综述：数字孪生在禽类养殖管理中的综述

《Computers and Electronics in Agriculture》：Digital twins in poultry farming management: A review

　　

研究人员提供了一项关于数字孪生（Digital Twin, DT）在禽类养殖管理中应用的综合性和概念性综述。研究人员提出了一个三层数字孪生框架，包含数据收集层（Data Collection Layer）、模型层（Model Layer）和应用层（Application Layer）。研究人员深入分析了模型层作为核心分析引擎的作用。研究人员还研究了框架各层之间的交互关系和信息流（Information Flow）。

**2. 禽类养殖场的数字孪生**

**2.1. 综述方法**
本研究采用叙述性综述方法，定性分析关于监测、检测、预测和决策的已发表研究，这些功能是数字孪生（Digital Twin, DT）在禽类养殖生产中的关键。文献检索在Web of Science和ScienceDirect数据库中进行，时间范围为2015至2025年，检索词集中在“digital twin”和“poultry management”。在ScienceDirect中，使用关键词“digital twin” AND “poultry management”检索，并限制摘要中包含“digital”，最终筛选出55篇相关文章；在Web of Science中，通过主题检索“digital twin” AND “poultry”获得11篇文献。为探索数字孪生的适应性，检索扩展至 livestock farming，最终保留约40篇研究用于支撑数字孪生框架的构建。

**2.2. 禽类养殖生产概述**
禽类养殖生产定义为系统化饲养和管理禽类以获取肉和蛋的过程，遵循“从农场到餐桌”（Farm to Fork, F2F）策略。生产系统可分为多个阶段，基于系统组件包含监测（Monitoring）、模拟（Simulation）、检测（Detection）、学习（Learning）和分析（Analytics）五个关键组件。环境监测、行为监测、疾病检测、生长预测和农场管理是主要应用场景。

**2.3. 数字孪生的概念**
数字孪生（Digital Twin, DT）定义为物理实体、系统或过程的动态、数据驱动的虚拟副本，与真实世界对应体同步。其概念可追溯至1970年代NASA的航天器复制项目，后由Michael Grieves于2003年引入产品生命周期管理（Product Lifecycle Management, PLM）语境。自2015年起，受物联网（Internet of Things, IoT）和人工智能技术推动，数字孪生从概念转向实践。在禽类养殖管理中，数字孪生可用于监测环境条件、检测禽类行为，并基于历史数据和当前状态预测未来状态，输出支持决策优化。

**2.4. 数字孪生的框架**
本研究提出数字孪生框架分为三层：数据收集层、模型层和应用层。数据收集层负责从传感器获取数据并传输至云服务器；模型层定义为虚拟表示，映射系统元素并模拟物理操作，基于数据输入应用过程模型、统计模型或混合模型；应用层利用数据及模型输出开发用户界面、数据可视化、决策策略和控制方法。信息流包括自下而上的数据和模型输出，以及自上而下的反馈，反馈被解释为控制动作并实施于物理系统。与现有农业数字孪生框架相比，该框架突出了三层功能区分和双向信息交换，并详细阐述了模型层的重要性。

**2.5. 数字孪生的特征**
与物联网系统（IoT System）相比，数字孪生需要以下关键要素：(i) 物理系统与虚拟副本之间的实时同步（Real-time Synchronization）；(ii) 与模拟模型的集成；(iii) 基于数据和模型的预测能力；(iv) 双向交互（Bidirectional Interaction），允许从虚拟表示向物理系统传递分析结果或决策。物联网系统信息流主要是单向的，不支持实时同步或预测能力，而数字孪生通过动态虚实交互、模型模拟和闭环控制（Closed-loop Control）扩展了物联网基础。

**2.6. 数字孪生的分层分析**

**2.6.1. 数据收集层**
数据收集层是数字孪生的基础，由海量输入数据驱动。该层包括硬件设备和技术，用于数据获取、传输、存储和完整性保障。
(1) 硬件与数据：传感器用于捕获环境数据（如温度、相对湿度、CO₂、NH₃浓度）和禽类相关数据（如声音、图像、加速度）。环境数据采集设备包括数字温湿度传感器、电化学传感器、光敏电阻（LDR）传感器和空气传感器；禽类相关数据采集设备包括声学传感器、可穿戴传感器（如加速度计）、生物传感器（Biosensor）以及多种相机（可见光、红外、热成像、深度相机、高光谱相机）。
(2) 数据聚合与存储：采用物联网云平台和分布式数据采集技术，通过MQTT协议实现本地设备与云服务器通信；雾计算（Fog Computing）用于减少延迟和带宽消耗。
(3) 数据传输：CPU读取传感器数据后，通过无线传感器网络转发至互联网或计算机。
(4) 数据完整性与安全性：区块链技术用于自动环境数据收集，确保数据安全性和透明度；基于区块链的数据完整性验证框架利用Merkle树和智能合约，替代第三方审计员。

