2020 年度新知答主
DOI:10.6041/j.issn.1000-1298.2023.03.001。
摘要：反刍家畜是人类获取肉类、奶制品等食品的重要来源。随着人们对产品产量和品质要求的不断提高，传统的人工监管模式已经难以满足规模化反刍家畜养殖的需求。反刍家畜行为中蕴含着丰富的身体状况信息，对反刍家畜行为的自动化监测有助于早期识别异常行为、评估健康水平和预警异常生理状态，帮助养殖人员及时调整养殖策略，实现低成本、高效率和高收益的生产过程。本文首先概述了反刍家畜基本运动(如躺卧、行走和站立)、反刍、进食和饮水、跛行等典型行为的监测方法，然后详细分析了识别反刍家畜发情、分娩、疾病和疼痛状况的不同特征指标以及基于该特征指标的生理状况识别方法。最后，本文探讨了反刍家畜行为监测方法目前存在的问题和难点，并指出未来的研究重点包括优化传感器功耗、融合多传感器数据、降低数据传输延时、减少大规模数据标注、轻量化深度学习模型以及深度解析和应用数据。
反刍家畜是人类获取肉、奶等食品的重要来源。随着人们对产品产量和品质要求的提升，传统耗时耗力且人工成本高的监管模式已难以满足规模化反刍家畜养殖需求。反刍家畜行为中蕴含着许多身体状况信息，对反刍家畜行为的自动化监测有助于识别异常行为、评估健康水平、预警异常生理状态，并辅助养殖人员及时调整养殖策略，实现低成本、高效率和高收益的生产过程。本文首先概述了反刍家畜基本运动(躺卧、行走、站立)、反刍、进食饮水、跛行等典型行为的监测方法，随后分析了识别反刍家畜发情、分娩、疾病、疼痛状况的不同特征指标及基于该指标的生理状况识别方法，最后探讨了反刍家畜行为监测方法面临的一些问题与难点，并指出未来研究重点为优化传感器功耗、融合多sensordata、降低数据传输延时、减少大规模数据标注、轻量化深度学习模型以及深度解析和应用数据。
Abstract:Ruminant livestockis animportant sourceofmeat,milk, andother foodfor humanconsumption. Withtheincreasing demandforhigh-qualityruminant livestockproducts,thetraditional manualsupervisionmode,which istime-consuming,labor-intensive,andcostly, isno longersufficientto meetthe needsoflarge-scaleruminant livestockbreeding.Ruminant livestockbehavior containsa wealthofinformation aboutbodycondition. Theintelligentmonitoringofruminantlivestock behaviorcan helpidentify abnormalbehaviorearlier, evaluatehealthlevels, andprovide earlywarnings ofabnormalphysiologicalstates. Thisassistancecan helpfarmers adjustbreedingstrategies ina timelymanner,resulting inlow-cost,effective,efficient,andprofitableproductionprocesses. First,we providean overviewof themonitoringmethods forbasic movements(lying,walking, andstanding),rumination, eatinganddrinking, andlamenessinruminantlivestock.Second,we analyzedifferentcharacteristicindicators thatcan beused toidentify thecondition ofruminant livestockin differentstages,includingestrus,parturition,disease,andpain.Finally, wediscuss thechallengesandopportunities forfuturedevelopment ofrelevant keytechnologies, includingoptimizingsensor powerconsumption, fusionofmulti-sensordata, reductionof datatransmissiondelay,reduction oflarge-scale dataannotation,lightweight deeplearningmodels, anddeep analysisandapplication ofdata.
Keywords:Ruminantlivestock behaviormonitoring;physiological conditioncharacteristics;physiological conditionidentification.
