夜雨聆风
链接 共享 合作 赋能
清研智慧农业生态联盟
畜牧业信息化、精准化管理已成为养殖业未来发展的新趋势 。这一趋势具有重要意义，因为它可以实现资源节约和环境保护，同时也提高了养殖效率和产品质量。
在种猪选育与群体传统管理中，主要依赖于人工测量与目视评估，但这种主观判断难以标准化、难以留痕，也无法适应规模化、数字化育种的需求，并容易引起畜生的应激反应；随着计算机视觉、深度学习与非接触测量技术成熟，我们可以把“眼力”变成可量化、可追溯的体貌评分系统：按四肢健壮度、背膘厚度、生长速度三大维度打分，系统化筛选繁育候选猪。下文从原理、方法、落地要点到常见问题给出可复制的实施指南与文献依据，适合养殖场技术负责人、育种主管与县级农业推广单位参考。
图片来源：研究中心报告
目录
一、为什么要把“老师傅经验”换成“AI评分”？
二、评分体系：三维度、权重与评分机制
三、系统构成：硬件 + 算法的配方
四、基于人工智能的猪检测和跟踪视觉
五、基于人工智能的猪病和发情诊断声音
六、模型训练与评估要点
一、为什么要把“老师傅经验”换成“AI评分”？
标准化与可追溯：主观评分难以统一，不同操作人员标准差异大；AI 系统能把评分规则量化存档，便于长期育种决策和后续效果评估；
效率与规模：人工逐头评分耗时且成本高；自动化系统可在短时间内完成大批量评估，用更少的人力得到更稳定的结果，从而把场内筛选效率提升；
数据驱动的育种决策：把体貌评分与日增重、繁殖记录、基因组信息等挂钩，可实现更精细的育种值估计，提高选育效率与经济回报。已有综述表明，视觉估重/体态技术在猪场管理与育种支持上正成为可行手段。
图片基于计算机视觉的猪体重估算的主要研究要素；
来源MDPI《活猪体重视觉估计研究综述》；获取原开放文献，联系小编；
二、评分体系：三维度、权重与评分机制
我们采用的评分维度与权重如下：
四肢健壮度（40%）：评估猪的站姿、前后肢支撑力、关节角度与步态稳定性；这是衡量结构合理性与未来繁殖/耐力的关键；
背膘厚度（30%）：传统上用超声测背膘厚度（mm）作为体脂指标；系统通过图像特征+非接触估算或接入超声数据实现量化；
生长速度（30%）：以在场内的称重记录或基于视觉估重的时间序列得到日增重或体尺寸增长速率。
综合评分 = 0.4 × 四肢分 + 0.3 × 背膘分 + 0.3 × 生长速度分，各项按 0–100 标准化后汇总为 0–100 的最终体貌评分。阈值设定结合品种、选育目标与经济权衡。这套加权逻辑直观、可解释，也便于在不同场景下调整权重。
图片来源MDPI《活猪体重视觉估计研究综述》；
三、系统构成：硬件 + 算法的配方
一个实用的体貌评分系统通常包含以下模块：
视频/相机采集层：顶摄与侧摄相结合，保证能捕捉站立与行走两种姿态。深度（ToF/结构光/双目）或多角度 RGB 摄像机用于获取体形三维特征。研究与综述指出，二维图像与点云/深度数据结合能显著提升生物量与体型估计精度；
非接触测量层：近红外（NIR）或图像分割+回归模型用于推估背膘厚度；部分研究也用图像分割结合回归或用超声纵切图像做精确背膘估算。非接触方法的优势在于速度与避免动物应激；
视觉算法层：包含检测（目标定位）、分割（得到猪体轮廓）、特征提取（体长、体高、体宽、投影面积、四肢关节角度）与回归/分类模型（评分预测）；
时序分析层：把多日/多次检测的重量和体型时间序列纳入生长速度评估，利用简单线性回归或更复杂的时序模型估算日增重并给出短期生长预测；
可视化与决策支持：将综合评分、历史趋势、选育建议以看板形式呈现，支持育种员导出候选名单并回溯每头猪的评分细节与影像证据，便于“人+机”的最终决策。
四、基于人工智能的猪检测和跟踪视觉
基于视觉的检测和跟踪作为一种非接触式方法，是持续获取猪行为和福利信息的先决条件。
在猪监测应用中，个体猪检测和跟踪是从团体治疗转向个体猪护理和活动测量的关键。对猪身体所有主要部位的检测和跟踪可以帮助分析猪的行为。基于人工智能的视觉使猪的自动实时检测和跟踪成为可能，这可以监测个体猪行为活动随时间的变化，并将其用作健康和福利的指标。此外，基于人工智能的视觉有助于早期发现猪疾病，从而更早、更有效的干预措施并降低死亡率。
图片：猪姿势检测结果示例；来源MDPI《基于视觉的人工智能在智慧养猪中的研究进展》；获取原开放文献，联系小编；
