摘要： 母豬的生長(zhǎng)狀況、繁殖性能與健康狀況是豬場(chǎng)管理的重要生產(chǎn)要素，直接關(guān)系到豬場(chǎng)的經(jīng)濟(jì)效益。我國(guó)母豬養(yǎng)殖還存在生產(chǎn)管理智能化水平低、健康管理效率低、生產(chǎn)力水平低等突出問題，制約了我國(guó)養(yǎng)殖業(yè)的高質(zhì)量發(fā)展。本文從母豬生長(zhǎng)信息感知技術(shù)、繁殖行為監(jiān)測(cè)技術(shù)、健康狀態(tài)感知技術(shù)等3 個(gè)方面，總結(jié)了母豬精準(zhǔn)養(yǎng)殖管理中生長(zhǎng)、生理、健康監(jiān)測(cè)的研究和發(fā)展現(xiàn)狀，分析了母豬精準(zhǔn)養(yǎng)殖技術(shù)的薄弱環(huán)節(jié)，對(duì)母豬養(yǎng)殖智慧管控系統(tǒng)的建設(shè)提出了建議，并對(duì)未來的發(fā)展趨勢(shì)進(jìn)行了展望，以期為我國(guó)養(yǎng)豬業(yè)綠色高效智能轉(zhuǎn)型升級(jí)與智能養(yǎng)豬工廠的建設(shè)提供參考。

關(guān)鍵詞： 精準(zhǔn)養(yǎng)殖；母豬；養(yǎng)豬場(chǎng)；智能感知；行為表型監(jiān)測(cè)；健康管理

中圖分類號(hào)： S817.6; S828 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1001-411X（2024）05-0635-14

智能化工廠化養(yǎng)豬是我國(guó)養(yǎng)豬業(yè)發(fā)展的必然趨勢(shì)[1]。隨著信息技術(shù)的發(fā)展和非洲豬瘟常態(tài)化存在[2]，散戶養(yǎng)豬逐漸退出，我國(guó)生豬養(yǎng)殖業(yè)正在從傳統(tǒng)養(yǎng)殖模式向智能化、規(guī)?；D(zhuǎn)型，預(yù)計(jì)2025 年養(yǎng)殖規(guī)模化占比將達(dá)78% 以上，總產(chǎn)值將達(dá)1.5 萬億元以上。與生豬養(yǎng)殖技術(shù)較為先進(jìn)的國(guó)家相比，我國(guó)生豬養(yǎng)殖存在生產(chǎn)成本高、母豬年生產(chǎn)力（Pigsweaned per sow per year， PSY） 指標(biāo)低以及信息化設(shè)備使用效率低等問題，生產(chǎn)效率與國(guó)際水平之間還存在一定的差距，養(yǎng)殖產(chǎn)業(yè)的國(guó)際競(jìng)爭(zhēng)力亟待提升[3]。因此，我國(guó)生豬養(yǎng)殖產(chǎn)業(yè)的國(guó)際競(jìng)爭(zhēng)力仍需大幅提升[4]。

能繁母豬是豬場(chǎng)的核心，是生豬生產(chǎn)的基礎(chǔ)和市場(chǎng)供應(yīng)的“總開關(guān)”。保證能繁母豬的存欄量及生產(chǎn)力水平是調(diào)控生豬產(chǎn)能和保障豬肉供給能力的關(guān)鍵，而智能化養(yǎng)殖則是穩(wěn)定生豬產(chǎn)能、降低能繁母豬養(yǎng)殖成本、助力生豬養(yǎng)殖產(chǎn)業(yè)良性發(fā)展的必由之路[5]。然而，目前主流的高密度集約化母豬養(yǎng)殖動(dòng)物福利差，疾病傳播的風(fēng)險(xiǎn)增加，母豬利用年限短。母豬發(fā)情和分娩等繁殖管理多采用同期發(fā)情和同期分娩等批次化處理方式，對(duì)母豬的健康和生產(chǎn)力存在負(fù)面影響，頻繁使用獸藥對(duì)食品安全具有較大挑戰(zhàn)。因此，利用人工智能技術(shù)實(shí)時(shí)感知母豬的生長(zhǎng)、繁殖、健康等關(guān)鍵信息，從而進(jìn)行精準(zhǔn)養(yǎng)殖和疾病預(yù)警，有助于提升母豬生產(chǎn)力，提高豬場(chǎng)管理水平[6-7]。本文針對(duì)母豬養(yǎng)殖管理的關(guān)鍵環(huán)節(jié)，從生長(zhǎng)、繁殖、健康等3 個(gè)方面關(guān)鍵信息綜述母豬精準(zhǔn)養(yǎng)殖系統(tǒng)涉及的傳感器、算法模型、系統(tǒng)平臺(tái)、智能裝備研究和發(fā)展現(xiàn)狀，以期為我國(guó)養(yǎng)豬業(yè)綠色高效智能轉(zhuǎn)型升級(jí)和智能養(yǎng)豬工廠的建設(shè)提供參考。

1 母豬生長(zhǎng)信息感知技術(shù)

母豬生長(zhǎng)信息感知技術(shù)是母豬智能養(yǎng)殖過程的核心技術(shù)，也是調(diào)整母豬飼喂和淘汰策略的重要依據(jù)[8]。目前，母豬生長(zhǎng)信息感知主要依賴于人工測(cè)量，但人工方式測(cè)量母豬生長(zhǎng)信息容易引起相關(guān)應(yīng)激反應(yīng)且效率低下。隨著信息時(shí)代的飛速發(fā)展，計(jì)算機(jī)視覺技術(shù)已被廣泛用于感知母豬體況、體質(zhì)量以及體尺等生長(zhǎng)狀態(tài)[9]。通過計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)母豬生長(zhǎng)信息的實(shí)時(shí)感知，養(yǎng)殖管理人員可以更準(zhǔn)確地了解母豬生長(zhǎng)狀況和發(fā)展趨勢(shì)，及時(shí)調(diào)整飼養(yǎng)策略。這不僅可以提高數(shù)據(jù)的準(zhǔn)確性和可靠性，還可以減少人工操作、降低養(yǎng)殖成本、減少人畜的直接接觸、降低疫病傳播風(fēng)險(xiǎn)，促進(jìn)養(yǎng)殖業(yè)的智能化和信息化發(fā)展。同時(shí)，生長(zhǎng)信息感知技術(shù)可以輔助檢測(cè)母豬發(fā)情狀態(tài)、預(yù)警部分健康問題，為母豬的健康管理提供重要參考。因此，研究基于計(jì)算機(jī)視覺的母豬生長(zhǎng)信息感知技術(shù)，對(duì)實(shí)現(xiàn)母豬的精準(zhǔn)飼喂、健康檢測(cè)以及育種選淘具有重要意義。

1.1 母豬體況評(píng)分

母豬體況評(píng)分技術(shù)可以評(píng)估母豬能量蓄積、營(yíng)養(yǎng)狀況，進(jìn)而提高繁殖性能并延長(zhǎng)使用年限[10]。目前，母豬體況評(píng)分通常采用人工觀察評(píng)分點(diǎn)進(jìn)行評(píng)分，然而人工評(píng)分存在誤差大、效率低等問題[1，7]。2015 年Knauer 等[11] 設(shè)計(jì)了一種由量角器和卡尺組成的體況評(píng)分裝置，以彌補(bǔ)工作人員經(jīng)驗(yàn)差異導(dǎo)致的評(píng)分誤差。圖像處理與人工智能技術(shù)相結(jié)合的母豬自動(dòng)化評(píng)分方法可以有效解決人工評(píng)分的缺點(diǎn)，對(duì)提高母豬體況評(píng)分的效率、篩選適配母豬以及實(shí)現(xiàn)母豬健康管理具有重要意義[12-13]。薛鴻翔等[14] 研制的體況評(píng)分機(jī)器人由履帶式機(jī)器人、數(shù)據(jù)采集模塊以及數(shù)據(jù)處理模塊構(gòu)成，通過攝像頭采集母豬臀部圖像，實(shí)現(xiàn)了母豬體況自動(dòng)化評(píng)分，并完成適配母豬篩選（圖1）。

為解決樣本分布不均導(dǎo)致準(zhǔn)確率下降的問題，He 等[15] 利用YOLOX 目標(biāo)檢測(cè)網(wǎng)絡(luò)構(gòu)建母豬體況評(píng)分模型并引入了半分制，準(zhǔn)確率可以達(dá)到80.06%。Liu 等[16] 采用基于深度學(xué)習(xí)和EfficientNet-B0 的自動(dòng)母豬體況評(píng)分方法，準(zhǔn)確率得到進(jìn)一步提高，平均準(zhǔn)確率達(dá)到85.66%。為解決原始數(shù)據(jù)類別不平衡和身體狀況數(shù)據(jù)標(biāo)注錯(cuò)誤的問題，Xue 等[14] 融合卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks， CNN）網(wǎng)絡(luò)和Transformer 網(wǎng)絡(luò)并引入卷積塊注意力模塊（Convolutional block attention module，CBAM） 注意力機(jī)制以及優(yōu)化的焦點(diǎn)損失函數(shù)，準(zhǔn)確率為91.06%；該方法實(shí)現(xiàn)了母豬體況的自動(dòng)評(píng)分，具有廣泛的應(yīng)用前景。二維數(shù)據(jù)包含信息有限，運(yùn)用三維數(shù)據(jù)處理方法針對(duì)體況評(píng)分進(jìn)行研究成為一大熱點(diǎn)。滕光輝等[17] 利用手持Kinect 傳感器獲取母豬臀股的三維圖像，通過點(diǎn)云處理技術(shù)，提取母豬臀部的高寬比、臀股面積和曲率半徑并建立體況評(píng)分模型，準(zhǔn)確率達(dá)到91.70%。

在體況評(píng)分算法研究方面，目前主要采用的是基于豬體局部參考點(diǎn)的參數(shù)化研究方法，通過識(shí)別豬體的關(guān)鍵部位進(jìn)行評(píng)分，如肋骨、脊椎等；評(píng)分精度受豬只姿態(tài)影響大，導(dǎo)致評(píng)分結(jié)果不夠準(zhǔn)確，需要大量樣本進(jìn)行模型魯棒性驗(yàn)證。因此，未來的研究需要重點(diǎn)解決以上問題，包括改進(jìn)評(píng)分算法的準(zhǔn)確性和穩(wěn)定性、探索更合適的評(píng)分標(biāo)準(zhǔn)、增加樣本量以提高模型的泛化能力等，實(shí)現(xiàn)更加精準(zhǔn)、有效的母豬體況評(píng)分，為養(yǎng)殖管理提供更好的決策支持和技術(shù)指導(dǎo)。

1.2 母豬體質(zhì)量估測(cè)

