2024年 45卷 第5期
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化等，机器人技术的应用成为推动该行业转型的关键。文章综述了畜禽养殖机器人技术的研究进展，涵盖了饲喂机器人、清洁机器人、巡检机器人、挤奶机器人以及其他相关领域的研究现状和技术特点。机器人技术在提升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。
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。
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。
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。
家畜疫病的发生及传播与养殖环境密切相关，实现畜舍环境信息的精准感知及智能化调控是提高动物健康水平及生产性能的关键，对我国畜牧产业高质量发展具有重要意义。本文从畜舍养殖环境指标体系、精准感知技术与方法、环境优化调控策略及舒适度评估4个方面出发，介绍了影响家畜健康的环境指标、畜舍养殖环境监控设备、无线数据传输优化技术，阐述了环境数据预测模型及分布规律的研究，并重点分析了畜舍调控装备优化设计、多环境参数调控及环境舒适度评估模型等方面的研究和发展现状，最后总结了当前畜舍环境智能监控应用所存在的问题，并对今后养殖环境智能监控发展方向进行了展望，为我国全面发展智慧畜牧业、提升生产效率提供参考。
推料机的推料效果是牧场推料机器人性能的一个重要指标，为得出皮带式推料机器人最佳作业参数，研究推料机器人作业参数对推送率和推送效率的影响，本文基于EDEM软件对推料机器人推料过程进行模拟仿真分析。
基于离散元法，通过试验与仿真标定得出TMR饲料间、饲料与接触装置间的接触参数；运用EDEM软件建立3种离散单元物料颗粒的Hertz-Mindlin接触模型，以皮带式推料机装置的推料角度、皮带速度、前进速度作为试验因素，以推送率和推送效率作为评价指标，采用三因素三水平的正交试验方法进行推料仿真试验研究。通过实际试验对仿真结果进行验证。以推料机的推送率和推料效率最大为目标值，通过响应面进行优化求解。
仿真试验结果表明：本文推料机理论最优作业参数组合为推料角度30°、皮带速度2.99 m/s、前进速度0.83 m/s时，推送率为94.6%，推送效率为724.5 kg/min。对于推送率而言，皮带速度和前进速度对其影响极显著(P<0.01)，推料角度的影响显著(P<0.05)；对于推送效率而言，皮带速度和前进速度对其影响极显著(P<0.01)，推料角度对其影响不明显(P>0.05)。
本研究验证了推料机结构的合理性，为自动推料机器人推料作业参数组合提供了参考。
精准饲养是当前生猪养殖产业的大趋势，但在实际应用中存在缺乏前期基础数据、各阶段湿料饲喂的采食量不明确等问题。本研究旨在探究干湿料饲喂猪只的生长发育规律、采食量动态模型和健康情况。
选取132头平均初始体质量为(10.56±1.21) kg的商品猪，随机分为2组，每组11次重复，每次重复6头猪，2组分别饲喂干料和湿料，试验周期为120 d。通过Logistic、Gompertz和Von Bertalanffy 3种模型分析拟合干湿料饲喂猪只的生长曲线和采食量动态模型，并对干湿料饲喂猪只的健康情况进行研究。
Von Bertalanffy模型拟合干料饲喂猪只生长曲线的效果最好，拟合度为0.999；Gomperz模型能更好地拟合湿料饲喂猪只的生长曲线，拟合度为0.999。Gomperz模型拟合干料饲喂猪只采食量模型的效果最好，拟合度为0.851；Von Bertalanffy模型能更好地拟合湿料饲喂猪只的采食量模型，拟合度为0.988。湿料饲喂保育仔猪的腹泻率和腹泻指数显著低于干料饲喂(P<0.05)。
