编辑推荐：
这篇综述聚焦于基于计算机视觉的牲畜异常检测技术。详细梳理了该技术在牲畜（如牛、羊、猪）异常检测中的应用，分析了面临的数据、任务、模型等挑战，并提出应对策略与未来研究方向，为精准畜牧发展提供参考。
引言
在牲畜生产中，“异常” 指牲畜偏离正常健康状态的情况，可能由身体受伤、疾病或环境不适等引起。及时检测牲畜异常，能预防健康问题恶化，助力疾病诊断与治疗，对提升动物福利和农业生产意义重大。
传统上，牲畜异常检测依赖专业人员，但这种方式效率低、主观性强，还存在交叉污染风险。随着全球牲畜产业向大规模、集约化生产转变，人工检测负担加重，难以监控每头牲畜的身体状况。而且，消费者对食品安全越发重视，牲畜个体健康和福利备受关注。因此，高效及时地检测牲畜异常成为当务之急。然而，当前人力资源短缺，招募足够专业人员进行牲畜异常检测和健康护理面临挑战，社会需求与生产要求之间的矛盾也加剧了这一困境。
为解决这些问题，精准畜牧中常采用接触式和非接触式监测系统。接触式传感器如项圈、耳标、计步器等，能利用其产生的运动跟踪数据和温度数据对牲畜进行实时生理监测，但这类侵入性或约束性方法会让牲畜不适，还可能导致细菌滋生，影响数据准确性，增加养殖成本。
非接触式监测系统主要使用 RGB 相机，部分农场也会采用成本更高的红外热成像相机和深度相机。计算机视觉技术能快速分析处理这些设备收集的图像和视频数据，判断牲畜状态是否异常。近年来，基于深度学习的分类模型、目标检测和跟踪算法不断发展，推动了计算机视觉技术在牲畜异常检测中的应用，如动物身份信息识别、姿态估计和行为分类等，虽不直接针对异常检测，但有助于预防异常情况发生。
不过，基于计算机视觉的牲畜异常检测仍面临诸多挑战。异常发生概率低，部分异常初期不明显，需长期跟踪观察；跟踪个体牲畜困难，易出现身份丢失问题；外部因素影响大，牲畜生活环境复杂、外观相似，容易造成遮挡，影响观察。目前，对牲畜异常检测问题的讨论不够全面，多数综述仅关注特定动物物种的个别异常特征，忽视了不同牲畜物种的多样异常特征及共性挑战。因此，本文旨在全面综述非侵入式计算机视觉技术在牲畜异常检测中的应用，主要聚焦于牛、羊、猪这几种对人类生存至关重要的牲畜。
牲畜异常
在牲畜养殖中，异常是指牛、羊、猪等动物在生理、行为或健康状况上的偏差。多数研究者以 “五项自由和规定（Five Freedoms and Provisions）” 为评估基准，该基准规定动物应免受饥饿、口渴、不适、疼痛、伤害、疾病、恐惧和痛苦，且有展现正常行为的自由。这些偏差会对动物产生负面影响。
牲畜的异常特征
当牲畜面临传染病、流行病或环境适应不良等问题时，通常会表现出与健康状态不同的异常特征。本文将牲畜异常特征分为空间异常、时间异常和时空异常三类，这种分类基于视觉观察或特征提取需求。
计算机视觉中牲畜异常检测的方法
基于深度神经网络和机器学习的计算机视觉技术，在牲畜异常检测领域贡献显著，广泛应用于目标分类、检测和跟踪等任务。针对不同类型的异常，有一系列定制化的视觉方法。
牲畜异常检测面临的挑战与建议
基于前文的分析，本部分探讨使用计算机视觉技术进行牲畜异常检测时，在数据集、任务和建模方面面临的挑战，并提出相应的解决办法。
结论
牲畜异常检测借助先进的计算机视觉技术，有助于提升动物福利，推动精准畜牧向知识驱动、技术导向和现代智能化养殖发展。本文从空间、时间和时空角度，研究了牲畜异常检测中常见的外观、行为和生理特征，探讨了卷积神经网络（CNNs）、循环神经网络（RNNs）等相关技术。