母豬體質(zhì)量是母豬發(fā)育狀況的重要生理指標(biāo)之一，對(duì)實(shí)現(xiàn)母豬精準(zhǔn)飼喂以及健康監(jiān)測(cè)等方面都具有重要價(jià)值[18]。傳統(tǒng)的地磅秤稱質(zhì)量方法難以實(shí)現(xiàn)動(dòng)態(tài)稱質(zhì)量，并且存在測(cè)量誤差大、效率低下以及豬只應(yīng)激反應(yīng)大等問題。胡肄農(nóng)等[19] 利用神經(jīng)網(wǎng)絡(luò)技術(shù)降低了家畜運(yùn)動(dòng)引起的地磅稱質(zhì)量誤差，但還不能滿足實(shí)際生產(chǎn)需要。無接觸式體質(zhì)量估測(cè)的養(yǎng)殖裝備因其使用壽命長(zhǎng)、豬只應(yīng)激小等優(yōu)點(diǎn)得到了廣泛關(guān)注。這種裝備采用先進(jìn)的傳感器技術(shù)和計(jì)算機(jī)視覺算法，可以實(shí)現(xiàn)對(duì)豬只體質(zhì)量的無接觸式、實(shí)時(shí)監(jiān)測(cè)，無需人工干預(yù)，大大減少了養(yǎng)殖過程中對(duì)豬只的干擾和壓力，有助于提高養(yǎng)殖效率和動(dòng)物福利；此外，這種裝備還具有數(shù)據(jù)自動(dòng)記錄、分析和管理的功能，為養(yǎng)殖者提供了更加科學(xué)、便捷的養(yǎng)殖管理手段?，F(xiàn)代養(yǎng)殖業(yè)中，無接觸式體質(zhì)量估測(cè)的養(yǎng)殖裝備已成為提升養(yǎng)殖效益和管理水平的重要手段之一。圖2 是南京農(nóng)業(yè)大學(xué)開發(fā)的搭載深度相機(jī)的生豬分欄設(shè)備，可以將數(shù)據(jù)采集與處理模塊部署至工控機(jī)上，實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)的自動(dòng)采集和體質(zhì)量估測(cè)。

早期利用2D 圖像實(shí)現(xiàn)體質(zhì)量估測(cè)的研究主要有邊緣檢測(cè)方法[20]、Ostu 算法[21]、顏色特征處理以及閾值分割等方法[22]，通過提取母豬投影或體尺參數(shù)構(gòu)建體質(zhì)量回歸模型。2020 年，武堯等[23] 結(jié)合PBAS 和Canny 算法提取母豬輪廓并構(gòu)建母豬體質(zhì)量估測(cè)模型，準(zhǔn)確率得到進(jìn)一步提升，達(dá)到95.5%；但該方法受姿態(tài)影響大、包含信息較少，進(jìn)一步提升準(zhǔn)確率難度較大。為了進(jìn)一步提升體質(zhì)量估測(cè)的準(zhǔn)確率，研究人員通過使用深度相機(jī)獲得母豬體高等信息，研究基于三維數(shù)據(jù)類型的體質(zhì)量估測(cè)方法。利用三維數(shù)據(jù)實(shí)現(xiàn)母豬體質(zhì)量估測(cè)的流程與2D 圖像處理類似，通過點(diǎn)云濾波以及密度聚類等數(shù)據(jù)預(yù)處理方法提取母豬點(diǎn)云，利用母豬形態(tài)學(xué)特征提取相關(guān)特征參數(shù)，構(gòu)建母豬體質(zhì)量回歸模型。Zhang 等[24] 利用深層卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建多輸出回歸網(wǎng)絡(luò)模型，結(jié)合LabVIEW 軟件開發(fā)平臺(tái)實(shí)現(xiàn)豬只體質(zhì)量估測(cè)自動(dòng)化，平均絕對(duì)誤差為1.16 kg。Li 等[25]利用部署在豬只上方的深度相機(jī)采集背部彩色圖像以及深度圖像，通過數(shù)據(jù)濾波、點(diǎn)云切片等方式提取母豬體尺參數(shù)，實(shí)現(xiàn)了豬只體質(zhì)量估測(cè)。Liu等[26] 整合點(diǎn)云濾波以及密度聚類算法，研究一種混合三維點(diǎn)云去噪方法，通過投影以及凸包檢測(cè)法獲取豬背部參數(shù)，利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)母豬體質(zhì)量估測(cè)，平均相對(duì)誤差為5.357%。Cang 等[27] 采用俯視深度圖像，基于Faster R-CNN 網(wǎng)絡(luò)增加了回歸分支，將豬只檢測(cè)和體質(zhì)量回歸網(wǎng)絡(luò)集成到端網(wǎng)絡(luò)中，可以同時(shí)實(shí)現(xiàn)豬只檢測(cè)、位置識(shí)別和體質(zhì)量估測(cè)等功能。

現(xiàn)有大多數(shù)體質(zhì)量估測(cè)系統(tǒng)或模型仍停留于實(shí)驗(yàn)室研究階段，缺少針對(duì)實(shí)際生產(chǎn)環(huán)境下的應(yīng)用，無法實(shí)現(xiàn)對(duì)應(yīng)的成果落地轉(zhuǎn)化。未來需要加強(qiáng)養(yǎng)殖裝備在實(shí)際養(yǎng)殖場(chǎng)的長(zhǎng)期運(yùn)行和監(jiān)測(cè)，這樣才能積累大量的不同生長(zhǎng)階段、不同品種和不同環(huán)境條件下的數(shù)據(jù)樣本，驗(yàn)證體質(zhì)量估測(cè)模型的穩(wěn)定性和可靠性，為模型的進(jìn)一步改進(jìn)和優(yōu)化提供有力支持。

1.3 母豬體尺估測(cè)

母豬體尺估測(cè)對(duì)母豬育種選淘、精準(zhǔn)飼喂和健康狀態(tài)評(píng)估等方面具有重要意義。母豬體尺的傳統(tǒng)測(cè)量方法需要人工測(cè)定體長(zhǎng)、胸圍等指標(biāo)，這種方式工作量大，測(cè)量難度高。應(yīng)用計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)的非接觸式體尺估測(cè)方法提供了效率更高的方案。豬只體尺自動(dòng)估測(cè)方法研究涉及計(jì)算機(jī)視覺、圖像處理、深度學(xué)習(xí)等領(lǐng)域的知識(shí)，通過分析豬只的圖像數(shù)據(jù)準(zhǔn)確估測(cè)體尺信息。二維平面圖像估測(cè)方法主要依賴于對(duì)豬只圖像的特征提取和測(cè)量，而三維立體數(shù)據(jù)估測(cè)則更加復(fù)雜，需要利用三維成像技術(shù)獲取豬只的立體信息，并進(jìn)行相應(yīng)的數(shù)據(jù)處理和分析。這些研究的成果有望為豬只生產(chǎn)管理提供更精確、高效的技術(shù)支持，推動(dòng)養(yǎng)豬業(yè)向智能化、信息化的方向發(fā)展。

基于2D 圖像的豬只體尺估測(cè)研究是近年來備受關(guān)注的研究領(lǐng)域。首先，通過邊緣檢測(cè)、分割和形態(tài)學(xué)處理等技術(shù)提取豬只的輪廓信息；然后，利用特定的算法或模型確定體尺測(cè)點(diǎn)的位置和數(shù)量；最后，根據(jù)測(cè)點(diǎn)之間的距離和相對(duì)位置關(guān)系建立數(shù)學(xué)模型，實(shí)現(xiàn)對(duì)豬只體尺的估測(cè)。體尺估測(cè)的關(guān)鍵在于測(cè)點(diǎn)，測(cè)點(diǎn)提取的準(zhǔn)確度直接影響估測(cè)結(jié)果的精確度和可靠性。通過探索不同的圖像處理方法和算法，可以提高體尺測(cè)點(diǎn)提取的準(zhǔn)確度和效率，為豬只體尺估測(cè)技術(shù)的進(jìn)一步發(fā)展和應(yīng)用奠定基礎(chǔ)。劉波等[28] 通過獲取豬只熱紅外以及光學(xué)圖像，結(jié)合非子采樣輪廓波的圖像融合算法，實(shí)現(xiàn)了豬只圖像的自動(dòng)分割和提取。劉同海等[29] 通過實(shí)時(shí)捕獲豬只彩色圖像，采用背景減法、中值濾波及動(dòng)態(tài)閾值分割等方法，有效地提高了豬體體尺測(cè)點(diǎn)識(shí)別率，平均相對(duì)誤差為0.92%。南京農(nóng)業(yè)大學(xué)研制的母豬體尺智能監(jiān)測(cè)機(jī)器人（圖3），采用巡檢方式采集數(shù)據(jù)，提高了豬場(chǎng)母豬體尺檢測(cè)效率，為無接觸式體尺估測(cè)方法的養(yǎng)殖裝備研究提供了新思路。

目前，基于三維數(shù)據(jù)的豬只體尺估測(cè)方法主要依賴于雙目立體視覺技術(shù)和深度相機(jī)技術(shù)[30]。在雙目視覺中，為減少圖像受到環(huán)境的干擾，通常需采取一系列預(yù)處理和優(yōu)化措施，包括圖像去噪、光照均衡化、背景消除等，以提高圖像質(zhì)量和清晰度，有效地減少干擾因素對(duì)體尺估測(cè)結(jié)果的影響。李卓等[31]利用雙目視覺技術(shù)，結(jié)合幀差法及凹陷結(jié)構(gòu)拐點(diǎn)提取算法，實(shí)現(xiàn)了在復(fù)雜場(chǎng)景下母豬體尺的自動(dòng)提取，檢測(cè)誤差小于2 cm。此外，基于深度相機(jī)技術(shù)的豬只體尺估測(cè)方法，利用深度相機(jī)獲取的三維數(shù)據(jù)，直接獲取豬只的體積信息，無需經(jīng)過繁瑣的圖像處理步驟，可以更加準(zhǔn)確地估測(cè)豬只的體尺。尹令等[32] 利用Kinect 深度相機(jī)從多個(gè)角度捕獲母豬點(diǎn)云數(shù)據(jù)，利用點(diǎn)云配準(zhǔn)融合技術(shù)獲取母豬完整點(diǎn)云，實(shí)現(xiàn)了體尺特征的自動(dòng)提??；實(shí)際養(yǎng)殖環(huán)境中測(cè)試表明，該方法可以有效提高體尺估測(cè)精度。

二維圖像采集和處理相對(duì)簡(jiǎn)單，通常只需要基本的圖像處理技術(shù)即可實(shí)現(xiàn)，處理成本低；三維數(shù)據(jù)的采集設(shè)備相對(duì)復(fù)雜、數(shù)據(jù)量大，需要較高的技術(shù)水平和設(shè)備投入，但三維數(shù)據(jù)提供了更豐富的信息，能夠準(zhǔn)確捕捉豬只的立體形態(tài)，從而更精確地進(jìn)行分析和測(cè)量，準(zhǔn)確度更高?；谌S數(shù)據(jù)的體尺估測(cè)系統(tǒng)需要解決設(shè)備使用困難、數(shù)據(jù)采集設(shè)備復(fù)雜以及數(shù)據(jù)量更大等挑戰(zhàn)，以便有效地應(yīng)用于實(shí)際生產(chǎn)和研究中。

2 母豬繁殖信息的感知與監(jiān)測(cè)技術(shù)

2.1 母豬發(fā)情檢測(cè)技術(shù)

