《AgriEngineering》:Toward Deployable AI Systems in Smart Pig Farming: Vision-Based Detection, Precision Feeding, and Thermal-Health Monitoring
人工智能赋能的智能养猪已从孤立的感知应用发展到面向健康监测、精准饲喂、福利评估和环境控制的集成系统。然而,现有证据分散于计算机视觉、传感器工程、营养管理和热监测等领域,遮蔽了成熟且商业化可行的技术路径。本综述通过结构化证据映射和批判性主题综合,评估了适用于商业猪生产的可部署AI技术。研究人员分析了Web of Science核心合集(WoSCC;1991–2025年)的707篇文献,并基于发文活跃度、引文模式、时间持续性和主题收敛性对候选主题进行了评估。三个技术流被深入考察:基于视觉的猪只检测(vision-based pig detection)、精准饲喂(precision feeding)以及AI辅助红外体温监测(AI-assisted infrared body-temperature monitoring)。纵观这些领域,研究已从概念验证算法发展到集成感知-决策系统。基于视觉的检测正朝着稳健、轻量化模型的方向发展;精准饲喂正走向个体化闭环控制;热监测则朝着自动化的感兴趣区域(region-of-interest, ROI)定位和AI辅助温度判读的方向推进。主要空白仍然存在于数据集代表性、跨猪场泛化能力、方法学一致性、现场规模验证、系统可靠性、经济可行性、热校准、体表-核心温度推断、ROI定位及误报控制等方面。本综述受限于依赖单一书目数据库、预定义的检索词以及潜在的发表偏倚和引用偏倚。未来进展需要跨场地验证、多模态感知、可解释决策模型、成本有效的部署、自适应热校准以及可靠的警报策略。总体而言,AI赋能的智能养猪不仅是算法挑战,更是一项系统集成任务,必须将感知和预测转化为可操作的猪场管理。
**1. 引言**
未来十年,全球肉类消费预计将进一步增长,但增长的结构和地理分布将发生变化。根据OECD-FAO 2025–2034年农业展望,到2034年肉类消费总量预计将增加4790万吨,人均年消费量将增加0.9公斤。在此总体扩张中,猪肉需求增速预计低于禽肉和牛肉,全球人均猪肉消费量预计略有下降。未来猪肉消费的净增长大部分将来自中高收入和中低收入经济体,尤其是亚洲和拉丁美洲。在亚洲,非洲猪瘟(African swine fever, ASF)后的恢复和持续的产业结构调整有望支撑猪肉生产和消费的温和反弹。在拉丁美洲,由于猪肉在多数市场中价格竞争力优于牛肉,消费量也预计增长。这些趋势表明,未来猪生产的竞争力将越来越依赖于生产率的提升、韧性和管理质量,而非单纯的产出扩张。
尽管存在中期机遇,猪生产仍面临巨大的系统性风险和不确定性。跨境动物疫病持续构成重大威胁,ASF已从区域性暴发演变为影响非洲、欧洲、亚洲和部分美洲地区的全球性挑战。其次,即使饲料价格下降,劳动力、能源、折旧和合规成本仍居高不下,压缩了利润空间。再次,更频繁的热浪、干旱和洪水,加之日益严格的粪污管理、氨排放控制和低碳生产要求,正在加剧该行业的环境和监管压力。在此背景下,AI赋能的智能养猪成为提升猪生产韧性和竞争力的有前景方法。依托物联网感知、计算机视觉、数据分析、自动化和机器人技术,智能养猪实现了对动物及其环境的连续、细粒度监测。摄像头、热成像系统、射频识别(radio-frequency identification, RFID)和多模态传感器能够检测体温、采食量、活动、姿势和环境条件的变化,从而实现更早期的疫病检测和更快速的管理响应。对于ASF等高致死、快速传播的疫病,这种从被动巡检到早期发现、隔离和干预的转变尤为重要。
