中国是世界上生猪最多的国家，同时也非常注重大规模生产的技术和自动化。近几年中央文件多次作出指示，要求农业向智能化技术实施数字化转型，推进物联网、区域块、遥感技术在养殖行业中的应用。我国的生猪养殖龙头企业也在逐渐升级发展，朝着数字化、精准化方向发展，更新精准化养殖设备，提升养殖效率。充分利用信息化、网络化与市场紧密联系。智慧生猪业也是精准畜牧业以及生猪产业的发展的重点。精准畜牧业（PLF）是使用智能化技术来管理牲畜。精确的畜牧业方法对个体动物进行精确测量，以自动监测其状态或条件，以改善生产、健康和福利。传统养殖技术中，畜牧生产的决策主要基于农民的经验。而在畜牧系统中越来越多地使用先进技术来监测生产和绩效，目的是优化养殖场的工作量，同时提高养殖收益。

精准畜牧业中智能农业系统是技术的连接，旨在提高生产的数量和质量，同时优化劳动力需求。智能农业技术包括传感器（如测量温度、光线、水）、定位系统（如全球定位系统，GPS）、通信系统（如移动软件）、供应链跟踪（如允许跟踪产品从农场到消费者的软件）、机器人技术（即可以帮助农民进行操作的技术）和人工智能（即能够执行智能任务的计算机系统）。将这些智能农业技术连接起来被称为物联网，物联网使传感器和机器之间的连接成为可能，这些传感器和机器可以根据接收到的数据改变农场的条件。将智能农业技术连接起来，通过生成用于大数据分析、预测和干预的大规模数据库，实现更精准地监督、控制和潜在的效率节约。日常饲养管理中，生猪的动物福利通常通过猪只的行为来表达，猪只的健康、福利和疾病等判断可以通过使用视觉和声音信号的决策系统来评估。基于人工智能的决策和分析模块包含生猪健康养殖和福利评估、疾病诊断、环境控制、营养和生产管理以及猪场决策系统。

1 环境

随着人口规模的增长和对动物产品的需求不断增长，全世界对人类、对环境影响的担忧明显日益增加。而目前大多养殖场所使用的畜牧生产系统已经是不可持续的，迫切需要进行全面改革，以提高所用做法的可持续性，并在此过程中降低对动物以及公众和环境健康的影响。物联网主要用于温度、湿度等传感器的设计和布局，以及相关的联网设备和数据采集。工业互联网主要用于将数据传输到服务器；人工智能和云计算主要应用于特征提取、数据分析、建模和决策。李立峰等综合考虑舍内温度、湿度、NH3浓度，利用组态软件、模糊控制和解耦控制等技术，通过机械通风系统和热水采暖、降温系统实现了舍内环境的智能控制，舍内温度控制最大相对误差为5.5%，NH3浓度相对误差为10%，湿度相对误差为13.8%。宣传忠等以温度、湿度和NH3温度为调控对象，建立了基于TS型自适应模糊神经控制算法的猪舍小气候环境温度模型，实现了猪舍环境的精确自动监测和控制，温度调控最大相对误差为5.5%，湿度相对误差为13.8%，NH3浓度相对误差为10%。

2 饲喂

智能技术在生猪产业中发挥关键作用的一个特殊方面是生猪的饲养管理。在这一领域中，自动饲喂系统作为一项创新脱颖而出。自动饲喂系统设计用于在一天中的预定时间分配正确的饲料部分，确保猪获得一致和均衡的饮食，而无需持续的人工监督。该技术通常涉及硬件（如饲料分配器和输送机）与管理时间、份量和其他饲喂参数的软件的组合。传感器技术的集成使这些系统能够根据动物的体重、生长阶段和进食速度调整饲料，从而促进生猪体况健康发展。自动化饲喂系统在智能农业中的作用不仅仅局限于提供食物，这些系统通常配备数据收集功能，可监控和记录各种信息，包括饲料消耗率、动物生长趋势和健康指标。智能自动饲喂系统可显著提高资源效率，有助于减少饲料浪费，此外，通过优化饲料比例，还有助于最大限度地减少畜牧业对环境的影响。自动饲喂系统增强的控制力和准确性也对动物福利产生重要影响，这在大型猪群环境中尤为重要。这是一种优先考虑牲畜健康和动物福利的高效养殖手段，同时，也可以给养殖场带来更好的生猪生产性能和经济效益。