及時(shí)準(zhǔn)確地識(shí)別母豬的發(fā)情行為對(duì)預(yù)測(cè)母豬最佳授精時(shí)間和減少非生產(chǎn)天數(shù)至關(guān)重要[33]。在非洲豬瘟傳入我國(guó)以前，豬場(chǎng)通常采用“公豬試情法”對(duì)母豬進(jìn)行誘情與查情。隨著非洲豬瘟在我國(guó)的肆虐，為了適應(yīng)常態(tài)化的防控需要，規(guī)模化豬場(chǎng)已逐漸放棄使用試情公豬誘情與查情工作，普遍采用激素及其衍生物對(duì)母豬進(jìn)行同期發(fā)情處理。同期發(fā)情處理會(huì)損害部分母豬的生殖健康[34]；此外，部分因生殖障礙不發(fā)情的母豬還會(huì)發(fā)生誤配，增加了非生產(chǎn)天數(shù)，降低了母豬的生產(chǎn)效率[35]。因此，對(duì)母豬發(fā)情進(jìn)行更快更準(zhǔn)確的檢測(cè)是現(xiàn)代工廠化養(yǎng)豬的必然需求，通過細(xì)致準(zhǔn)確地觀察發(fā)情母豬的行為與生理變化，利用智能化技術(shù)提取母豬的發(fā)情表征，分析這些表征信息與發(fā)情之間的關(guān)聯(lián)性，進(jìn)而實(shí)現(xiàn)母豬發(fā)情行為的自動(dòng)化、智能化檢測(cè)，從而輔助生產(chǎn)決策。目前，母豬發(fā)情的主要檢測(cè)方式為人工試情法、接觸式傳感器監(jiān)測(cè)、非接觸式傳感器監(jiān)測(cè)和計(jì)算機(jī)視覺監(jiān)測(cè)等。

2.1.1 人工試情法

現(xiàn)階段，仍有部分豬場(chǎng)采用公豬試情、人工試情和行為觀察等方法[36]。當(dāng)母豬進(jìn)入發(fā)情期后，利用試情公豬的同時(shí)，經(jīng)驗(yàn)豐富的養(yǎng)殖人員通過觀察母豬的靜立反射并結(jié)合母豬外陰部腫脹程度、陰道黏膜顏色、黏液量及黏稠度等情況判斷母豬是否發(fā)情，如圖4 所示。也有部分養(yǎng)殖人員采用超聲波技術(shù)來檢測(cè)母豬發(fā)情狀態(tài)，通過分析超聲波圖像，能夠監(jiān)測(cè)卵泡的發(fā)育情況，從而判斷母豬的發(fā)情狀態(tài)[37]。雖然人工檢測(cè)法方法具有準(zhǔn)確性高、可控性強(qiáng)及適用性廣等顯著特點(diǎn)，但是人工試情法具有一定的主觀性且耗時(shí)費(fèi)力，主要適用于中小規(guī)模養(yǎng)殖場(chǎng)，不能滿足養(yǎng)豬工廠化的生產(chǎn)管理需求。

2.1.2 接觸式傳感器監(jiān)測(cè)

家畜接觸式傳感器是一類可穿戴式或植入式的檢測(cè)裝置，主要包括計(jì)步器、加速度傳感器、姿態(tài)傳感器等。在生豬養(yǎng)殖領(lǐng)域，接觸式傳感器被應(yīng)用于豬只身份識(shí)別、體溫監(jiān)測(cè)、活動(dòng)量檢測(cè)、發(fā)情監(jiān)測(cè)以及分娩監(jiān)測(cè)等方面，從而有效地指導(dǎo)生豬的生產(chǎn)管理。在母豬發(fā)情檢測(cè)方法的早期研究中，Johnson 等[38] 利用植入式三軸加速度傳感器監(jiān)測(cè)后備母豬發(fā)情期的活動(dòng)量，結(jié)果表明在母豬進(jìn)入發(fā)情期時(shí)，活動(dòng)量增加了37.8%。王凱等[39] 在母豬頸部安裝了姿態(tài)傳感器獲取數(shù)據(jù)，以爬跨行為和活動(dòng)量2 個(gè)特征作為發(fā)情行為識(shí)別依據(jù)，結(jié)果表明以30 min 作為發(fā)情識(shí)別時(shí)間時(shí)效果最佳，錯(cuò)誤率僅13.42%。接觸式傳感器雖然能夠較為精確地監(jiān)測(cè)母豬的發(fā)情狀態(tài)，但植入式傳感器易引起母豬的應(yīng)激反應(yīng)且佩戴式傳感器存在易脫落等問題，未來將朝著小型化、低功耗、多參數(shù)化的方向發(fā)展，新型的接觸式傳感器將能夠更全面、快速地監(jiān)測(cè)畜禽個(gè)體的生理和健康狀況。

2.1.3 非接觸式傳感器監(jiān)測(cè)

隨著無線通訊、光學(xué)傳感及人工智能等技術(shù)的不斷進(jìn)步，非接觸式傳感器在生豬信息感知領(lǐng)域得到了廣泛應(yīng)用?；诜墙佑|式傳感器的母豬發(fā)情檢測(cè)設(shè)備主要通過監(jiān)測(cè)母豬聲音、行為等指標(biāo)的變化情況，實(shí)現(xiàn)對(duì)母豬發(fā)情狀態(tài)的感知。為了實(shí)現(xiàn)基于發(fā)聲特征的發(fā)情檢測(cè)，Chen 等[40] 和Wang 等[41] 采集了母豬的發(fā)情聲和非發(fā)情聲并采用卷積神經(jīng)網(wǎng)絡(luò)算法識(shí)別，準(zhǔn)確率分別高達(dá)93.00% 和97.52%。Freson 等[42] 通過在豬舍正上方離地1.6 m處安裝紅外探測(cè)器，采集并分析了58 頭圈養(yǎng)母豬的運(yùn)動(dòng)數(shù)據(jù)，結(jié)果發(fā)現(xiàn)當(dāng)采用平均日活動(dòng)量作為發(fā)情判斷參數(shù)時(shí)，能夠正確識(shí)別80% 的發(fā)情母豬；當(dāng)結(jié)合日活動(dòng)峰值與平均日活動(dòng)量作為判斷參數(shù)時(shí)，識(shí)別準(zhǔn)確率高達(dá)86%。Cornou 等[43] 利用自動(dòng)飼喂器統(tǒng)計(jì)母豬的采食頻次，并建立了單變量動(dòng)態(tài)線性模型，用于識(shí)別母豬的發(fā)情、跛行及其他疾病，研究結(jié)果表明該方法的發(fā)情檢測(cè)靈敏度為75.0%，特異性為95.4%。

與接觸式傳感器相比，非接觸式電子傳感器降低了對(duì)母豬的干擾和應(yīng)激反應(yīng)，確保了檢測(cè)結(jié)果的準(zhǔn)確性；此外，非接觸式傳感器具有安裝簡(jiǎn)便、維護(hù)成本低等顯著優(yōu)點(diǎn)，在實(shí)際豬場(chǎng)的母豬發(fā)情檢測(cè)應(yīng)用方面具有一定優(yōu)勢(shì)。

2.1.4 計(jì)算機(jī)視覺監(jiān)測(cè)

隨著人工智能技術(shù)的發(fā)展，利用計(jì)算機(jī)視覺技術(shù)可以持續(xù)地監(jiān)測(cè)母豬的行為和運(yùn)動(dòng)狀態(tài)等，進(jìn)而幫助養(yǎng)殖人員對(duì)母豬的發(fā)情情況做出預(yù)測(cè)。Seo 等[44] 采集了20 頭母豬的臀部圖像，分析了紋理圖的均勻性、灰度共生矩陣、熵、角二階矩等多階參數(shù)，提出了一種基于陰部圖像紋理特征與神經(jīng)網(wǎng)絡(luò)的發(fā)情檢測(cè)方法，準(zhǔn)確率達(dá)70%。在實(shí)際生產(chǎn)中，母豬臀部位置易受污染，導(dǎo)致陰部圖像質(zhì)量難以保證。針對(duì)此問題，Xu 等[45] 利用激光雷達(dá)相機(jī)采集母豬后軀的三維點(diǎn)云數(shù)據(jù)，根據(jù)外陰腫脹程度判斷母豬的發(fā)情狀況。不同發(fā)情母豬的外陰腫脹程度和持續(xù)時(shí)間差異顯著，因此，僅通過判斷母豬外陰腫脹程度可能會(huì)錯(cuò)過最佳配種時(shí)機(jī)。莊晏榕等[46] 基于公豬試情時(shí)大白母豬雙耳豎立的特征，構(gòu)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的母豬發(fā)情行為識(shí)別方法，并設(shè)定了發(fā)情時(shí)母豬雙耳豎立的時(shí)間閾值，研究結(jié)果顯示該發(fā)情行為識(shí)別方法的準(zhǔn)確率高達(dá)93.33%；相較于紅外行為傳感器和加速度傳感器等方法，其性能有顯著提升。但該方法需要公豬試情，因此無法實(shí)現(xiàn)發(fā)情檢測(cè)的自動(dòng)化。Lei 等[47] 研發(fā)了一套名為“測(cè)情機(jī)器豬”的裝置，通過監(jiān)測(cè)母豬雙耳豎立時(shí)間以及母豬與仿生豬鼻的交互行為等發(fā)情特征，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)大白母豬的發(fā)情行為進(jìn)行分類，研究發(fā)現(xiàn)發(fā)情期的母豬與仿生公豬的接觸持續(xù)時(shí)間以及雙耳靜立時(shí)間均會(huì)保持在較高水平。薛鴻翔等[48] 設(shè)計(jì)了仿生公豬機(jī)器人，內(nèi)置公豬氣味劑與模擬公豬發(fā)聲器，采集并分析母豬發(fā)情期與非發(fā)情期的交互行為特征，發(fā)現(xiàn)母豬發(fā)情期較非發(fā)情期交互時(shí)長(zhǎng)與頻率均顯著提高；提出了一種基于改進(jìn)YOLO v5s 算法的經(jīng)產(chǎn)母豬發(fā)情快速檢測(cè)方法，以20 s 作為發(fā)情檢測(cè)閾值時(shí)，發(fā)情檢測(cè)特異性為89.1%、準(zhǔn)確率為89.6%、靈敏度為90.0%，該方法能夠?qū)崿F(xiàn)發(fā)情母豬快速檢測(cè)，并搭建了母豬智慧養(yǎng)殖大數(shù)據(jù)平臺(tái)（圖5）。

與非接觸式傳感器相比，基于機(jī)器視覺的算法在捕捉母豬發(fā)情期間的行為和生理變化方面具有顯著優(yōu)勢(shì)。然而，受光照條件及母豬個(gè)體差異影響，基于機(jī)器視覺監(jiān)測(cè)母豬發(fā)情行為的準(zhǔn)確率有待進(jìn)一步提升?，F(xiàn)有的部分發(fā)情檢測(cè)模型對(duì)硬件資源有一定要求，未來需進(jìn)一步結(jié)合云計(jì)算、邊緣計(jì)算等技術(shù)，實(shí)現(xiàn)發(fā)情檢測(cè)數(shù)據(jù)的實(shí)時(shí)高效處理與分析，從而推動(dòng)智能模型從局部到全局的智能化落地，實(shí)現(xiàn)工廠化養(yǎng)豬的高標(biāo)準(zhǔn)建設(shè)。