除疫病控制外,智能养猪正日益改变常规生产管理。精准畜牧养殖技术(precision livestock farming, PLF)支持对体重、采食饮水、环境条件和繁殖状态的连续监测,从而实现更精准的饲喂策略、定向通风与热调控以及自动化繁殖管理。最新证据进一步表明,这些方法可提升生产效率、改善动物福利并减少环境影响。在更广泛的系统层面,智能养猪正从单传感器监测向集成的信息物理系统(cyber-physical systems)演进。例如,数字孪生(digital twins)整合AI、IoT和数据分析,创建生产系统的虚拟表示,用于实时监测、情景模拟和管理优化。
尽管研究快速扩展,但AI赋能智能养猪的文献仍分散于多个技术领域和应用场景。现有综述通常聚焦于特定技术或应用领域,未能充分阐明该领域的历时演变、知识基础构成、主要研究主题的结构以及哪些方向正成为稳定的应用优先事项。本综述旨在回答哪些AI赋能技术已发展为智能养猪中持久且可部署的研究方向,以及哪些障碍限制了其可靠的猪场实施。基于1991–2025年的WoSCC文献,不限定于特定国家或地区,研究人员首先表征该领域的宏观知识结构,然后聚焦三个互补的技术流:基于视觉的目标检测、精准饲喂和红外/AI赋能体温监测。
**2. 方法**
**2.1. 数据收集与统计**
数据检索自WoSCC,时间范围为1990年1月1日至2025年12月1日。检索策略结合了精准技术、应用领域和猪种相关术语。最终数据集包含707条文献记录。对关键元数据——包括国家/地区、机构、期刊、作者和文献类型——进行了提取和统计分析。
**2.2. 文献计量分析工具**
本研究采用CiteSpace构建作者、机构和国家/地区之间的科学合作共现网络。时间切片参数配置为1991–2025年,以一年为间隔。关键词聚类分析将时间跨度划分为四个阶段:1991–2003、2004–2015、2016–2020和2021–2025。利用HistCite Pro 2.1生成引文网络以识别有影响力的文献。利用冲积图(alluvial diagrams)阐明了演化网络中的时间模式。
**2.3. 候选主题比较与优先排序**
候选主题通过整合多种文献计量指标进行识别。主题词从HistCite记录和CiteSpace突变检测输出中提取,并与关键词聚类、聚类摘要和突变轨迹交叉比对。同义或概念重叠术语被合并形成初步候选主题集,包括基于视觉的目标检测、精准饲喂、福利与行为监测、体温与热状态监测、环境与热应激监测、咳嗽与声学疾病识别以及基于数字孪生的决策支持。每个候选主题在六个证据维度上进行评估:匹配文献总数、2021–2025年发表文献数、总被引频次、时间跨度、匹配突变标签数以及累积突变强度。采用Friedman检验评估六个维度上主题支持度的差异,随后进行配对Wilcoxon符号秩检验并采用Holm校正。Kendall's W用于评估排名一致性。对每个维度进行跨主题归一化并等权平均获得综合支持分数。为细化优先主题,整合了突变参考文献、聚类结果和主题合并输出。相关聚类根据语义相似性合并,并根据知识收敛性和实际相关性进行综合。
**2.4. 定性证据评估**
对单个研究的方法学可靠性和实际相关性进行了定性评估,依据研究设计、样本或数据规模、验证设置、报告完整性和与商业猪生产的相关性。对方法清晰、性能指标明确、经独立或现场验证并在实际猪场条件下评估的研究赋予更大的解释权重。
**3. 结果**
**3.1. 文献的历史特征**
**3.1.1. 文献分布特征**
本研究分析了707篇与智能养猪相关的文献,包括654篇研究论文和53篇综述,由1104家机构的3604位研究人员撰写,发表在350种期刊上,涵盖114个科学类别。1991–1999年间仅有零星发表,2000–2019年发文量快速增长,2019年后加速,2025年达到峰值。发文量最多的期刊包括Animals、Sensors、Computers and Electronics in Agriculture和Biosystems Engineering。
