基于计算机视觉的犊牛舍饲行为监测系统开发及其在热应激评估中的应用

为解决户外犊牛舍饲行为监测难题，研究人员开发了基于YOLOv3/YOLOv3-tiny的计算机视觉系统(CVS)，实现对犊牛位置（舍内/舍外）和姿态（站立/躺卧）的精准识别（准确率>90%），并发现温度湿度指数(THI)≥69时呼吸频率(RR)显著增加至64.9次/分钟，躺卧间隔延长至3.48小时。该研究为边缘计算在畜牧业应用提供了技术方案。

　　

在现代化畜牧业中，犊牛的健康监测一直是重大挑战。超过50%的美国牧场采用户外犊牛舍（hutch）单独饲养，这种模式虽能降低疾病传播风险，却使犊牛直接暴露于多变气候中。尤其令人担忧的是，随着全球气候变暖，犊牛热应激问题日益突出。然而，传统人工观察方式受限于时间成本和物理遮挡，而穿戴式传感器可能干扰动物自然行为。更棘手的是，犊牛行为变化（如寻找阴凉处或改变躺卧频率）往往是健康问题的早期信号，但这些细微变化极易被忽视。

威斯康星大学麦迪逊分校的研究团队独辟蹊径，将目标锁定在计算机视觉系统(CVS)的开发上。他们巧妙利用普通追踪相机，构建了一套能自动识别犊牛位置（舍内IN/舍外躺卧OL/舍外站立OS）的智能监测系统，并首次将YOLOv3系列算法应用于犊牛行为分析。这项发表在《Journal of Dairy Science》的研究，不仅验证了CVS在畜牧监测中的可行性，更揭示了犊牛行为与热应激的深层关联。

研究团队采用了三项关键技术：1）使用3台夜视追踪相机以5分钟间隔持续20天采集27,704张图像；2）采用YOLOv3（6200万参数）和轻量化YOLOv3-tiny（890万参数）两种深度学习模型进行性能对比；3）基于12头荷斯坦母犊的拉丁方实验设计，结合温度湿度指数(THI)公式和呼吸频率(RR)测量建立热应激评估体系。

【DEEP LEARNING MODEL PERFORMANCE】
研究显示，大模型YOLOv3在识别舍内犊牛时达到94.7%的精确度，轻量化模型YOLOv3-tiny也保持86.7%以上的性能。令人惊喜的是，即便在夜间或雨天等复杂场景下（图2），系统仍能稳定工作。这为边缘计算在牧场部署扫清了技术障碍——YOLOv3-tiny仅需33MB存储空间，是传统模型的1/7。

【BEHAVIOR ANALYSIS】
数据分析揭示犊牛每日行为规律：平均13.3小时在舍内，7.7小时在舍外躺卧。通过首创的"双峰分布法"界定行为片段，研究人员发现不同通风条件会改变躺卧间隔标准——被动通风(PASS)组犊牛的躺卧间隔比对照组(CON)缩短50%。

【LOCATION AND POSTURE RESPONSES TO THI AND RR】
当THI≥69时，犊牛RR显著提升（56.9 vs 64.9次/分钟），并出现三个关键行为转变：1）舍内停留时间增加0.8小时；2）舍外站立时间减少10%；3）躺卧间隔延长44%。值得注意的是，主动通风(ACT)组犊牛表现出独特反应——它们反而增加舍外躺卧时间，这可能与风扇噪音导致的避舍行为有关。

通过ΔRR（个体RR变化值）分析，研究发现了更具价值的现象：RR增幅越大的犊牛，其舍内停留时间减少斜率达-0.10小时/次，而舍外躺卧时间增加斜率达0.09小时/次。这意味着每增加10次呼吸频率，犊牛就会调整1小时的行为分布。这种个体化响应模式说明，单纯依赖THI阈值可能遗漏30%的易感个体。

这项研究开创性地证明了CVS在牧场监测中的双重价值：技术上，轻量化模型可实现低成本部署；科学上，行为模式能反映热应激的个体差异。尤其重要的是，研究首次建立了ΔRR与行为变化的量化关系，为开发自动化预警系统提供了理论依据。未来通过整合太阳辐射等附加参数，该系统有望成为预防犊牛热应激的"数字哨兵"。正如作者强调的，这项技术突破不仅适用于犊牛管理，其方法论对其它畜禽的行为监测同样具有启示意义——在气候变化的背景下，这种非接触式监测或将成为保障动物福利的新范式。