2.2 母豬分娩監(jiān)測(cè)技術(shù)

母豬分娩監(jiān)測(cè)技術(shù)包括母豬分娩預(yù)警和分娩全程監(jiān)測(cè)。母豬分娩預(yù)警是指在母豬分娩前發(fā)出警報(bào)，提醒飼養(yǎng)員做好接產(chǎn)有關(guān)準(zhǔn)備工作，在一定程度上避免母豬分娩時(shí)難產(chǎn)、仔豬窒息、溫度過低等情況[49]。母豬的產(chǎn)仔總數(shù)、活仔數(shù)、仔豬木乃伊數(shù)等反映了母豬的生產(chǎn)性能，對(duì)母豬的分娩行為進(jìn)行全程監(jiān)測(cè)，有利于養(yǎng)殖人員篩選出品質(zhì)優(yōu)良的能繁母豬，保證能繁母豬合理的存欄水平，促進(jìn)我國(guó)養(yǎng)豬業(yè)的健康發(fā)展。目前，母豬分娩的主要監(jiān)測(cè)方式為人工監(jiān)測(cè)、接觸式傳感器監(jiān)測(cè)、非接觸式傳感器監(jiān)測(cè)和計(jì)算機(jī)視覺監(jiān)測(cè)等。

2.2.1 人工監(jiān)測(cè)

實(shí)際生產(chǎn)中母豬的分娩監(jiān)測(cè)通常是由飼養(yǎng)員直接巡欄，對(duì)母豬的分娩行為進(jìn)行觀察或者通過視頻監(jiān)控畫面進(jìn)行觀察，該方法不僅耗時(shí)費(fèi)力，還無法做到全天候接產(chǎn)處理。此外，養(yǎng)殖人員也可通過測(cè)量直腸和陰道溫度、檢查宮頸擴(kuò)張寬度、提取頸靜脈血漿濃度等措施來預(yù)測(cè)母豬分娩時(shí)間。但該方式不僅會(huì)引起母豬的應(yīng)激反應(yīng)，還會(huì)增加產(chǎn)道感染的風(fēng)險(xiǎn)，與動(dòng)物福利養(yǎng)殖的理念相悖。人工監(jiān)測(cè)的優(yōu)點(diǎn)在于飼養(yǎng)人員可以立即執(zhí)行接產(chǎn)工作，最大程度地保證母仔健康，缺點(diǎn)是需要人工長(zhǎng)時(shí)間看守，勞動(dòng)強(qiáng)度較大。

2.2.2 接觸式傳感器監(jiān)測(cè)

基于接觸式傳感器的母豬分娩監(jiān)測(cè)是指利用穿戴式傳感器檢測(cè)并分析母豬的體征和行為數(shù)據(jù)。Cornou 等[50] 以群養(yǎng)母豬為研究對(duì)象，利用三軸加速度傳感器，結(jié)合多過程卡爾曼濾波法將母豬的行為進(jìn)行分類，其中，飲食、側(cè)臥和胸臥3 種姿態(tài)的識(shí)別效果良好，并通過動(dòng)態(tài)線性模型預(yù)測(cè)母豬分娩時(shí)間，準(zhǔn)確率達(dá)89%。Aparna等[51] 通過多個(gè)傳感器測(cè)量豬只的運(yùn)動(dòng)及飲水情況判斷母豬的分娩行為并進(jìn)行預(yù)警，準(zhǔn)確率達(dá)97%。Traulsen 等[52] 設(shè)計(jì)的一種加速度耳標(biāo)傳感器能夠監(jiān)測(cè)到母豬分娩前活動(dòng)量增加，并提出2 次分娩預(yù)警，實(shí)現(xiàn)在分娩前6～8 和1～2 h 啟動(dòng)預(yù)警裝置。劉龍申等[53] 將三軸加速度傳感器佩戴于母豬頸部，通過K 均值聚類算法對(duì)母豬分娩前的運(yùn)動(dòng)特征進(jìn)行監(jiān)測(cè)，最終能夠檢測(cè)出母豬的典型行為，如躺臥、筑巢、站立、吃料等，準(zhǔn)確率達(dá)87.93%。然而，穿戴式運(yùn)動(dòng)傳感器可能在母豬活動(dòng)過程中掉落。

2.2.3 非接觸式電子傳感器監(jiān)測(cè)

基于非接觸式電子傳感器的母豬分娩監(jiān)測(cè)預(yù)警指的是利用光電傳感器、超聲波傳感器等無接觸式設(shè)備對(duì)母豬分娩行為進(jìn)行研究。Manteuffel 等[54] 使用光電傳感器，通過動(dòng)態(tài)線性模型及累積和的方法對(duì)母豬分娩行為進(jìn)行定性和定量預(yù)測(cè)，結(jié)果表明，使用單一光電傳感器的精度不如加速度傳感器。張光躍等[55] 利用超聲波傳感器設(shè)計(jì)了一種基于K 均值聚類算法的母豬產(chǎn)前監(jiān)測(cè)系統(tǒng)，該研究根據(jù)母豬頭尾等不同部位的活動(dòng)距離對(duì)母豬行為進(jìn)行分類，對(duì)母豬筑巢、站立、側(cè)臥等行為的識(shí)別準(zhǔn)確率均達(dá)90% 以上。然而，非接觸式電子傳感器大多數(shù)還停留在試驗(yàn)階段，在實(shí)際養(yǎng)殖場(chǎng)的應(yīng)用并不廣泛。

2.2.4 計(jì)算機(jī)視覺監(jiān)測(cè)

基于目標(biāo)檢測(cè)算法的母豬分娩監(jiān)測(cè)預(yù)警是指用攝影機(jī)和計(jì)算機(jī)代替人工對(duì)目標(biāo)進(jìn)行檢測(cè)、分類、跟蹤等，建立一種從圖像、視頻、多維數(shù)據(jù)中“感知”到有價(jià)值信息的人工智能手段。也可以通過紅外攝像機(jī)（IRC） 測(cè)量豬的眼睛、耳朵、陰戶、乳腺等部位的體表溫度來檢測(cè)早期疾病或預(yù)測(cè)分娩[56]。Küster 等[57] 基于動(dòng)態(tài)背景減法和光流法2 種算法分析每只母豬的行為活動(dòng)，將母豬產(chǎn)前的活動(dòng)分為3 個(gè)階段。該方法可在分娩前4～6 h 預(yù)警，檢測(cè)率達(dá)100%。Luo 等[58] 提出了一種輕量級(jí)通道注意力模型對(duì)母豬的5 種姿態(tài)進(jìn)行檢測(cè)，該模型參數(shù)更少、計(jì)算復(fù)雜度更低，在CPU 平臺(tái)上推理時(shí)間可達(dá)63 ms。Seo 等[59] 提出一種基于嵌入式人工智能計(jì)算平臺(tái)（Jetson Nano） 的豬只目標(biāo)檢測(cè)方法，并將深度學(xué)習(xí)目標(biāo)探測(cè)器的速度和精度提高至原來的8.7 倍，降低了大型豬場(chǎng)的監(jiān)控成本。薛月菊等[60]采用改進(jìn)的Faster R-CNN 算法對(duì)哺乳母豬各姿態(tài)進(jìn)行識(shí)別，準(zhǔn)確率達(dá)到93.25%。劉龍申等[61] 提出一種檢測(cè)限位欄內(nèi)仔豬的機(jī)器視覺方法來檢測(cè)母豬的分娩行為，提出半圓匹配算法和改進(jìn)的單高斯模型背景減除法，分別對(duì)目標(biāo)進(jìn)行分割和檢測(cè)，最后根據(jù)仔豬目標(biāo)的顏色和面積特征進(jìn)行識(shí)別。張弛等[62] 通過團(tuán)序列檢測(cè)算法和團(tuán)序列拼接算法設(shè)計(jì)了一個(gè)母豬分娩監(jiān)測(cè)系統(tǒng)，該方法通過對(duì)母豬圖像分割和仔豬目標(biāo)模板匹配，對(duì)母豬分娩的識(shí)別準(zhǔn)確率為95.5%。隨著目標(biāo)檢測(cè)算法的發(fā)展，利用YOLO v3 網(wǎng)絡(luò)可實(shí)現(xiàn)對(duì)初生仔豬目標(biāo)的實(shí)時(shí)檢測(cè)，在驗(yàn)證集和測(cè)試集上的精確率分別達(dá)到95.76% 和93.84%，召回率分別為95.47% 和94.88% [63]。Chen 等[64] 隨后又提出一種基于嵌入式Jetson Nano 的產(chǎn)仔行為預(yù)警和監(jiān)控方法，這種輕量級(jí)的深度學(xué)習(xí)方法可以在邊緣節(jié)點(diǎn)快速處理母豬產(chǎn)仔視頻數(shù)據(jù)，降低帶寬需求并保證網(wǎng)絡(luò)傳輸中的數(shù)據(jù)安全；研究表明，該模型遷移到Jetson Nano后，母豬姿勢(shì)和新生仔豬檢測(cè)精度達(dá)93.5%，召回率達(dá)92.2%，檢測(cè)速度提升8 倍以上，警告的平均誤差為1.02 h，該系統(tǒng)運(yùn)行界面如圖6 所示。

通過計(jì)算機(jī)視覺的監(jiān)測(cè)方式具有持續(xù)性、對(duì)動(dòng)物無侵?jǐn)_、架設(shè)相對(duì)容易、抗干擾能力強(qiáng)等特點(diǎn)，能夠及時(shí)對(duì)母豬分娩進(jìn)行預(yù)警，減輕飼養(yǎng)員的工作負(fù)擔(dān)，也避免給母豬帶來應(yīng)激反應(yīng)和感染疾病的風(fēng)險(xiǎn)。未來需進(jìn)一步優(yōu)化，結(jié)合云計(jì)算等新技術(shù)，減少誤檢、漏檢等現(xiàn)象，也可開發(fā)配套養(yǎng)殖自動(dòng)化機(jī)器人，實(shí)現(xiàn)現(xiàn)代化與智能化的工廠化養(yǎng)豬。

3 母豬健康狀態(tài)感知技術(shù)

隨著養(yǎng)豬場(chǎng)規(guī)模化、集約化的快速發(fā)展，生豬健康問題頻發(fā)，已成為制約畜禽養(yǎng)殖業(yè)發(fā)展的瓶頸。母豬作為生豬養(yǎng)殖過程中的核心個(gè)體，其健康狀況直接關(guān)系到繁殖效率、生長(zhǎng)發(fā)育和疾病防控。通過監(jiān)測(cè)母豬的行為、體溫、聲音等的數(shù)據(jù)，可以及時(shí)發(fā)現(xiàn)母豬健康問題并采取相應(yīng)的管理和調(diào)控措施，從而降低生產(chǎn)風(fēng)險(xiǎn)，保障養(yǎng)殖業(yè)的可持續(xù)發(fā)展和食品安全。加強(qiáng)母豬健康狀態(tài)感知技術(shù)的研究與應(yīng)用，對(duì)于推動(dòng)生豬養(yǎng)殖業(yè)的現(xiàn)代化和產(chǎn)業(yè)升級(jí)具有重要意義。