**3.1.2. 研究轨迹**
文献共被引网络包含1001个节点和2949条边,揭示了该领域过去三十年的知识结构和关联性。网络拓扑呈现明显的时间递进性:早期(1991–2005年)以密集的基础节点为特征;中期(2006–2019年)反映主要研究方向的扩展;近期(2020–2025年)则显示出主题集中度和多样化的增加。
**3.1.3. 科学合作**
国家、机构和作者层面的合作网络显示,美国、中国、韩国和德国是最大的节点。Aarhus大学、Wageningen大学及研究中心、KU Leuven和法国国家科学研究中心是最大的机构节点。
**3.2. 最活跃主题的演变**
**3.2.1. 学科类别突变**
1991至2025年间,114个学科类别中有112个出现引文突变。农学在2023–2025年表现出最强突变,表明近期向农业生产和应用导向研究的转变。机器人学的突变(2023–2025年)则指向自动化和智能系统方向。
**3.2.2. 关键词突变**
研究热点从方法和检测导向主题逐步转向智能感知和算法应用,最近更趋向于动物福利等综合性议题。2021–2025年间动物福利表现出最强的突变强度。此外,突变持续到2025年的20个关键词被识别为潜在未来方向。
**3.2.3. 参考文献突变**
共识别955篇突变文献。截至2025年共59篇高影响力文献的突变活性延伸至2025年,其综合揭示了五个主要主题领域:智能精准养猪框架、行为识别、智能环境监测与热应激管理、早期疾病预警与决策支持。
**3.3. 新兴趋势与新进展**
**3.3.1. 关键词聚类的时间变化**
将30年研究划分为四个阶段生成关键词聚类快照。2016年以来,与猪生产系统直接相关的主题显著增加。第四阶段(2021–2025年)聚焦于数据驱动感知和远程监测主题,表明智能养猪已进入以“智能感知与决策支持”为核心的快速发展阶段。
**3.3.2. 关键词冲积流可视化**
到2025年,模块1的关键词汇聚为最大的主题流,显示出该模块的持续生命力。2025年前六大模块包括:模块1(生长)、模块2(健康)、模块3(响应)、模块4(人工智能)、模块5(时间)和模块6(图像分析)。
**3.3.3. 参考文献的时间线可视化**
共被引时间线视图描绘了该研究领域的知识基础和持续活跃主题。共识别22个聚类,其中与生产应用直接相关的聚类包括机器视觉、精准饲喂、猪福利、觅食行为和人工智能,这些聚类代表了与福利、行为、饲喂和生长等应用场景长期整合的知识主干和前沿增长点。
**3.4. 候选主题比较与优先排序**
候选主题在六个证据维度上呈现不同的证据画像。复合支持分数确定福利/行为监测为支持度最高的主题,其次是环境/热应激监测和基于视觉的目标检测。体温/热状态监测处于中间位置,精准饲喂、数字孪生/决策支持和咳嗽/声学疾病识别的总体支持度较弱。Friedman检验检测到候选主题之间的总体差异。最终主题选择整合了文献计量支持度、主题独特性、近期持续性、互补性及与猪场AI部署的相关性。福利/行为监测和环境/热应激监测作为交叉情境处理,而非独立综述章节。精准饲喂虽综合支持度较低,但因其代表了一个稳定、应用特定且具有明确独立性和与猪场决策及可持续性直接相关的研究线而被保留。最终优先选择基于视觉的目标检测、精准饲喂和红外/AI赋能体温监测三个互补且方法论上独特的主题进行深入综述。
**4. 文献计量驱动的主题综述**
**4.1. 基于视觉的目标检测**
目标检测是智能养猪视觉感知的关键任务,旨在定位复杂猪场环境中图像或视频内的个体猪或特定身体部位。早期方法主要依赖传统计算机视觉方法。猪舍环境面临独特挑战:高饲养密度导致频繁交互和严重遮挡;体型、毛色、污渍和姿势的巨大变异增加了视觉异质性;图像质量因光照变化而不稳定;猪场结构可能被误检为猪只;此外,系统须在低功耗设备上连续运行并保持低延迟推理。这些因素在猪舍检测任务与基于通用数据集的基准之间造成了显著的域差距。