本研究构建了干湿料饲喂猪只的生长曲线和采食量模型，拟合效果较好；探明了干湿饲喂猪只的健康情况，为猪只的精准饲养提供了数据支撑。
针对猪舍环境控制中场景复杂、多参数控制难以及系统呈现耦合特性的问题，基于无模型自适应控制(Model-free adaptive control, MFAC)算法，设计了适用于猪舍的多参数无模型自适应控制(Multi-parameter model-free adaptive control, MMFAC)算法。
通过将MFAC算法与用于尺度伸缩变换的权值矩阵相融合，设计MMFAC算法。该算法利用紧格式动态线性化(Compact form dynamic linearization, CFDL)技术和最优化数学方法，进行伪雅可比矩阵(Pseudo-jacobian matrix, PJM)的参数辨识和调控装置的控制量计算。
仿真试验结果表明，MMFAC算法具备对多参数进行自适应控制的能力，并可通过调整权重矩阵来降低关键参数的误差。真实猪舍环境控制试验结果表明，该算法可根据实时环境参数测量值计算风机控制量，并根据该控制量驱动风机，以保持环境参数在舒适区间范围内的稳定控制。
MMFAC算法展现出良好的多参数自适应控制能力，能够适应复杂的猪舍环境，有效解决多参数控制难以及系统耦合的问题，在猪舍环境控制中具有较好的应用前景。
针对环控设备调控滞后导致的密闭猪舍内温湿度波动大问题，提出合适的多元时间序列温湿度预测模型。
采用皮尔逊相关性分析确定采集到的12种环境因子的相关性，初步筛选模型的输入特征。对已筛选的输入特征归一化，消除数据尺度的影响，选取DDGCRN、长短期记忆网络、支持向量回归和随机森林模型，对模型预测结果实例验证，筛选出性能最好的模型。
筛选确定了温湿度预测模型的输入特征。经对比验证，DDGCRN模型预测精度最高，其预测温度和湿度的平均绝对误差分别为0.079和0.458，均方根误差分别为0.134和0.719，平均绝对百分比误差分别为0.392%和0.675%。模型输入配置比较分析表明，过多的输入特征并不能使得模型的预测能力提高，反而可能降低，且不同类型的模型以及不同的预测目标都有不同的合适的输入特征。
使用DDGCRN温湿度预测模型对舍内的温湿度变换可以起到提前警告作用，为精准控制养殖环境温湿度提供参考。
减少猪场人工测量猪只体尺的工作量，提高测量精度和工作效率。
本研究提出基于关键点检测和多目标跟踪的猪只体尺自动估计方法，该方法使用Yolov8-Pose模型识别各猪只关键点和目标检测框，利用ByteTrack算法对猪群实时跟踪，引入感兴趣区域规避图像畸变，提高识别速度，同时设计姿态和异常检测过滤算法减少因运动模糊、姿态不正等因素造成的误差。
5个猪栏中24头猪只体长、肩宽、臀宽的平均绝对误差均小于3 cm，平均绝对百分比误差分别维持在4%、6%和7%以内。数据处理速度提升为19.3帧/s。
本研究提出的基于关键点检测和多目标跟踪的猪只体尺估计方法为猪场生产场景提供了一个轻量化、易部署的自动体尺测量解决方案。
为解决群养环境下生猪音频难以分离与识别的问题，提出基于欠定盲源分离与ECA-EfficientNetV2的生猪状态音频识别方法。
以仿真群养环境下4类生猪音频信号作为观测信号，将信号稀疏表示后，通过层次聚类估计出信号混合矩阵，并利用lp范数重构算法求解lp范数最小值以完成生猪音频信号重构。将重构信号转化为声谱图，分为进食声、咆哮声、哼叫声和发情声4类，利用ECA-EfficientNetV2网络模型识别音频，获取生猪状态。