3 饮水

近年来，相机与机器视觉技术相结合，已被用于识别猪的饮水行为。Kashiha等对猪图像进行二值化，利用猪轮廓关键点与质心之间的距离来判断猪饮水行为的发生。2018年，Yang等利用图像职业指数提高了猪饮水行为识别的准确性。此外，Tan等利用两个猪轮廓特征向量之间的相似性提高了猪饮水行为的识别准确率。然而，这些方法在复杂环境（例如，照明变化、遮挡）中表现不佳。为提高猪饮水行为识别的准确率，Ji等利用饮食区域的图像占据指数和猪在该区域的停留时间来判断猪的饮食行为。Chen等基于ResNet-50模型提取空间特征，并利用长短期记忆（LSTM）识别猪的饮水行为。结果表明，该方法能够检测猪在暴露和重叠条件下的饮水行为。

4 行为

4.1 发情

提高母猪的繁殖效率可以降低管理成本和每头猪的饲料成本。因此，准确识别发情行为对于确保母猪配种和猪只的健康和福利至关重要。在猪发情识别的早期阶段，经常使用背景减法和椭圆拟合技术来定位图像中的猪。采用头、尾的欧氏距离和拟合椭圆头与侧面之间的长、短轴长度作为安装行为的特征，并在此基础上识别出针对基于图像的猪爬跨行为自动检测，Li等人使用ResNet特征金字塔网络模型对清管器图像进行分割，然后根据掩模像素区域实现对爬跨行为的识别。同时，利用掩模区域-卷积神经网络（Mask R-CNN）分割网络和核极限学习机提高爬跨行为识别的准确率。在猪发情行为识别方面，Zhuang等遵循猪发情期和非发情期的明显特征，收集发情期和非发情期的猪只图像数据，并简化Alexnet网络结构，提高猪发情行为识别的速度。与图像相比，视频中的时间序列信息包含更详细的特征，可以进一步提高对猪爬跨行为的识别性能。对于视频数据，时空特征对于视频序列中的爬跨行为比仅提取图像的空间特征更有效。同年，Li等人提出了一种基于SlowFast模型的时空卷积行为识别模型，准确率达到97%以上。将该模型与单流3D卷积网络（SlowFast-50、R3D-18）进行比较，试验表明该模型在猪爬跨行为识别中的准确性有所提高。Chen等人利用深度迁移学习和CNN模型识别猪的发情声。结果表明，基于深度学习的方法可以很好地区分母猪发情声和公猪发情声。

4.2 攻击行为

在集约化封闭养殖中，猪更有可能表现出攻击性行为。猪的攻击性行为会引起猪只皮肤损伤、伤口感染等问题，从而导致猪福利减少和增加经济损失。因此，人们对使用计算机视觉和人工智能技术来及时识别猪的攻击性行为产生了浓厚的兴趣。

传统的基于特征提取的机器学习模型存在特征类型少、人工特征选择复杂、适用性差等问题。近年来，随着深度学习在机器视觉领域的发展，AI方法有效避免了传统机器学习中特征选择和数据处理的复杂问题，以其强大的特征学习能力显著提高了准确性和适用性。为了实现高精度和复杂的社会行为识别，Gan等人利用猪只身体特征来表示猪的运动分解，并利用卷积网络和自适应空间亲和核函数提取高质量的时空特征（线性运动强度、角运动强度和空间亲和力），以识别包含攻击性行为的社会行为。研究表明，该方法可以有效地检测和识别猪的行为，如猪的攻击性行为，为改善猪的健康和福利提供关键指标。D'Eath等人利用3D点云数据和一系列线性混合效应模型研究了猪尾巴姿势与其他因素（如猪的攻击性行为）之间的关系。