3.1 行為信息感知

母豬在亞臨床或臨床癥狀出現(xiàn)之前，往往伴隨著行為的改變，以此反映疾病的預(yù)兆[65]。為確保母豬健康、提高生產(chǎn)效益，國(guó)內(nèi)外學(xué)者一直致力于母豬行為自動(dòng)化監(jiān)測(cè)方法的探索與研究，廣泛應(yīng)用傳感器、機(jī)器視覺等技術(shù)[1]。佩戴式傳感器因其技術(shù)成熟，已成為檢測(cè)母豬行為的常用工具之一。通過監(jiān)測(cè)、分析和挖掘母豬的運(yùn)動(dòng)參數(shù)，可以更好地掌握母豬的行為模式。閆麗等[66] 利用加速度傳感器持續(xù)監(jiān)測(cè)不同姿態(tài)下的運(yùn)動(dòng)信號(hào)，建立了對(duì)應(yīng)的特征模型，用于識(shí)別母豬姿態(tài)和分娩前的高危行為。劉龍申等[53] 采用接觸式項(xiàng)圈裝置（圖7），配備無線加速度傳感器節(jié)點(diǎn)，收集母豬產(chǎn)前運(yùn)動(dòng)信息的各種特征，并根據(jù)加速度曲線的波動(dòng)性特點(diǎn)，用K 均值聚類算法實(shí)現(xiàn)對(duì)母豬典型行為的智能分類。

佩戴式傳感器由于需要長(zhǎng)期與母豬接觸，極易導(dǎo)致母豬產(chǎn)生應(yīng)激反應(yīng)，損害養(yǎng)殖福利；此外，在實(shí)際使用過程中，經(jīng)常存在設(shè)備脫落、損壞等問題，難以在大規(guī)模養(yǎng)殖場(chǎng)景下推廣應(yīng)用。近年來，隨著機(jī)器視覺技術(shù)在畜禽養(yǎng)殖領(lǐng)域的不斷發(fā)展，非接觸式的母豬行為檢測(cè)逐漸嶄露頭角[67]。利用圖像處理和視頻理解技術(shù)等非接觸式手段已成為集約化養(yǎng)殖場(chǎng)景下的迫切需求和必然趨勢(shì)。

母豬日常行為如采食、飲水和運(yùn)動(dòng)量的監(jiān)測(cè)，對(duì)于飼養(yǎng)和生長(zhǎng)管理至關(guān)重要。Lao 等[68] 利用深度相機(jī)對(duì)母豬的關(guān)鍵部位（頭部、肩部、腹部、臀部） 與產(chǎn)床地面的平均距離以及母豬的身體屬性、產(chǎn)床結(jié)構(gòu)進(jìn)行檢測(cè)，建立了母豬行為分類標(biāo)準(zhǔn)，并從深度圖像中挖掘豬只相對(duì)于產(chǎn)床的空間位置信息，實(shí)現(xiàn)對(duì)母豬采食、飲水2 種行為的準(zhǔn)確檢測(cè)。Yang 等[69] 結(jié)合光流法和長(zhǎng)短期記憶網(wǎng)絡(luò)提出一種新的框架，用于自動(dòng)識(shí)別母豬在飲水、采食、哺乳以及其他活動(dòng)時(shí)的運(yùn)動(dòng)量。Wang 等[70] 結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)建立了母豬姿態(tài)檢測(cè)模型，能夠準(zhǔn)確檢測(cè)母豬的胸臥、側(cè)臥、站立和行走狀態(tài)，準(zhǔn)確率達(dá)到了90.6%。

針對(duì)泌乳期母豬的哺乳行為，Yang 等[71] 利用全卷積網(wǎng)絡(luò)從俯視視角中分割出泌乳母豬，隨后用Otsu 處理最后一層概率圖的色調(diào)、飽和度等顏色信息，用于細(xì)化全卷積網(wǎng)絡(luò)輸出；相比于傳統(tǒng)的閾值分割、背景建模等方法，該方法精度更高，達(dá)到96.6%。甘海明等[72] 基于Mask R-CNN、ResNet-101和FPN（Feature pyramid network） 識(shí)別母豬姿態(tài)，通過檢測(cè)關(guān)鍵點(diǎn)獲取母豬哺乳區(qū)域并提取時(shí)空特征，最后利用串接卷積融合確定了母豬的哺乳情況。

豬只步態(tài)識(shí)別方面，Stavrakakis 等[73] 評(píng)估了Kinect 深度相機(jī)在識(shí)別豬只行走模式的有效性，依據(jù)跛足豬具有明顯的頭部和頸部垂直位移幅度增加等重要特征，在俯視視角下實(shí)現(xiàn)了跛行引起的異常行走模式識(shí)別。朱家驥等[74] 基于星狀骨架模型，提出豬只步態(tài)分析方法，從關(guān)鍵輪廓點(diǎn)的運(yùn)動(dòng)規(guī)律中挖掘前肢步態(tài)頻率。劉波等[75] 利用Kinect相機(jī)采集生豬運(yùn)動(dòng)圖像序列，根據(jù)肢體關(guān)鍵點(diǎn)的前后幀相對(duì)坐標(biāo)變化建立生豬運(yùn)動(dòng)模型，提取生豬步頻特征，為異常步態(tài)分析和異常行為預(yù)警奠定基礎(chǔ)。

也有學(xué)者基于母豬日常行為的變化情況判斷其是否發(fā)生異常。Zhang 等[76] 結(jié)合SSD （Single shotdetection） 和MobileNet 開發(fā)出一種母豬行為實(shí)時(shí)檢測(cè)算法（SBDA-DL），實(shí)現(xiàn)了飲水、排尿和爬跨行為的檢測(cè)，并自動(dòng)分析行為的異常情況。Racewicz等[77] 將豬只行為與其生長(zhǎng)環(huán)境和健康狀況聯(lián)系起來，以確保動(dòng)物養(yǎng)殖福利，并最終提高養(yǎng)殖效益。

3.2 體溫信息感知

體溫是反映豬只生理健康狀況的重要指標(biāo)之一。在許多豬只傳染病的臨床癥狀中，體溫異常升高往往比其他癥狀出現(xiàn)得更早。因此，實(shí)現(xiàn)自動(dòng)化體溫監(jiān)測(cè)能夠及時(shí)發(fā)現(xiàn)豬只健康問題，降低疫病傳播和擴(kuò)散風(fēng)險(xiǎn)。傳統(tǒng)測(cè)溫方法主要是人工使用獸用水銀體溫計(jì)測(cè)量豬只的直腸溫度。這種方法存在諸多問題，不僅效率低、耗時(shí)費(fèi)力，而且會(huì)給豬只造成較大的應(yīng)激，影響其健康狀況；此外，人工測(cè)量還存在人畜交叉感染的風(fēng)險(xiǎn)，不符合規(guī)模化養(yǎng)殖場(chǎng)對(duì)于高效、安全和衛(wèi)生管理的要求。因此，需要探索更加高效、便捷且安全的豬只體溫監(jiān)測(cè)方法，以滿足現(xiàn)代養(yǎng)殖業(yè)的需求[49]。

國(guó)內(nèi)外學(xué)者開展了基于接觸式傳感設(shè)備的豬只體溫監(jiān)測(cè)系統(tǒng)研究，并取得一定成效。Krizanac等[78] 采用帶有3 個(gè)溫度探頭的插管，將其插入被麻醉的母豬呼吸道實(shí)現(xiàn)體溫監(jiān)測(cè)。Andersen 等[79]采用帶有溫度傳感器的電子耳標(biāo)測(cè)量耳朵皮膚溫度，同時(shí)在豬的欄位上搭建網(wǎng)絡(luò)攝像頭用以捕獲豬只行為，研究耳部溫度的晝夜變化節(jié)律，探究體溫與行為之間的聯(lián)系。上述方法會(huì)在一定程度上損害母豬福利，同時(shí)需要人工輔助操作，存在設(shè)備維護(hù)困難等問題，難以在規(guī)?；B(yǎng)殖場(chǎng)中推廣應(yīng)用。

無接觸式豬只體溫監(jiān)測(cè)逐漸成為主流。柏廣宇等[80] 以CC2430 單片機(jī)作為節(jié)點(diǎn)硬件的主控器，配合MLX90614 紅外溫度傳感器，測(cè)量母豬臀部溫度，建立溫度補(bǔ)償機(jī)制，探究臀部溫度與直腸溫度的相關(guān)性，但存在通信距離受限、數(shù)據(jù)丟失等問題，其總體設(shè)計(jì)框圖如圖8 所示。

基于紅外熱成像技術(shù)進(jìn)行非接觸式體溫檢測(cè)方法具有操作便捷、高精度等多種優(yōu)勢(shì)。Siewert等[81] 結(jié)合紅外成像和差分ROI（Region of interest）技術(shù)，用于豬只體溫升高的早期檢測(cè)，具有高特異性和高靈敏度。此外，熱紅外技術(shù)還被廣泛應(yīng)用于檢測(cè)豬的疾病，Amezcua 等[82] 考慮到目前的視覺步態(tài)評(píng)分系統(tǒng)存在耗時(shí)、評(píng)分差異大等問題，基于熱紅外技術(shù)探究一種定量的豬群跛行檢測(cè)方法，發(fā)現(xiàn)患蹄部疾病的母豬與步態(tài)正常的母豬拓骨和指骨溫度具有顯著差異?？紤]到熱紅外成像設(shè)備靈敏度易受環(huán)境因素影響，田浩楠等[83] 利用Fluke Ti27 熱紅外成像儀及配套軟件獲取豬只耳根溫度，結(jié)合溫濕度、光照強(qiáng)度等環(huán)境因子，建立線性回歸模型，擬合豬只體溫，平均誤差為1.41%，為高精度的豬只體溫非接觸式測(cè)量提供了解決方案。

3.3 異常聲音監(jiān)測(cè)