混合矩阵估计的归一化均方误差最低为3.266×10−4，分离重构的音频信噪比在3.254~4.267 dB之间。声谱图经ECA-EfficientNetV2识别检测，准确率高达98.35%；与经典卷积神经网络ResNet50和VGG16对比，准确率分别提升2.88和1.81个百分点；与原EfficientNetV2相比，准确率降低0.52个百分点，但模型参数量减少33.56%，浮点运算量(FLOPs)降低1.86 G，推理时间减少9.40 ms。
基于盲源分离及改进EfficientNetV2的方法，轻量且高效地实现了分离与识别群养生猪音频信号。
猪肢蹄病是种猪淘汰的重要原因之一，给养殖场带来巨大的经济损失。猪蹄疾病判断通常依赖人工肉眼观察猪只步态进行排查，存在效率低、人力成本高等问题。本文旨在实现自动化猪步态评分，高效判断猪只肢蹄健康状况。
本文提出一种“端到端”的猪步态评分方法，在单头种猪经过测定通道时采集视频，并制作四分制步态数据集。采用深度学习技术分析视频，设计了一种基于3D卷积网络的时间注意力模块(Time attention module，TAM)，有效提取视频帧图像之间的特征信息。将TAM与残差结构结合，构建猪步态评分模型TA3D，对步态视频进行特征提取与步态分类评分。为进一步提升模型性能并实现自动化处理，本文设计了步态关注模块(Gait focus module，GFM)，能够自动从实时视频流中提取有效信息并合成高质量步态视频，在提高模型性能的同时降低计算成本。
试验结果表明，GFM可以实时运行，步态视频大小可以减少90%以上，显著降低存储成本，TA3D模型步态评分准确率达到96.43%。与其他经典的视频分析模型的对比测试结果表明，TA3D的准确率和推理速度均达到最佳水平。
本文提出的方案可应用于猪只步态自动评分，为猪肢蹄病的自动检测提供参考。
针对监控图像中饲料区域结构较长、边界模糊，且形状与尺寸复杂多变等特点，本研究旨在更准确地分割饲料残余区域与消耗区域，以达到准确监测饲料消耗状态的目的。
本研究提出了基于Swin-Unet的语义分割模型，其在Swin Transformer块的开始阶段应用ConvNeXt块，增强模型对特征信息的编码能力，以提供更好的特征表示，并利用深度卷积替换线性注意力映射，以提供局部空间上下文信息。同时提出了新颖的宽范围感受野模块来代替多层感知机，以丰富多尺度空间上下文信息。此外在编码器的开始阶段，将线性嵌入层替换为卷积嵌入层，通过分阶段压缩特征，在块之间和内部引入更多的空间上下文信息。最后引入多尺度输入策略、深度监督策略，并提出了特征融合模块，以加强特征融合。
所提出方法的平均交并比、准确率、F1分数与运行速度分别为86.46%、98.60%、92.29%和23帧/s，相较于Swin-Unet，分别提高4.36、2.90、0.65个百分点和15%。
基于图像语义分割的方法应用于饲料消耗状态的自动监测是可行的，该方法通过将卷积引入Swin-Unet，有效地提高了分割精度与计算效率，对提升生产管理效率具有重要意义。
为解决传统方法检测金黄色葡萄球菌耗时长、操作复杂等问题，研发一种基于脱氧核酶(DNAzyme)的荧光生物传感器，实现金黄色葡萄球菌的快速检测。
将特异性DNAzyme和互补链Subatrate相结合制成荧光生物传感器，并对荧光生物传感器进行生物材料浓度和溶液pH优化，并对金黄色葡萄球菌、大肠埃希菌、芽孢杆菌、无乳链球菌、变形杆菌等进行特异性检测；最后对牛奶样品进行基于DNAzyme的荧光生物传感器的试验验证。
基于DNAzyme的荧光生物传感器在pH为 6.8时，3 min内可以实现对金黄色葡萄球菌的检测，线性范围为1~1×107 cfu·mL−1，最低检测限为1 cfu·mL−1。
基于DNAzyme的荧光生物传感器解决了传统检测方法耗时长、操作复杂等问题，实现了对金黄色葡萄球菌的快速检测，具有重要的应用价值。