4.3 对猪哺乳行为的识别

商品仔猪生产的生产率很大程度上取决于每头母猪的断奶仔猪数量。然而，仔猪断奶前死亡率高的主要原因之一是饥饿。此外，猪的躺卧等行为也是判断猪只生理健康和猪病的重要特征。在早期阶段，Yuan等人利用Zernike矩和支持向量机识别了猪的四种姿势。然而，面对复杂的姿态和行为识别问题，传统的机器学习算法往往无法很好地执行。随着人工智能算法的发展，人们提出了多种基于深度学习的方法来检测猪的行为，以最大限度地提高猪的福利和经济效益。基于深度学习的猪饲喂行为、姿势和其他行为识别通常使用图像、视频和3D数据来训练模型。

在基于图像数据的方法方面，薛等提出了具有更深层次和两个残差学习框架的ZF模型，以实现对泌乳母猪行为的有效识别，该方法对泌乳母猪5种姿势（如站立、坐下、躺下、趴着和侧躺）。然而，这种模型体积大，很难迁移和部署到嵌入式系统中。Riekert等人将猪躺姿视为一个目标检测问题，使用NASNet和Faster R-CNN检测猪的位置和姿势实现了80.20%的mAP。

从视频数据的角度来看，Li等人提出了一种基于slowfast-two路径结构和3D ResNet（R3D）模型的猪多行为识别时空卷积网络。试验结果表明，该模型在后续的猪群检测任务中仍具有显著的泛化能力。同样，考虑到视频数据中猪行为的运动信息，提出了一种基于深度学习的双流卷积网络模型来识别猪的行为。2021年，Gan等通过母猪检测器和关键点检测器组成的空间定位网络对母猪泌乳区进行定位，并利用母猪的时空特征信息识别母猪泌乳行为分类器。

在3D数据（如RGB-D图像）方面，Zheng等人基于猪的RGB-D图像，使用改进的Fast R-CNN架构作为母猪帧级姿势检测器，该检测4种姿势（站立、坐姿、腹侧躺姿和侧卧姿势）的mAP达到92.70%。试验结果表明，该方法能够实时监测猪的姿势，为猪场养殖提供有效的参考信息。

5 疾病

在生猪疾病防控方面，可以使用机器学习算法处理和分析数据，以检测表明可能暴发疾病的行为或可能损害猪健康和福利以及生产所导致的不良行为，例如咬尾巴。在算法检测到潜在疾病暴发的情况下，然后通过物联网，可以通知养殖场工作人员进行治疗或改变管理方法。在声音监测方面，猪咳嗽监测仪通过声音分析，持续自动测量猪呼吸道健康状况。由SoundTalks NV开发的SOMO呼吸窘迫监测仪可自动连续计算呼吸窘迫指数，并在牛舍出现呼吸问题时发出警报。2020年，为了监测猪的呼吸道疾病，通过MAX4466驻极体传声器和LIQI LM 320E心形驻极体传声器采集声音。研究表明，人工智能技术与声音采集设备的结合，可以实现对猪咳嗽声的识别，有效为生猪养殖提供技术指导。此外，研究人员还研究了病猪图像与呼吸系统疾病或其他疾病相关的心率和呼吸频率之间的关系。2020年，Jorquera-Chavez等人研究了基于计算机的技术，通过热红外和传统图像测量猪的温度、心率和呼吸频率变化。该研究表明，计算机视觉技术可以提供有关生理变化的重要且可用的数据，这可能有助于疾病管理。2021年，Jorquera-Chavez等人构建并评估了基于RGB（红、绿、蓝）和红外热像仪、计算机化跟踪技术和光电容积脉搏波原理等技术构建的系统的实用性，用于远程监测猪的心率和呼吸频率。试验结果显示，病猪和健康猪之间存在显著差异，其呼吸频率的显著变化主要在疾病后期释放；然而，该技术仍需进一步研究。基于人工智能的视觉有助于早期发现猪疾病，从而导致更早、更有效的干预措施并降低死亡率。