豬只異常聲音監(jiān)測(cè)可以用于早期發(fā)現(xiàn)潛在的疾病。一些呼吸道疾病在臨床癥狀出現(xiàn)之前會(huì)使豬只發(fā)出異常聲音，通過監(jiān)測(cè)異常聲音，有助于防止疾病的擴(kuò)散和傳播，規(guī)避養(yǎng)殖風(fēng)險(xiǎn)。國(guó)內(nèi)外對(duì)于豬只異常聲音監(jiān)測(cè)主要圍繞咳嗽聲展開。Ferrarif 等[84]通過分析豬只因肺部感染引起的咳嗽聲的音頻特征，以豬只咳嗽聲的均方根、頻率值、持續(xù)時(shí)間、間隔時(shí)間為依據(jù)，實(shí)現(xiàn)豬只咳嗽聲的自動(dòng)分類，搭建豬只咳嗽聲自動(dòng)監(jiān)測(cè)系統(tǒng)，在一定程度上推動(dòng)了豬只咳嗽聲智能監(jiān)測(cè)技術(shù)的發(fā)展。Chung 等[85] 提取豬只聲音的梅爾頻率倒譜系數(shù)并作為支持向量機(jī)和稀疏表示分類器的輸入特征，監(jiān)測(cè)豬只疾病，檢出率可達(dá)94%。國(guó)內(nèi)對(duì)于異常聲音尤其是咳嗽聲的研究起步較晚，但研究深度和廣度近年來取得了長(zhǎng)足進(jìn)步。徐亞妮等[86] 依托曲線目標(biāo)優(yōu)化的思想提取聲音功率譜密度特征，并將該特征作為聚類中心，利用改進(jìn)的模糊C 均值聚類算法對(duì)豬只的咳嗽聲、尖叫聲進(jìn)行分類，為豬只咳嗽聲的檢測(cè)提供了一種簡(jiǎn)單、高效且可行的方法。馬輝棟等[87] 以線性預(yù)測(cè)倒譜系數(shù)及差分、梅爾頻率倒譜系數(shù)及差分作為音頻特征參數(shù)， 搭建基于矢量量化（ V e c t o rquantization，VQ） 及隱馬爾可夫模型（Hiddenmarkov model，HMM） 的豬只咳嗽自動(dòng)識(shí)別系統(tǒng)，結(jié)合豬只咳嗽聲音信號(hào)的特點(diǎn)，對(duì)端點(diǎn)檢測(cè)算法進(jìn)行改進(jìn)，實(shí)現(xiàn)了豬只咳嗽聲的自動(dòng)檢測(cè)。董紅松等[88]采用基于離散余弦變換（Discrete cosine transform，DCT） 增強(qiáng)算法對(duì)含噪豬咳嗽聲的信號(hào)進(jìn)行處理，采用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical mode decomposition，EMD） 和小波包變換（Wavelet packet transform，WPT） 增強(qiáng)方法和DCT 增強(qiáng)算法對(duì)去除風(fēng)扇噪聲的效果進(jìn)行對(duì)比，結(jié)果表明DCT 增強(qiáng)算法能夠更好地分離豬只咳嗽聲與風(fēng)扇噪聲信號(hào)。趙健等[89]將深度信念神經(jīng)網(wǎng)絡(luò)與HMM 模型相結(jié)合，以豬只音頻信號(hào)的梅爾頻率特征作為輸入，識(shí)別豬只的咳嗽聲。龔永杰等[90] 利用改進(jìn)后的梅爾倒頻譜系數(shù)（Mel frequency cepstral coefficients，MFCC） 提取豬只的音頻特征作為矢量化匹配算法的輸入，識(shí)別豬只咳嗽聲，構(gòu)建豬咳嗽聲識(shí)別系統(tǒng)，實(shí)現(xiàn)豬呼吸道疾病的預(yù)警。張振華等[91] 以MFCC 及其一階差分作為HMM 模型的輸入，實(shí)現(xiàn)豬只干咳聲與濕咳聲的自動(dòng)分類。黎宣等[92] 提取豬只聲音的短時(shí)能量和MFCC，通過主成分分析法對(duì)特征參數(shù)進(jìn)行降維，并將降維后的特征參數(shù)作為模型深度信念網(wǎng)絡(luò)的輸入，識(shí)別豬只咳嗽聲。

除了傳統(tǒng)的機(jī)器學(xué)習(xí)方法，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法也被廣泛應(yīng)用于豬只異常聲音的檢測(cè)。沈明霞等[ 9 3 ] 基于深度神經(jīng)網(wǎng)絡(luò)， 以logFbank 和MFCC 及其一、二階方差作為輸入特征，實(shí)現(xiàn)豬只咳嗽、噴嚏、鳴叫、呼嚕等聲音分類，為呼吸道疾病監(jiān)測(cè)提供支持（圖9）。Yin 等[94] 將豬只的聲音信號(hào)轉(zhuǎn)化為頻譜圖并作為AlexNet 網(wǎng)絡(luò)的輸入，實(shí)現(xiàn)豬只咳嗽聲的自動(dòng)分類。Shen 等[95] 將MFCC 與CNN 相結(jié)合提取豬只聲音特征并作為支持向量機(jī)的輸入，識(shí)別豬只咳嗽聲。

4 存在的問題與發(fā)展趨勢(shì)

4.1 存在的問題

國(guó)內(nèi)外關(guān)于母豬生長(zhǎng)、繁殖、健康等信息感知技術(shù)研究報(bào)道較多，這些技術(shù)的研究與應(yīng)用對(duì)于提升母豬生產(chǎn)力、改善健康管理、減少人員工作量、降低養(yǎng)殖成本具有重要意義，促進(jìn)了母豬養(yǎng)殖智能化發(fā)展。然而，受“非洲豬瘟”的影響以及養(yǎng)殖環(huán)境復(fù)雜、個(gè)體差異大等原因，我國(guó)規(guī)?；B(yǎng)豬工廠中母豬精準(zhǔn)養(yǎng)殖信息感知技術(shù)的推廣應(yīng)用仍存在一些問題。

1） 母豬生長(zhǎng)信息檢測(cè)精度有待進(jìn)一步提升。目前，針對(duì)母豬體質(zhì)量、體尺、體況的智能檢測(cè)技術(shù)研究主要采用2D 圖像識(shí)別和3D 點(diǎn)云處理的方式，在豬舍復(fù)雜環(huán)境、豬只體型姿態(tài)多變以及高度、角度難于統(tǒng)一的條件下，采用2D 圖像處理的方式檢測(cè)母豬生長(zhǎng)信息精度不高，而3D 點(diǎn)云數(shù)據(jù)量大，前端邊緣計(jì)算困難。國(guó)內(nèi)外學(xué)者對(duì)母豬生長(zhǎng)信息感知技術(shù)研究主要針對(duì)母豬體質(zhì)量、體尺、體況等指標(biāo)檢測(cè)，與精準(zhǔn)飼喂、智能選育、發(fā)情和分娩綜合管理關(guān)聯(lián)研究較少。

2） 適宜母豬生產(chǎn)管理的繁殖行為監(jiān)測(cè)設(shè)備規(guī)模化應(yīng)用少。目前規(guī)?；i場(chǎng)中對(duì)后備母豬的發(fā)情檢測(cè)主要采用人工巡查方式，對(duì)經(jīng)產(chǎn)母豬的發(fā)情和分娩管理多采用批次化處理方式，現(xiàn)有的母豬查情機(jī)器人研發(fā)還處于試驗(yàn)測(cè)試階段，規(guī)?；茝V應(yīng)用還需要與復(fù)雜養(yǎng)殖環(huán)境和實(shí)際管理流程等相結(jié)合，以提高應(yīng)用的可操作性和適宜性。母豬分娩智能監(jiān)測(cè)系統(tǒng)已有小范圍的試用和測(cè)試，大規(guī)模使用還需要進(jìn)一步提高設(shè)備安裝維護(hù)的便捷性和系統(tǒng)穩(wěn)定性。

3） 基于多源數(shù)據(jù)融合的母豬健康狀況監(jiān)測(cè)技術(shù)有待進(jìn)一步研究。對(duì)體溫、行為、聲音等單項(xiàng)指標(biāo)檢測(cè)受檢測(cè)精度的影響，容易造成母豬健康誤識(shí)別和誤報(bào)的問題，導(dǎo)致錯(cuò)誤的健康評(píng)估和不恰當(dāng)?shù)母深A(yù)措施。雖然各種傳感器能夠收集大量數(shù)據(jù)，如生理、行為和環(huán)境數(shù)據(jù)，但如何有效整合和分析這些數(shù)據(jù)，并準(zhǔn)確判斷母豬的健康狀況仍是一個(gè)挑戰(zhàn)。需要更高級(jí)的數(shù)據(jù)分析技術(shù)和算法來提高診斷的準(zhǔn)確性。另外，設(shè)備的耐用性、適應(yīng)性和成本也是智能感知技術(shù)推廣應(yīng)用的主要障礙之一。

4.2 未來發(fā)展趨勢(shì)

智能感知技術(shù)在母豬健康養(yǎng)殖方面具有巨大的應(yīng)用潛力和發(fā)展前景。通過對(duì)母豬生長(zhǎng)、繁殖、健康等方面的綜合監(jiān)測(cè)，從而進(jìn)行精準(zhǔn)飼喂和管理，可以顯著提升母豬的養(yǎng)殖效率和經(jīng)濟(jì)效益。未來的研究需要在提高傳感器的精度和穩(wěn)定性、優(yōu)化算法模型的魯棒性、感知技術(shù)與養(yǎng)殖工藝融合等方面進(jìn)行深入探索，以推動(dòng)智能感知技術(shù)在母豬精準(zhǔn)養(yǎng)殖中的廣泛應(yīng)用。

1） 利用云邊協(xié)同技術(shù)確保母豬生長(zhǎng)信息檢測(cè)的高效性。隨著圖像識(shí)別和深度學(xué)習(xí)技術(shù)的發(fā)展，通過機(jī)器視覺技術(shù)實(shí)時(shí)監(jiān)測(cè)母豬的生長(zhǎng)信息成為可能。未來的研究可以集中在利用云邊協(xié)同技術(shù)提升圖像和三維點(diǎn)云數(shù)據(jù)處理的精度和速度，實(shí)現(xiàn)更準(zhǔn)確地識(shí)別母豬的體質(zhì)量、體尺、體況等重要生長(zhǎng)參數(shù)，并結(jié)合環(huán)境因素、飼喂量等數(shù)據(jù)，通過智能算法優(yōu)化飼喂策略，實(shí)現(xiàn)對(duì)每頭母豬個(gè)體化的精準(zhǔn)飼養(yǎng)管理。

2） 融合多元數(shù)據(jù)提高母豬繁殖行為智能巡檢技術(shù)裝備的實(shí)用性。利用機(jī)器視覺、深度學(xué)習(xí)和機(jī)器人等技術(shù)裝備，分析母豬的行為模式，早期識(shí)別母豬發(fā)情和分娩行為將對(duì)提高母豬的繁殖效率和減少仔豬的死亡率提供重要支持。由于經(jīng)產(chǎn)母豬發(fā)情持續(xù)時(shí)間短、個(gè)體差異大，其體征與行為變化極易受到環(huán)境影響，導(dǎo)致發(fā)情檢測(cè)難度大、母豬誤配率高，母豬分娩前筑窩行為個(gè)體差異大，因此未來的研究重點(diǎn)是融合嗅覺、聽覺、視覺及觸覺等多元數(shù)據(jù)，實(shí)現(xiàn)母豬的自動(dòng)誘情和分娩行為智能檢測(cè)，并與豬場(chǎng)管理系統(tǒng)有效結(jié)合提高系統(tǒng)的實(shí)用性。

3） 基于大數(shù)據(jù)分析技術(shù)進(jìn)行母豬健康管理優(yōu)化。母豬的健康狀況直接影響其生長(zhǎng)和繁殖表現(xiàn)。未來的研究將更多關(guān)注如何將傳感器、可穿戴設(shè)備、移動(dòng)終端等智能感知技術(shù)綜合利用，實(shí)時(shí)監(jiān)測(cè)和預(yù)測(cè)母豬的健康狀態(tài)。通過收集母豬的生理、行為以及環(huán)境等數(shù)據(jù)，結(jié)合大數(shù)據(jù)分析和人工智能算法，早期預(yù)警可能出現(xiàn)的健康和繁殖問題，及時(shí)進(jìn)行干預(yù)和治療。此外，智能感知技術(shù)在疫病預(yù)防、藥物投放等方面的應(yīng)用也是未來的研究熱點(diǎn)。

參考文獻(xiàn)：

[1]楊亮， 王輝， 陳睿鵬， 等. 智能養(yǎng)豬工廠的研究進(jìn)展與展望[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 44（1）： 13-23.

