《Animals》：Hooves, Sensors, and Signals: Precision Approaches to Automated Lameness Detection in Dairy Cattle
编辑推荐：
跛行仍然是现代奶牛生产中最重要的福利和经济挑战之一。传统检测方法，特别是视觉运动评分，受限于主观性、应用不一致和监测频率低，这常常延误对疼痛性病变的识别。本综述综合了近年来关于自动化跛行检测（ALD）技术的验证研究，并评估了其诊断性能、验证设计以及在奶牛系统中
跛行仍然是现代奶牛生产中最重要的福利和经济挑战之一。传统检测方法，特别是视觉运动评分，受限于主观性、应用不一致和监测频率低，这常常延误对疼痛性病变的识别。本综述综合了近年来关于自动化跛行检测（ALD）技术的验证研究，并评估了其诊断性能、验证设计以及在奶牛系统中的实际应用。研究由一名评审员根据标题、摘要和全文内容进行相关性筛选。纳入的研究代表了基于传感器、基于压力、基于视觉和多模态检测平台，报告的准确率范围约为70%至98%，具体取决于模态和环境设置。基于视觉的系统在受控条件下表现出强劲性能，而现场验证系统的准确率较适中但可能更具泛化性。基于压力的平台通过受试者工作特征曲线下面积（AUC）分析报告了较高的诊断区分能力，但在商业环境中面临基础设施限制。偏倚风险评估表明，未经外部验证的受控实验研究可能高估部署性能。尽管技术进步，验证方案、病变阈值和环境鲁棒性的差异限制了系统间的直接比较。未来研究应优先考虑多农场外部验证、标准化基准框架以及精准畜牧业生态系统中的多模态集成，以提高可靠性和应用性。
1. 引言
跛行是奶牛健康与福利的主要问题，导致因治疗成本、生产力下降和寿命缩短而产生的重大经济损失。商业牧群中报告的发生率约为20–30%，但受生产系统、地理区域、圈舍和地板条件等因素影响。每例跛行的经济损失估计约为120–300美元，由于通胀和劳动力成本上升，当前影响可能更高。跛行与慢性疼痛、步态改变和活动能力下降相关，成为重要的福利问题，并影响消费者信任和行业可持续性。传统检测方法主要依赖视觉运动评分，如Sprecher等人提出的五分量表，但受观察者主观性、应用不一致和评估者间一致性差（如加权kappa值0.24–0.68）的限制。由于评估视觉、间歇且依赖人工，早期步态异常可能被遗漏，导致病理进展和治疗延迟。这些局限性推动了对自动化跛行检测（ALD）系统的需求，该系统利用可穿戴传感器（如惯性测量单元（IMU））、压力感应平台和基于机器学习的计算机视觉算法，提供客观、连续和更早的识别。然而，报告的诊断性能因传感模式、验证方案和生产环境而异，需要结构化评估。
2. 综述范围与组织
本综述整合了关于ALD技术在奶牛中的最新研究，重点关注诊断性能、验证方法及商业系统中的实际应用。检索了Web of Science、Scopus和PubMed数据库（2025年8月至2026年1月），使用“自动跛行检测”“奶牛”“可穿戴传感器”“计算机视觉”“机器学习”“运动评分”等关键词。初始检索获得300条记录，去重后150条，经相关性筛选后纳入43项研究。综述结构从基础传感技术（传感器和力基系统、视觉和图像系统）到混合多模态系统，评估了实际应用、环境约束和未来方向。
3. 自动化跛行检测技术
自动化跛行检测系统通过连续监测运动和行为参数，克服了传统视觉评估的主观性和间歇性限制。当代平台采用可穿戴传感器、地板力/压力测量系统、计算机视觉及多模态集成方法。机器学习与深度神经网络提升了信号解释和分类精度，但跨临床前天的分层性能指标仍缺失。
