基于深度学习与统计分析的群养猪行为模式量化研究

为解决群养猪行为人工监测低效易错等问题，研究人员开展基于深度学习与统计分析的行为模式量化研究。提出 ViTAM-SlowFast 模型，mAP 达 92.68%，发现健康猪行为时长一致，为健康监测和养殖管理提供技术支持。

　　

在现代化养猪产业中，精准监测群养猪的健康状态与行为模式是提升养殖效率和动物福利的关键。然而，传统人工观察方法在大规模猪舍中面临 labor-intensive、成本高、效率低且易出错的难题，难以实时捕捉猪群行为的细微变化，尤其在复杂群体环境中，基于单一场景或个体的行为识别技术难以有效应用。此外，现有接触式传感器技术可能对猪只造成应激反应，而非接触式的图像识别方法又往往忽略视频中的时空特征，导致对动态行为（如移动）的识别精度不足。因此，开发一种高效、非侵入且能准确解析群体行为模式的技术体系，成为亟待突破的行业痛点。

为攻克上述挑战，华南农业大学的研究人员开展了一项旨在量化群养猪行为模式的研究，相关成果发表在《Computers and Electronics in Agriculture》。该研究通过融合深度学习与统计分析方法，构建了从行为识别到模式解析的完整技术链条，为智能化养殖管理提供了新范式。

研究主要采用以下关键技术方法：

1. 数据采集：于 2022 年 5-8 月在广东云浮某猪场采集 6 头约 40kg 健康猪的视频数据，猪舍面积 3.0m×2.6m，配备单个食槽，每日 8:30 人工饲喂一次。
2. 行为识别模型：改进 SlowFast 网络，提出 ViTAM-SlowFast 模型，集成 Video Transformer Encoder（视频 Transformer 编码器）和 Temporal Adaptive Module（时间自适应模块）以增强时空特征提取能力。
3. 统计分析：基于行为识别结果，分析健康猪群的行为时长分布及不同采食阶段的模式差异。

多行为识别结果

ViTAM-SlowFast 模型在采食、探索、躺卧、移动、站立 5 种行为识别中表现优异，平均精度均值（mAP¹）达 92.68%，较原始 SlowFast 提升 2.68%。各行为平均精度（AP²）分别为：采食 96.34%、探索 92.42%、躺卧 99.56%、移动 88.52%、站立 86.57%。模型通过双路径网络架构（慢路径与快路径），有效捕捉视频中空间细节与时间序列信息，解决了传统图像方法缺乏时间关联的缺陷，尤其对移动等动态行为的识别精度显著提升。

行为模式量化分析

统计结果表明，健康群养猪的每日行为时长具有稳定性：

• 采食影响显著：猪只行为表现受采食过程驱动，不同采食阶段（如进食中、进食后）的行为模式存在细微差异，但同一阶段内行为规律高度一致。
• 周期性特征：在健康状态下，躺卧、移动等行为呈现稳定的周期性，为异常行为的早期预警提供了基准参照。例如，当某时段移动时长偏离正常范围时，可能提示健康问题。

结论与意义

本研究构建的群养猪行为模式量化方法，首次实现了复杂群体环境中多行为的高精度识别与动态模式解析。ViTAM-SlowFast 模型通过时空特征的深度融合，突破了传统方法在群体场景中的应用瓶颈，而基于统计分析的模式量化框架，则为养殖者提供了直观的行为监测工具。研究证实，健康猪群的行为时长与阶段模式具有可重复性，这一发现为通过行为异常早期识别猪只健康问题（如疾病前兆）奠定了数据基础，有助于降低养殖风险、提升福利水平。未来，该技术可进一步与物联网设备结合，推动智能化养猪管理系统的开发，助力畜牧业向精准化、智能化转型。

（注：¹mAP 为 mean Average Precision，平均精度均值；²AP 为 Average Precision，平均精度）