深度学习方法可大致分为四类:两阶段检测器、单阶段检测器、轻量化检测器和基于Transformer的时空范式。早期工作主要使用Faster R-CNN及其变体进行姿势识别和性行为检测。基于深度图像的母猪姿势识别准确率达到93%以上。Mask R-CNN和Mask Scoring R-CNN实现了更细粒度的分析,包括咬尾预警。两阶段模型虽具有强定位能力,但高计算成本限制了常规猪场部署。后续研究转向单阶段检测器,尤其是YOLO系列,广泛用于多目标检测、行为识别和嵌入式部署。特征金字塔增强改善了多尺度感知;注意力与上下文建模模块被引入以抑制背景干扰;IoU损失和定向边界框改善了遮挡和狭长体型下的定位;多任务学习和多模态融合也被探索以提升低光照条件下的鲁棒性。为支持实时部署,轻量化模型设计投入了大量努力,包括轻量级骨干网络、剪枝策略和神经架构搜索,但这些方法常以降低精度为代价。更近期,基于Transformer的模型加强了全局上下文建模和时空表征,在跨猪场条件下泛化能力常优于CNN基线,但计算成本、有限的数据集多样性和跨猪场可迁移性仍是主要障碍。
总体而言,该领域已从精度导向的两阶段流程发展到更快的基于YOLO的检测器,再到现在上下文感知的Transformer框架。贯穿这些阶段的中心挑战始终是:在针对猪场特定视觉复杂性的鲁棒性与实时、资源受限部署之间取得平衡。同时,猪视觉正从独立的检测模型向集检测、分割、行为理解和多模态感知于一体的集成系统演进。
**4.2. 精准饲喂**
传统猪饲喂通常基于群体平均体重和预设生长曲线分为三到四个阶段,每个阶段分配一种日粮。这种群体平均策略未能充分捕捉生长、采食量和营养利用方面的巨大个体差异。精准饲喂旨在通过实时匹配营养供给与每头动物的需求来克服这些局限。精准饲喂系统通常作为闭环运行,整合数据采集、需求估计、日粮配制、饲料输送和反馈控制。核心输入包括个体采食量、饮水量、体重、生长速率以及行为和健康指标。近期进展已将畜牧监测从接触式设备转向非接触式高通量感知技术,特别是机器视觉、红外传感和声学监测。
实时体重是需求估计的关键输入。与传统称重相比,计算机视觉提供了低应激且可扩展的体重估计方法。精准采食量估计也依赖可靠的个体识别和行为追踪。尽管RFID广泛使用,其现场性能可能受限。在群养系统中,视觉再识别提供了更大的灵活性和可扩展性,但面临相似外观、拥挤、遮挡和污渍等挑战。动态需求估计是精准饲喂的分析核心。传统饲喂系统使用因子方程估计群体水平需求,而精准饲喂则在个体水平估计需求。这些发展反映了从静态群体饲喂向动态个体化营养预测的明显转变。然而,模型性能仍受限于输入数据的质量、频率和生物学相关性。基于这些预测,精准饲喂系统确定日粮量和营养成分并通过自动饲喂器输送。一种常见策略是在计算机控制下混合两种或多种不同营养密度的基础日粮,为每头猪配制每日日粮。从系统角度看,精准饲喂的成熟度不再仅取决于饲喂器自动化,而依赖于整个感知-建模-控制流程的稳定性。
在生长育肥阶段,精准饲喂是最成熟的应用情境。个体数据通常来自RFID采食量和饲喂频率记录,以及基于计算机视觉的体重和体尺监测。上述输入支持基于近期采食量和增重轨迹估计赖氨酸、能量及其他限制性氨基酸的每日需求。实验、模拟和商业猪场的证据一致支持该阶段精准饲喂的有效性。在妊娠母猪中,精准饲喂旨在防止过量营养供给转向母体增重而非胎儿发育。妊娠期精准饲喂主要依赖电子母猪饲喂(electronic sow feeding, ESF)系统。尽管有这些优势,妊娠期精准饲喂仍受生物学、技术和管理因素限制。在哺乳期,精准饲喂旨在满足母猪对产奶的高营养需求,同时维持仔猪生长。哺乳期仍是精准饲喂最具挑战性的情境之一,因为营养需求变化迅速且与产奶量紧密相关。总体而言,三个应用情境反映了精准饲喂成熟度的梯度:生长育肥猪代表最成熟的实施环境,妊娠母猪凸显营养控制与繁殖管理之间的相互作用,哺乳期则暴露了实时感知和需求估计的当前局限。
