基于废弃聚苯乙烯衍生的羟基功能化超交联离子聚合物用于CO2捕获与转化的创新研究

为解决母猪哺乳行为监测中视觉方法受遮挡和夜间清晰度限制的问题，研究人员开发了一种融合音频分析与计算机视觉(YOLOv9)的多模态检测系统。通过分析母猪哺乳期特有的节律性呼噜声(频率256-1024 Hz)并结合躺卧姿势验证，实现了0.93精确度和0.87召回率，平均每小时音频处理仅需53.9秒。该研究为优化母猪哺乳管理提供了自动化监测方案。

　　

在现代化养猪业中，母猪哺乳行为的精准监测直接关系到仔猪成活率和养殖效益。传统依靠人工观察或计算机视觉(CV)的方法面临严峻挑战：当仔猪相互遮挡或夜间光照不足时，基于视觉的检测准确率显著下降。更棘手的是，哺乳行为本质上是母猪与仔猪的互动过程，单纯通过仔猪吸吮动作判断可能遗漏关键生理信号。这些技术瓶颈促使科学家们将目光转向声音信号——母猪在哺乳时会发出独特的节律性呼噜声，这种声学特征是否能为破解监测难题提供新思路？

为回答这个问题，德国研究团队在《Separation and Purification Technology》发表了一项创新研究。他们开发了一套名为"Detector"的多模态系统，巧妙结合音频分析与计算机视觉技术。研究首先通过三级滤波（降噪、带通滤波、信号简化）提取256-1024 Hz频段的呼噜声特征，利用时间窗口算法识别潜在哺乳时段；再通过YOLOv9模型验证母猪侧卧姿势，最终实现哺乳行为的自动化判定。该系统在1728小时视频数据中表现出色，精确度达0.92，且每小时音频处理仅需53.9秒。

主要技术方法

研究使用德国实验农场152头母猪（胎次1-7）的24小时监控视频，配备Axis 3206LVE摄像机和T8355数字麦克风（采样率16kHz）。音频处理采用Python 3.9开发的三模块系统：声音处理模块通过noisereduce降噪和带通滤波；推理模块分析0.5秒间隔的声波峰值（振幅0.007-0.03）；检测模块采用25.3M参数的YOLOv9c模型，在8045张图像（含昼夜不同光照条件）上训练识别站立、腹卧、侧卧三种姿势。

研究结果

3.1.1 精确度与召回率

系统整体召回率0.81，精确度0.92。首日哺乳检测效果较差（召回率0.59），主要因初乳期哺乳间隔短于设定的1200秒阈值。分析显示27.02%漏检源于YOLOv9在弱光下的误判，24.78%因声音信号微弱。值得注意的是，3头确诊产后无乳综合征(PPDS)的母猪表现出异常呼噜模式，提示声学特征可能反映健康状态。

3.2.1 哺乳呼噜特征

声波分析揭示典型哺乳呼噜包含三个阶段：初始长间隔呼噜（召唤仔猪）、持续40-60秒的快速呼噜（频率1Hz，对应催产素峰值），以及逐渐衰减的正常呼噜。这种19.2±1.5秒的快速呼噜期被证实与乳汁喷射直接相关，可作为成功哺乳的生物学标志。

3.2.2 哺乳同步现象

数据揭示同一猪舍母猪存在显著的哺乳同步行为（平均间隔220秒），声学触发机制使群体哺乳间隔呈现波浪式传播。这种现象虽导致76.25%的误检（其他母猪呼噜干扰），但也为弱信号哺乳事件的识别提供了新思路。

讨论与意义

该研究首次证实声学监测在哺乳行为分析中的实用价值。通过将音频信号密度分析与CV结合，不仅克服了传统视觉方法在遮挡和夜间场景的局限，还发现了哺乳呼噜的阶段性特征与成功哺乳的关联。特别值得注意的是，快速呼噜期（19.2±1.5秒）与已知的催产素释放窗口高度吻合，这为无创评估母猪哺乳效能提供了潜在生物标志物。技术层面，系统采用的时间窗口算法（110秒阈值）和30秒邻接窗口合并策略，有效平衡了检测灵敏度与特异性。

研究同时揭示了首日哺乳监测的特殊性——初乳期异步哺乳行为（间隔3.17±1.38小时）与周期性哺乳（13.18±3.61小时转换）的显著差异，这对完善哺乳期管理标准具有指导意义。从应用角度看，该系统可实现：1）早期发现PPDS等健康异常；2）优化养殖操作时间以减少哺乳中断；3）为基因选育提供量化指标。未来通过集成快速呼噜识别算法和上下文感知模块（CIAM），有望进一步提升检测精度，推动精准畜牧业发展。