题，难以满足现代化肉牛养殖场的需

求。目前，智慧发情鉴定技术包括行为监测、计算

机视觉及生物标志物检测等。

3.1基于行为监测的智慧发情鉴定技术

发情期内母牛表现出性活跃特征，如相互舔

舐、兴奋、跳跃等，而接受爬跨是母牛发情较可靠

的标志。美国KamarProducts公司的Kamar

HeatmountDetectors是一种压力检测器，通过检测

爬跨行为来确定发情。设备内置计时器与信号传输

系统，把设备粘于母牛骶骨区域，若被施加连续3s

以上的足够压力，会判定为被爬跨状态，并向系统

发送牛身份信息[24]。还可以通过监测活动量判断发

情，奥地利Zoetis公司的SMARTBOW智能耳标

含3D加速度计，可以收集牛头部和耳朵的运动数

据，并根据每头牛的特点进行长期训练，发情检测

的准确率高达97%，可向智能手机、平板电脑发送

牛的身份和位置信息[25]。

3.2基于计算机视觉的智慧发情鉴定技术

肉牛、奶牛、水牛在发情期均会表现出爬跨行

为，基于计算机视觉的发情鉴定技术在奶牛领域更

加先进，能够满足肉牛养殖的需要。Tsai等[26]提出

了一种基于运动和图像分析的方法来自动检测牛

只的发情和交配行为；该方法主要包括运动检测、

前景分割、形态学操作和运动分析4个关键步骤，

原理是利用牛只发情期间的跟随和爬跨行为。研究

人员在牛舍顶部安装圆顶摄像机，从俯视角度观察

每只牛的行为。在800h的观察期内该方法能够以

35帧/s的速率实时检测交配和发情行为，准确率达

到99.67%。为了进一步提高计算机视觉的实用性，

王少华等[27]开发了基于机器视觉辅助的奶牛发情

行为识别方法，使用改进的高斯混合模型检测运动

的奶牛目标，基于颜色和纹理信息去除干扰背景，

最后利用AlexNet深度学习网络训练行为分类网络

模型识别奶牛爬跨行为，识别准确率达88.24%；然

而此方法处理速度较慢，且YOLOv3模型原锚点

框尺寸不适应奶牛体型尺寸。针对此问题，王少华

等[28]引入DenseBlock结构对YOLOv3模型原特

征提取网络进行改进，使用FIoU和两框中心距离

Dc度量替代原边界框损失函数，提出新的边界框损

失函数，增强模型的尺度不变性，从而提高奶牛发

情鉴定准确率至97.62%，处理速度提升至31帧/s。

此外，Lodkaew等[29]提出了一种基于计算机视觉和

机器学习的自动化牛只发情检测系统CowXNet，包

括牛只个体识别、身体部位检测、发情行为检测和

行为分析4个模块。在个体识别模块中，YOLOv4

通过深度学习高效准确地检测视频图像中的奶牛

个体，为后续的奶牛行为分析提供基础。图3展示

CowXNet系统正在测试最佳的身体部位检测点，系

统基于牛鼻子、身体、尾巴这些关键点的外观和运

动特征，以及邻近牛的关键点特征，采用机器学习

算法检测牛是否发情，准确率达83.00%。Arikan

等[30]提出高精度奶牛发情检测系统，将发情检测和

牛只识别过程结合，使用卷积神经网络CNN或

VGG-19模型进行爬跨检测，再由YOLOv5确定牛

只身份信息，对300头奶牛的测试结果表明，发情

识别准确率达95.00%。随着YOLO算法的不断改

进，肉牛个体识别技术的准确率和实用性也将得到

提高。

3.3基于生物标志物的智慧发情鉴定技术

在生物标志物检测方面，通过气相色谱分析奶

牛发情周期各阶段汗液、尿液、粪便、乳汁、唾液、

阴道分泌物和血液中的挥发性化合物，发现苯乙醛

等8种特异性挥发性化合物仅在牛发情期出现，有

望开发电子鼻等智能设备精准监测牛只发情时

间[31]。德国AIRSENSEANALYTICS公司制造的

MENT-EGAS原型电子鼻直接从牛阴部区域采集

气味样本，进行主成分分析以判断牛是否发情。

Ali等[32]对35头奶牛进行发情监测，MENT-EGAS

原型电子鼻表现出较高的准确性，实现电子鼻直接

采样进行发情鉴定。表2对比了11种智慧发情鉴

定技术的准确率，这类技术实时性强、自动化程度

高、准确性也在升高，但其设备昂贵、技术复杂、维

护难度大等问题亟待解决。

绿色表示人工标签，红色表示预测点；红色点与绿色点基本重合表明

预测效果良好

Greenrepresentsartificiallabels,redrepresentspredictionpoints;The

factthattheredandgreenpointsbasicallycoincideindicatesthatthe

predictionisgood

图3CowXNet系统对身体部位的预测效果[29]

Fig.3PredictiveeffectsofCowXNetsystemonbodyparts

表2智慧发情鉴定技术识别准确率对比

Table2Thecomparisonofrecognitionaccuracyofintelligentestrusdetectiontechnology

阴道内温度Vaginaltemperature温度传感器96.00[24,33]

爬跨Climbingspan压力传感器+自动摄像系统<77.00[24]

爬跨Climbingspan基于无线电遥测的压力传感系统77.00[34]

运动量Physicalactivity耳标内的3D加速度计97.00[25]

运动量Physicalactivity安装在腿部或颈部的3D加速度计92.00[35]