为了解决奶牛养殖场甲烷检测过程中，定点式气体传感器检测点位有限、检测不全面等问题，本研究运用无人机遥感技术开发了一套甲烷遥感检测系统，旨在实现对奶牛养殖场甲烷分布快速、大范围的检测。
首先，基于光谱吸收原理设计了甲烷遥感检测传感器，并通过试验验证了其检测精度。然后，在河南省洛阳市孟津县生生牧场进行了实地测试，绘制出了奶牛养殖场内的甲烷浓度分布图。并对奶牛活动区域的甲烷浓度值与该区域内奶牛数量之间的相关性进行了分析。
根据试验结果分析，所设计的甲烷遥感检测模块的平均单位误差小于2.05 mg/m3。某区域的甲烷质量浓度值与该区域内活动的奶牛数量之间存在显著的正相关性，两者的皮尔逊相关系数为0.934。
所设计的甲烷遥感检测系统在实际应用中具有较高的准确性，可以满足奶牛养殖场对甲烷分布的检测需求。
动物采食行为是一个重要的动物福利评价指标，本研究旨在解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题，实现对奶牛采食行为的自动监控。
本文提出了一种基于改进BCE-YOLO模型的识别方法，该方法通过添加BiFormer、CoT、EMA 3个增强模块，提高YOLOv8模型特征提取的能力，进一步与优于Staple、SiameseRPN算法的Deep SORT算法结合，实现对奶牛采食时头部轨迹的跟踪。在奶牛采食过程的俯视和正视视频中提取
改进的BCE-YOLO模型在前方和上方拍摄的数据集上精确度分别为77.73%、76.32%，召回率分别为82.57%、86.33%，平均精确度均值分别为83.70%、76.81%；相较于YOLOv8模型，整体性能提升6~8个百分点。Deep SORT算法相比于Staple、SiameseRPN算法，综合性能提高1~4个百分点；并且改进的BCE-YOLO模型与Deep SORT目标跟踪算法结合良好，能对奶牛采食行为进行准确跟踪且有效地抑制了奶牛ID(Identity document)的变更。
本文提出的方法能有效解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题，为智能畜牧与精确养殖提供重要参考。
解决夜间环境下牛只身份信息难以有效识别的问题，以期为牛只全天候监测提供技术基础。
提出了一种基于跨模态共享特征学习的夜间牛脸识别方法。首先，模型框架采用浅层双流结构，有效提取不同模态的牛脸图像中的共享特征信息；其次，引入Triplet注意力机制，跨维度地捕捉交互信息，以增强牛只身份信息的提取；最后，通过嵌入扩展模块进一步挖掘跨模态身份信息的表征。
本文提出的夜间牛脸识别模型在测试集上的平均精度均值、一阶累积匹配特征值(CMC-1)和五阶累积匹配特征值(CMC-5)分别为90.68%、94.73%和97.82%，相较于未进行跨模态训练的模型，提高了19.67、18.91和12.00个百分点。
本研究所提出的模型为夜间牛只身份识别问题提供了可靠的解决方案，为实现牛只全天候持续监测奠定了坚实的技术基础。
实现奶牛体尺准确测量，精准评定奶牛体型。
针对奶牛体尺测量精度有限、自动化程度低等问题，提出一种基于双目立体匹配和改进YOLOv8n-Pose的奶牛体尺测量方法，利用CREStereo获取深度信息，在YOLOv8n-Pose中引入SimAM注意力机制，使网络更加关注奶牛个体识别及奶牛关键点位置信息，并采用CoordConv卷积改进网络结构，增强网络空间坐标感知能力。
改进的YOLOv8n-Pose可快速准确检测奶牛体尺测量关键点，检测精度为94.3%，模型参数量为2.99 M，浮点计算量为8.40 G，检测速度为55.6帧/s。融合双目立体匹配与改进YOLOv8n-Pose关键点检测的奶牛体尺测量最大平均相对误差为4.19%。
所提出的体尺测量方法具有较高的精度及较快的检测速度，能够满足奶牛体尺测量的实用要求。