3.1 传感器和力基系统
传感器和力基系统利用可穿戴或环境设备量化生物力学和行为指标，通过统计算法识别偏离正常运动模式。作为精准畜牧业（PLF）的核心组件，这些系统支持连续健康监测，但在数据变异、基础设施需求和可扩展性方面存在限制。
3.1.1 可穿戴传感器系统
可穿戴系统包括三轴加速度计、计步器、陀螺仪和IMU，通常附于远端肢体、项圈、耳标或躯干，记录步频、步态不对称、活动水平、躺卧时长及躺卧-站立转换等参数。研究表明，跛行牛躺卧时间更长（如13.0 h/day vs 10.9 h/day），活动减少5%以上可提前7–10天检测。智能算法如Dai等人开发的在线早期检测模型实现了80.6%健康状态检测准确率和89.11%召回率。可穿戴传感器因可扩展、非侵入且与现有管理系统兼容而具吸引力，但可靠性和数据质量受传感器放置一致性、校准和信号漂移影响。
3.1.2 力基压力系统
地板式力与压力测量系统（如压力敏感走道、力板）测量肢体负载模式和体重分布，可检测受损负重引起的肢体不对称。例如，Neveux等人发现蹄部不适的牛将体重转移至对侧肢体；Pastell等人利用肢体重量比区分患有蹄底溃疡的奶牛，受试者工作特征曲线下面积（AUC）达0.87。这些系统提供客观动力学数据，但依赖专门走道、受控通过条件和固定安装，限制了商业应用，更适合研究或验证场景。
3.1.3 生理与行为整合
新兴方法将生理和行为指标（如反刍、采食行为、活动模式）纳入ALD框架，以提升检测灵敏度和鲁棒性。例如，Antanaitis等人使用鼻带传感器发现健康牛反刍时间是跛行牛的2.19倍。但生理指标受营养、环境和管理实践影响，特异性较低，更适合作为多模态系统的补充，而非独立诊断工具。
3.1.4 技术与实施挑战
可穿戴传感器受放置一致性、校准、附着稳定性和信号漂移影响；力基系统要求专门基础设施和定期维护；生理和行为指标易受非跛行因素干扰。这些挑战限制了单模态系统的可靠性和广泛部署。
3.2 视觉和图像检测系统
计算机视觉技术是ALD研究中最快速发展的领域之一，通过固定摄像机捕获连续视频数据，并应用机器学习提取步态不对称和姿势偏差特征。无需可穿戴设备或专门地板，具非侵入性和可扩展性。
3.2.1 二维和深度学习系统
传统二维（2D）系统量化背部姿势、行走速度、步长、肢体轨迹和关节角度。现代方法采用卷积神经网络（CNN）如YOLO和Mask R-CNN进行目标检测和姿态估计。Barney等人开发的系统使用Mask R-CNN和SORT跟踪，结合CatBoost分类，实现了100%跛行检测准确率和94%严重程度分类准确率（内部交叉验证）。Taghavi等人使用T-LEAP模型检测17个解剖关键点，准确率89%。深度学习框架实现了从原始视频自动提取特征，提升了对细微步态不对称的检测能力。
3.2.2 三维视觉系统
三维（3D）系统利用立体相机或深度传感器重建动物身体，捕捉脊柱曲率、背部姿势、肢体位移和体重转移模式。Abdul Jabbar等人使用顶置深度相机和线性支持向量机，以95.7%准确率识别早期跛行。Bradtmueller等人使用长短期记忆网络（LSTM）预测运动能力，准确率、精确率、召回率和F1分数均为0.96。3D系统提供更精确的空间信息，但需更复杂的相机放置、校准和计算资源，限制了商业化应用。
3.2.3 红外热成像与互补成像
红外热成像（IRT）可识别蹄部或远端肢体表面温度升高，反映炎症。Alsaaod和Büscher发现病变蹄冠带温度显著高于无病变蹄，灵敏度80.0–85.7%。但表面温度受环境温度、湿度等因素影响，特异性较低，适合作为多模态系统的补充。
