全球对高质量动物产品的需求正在推动畜牧业的快速发展。然而，现代畜牧业面临着各种实际挑战，包括新发和复发的动物疾病、饲料管理不善、动物福利不足、劳动力成本上升以及碳排放的环境影响。传统农场管理严重依赖人工视觉检查、生物采样和经验判断。这导致劳动力投入高且难以及时发现早期疾病 [1,2]。在许多情况下，在明显的临床症状出现之前，已经积累了相当的经济损失 [3]。为应对这些挑战，智能技术如智能畜牧养殖——整合可穿戴惯性测量单元传感器、计算机视觉、边缘部署的深度学习方法以及环境感知基础设施——已被逐步引入，以促进对农场动物的精准监测和及时干预，实现商业化畜牧场的全面升级 [4]。在健康监测方面，安装在动物颈部或四肢上的可穿戴惯性测量单元传感器持续采集运动轨迹、采食行为、反刍节律和卧姿，无需人工持续监护即可自动筛查跛行、发情和异常活动。计算机视觉工作流程提供非侵入性行为监测，涵盖采食、饮水、休息和社交互动等行为，对于那些无法负担可穿戴硬件的小型农场尤为有价值。在舍内环境管理方面，核心监测变量包括饲养密度、舍内温湿度变化、有害气体浓度以及由此产生的生理变化 [5]。
本编辑特邀稿是关于特刊"智能技术在农场动物疾病、饲养及舍内环境控制中的应用"的，重点在于利用智能技术提高农场生产效率和资源利用率，保障动物健康与福利，并构建可持续生态系统。十余篇稿件投稿参与该特刊的评审，均经过严格的《可持续发展》审稿流程。最终共有六篇论文被接收发表并纳入该特刊（五篇研究论文和一篇综述）。这些论文的详细信息可在网站 https://www.mdpi.com/journal/agriculture/special_issues/3QH8Q6MO25（2026年8月10日访问）上查阅。
精准畜牧养殖的最新进展探索了智能监测与环境控制中的多种技术。基于肢端安装的惯性测量单元传感器，研发了一种针对牛只早期跛行的轻量级实时检测技术。该方法采用方差阈值过滤模块去除冗余的静态加速度时间序列数据；引入YOLOConv1D和可分离卷积1D组件优化Inception Time网络结构；并将手工设计的步态特征与深度学习提取的特征表示进行融合。该模型已在独立的商业农场数据集上得到验证，总体准确率达到80.6%。它克服了传统可穿戴传感器工作流程中离线分析的局限性，为大规模智能奶牛场实时早期健康预警提供了先进的技术解决方案。针对小型家禽企业缺乏经济可行的监测设备的问题，有研究基于适用于CPU运行的轻量级YOLOv8n架构开展了计算机视觉系统的研究。该系统放弃了计算开销较大的连续个体跟踪方法，转而采用空间区域重叠方法来量化蛋鸡的采食和饮水时长。该系统在多种光照条件下的标注图像上进行训练，mAP@0.5指标达到91.5%，在消费级计算硬件上实现约15 FPS的推理速度。该系统配备图形用户界面功能和CSV格式行为报告，无需动物传感器即可实现非接触式行为监测，为小型家禽养殖场提供了实用且低成本的智能管理路径。针对配备惯性测量单元的智能奶牛场系统产生的假阳性发情警报的解释问题，一些研究分析了诸如爬卧时长、站立时长等指标的定量比较，以及爬卧活动指数，揭示了系列时间依赖性行为生物标志物，包括持续性发情相关爬卧行为和行为变异性系数的增加。这些特征是生理性真正发情的典型特征。这些可量化的特征可以整合到智能农场算法流程中，提高警报的特异性并增强基于可穿戴传感器的牛只繁殖管理的准确性。一些研究还探索了家禽养殖环境与动物生理之间的交互作用。它通过对养殖环境参数、动物行为和血液生理指标进行多维度综合分析。通过在圈舍内设定温湿度数据并结合动物表型指标，该研究分析了环境压力对牲畜采食和应激状态的影响。研究构建了环境与生理之间的相关性评估指数，为设定智能舍内环境控制阈值提供了实验依据。本研究将圈舍内的饲养密度环境与中枢生理反应联系起来，为高密度家禽圈舍智能环境控制模块设定阈值提供了支持。此外，仿真技术被应用于解决奶牛场智能通风控制系统中微环境建模不准确的问题。这些方法被用于量化空间动物布局、卧立比例和品种对动物占用区域压力损失的影响。结果显示，动物的排列和体高对气流阻力有显著影响，而卧立比例的影响相对较小。通过推导多孔介质阻力参数，可以替代复杂的几何建模，从而加快奶牛场的气候模拟过程。这些研究为基于CFD的智能通风系统提供了校准后的参数输入，在保持精度的同时提高了模拟效率，并支持制定自动通风策略以实现精准环境管理。针对畜牧养殖中零散的单维监测问题，Li等人系统性地将智能牛只健康监测分为三个核心维度：行为感知、生理参数检测和在体外生物标志物分析 [6]。该文综述了基于接触的佩戴/植入式传感器和非接触式方案，包括计算机视觉和红外热成像技术，并基于超过135项近期研究评估了其检测性能、部署成本和农场适应性。该文指出了环境干扰、硬件成本高昂和现场验证不足等关键实际瓶颈。从智能畜牧养殖的角度，该文构建了多模态牛只健康监测的完整技术参考框架，强调了降低传感器成本、优化抗干扰算法和实现多源数据融合的迫切需求，并为不同规模畜牧场选择合适的智能监测工具提供了支持。
总体而言，本特刊提供了许多有价值的探索成果，包括奶牛轻量级在线早期跛行检测、基于计算机视觉的小型蛋鸡场行为监测以及通过惯性测量单元辅助提取牛只周期性发情行为特征等。尽管取得了这些成就，学术研究与实际规模化产业应用之间仍存在诸多挑战。以下有前景的研究方向值得优先考虑以推进后续工作 [7,8,9]：
(1) 建立多模态融合分析框架。整合可穿戴传感器的时间序列数据、计算机视觉行为输出、农场环境传感器数据、生产记录和周期性生理采样数据，构建多维评估模型以评估动物健康状况、繁殖状态和应激负荷。
(2) 推动跨农场数据集的构建，缓解仅依赖单一试验场地数据所导致的过拟合问题。有必要建立标准化且公开可获取的畜牧行为数据集，以实现算法的有效评估。
(3) 进一步研究时间序列动态特征，优化自动化早期预警流程，减少疾病和繁殖预测中的假阳性，并增强智能预警工具的实用性。
(4) 促进动物生理学家与人工智能研究人员之间的协作，阐释智能监测输出的生物学意义，并为设定监测和预警阈值提供生物学依据。
(5) 强调针对不同规模农场的差异化技术。高密度养殖条件导致生长性能受损，影响动物的健康和福利。为小规模养殖户开发低成本、易使用的解决方案，为大规模集约化畜牧业建立高精度监测系统，并从农业生产者的角度对智能设备进行经济效益评估 [10]。
我们预期未来几年智能技术的发展将有助于减少动物疾病、改善动物福利、提高生产效率，并促进全球畜牧业的可持续发展。