[2]豐崇林， 趙正侶， 周國(guó)泰， 等. 非洲豬瘟防控常態(tài)下生豬疫病防控工作的思考[J]. 今日畜牧獸醫(yī)， 2022， 38（9）：27-28.

[3]賈智寧， 翟海華， 蘇紅， 等. 中美生豬養(yǎng)殖管理與生物安全操作情況對(duì)比[J]. 中國(guó)動(dòng)物檢疫， 2021， 38（5）： 37-42.

[4]李南西， 何曉濤， 周元清. 中外畜牧業(yè)氨減排政策與技術(shù)比較[J]. 中國(guó)畜牧業(yè)， 2024（2）： 41-42.

[5]王懷禹. 我國(guó)養(yǎng)豬智能化發(fā)展研究與應(yīng)用進(jìn)展[J]. 豬業(yè)科學(xué)， 2021， 38（9）： 38-41.

[6]張利娟， 張[6] 亮. 智能化檢測(cè)方法在母豬發(fā)情鑒定中的應(yīng)用[J]. 豬業(yè)科學(xué)， 2019， 36（11）： 114-116.

[7]王晨陽， 任志強(qiáng)， 龐衛(wèi)軍. 智能感知技術(shù)在豬飼養(yǎng)管理中的應(yīng)用研究進(jìn)展[J]. 養(yǎng)豬， 2020（6）： 82-88.

[8]張東偉， 劉則學(xué)， 王向明. 妊娠后期母豬體況評(píng)分、背膘厚度及胎次對(duì)繁殖性能的影響[J]. 畜牧與飼料科學(xué)，2023， 44（6）： 94-99.

[9]嚴(yán)勁濤. 計(jì)算機(jī)視覺技術(shù)在智能養(yǎng)豬中的研究進(jìn)展[J].中國(guó)畜牧雜志， 2019， 55（12）： 38-42.

[10]周書偉， 朱中平， 彭天舒. 母豬體況管理關(guān)鍵控制點(diǎn)及注意事項(xiàng)[J]. 今日養(yǎng)豬業(yè)， 2023（6）： 62-65.

[11]KNAUER M T， BAITINGER D J. The sow body conditioncaliper[J]. Applied Engineering in Agriculture， 2015，31（2）： 175-178.

[12]劉紅剛， 張麗慧， 鐘林憶， 等. 基于數(shù)字孿生的智慧豬場(chǎng)管理平臺(tái)設(shè)計(jì)與應(yīng)用研究[J]. 現(xiàn)代農(nóng)業(yè)裝備， 2022，43（6）： 38-44.

[13]相學(xué)敬. 畜牧獸醫(yī)領(lǐng)域中營(yíng)養(yǎng)管理對(duì)動(dòng)物生產(chǎn)性能的影響研究[J]. 吉林畜牧獸醫(yī)， 2024， 45（1）： 145-147.

[14]XUE H， SUN Y， CHEN J， et al. CAT-CBAM-Net： Anautomatic scoring method for sow body condition basedon CNN and transformer[J]. Sensors， 2023， 23（18）： 7919.

[15]HE H， CHEN C， ZHANG W， et al. Body condition scoringnetwork based on improved YOLOX[J]. Pattern Analysisand Applications， 2023， 26（3）： 1071-1087.

[16]LIU Z， CHEN X， PAN B， et al. Study on pig body conditionscoring based on deep learning model EfficientNet-B0[J]. Academic Journal of Computing amp; InformationScience， 2023， 6（6）： 156-162.

[17]滕光輝， 申志杰， 張建龍， 等. 基于Kinect 傳感器的無接觸式母豬體況評(píng)分方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2018，34（13）： 211-217.

[18]WHITTEMORE C T， SCHOFIELD C P. A case for sizeand shape scaling for understanding nutrient use in breedingsows and growing pigs[J]. Livestock Production Science，2000， 65（3）： 203-208.

[19]胡肄農(nóng)， 仇振升， 朱紅賓， 等. 一種牛動(dòng)態(tài)稱重系統(tǒng)的研發(fā)[J]. 中國(guó)畜禽種業(yè)， 2023， 19（10）： 51-54.

[20]WANG Y， YANG W， WALKER L T， et al. Enhancingthe accuracy of area extraction in machine vision-basedpig weighing through edge detection[J]. InternationalJournal of Agricultural and Biological Engineering， 2008，1（1）： 37-42.

[21]BANHAZI T M， TSCHARKE M， FERDOUS W M， etal. Improved image analysis based system to reliably predictthe live weight of pigs on farm： Preliminaryresults[J]. Australian Journal of Multi-disciplinary Engineering，2011， 8（2）： 107-119.

[22]張凱， 王春光， 劉濤， 等. 基于計(jì)算機(jī)視覺技術(shù)育肥豬體重分析研究[J]. 農(nóng)機(jī)化研究， 2017， 39（5）： 32-36.

[23]武堯， 劉振宇， 谷亞寧， 等. 基于機(jī)器視覺的母豬體重估測(cè)[J]. 電子技術(shù)與軟件工程， 2020（1）： 100-101.

[24]ZHANG J， ZHUANG Y， JI H， et al. Pig weight and bodysize estimation using a multiple output regression convolutionalneural network： A fast and fully automatic meth-od[J]. Sensors， 2021， 21（9）： 3218.

[25]LI G， LIU X， MA Y， et al. Body size measurement andlive body weight estimation for pigs based on back surfacepoint clouds[J]. Biosystems Engineering， 2022， 218：10-22.

[26]LIU Z， HUA J， XUE H， et al. Body weight estimation forpigs based on 3D hybrid filter and convolutional neuralnetwork[J]. Sensors， 2023， 23（18）： 7730.

[27]CANG Y， HE H， QIAO Y. An intelligent pig weights estimatemethod based on deep learning in sow stall environments[J]. IEEE Access， 2019， 7： 164867-164875.

[28]劉波， 朱偉興， 霍冠英. 生豬輪廓紅外與光學(xué)圖像的融合算法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2013， 29（17）： 113-120.

[29]劉同海， 滕光輝， 付為森， 等. 基于機(jī)器視覺的豬體體尺測(cè)點(diǎn)提取算法與應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2013， 29（2）：161-168.

[30]杜曉冬， 李笑笑， 樊士冉， 等. 生豬體尺檢測(cè)和體重預(yù)估方法研究進(jìn)展[J]. 中國(guó)畜牧雜志， 2023， 59（1）： 41-46.

[31]李卓， 杜曉冬， 毛濤濤， 等. 基于深度圖像的豬體尺檢測(cè)系統(tǒng)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016， 47（3）： 311-318.

[32]尹令， 蔡更元， 田緒紅， 等. 多視角深度相機(jī)的豬體三維點(diǎn)云重構(gòu)及體尺測(cè)量[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（23）：201-208.

[33]程維波， 吳德勝， 李輝， 等. 母豬智能化精準(zhǔn)飼喂系統(tǒng)研究現(xiàn)狀及展望[J]. 農(nóng)業(yè)工程， 2021， 11（3）： 37-42.

[34]戴江河， 張軍， 王秀錦， 等. 烯丙孕素對(duì)初產(chǎn)斷奶母豬發(fā)情影響的試驗(yàn)[J]. 豬業(yè)科學(xué)， 2022， 39（2）： 112-113.

[35]肖非. 淺談規(guī)模化豬場(chǎng)母豬繁殖管理的要點(diǎn)[J]. 今日養(yǎng)豬業(yè)， 2023（4）： 10-11.

[36]丁兆忠， 韓慕俊， 吳忠良. 母豬的發(fā)情鑒定與適時(shí)配種[J]. 山東畜牧獸醫(yī)， 2014， 35（2）： 32.

[37]趙云翔， 鄧浩輝， 黃山珊， 等. 丹系母豬斷奶后發(fā)情和排卵規(guī)律的研究[J]. 畜牧與獸醫(yī)， 2018， 50（4）： 13-16.

[38]JOHNSON J S， SHADE K A. Characterizing body temperatureand activity changes at the onset of estrus in replacementgilts[J]. Livestock Science， 2017， 199： 22-24.

[39]王凱， 劉春紅， 段青玲. 基于MFO-LSTM 的母豬發(fā)情行為識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（14）： 211-219.

[40]CHEN P， YIN D， YANG B， et al. A fusion feature for theoestrous sow sound identification based on convolutionalneural networks[J]. Journal of Physics： ConferenceSeries， 2022， 2203： 012049.

[41]WANG Y， LI S， ZHANG H， et al. A lightweight CNNbasedmodel for early warning in sow oestrus sound monitoring[J]. Ecological Informatics， 2022， 72： 101863.

[42]FRESON L， GODRIE S， BOS N， et al. Validation of aninfra-red sensor for oestrus detection of individuallyhoused sows[J]. Computers and Electronics in Agriculture，1998， 20（1）： 21-29.

[43]CORNOU C， VINTHER J， KRISTENSEN A R. Automaticdetection of oestrus and health disorders using datafrom electronic sow feeders[J]. Livestock Science， 2008，118（3）： 262-271.

[44] SEO K， MIN B， KIM D， et al. Estrus detection in sows based on texture analysis of pudendal images and neuralnetwork analysis[J]. Journal of Biosystems Engineering，2012， 37（4）： 271-278.

[45]XU Z， SULLIVAN R， ZHOU J， et al. Detecting sowvulva size change around estrus using machine visiontechnology[J]. Smart Agricultural Technology， 2023， 3：100090.

[46]莊晏榕， 余炅樺， 滕光輝， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的大白母豬發(fā)情行為識(shí)別方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020，51（S1）： 364-370.

[47]LEI K， ZONG C， DU X， et al. Oestrus analysis of sowsbased on bionic boars and machine vision technology[J].Animals， 2021， 11（6）： 1485.

[48]薛鴻翔， 沈明霞， 劉龍申， 等. 基于改進(jìn)YOLO v5s 的經(jīng)產(chǎn)母豬發(fā)情檢測(cè)方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023，54（1）： 263-270.

[49]沈明霞， 劉龍申， 閆麗， 等. 畜禽養(yǎng)殖個(gè)體信息監(jiān)測(cè)技術(shù)研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（10）： 245-251.

[50]CORNOU C， LUNDBYE-CHRISTENSEN S. Classifyingsows’ activity types from acceleration patterns： an applicationof the multi-process Kalman filter[J]. AppliedAnimal Behaviour Science， 2008， 111（3/4）： 262-273.

[51]APARNA U， PEDERSEN L J， J?RGENSEN E. Hiddenphase-type Markov model for the prediction of onset offarrowing for loose-housed sows[J]. Computers and Electronicsin Agriculture， 2014， 108： 135-147.