**2.6.2. 模型层**
模型层是数字孪生的核心分析引擎，包括模拟模型开发、校准及模型与物理系统的同步。
(1) 模型类别：分为统计模型（经验模型）和过程模型（机理模型），以及混合模型。过程模型应用包括氨气候-禽类（AMCLIM-Poultry）模型模拟NH₃排放，计算流体动力学（CFD）模型模拟环境条件和气流动态；统计模型应用包括主成分分析（PCA）分析环境变量相关性，多层感知器（MLP）、自适应神经模糊推理系统（ANFIS）和多元线性回归（MLR）预测NH₃水平，Gompertz模型和多元自适应回归样条（MARS）方法估计肉鸡活重；混合模型结合CFD与机器学习代理模型（如卷积神经网络CNN、循环神经网络RNN、物理信息神经网络PINN）加速流场预测。
(2) 模型校准：内部校准采用Levenberg-Marquardt算法拟合非线性增长曲线；模型与物理系统间的校准采用粒子滤波（Particle Filter）方法实现实时连续校准，确保数字孪生精确反映被监测系统。
(3) 模型同步：内部同步分析状态独立、状态依赖和全信息三种策略，状态依赖策略表现最优；物理系统与模型间的同步采用Petri网（Petri Net, PN）描述动态同步过程，根据过程状态触发同步。
(4) 模型优化：多目标优化问题可通过加权转化为单目标，或采用非支配排序遗传算法II（NSGA-II）求解Pareto解集。

**2.6.3. 应用层**
应用层利用数据收集层和模型层的模拟输出，指导监控、检测、预测和决策，连接知识与实践。
(1) 监控：环境监控包括温度、湿度、气体水平和光照，如Debauche等人提出的基于AI和边缘计算的实时监控系统，以及Pereira等人提出的低成本物联网系统。禽类行为监控通过识别行走、采食、饮水等行为模式，判断健康状态；Peng等人开发了自动化系统实时监控采食行为和体重，并计算地面落料量以评估采食率。
(2) 检测：疾病检测包括多模态检测方法（RGB图像与热红外温度数据融合）识别病鸡，便携麦克风识别咳嗽声检测呼吸道疾病，步态评分（GS）模型检测跛行（准确率91%），基于粪便图像的消化疾病检测（Faster R-CNN优于YOLO-V3），以及金属氧化物半导体（MOS）传感器检测挥发性有机化合物（VOCs）变化预警肠道疾病。
(3) 预测：生长预测模型包括人工神经网络（ANN）和线性回归预测饲料转化率、采食量和增重；体重估计系统基于机器视觉和ANN，以及3D计算机视觉非侵入性预测体重；动态神经网络预测肉鸡体重和生长，发现环境参数显著影响生长。
(4) 决策：通过机器视觉模型监控禽舍空间分布和采食器周围鸡只数量，评估群体健康；限制饲养密度以预防疾病，并优化管理策略。

**3. 开放问题与挑战**

**3.1. 实际部署**
许多研究未在真实农场部署或验证，实际应用效果未知。不同饲养系统（如笼养和无笼舍饲系统）影响传感器部署和模型开发，需根据具体条件调整策略。

**3.2. 系统集成**
各系统与模型可集成至大型系统，实现数据共享和更优信息提取；需将食品安全研究从农场扩展至整个供应链，但面临数据量和先进技术整合的挑战。

**3.3. 数据质量与所有权**
数据质量（准确性、完整性、可靠性、一致性）影响数字孪生性能，传感器数据常存在缺失、异常、偏差和漂移，需预处理（如滤波、降维）。数据所有权指对数据收集、处理和存储的法律与实际控制，多方共享时管理责任分配困难，阻碍系统集成。

**3.4. 疾病控制**
疾病在密集养殖中易传播，现有监控方案未提供自动化控制方法。间接控制（如环境管理）不足，需直接控制疾病传播的解决方案，但疾病变异性和不可预测性带来挑战。

**3.5. 禽类饲料**
缺乏直接测量饲料安全性的传感器，饲料可能被污染并成为微生物和有毒物质载体。需实时检测饲料污染并管理饲喂计划，该领域仍具挑战性。

**3.6. 动物福利**
生产增长可能忽视动物福利，需在生产和福利间平衡。单独使用物联网和AI存在局限，结合使用可提升性能，确保环境友好和食品安全。