五、基于人工智能的猪病和发情诊断声音
在养猪过程中，除了视觉监测猪异常行为外，声音也是猪病最明显的外在表现。在一些养猪场，呼吸道疾病导致的生猪死亡率高达15.00%，造成了巨大的养殖经济损失。
猪的咳嗽声可作为识别猪呼吸道疾病的特征。对于猪咳嗽和发情音的监测和识别，数据预处理和声音识别模型是两个重要方面。
在数据预处理方面，如下图所示的猪咳嗽声谱，养猪环境噪声频段通常在5 KHz以下，与猪咳嗽声频段重叠。为了更好地去除养猪业中的风扇噪声，相关专家等提出了一种基于离散余弦变换的猪咳嗽声信号去噪增强算法，并采用对数能量熵二次小波包去噪方法去除仔猪和粉红噪声;同时，使用滤波器和小波阈值来消除机械运行噪声。另外采用150阶远红外滤波带通滤波技术有效去除猪咳嗽声频段外的噪声。此外，还使用巴特沃斯带通滤波器和基于多窗口频谱的心理声学语音增强算法来消除噪声。
猪咳嗽声音的频谱图和mel频率倒谱系数。
赫兹 （Hz） 是频率的单位。秒 （s） 是时间单位。（a）猪咳嗽声音频谱图;（b）猪咳嗽声音mel频率倒谱系数图。
图片来源MDPI《基于视觉的人工智能在智慧养猪中的研究进展》；
另一方面，支持向量机模型、决策树、双阈值算法、动态时间扭曲、稀疏表示分类器和模糊c均值聚类等声音识别模型在猪咳嗽声音的识别中也发挥着重要作用。在这里，一些常见的声音特征，如功率、多维短期能量、mel频率倒偏系数和短期过零率通常用于模型训练。然而，上述方法在复杂的养殖环境中缺乏鲁棒性。
随着人工智能技术的发展，为了提高复杂环境下猪咳嗽声音的监测能力，近年来提出了不同的深度学习模型用于数据特征提取和声音识别。
图片来源MDPI《基于视觉的人工智能在智慧养猪中的研究进展》；
获取原开放文献，联系小编；
六、模型训练与评估要点
我们的试点经验以及参考文献给出以下要点，保证模型可用且稳定：
充分的标注数据：专家标注（老师傅+兽医）作为金标准，建议每个评分维度至少 3,000–10,000 张带标签图像（含不同光照、泥污、体位变换样本），以覆盖品种与季节差异；
多模态数据融合：把 RGB 图像、深度图、与超声/称重数据合并输入模型，能显著提高背膘与重量估算的精度；
专家级标签校验与迭代：首轮模型训练后，用“盲测”让多位专家对同一批猪再次独立评分，比较模型与专家间的一致性，并对模型错误样本进行再标注与增样。这样能把试点准确率推高到实用水平；
场景化微调：把模型先在控制条件下验证（固定采集角度、夜/日光补光），再在真实车间做微调。
基于计算机视觉的猪体重估算以非接触、无应力的方式采集猪数据，并利用图像处理和三维点云技术估算活猪体重，取得了显著的研究进展。
在技术手段和进展方面，从早期使用可见光相机演变为后期采用双目相机，结合算法检测体型参数进行体重估算。随后，借助深度相机或三维扫描仪构建三维模型，经过预处理后，计算体型参数，建立体重预测模型。
在技术改进效果方面，与传统机器学习算法相比，深度学习算法在预测精度方面表现出更好的表现，具有更高的相关系数和更低的均方根误差。它们可以从高维复杂特征中提取关键信息，从而获得更准确、更可靠的结果。
尽管已经取得了一些进展，但仍然存在许多挑战。对比分析了牲畜体型检测与体重估算的研究成果，提出了当前牲畜体型测量研究面临的成本高、自动化水平低、通用性差等挑战，以及该领域的发展趋势和未来可行性。
同时，尽管基于人工智能的视觉和声音在生猪检测和行为识别方面表现出了良好的性能，但由于养殖规模、养殖人员的文化水平、智能设备标准和养殖数据等原因，精准养猪的系统应用仍存在许多挑战和机遇。
综上所述，基于机器视觉的猪重估算仍处于研究阶段，存在许多未解决的问题，包括不同猪场之间体型、猪种和养殖方式的差异。对这些技术问题进行一系列深入研究，进一步改进和优化点云配准算法、数据采集方法、点云配准算法、单图像三维重建技术，加快畜牧业信息化进程是未来的研究方向。
#智慧农业 #种猪体貌评分 #畜牧业 #农业机器人 #AI养猪
本文主要观点与文献来源
本研究中心科研成果；
MDPI《基于视觉的人工智能在智慧养猪中的研究进展》；
MDPI《活猪体重视觉估计研究综述》；
转载联系后台开白；
本文部分数据来源网络公开信息，仅供参考。
声明：本文旨在前沿分享，若有编辑等问题，敬请后台留言。
微信号
nongye1023
我们开放技术合作
添加小编微信
机构+公司方向+姓名