3.2.4 技术与实施挑战
视觉系统对环境条件（如光照变化、遮挡、污物、动物定位和走速）敏感，导致准确性下降。2D系统受透视变形影响，3D系统需要复杂校准和计算资源，IRT缺乏独立诊断特异性。需在农场条件下持续验证以提升鲁棒性。
3.3 混合和多模态系统
混合系统集成多种传感模式（视频、可穿戴传感器、力测量、生理监测），通过机器学习算法识别跨生物力学、行为和生理域的异常，提高诊断鲁棒性和灵敏度。
3.3.1 数据融合与多模态集成
数据融合可在特征级或决策级进行。Dhaliwal等人结合面部生物特征和加速度计数据，使用DenseNet-121和LSTM，多模态模型准确率99.55%。D?ermeikait?等人整合272头奶牛的行为、生理、血液和牛奶参数，随机森林模型验证准确率97.04%。Lemmens等人利用十家农场的传感器和自动化挤奶系统数据，随机森林模型准确率0.75。多模态融合可扩展至更全面的决策支持工具。
3.3.2 机器学习与多模态建模
先进的人工智能（AI）框架可处理复杂高维数据，集成和深度学习模型提升了预测性能，但模型泛化性、可解释性和过拟合问题仍需关注。
3.3.3 生理与行为增强
生理和行为监测（如反刍、采食、体重分布、代谢标记物）提供补充信息。Chapinal等人发现跛行牛后肢体重分布不对称性最佳预测跛行的AUC为0.71。Contreras-Aguilar等人发现唾液总酯酶活性与跛行评分正相关。这些指标作为多模态系统的输入，可提升早期检测灵敏度。
3.3.4 技术与实施挑战
多模态系统面临数据预处理、同步、特征标准化等挑战，计算需求高，缺乏标准化基准框架。经济成本（硬件、安装、维护）和网络连接限制也影响采用。商用系统成本、基础设施要求和就绪程度差异大，如表3所示。
3.4 生产应用
ALD系统的成功实施取决于商业环境中的可靠性和可用性，需与现有管理系统集成，支持可操作决策。
3.4.1 农场自动化跛行检测的重要性与益处
早期检测可改善治疗结果、减少病变严重程度和疼痛持续时间，并减轻对产奶量、繁殖性能和淘汰风险的影响。自动化系统提供客观、标准化测量，减少观察者变异，支持纵向监测。
3.4.2 环境与农场挑战
环境变异性（如光照、地面条件、动物行为）导致受控实验与商业条件性能差距，需多农场验证以确保鲁棒性。
3.4.3 精准畜牧业系统内的集成
ALD系统与PLF框架集成，将运动数据与行为、生理和生产指标链接，实现实时监测和主动管理。但数据互操作性和平台兼容性限制集成，需用户中心设计和决策支持工具。
3.4.4 跨物种洞见以推进奶牛跛行检测
猪、马和羊等物种的研究提供了可借鉴的方法。猪的3D成像和力板技术可应用于群养环境；马的高分辨率运动学分析和IMU网络可提升检测灵敏度；羊的GPS和加速度计适用于牧场系统。跨物种整合可加速ALD系统发展。
4. 挑战与未来展望
ALD技术仍面临传感器性能变异、数据质量、环境条件和验证方法不一致等挑战。未来研究需优先标准化验证方案、多农场外部验证、早期/亚临床跛行检测、多模态数据融合的经济评估和用户界面优化。解释性AI和成本效益分析将促进采用。
5. 结论
ALD技术代表PLF的重大进步，有望改善早期检测和动物福利。但农场环境变异、验证方法差异和泛化性限制仍阻碍一致性能。标准化评估框架和外部验证至关重要。这些系统应作为决策支持工具，而非临床替代。AI和传感器集成的持续进步将提升实用性，成功实施取决于成本效益、集成便捷性和商业化采用。