[52]TRAULSEN I， SCHEEL C， AUER W， et al. Using accelerationdata to automatically detect the onset of farrowingin sows[J]. Sensors， 2018， 18（1）： 170.

[53]劉龍申， 沈明霞， 姚文， 等. 基于加速度傳感器的母豬產(chǎn)前行為特征采集與分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2013， 44（3）：192-196.

[54]MANTEUFFEL C， HARTUNG E， SCHMIDT M， et al.Towards qualitative and quantitative prediction and detectionof parturition onset in sows using light barriers[J].Computers and Electronics in Agriculture， 2015， 116：201-210.

[55]張光躍， 劉龍申， 沈明霞， 等. 基于超聲波的母豬產(chǎn)前行為監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017， 22（8）：109-115.

[56]鐘艷. 母豬的分娩預(yù)測(cè)及管理[J]. 飼料博覽， 2019（6）：83.

[57]KüSTER S， KARDEL M， AMMER S， et al. Usage ofcomputer vision analysis for automatic detection of activitychanges in sows during final gestation[J]. Computersand Electronics in Agriculture， 2020， 169： 105177.

[58]LUO Y， ZENG Z， LU H， et al. Posture detection of individualpigs based on lightweight convolution neural networksand efficient channel-wise attention[J]. Sensors，2021， 21（24）： 8369.

[59]SEO J， AHN H， KIM D， et al. EmbeddedPigDet： Fastand accurate pig detection for embedded board implementations[J]. Applied Sciences， 2020， 10（8）： 2878.

[60]薛月菊， 朱[60] 勛沐， 鄭嬋， 等. 基于改進(jìn) Faster R-CNN識(shí)別深度視頻圖像哺乳母豬姿態(tài)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018， 34（9）： 189-196.

[61]劉龍申， 沈明霞， 柏廣宇， 等. 基于機(jī)器視覺的母豬分娩檢測(cè)方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（3）： 237-242.

[62]張弛， 沈明霞， 劉龍申， 等. 基于機(jī)器視覺的新生仔豬目標(biāo)識(shí)別方法研究與實(shí)現(xiàn)[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017，40（1）： 169-175.

[63]沈明霞， 太猛， CEDRIC O， 等. 基于深層卷積神經(jīng)網(wǎng)絡(luò)的初生仔豬目標(biāo)實(shí)時(shí)檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019， 50（8）： 270-279.

[64]CHEN J， ZHOU J， LIU L， et al. Sow farrowing earlywarning and supervision for embedded board implementations[J]. Sensors， 2023， 23（2）： 727.

[65]MELLOR D J. Updating animal welfare thinking： Movingbeyond the “five freedoms” towards “a life worth living”[J]. Animals， 2016， 6（3）： 21.

[66]閆麗， 沈明霞， 姚文， 等. 基于MPU6050 傳感器的哺乳期母豬姿態(tài)識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（5）：279-285.

[67]WURTZ K， CAMERLINK I， D EATH R B， et al. Recordingbehaviour of indoor-housed farm animals automaticallyusing machine vision technology： A systematicreview[J]. PloS One， 2019， 14（12）： e0226669.

[68]LAO F， BROWN-BRANDL T， STINN J P， et al. Automaticrecognition of lactating sow behaviors throughdepth image processing[J]. Computers and Electronics inAgriculture， 2016， 125： 56-62.

[69]YANG A， HUANG H， ZHENG B， et al. An automaticrecognition framework for sow daily behaviours based onmotion and image analyses[J]. Biosystems Engineering，2020， 192： 56-71.

[70]WANG M， LARSEN M， BAYER F， et al. A PCA-basedframe selection method for applying CNN and LSTM toclassify postural behaviour in sows[J]. Computers andElectronics in Agriculture， 2021， 189： 106351.

[71]YANG A， HUANG H， ZHENG C， et al. High-accuracyimage segmentation for lactating sows using a fully convolutionalnetwork[J]. Biosystems Engineering， 2018，176： 36-47.

[72]甘海明， 薛月菊， 李詩(shī)梅， 等. 基于時(shí)空信息融合的母豬哺乳行為識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（S1）： 357-363.

[73]STAVRAKAKIS S， LI W， GUY J H， et al. Validity ofthe Microsoft Kinect sensor for assessment of normalwalking patterns in pigs[J]. Computers and Electronics inAgriculture， 2015， 117： 1-7.

[74]朱家驥， 朱偉興. 基于星狀骨架模型的豬步態(tài)分析[J].江蘇農(nóng)業(yè)科學(xué)， 2015， 43（12）： 453-457.

[75]劉波， 朱偉興， 楊建軍， 等. 基于深度圖像和生豬骨架端點(diǎn)分析的生豬步頻特征提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2014，30（10）： 131-137.

[76]ZHANG Y， CAI J， XIAO D， et al. Real-time sow behaviordetection based on deep learning[J]. Computers andElectronics in Agriculture， 2019， 163： 104884.

[77]RACEWICZ P， LUDWICZAK A， SKRZYPCZAK E， etal. Welfare health and productivity in commercial pigherds[J]. Animals， 2021， 11（4）： 1176.

[78]KRIZANAC D， HAUGK M， STERZ F， et al. Trachealtemperature for monitoring body temperature during mildhypothermia in pigs[J]. Resuscitation， 2010， 81（1）： 87-92.

[79]ANDERSEN H M， J?RGENSEN E， DYBKJ?R L， et al.The ear skin temperature as an indicator of the thermalcomfort of pigs[J]. Applied Animal Behaviour Science，2008， 113（1/2/3）： 43-56.

[80]柏廣宇， 劉龍申， 沈明霞， 等. 基于無線傳感器網(wǎng)絡(luò)的母豬體溫實(shí)時(shí)監(jiān)測(cè)節(jié)點(diǎn)研制[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014， 37（5）： 128-134.

[81]SIEWERT C， D?NICKE S， KERSTEN S， et al. Differencemethod for analysing ifrared images in pigs withelevated body temperatures[J]. Zeitschrift Für MedizinischePhysik， 2014， 24（1）： 6-15.

[82]AMEZCUA R， WALSH S， LUIMES P H， et al. Infraredthermography to evaluate lameness in pregnant sows[J].The Canadian Veterinary Journal， 2014， 55（3）： 268.

[83]田浩楠， 華婧伊， 張少帥， 等. 基于紅外熱成像與線性回歸擬合的母豬體溫檢測(cè)技術(shù)研究[J]. 智能化農(nóng)業(yè)裝備學(xué)報(bào)（中英文）， 2023， 4（1）： 36-41.

[84]FERRARI S， SILVA M， GUARINO M， et al. Coughsound analysis to identify respiratory infection in pigs[J].Computers and Electronics in Agriculture， 2008， 64（2）：318-325.

[85]CHUNG Y， OH S， LEE J， et al. Automatic detection andrecognition of pig wasting diseases using sound data inaudio surveillance systems[J]. Sensors， 2013， 13： 12929-12942.

[86]徐亞妮， 沈明霞， 閆麗， 等. 待產(chǎn)梅山母豬咳嗽聲識(shí)別算法的研究[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2016， 39（4）： 681-687.

[87]馬輝棟， 劉振宇. 語音端點(diǎn)檢測(cè)算法在豬咳嗽檢測(cè)中的應(yīng)用研究[J]. 山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2016，36（6）： 445-449.

[88]董紅松， 劉振宇， 馬輝棟， 等. 語音增強(qiáng)在去除豬咳嗽噪聲中的應(yīng)用研究[J]. 山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2017， 37（11）： 831-836.

[89]趙建， 黎煊， 劉望宏， 等. 基于DNN-HMM 聲學(xué)模型的連續(xù)豬咳嗽聲識(shí)別[J]. 農(nóng)業(yè)工程技術(shù)， 2020， 40（30）： 93.

[90]龔永杰， 黎煊[90] ， 高云， 等. 基于矢量量化的豬咳嗽聲識(shí)別[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2017， 36（3）： 119-124.

[91]張振華， 田建艷， 王芳， 等. 豬咳嗽聲特征參數(shù)提取與識(shí)別的研究[J]. 黑龍江畜牧獸醫(yī)， 2017（23）： 18-22.

[92]黎煊， 趙建， 高云， 等. 基于深度信念網(wǎng)絡(luò)的豬咳嗽聲識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（3）： 179-186.

[93]沈明霞， 王夢(mèng)雨， 劉龍申， 等. 基于深度神經(jīng)網(wǎng)絡(luò)的豬咳嗽聲識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（5）： 257-266.

[94]YIN Y， TU D， SHEN W， et al. Recognition of sick pigcough sounds based on convolutional neural network infield situations[J]. Information Processing in Agriculture，2021， 8（3）： 369-379.

[95]SHEN W， TU D， YIN Y， et al. A new fusion featurebased on convolutional neural network for pig cough recognitionin field situations[J]. Information Processing inAgriculture， 2021， 8（4）： 573-580.

劉龍申，博士，副教授?，F(xiàn)任江蘇智慧牧業(yè)裝備科技創(chuàng)新中心副主任，農(nóng)業(yè)農(nóng)村部養(yǎng)殖裝備重點(diǎn)實(shí)驗(yàn)室骨干成員，中國(guó)畜牧獸醫(yī)學(xué)會(huì)信息技術(shù)分會(huì)委員，中國(guó)農(nóng)業(yè)機(jī)械學(xué)會(huì)青年工作委員會(huì)委員，聯(lián)合國(guó)糧食及農(nóng)業(yè)組織（FAO）“動(dòng)物疾病早期檢測(cè)”專家?guī)斐蓡T。研究方向?yàn)樾笄菥珳?zhǔn)養(yǎng)殖智慧管控技術(shù)裝備，針對(duì)我國(guó)畜禽養(yǎng)殖裝備智能化水平低、動(dòng)物健康福利條件差等關(guān)鍵性問題，研究了圍產(chǎn)期母豬行為智能檢測(cè)、母豬分娩監(jiān)測(cè)預(yù)警技術(shù)、仔豬行為識(shí)別及健康評(píng)估技術(shù)等，建立了母仔豬一體化管控平臺(tái)，創(chuàng)制了圍產(chǎn)期母豬智能精準(zhǔn)飼喂裝備，全面提高了仔豬存活率和母仔豬健康福利水平。主持國(guó)家及省部級(jí)科研項(xiàng)目10 余項(xiàng)，包括國(guó)家自然科學(xué)基金面上項(xiàng)目、青年基金、國(guó)家重點(diǎn)研發(fā)計(jì)劃子課題等。2019 年入選了江蘇省高層次創(chuàng)新創(chuàng)業(yè)人才引進(jìn)計(jì)劃。在《Computers andE l e c t r o n i c s i n A g r i c u l t u r e》 《B i o s y s t e m sEngineering》等學(xué)術(shù)權(quán)威雜志上發(fā)表論文10 余篇，獲得國(guó)家專利及軟件著作權(quán)16 項(xiàng)，榮獲江蘇省科學(xué)技術(shù)二等獎(jiǎng)等省部級(jí)獎(jiǎng)勵(lì)5 項(xiàng)。

【責(zé)任編輯 周志紅】

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃 （2021YFD2000805）；國(guó)家自然科學(xué)基金（32272929）