**4.3. 红外/AI赋能体温监测**
体温是猪健康状态、繁殖状态和热应激的敏感指标。精准体温监测因此是精准畜牧养殖中疾病监测、繁殖管理和环境控制的关键组成部分。红外热成像(infrared thermography, IRT)是一种非接触式体表温度实时测量方法,广泛应用于猪体温监测。早期研究主要依赖手持设备测量选定解剖部位的温度。现代热像仪因传感器分辨率和帧率提升,能够实现自动化多点监测。IRT的主要局限在于它测量的是体表而非核心温度。热图像与生理状态间的关系受到生物学和环境双重因素的影响。体表温度对环温、湿度和风速敏感;皮肤-核心温度关系也随环温变化;此外,尽管猪皮肤发射率约0.95,但污垢、水分和毛发密度可使热测量产生显著偏差。这些局限推动了IRT与计算机视觉和深度学习的整合。
猪只检测和ROI定位是自动化热监测的首要步骤。代表性研究展示了红外图像深度学习检测模型的价值。YOLOv5s-BiFPN模型可检测多个测温ROI,在高达100帧/秒速度下达到96.36%的mAP。整体而言,深度学习提升了非接触测温ROI定位的可靠性和可扩展性。在ROI定位后,提取温度特征进行生理判读。在猪中,测温部位的适用性取决于局部毛发覆盖度、血液灌注和暴露条件。最常用的ROI级别特征是最高温度和平均温度。最高温度通常代表ROI内最温暖的暴露区域。红外监测中,前额和耳根的最高温度与直肠温度的一致性最佳。补偿是必要的,因原始热测量受成像和环境条件强烈影响。结合耳部ROI分割与环境条件和成像几何的多因素校正可将均方根误差降至0.12°C。鲁棒的IRT测温因此依赖于精确的ROI定义加上有效的校准和补偿。
多模态融合改善了复杂场景下的温度监测。红外图像提供热信息,RGB图像提供更清晰的结构和边界信息。融合可见-红外模态可提升检测和温度提取精度约2–7%。在某些工作中,YOLOv8-PT、基于ORB的配准和U
2Fusion被整合用于猪检测、耳部定位、跨模态对齐和核心体温估计,在群养仔猪中相对直肠温度实现了0.40°C的平均绝对误差。时间序列分析将IRT从单帧测量扩展到动态监测。许多疾病过程的特征是温度轨迹的演变而非孤立的温度升高。连续监测提供比单帧测温更丰富的信号。实验研究表明了时间分析对预警的价值:疫苗接种后仔猪群体水平温度升高超过1.5°C持续3–20小时;PRRSV攻毒研究中,体表温度在临床症状出现前约一天升高;非洲猪瘟感染中,实时监测系统在发病2小时内检测到热升高并产生早期警报。
IRT体温监测的设计优先级因猪类别和管理情境而异。仔猪高度易受热失衡影响,主要用于预防低体温和评估保温效果。仔猪监测的主要挑战是群体水平的干扰。生长育肥猪中,IRT主要用于快速筛查发热和异常体温升高,主要挑战是测量变异性。在母猪中,体温监测对发情检测尤为重要。外阴区域温度在发情日通常比发情前期升高约0.5–1.0°C。将IRT与深度学习和机器学习结合,可在PLF系统内实现更客观和自动化的发情监测。
**5. 总结与展望**
**5.1. 文献计量发现总结**
基于文献计量分析,本综述回顾了1991至2025年智能养猪相关文献的结构和时间特征。该领域仍处于快速扩展阶段,以发文量激增、广泛科学合作和高活跃度引文网络为特点。近期文献计量信号汇聚于三个优先综述方向:基于视觉的目标检测、精准饲喂和红外/AI赋能体温监测。
**5.2. 持续挑战与技术瓶颈**
尽管取得实质性进展,商业猪生产中AI的大规模部署仍受限于鲁棒性、成本和系统可靠性。在目标检测、精准饲喂和体温监测三大领域,主要空白包括有限的数据代表性、不足的外部及现场规模验证、经济障碍及未解决的技术挑战。基于视觉的目标检测的主要挑战是跨猪场泛化能力有限;精准饲喂的主要瓶颈是系统可靠性而非饲喂器自动化本身;红外/AI赋能体温监测的主要局限在于红外成像测量的是体表而非核心温度。
**5.3. 未来研究方向**
未来研究应从孤立的算法改进转向集成化、可部署和可扩展的系统开发。基于视觉的目标检测应优先关注跨场地数据集、标准化基准和具有更强领域适应性的模型,并结合多模态融合、时空建模和轻量化架构。精准饲喂应聚焦于整合采食量、体重、行为、健康和环境信息的鲁棒决策流程。红外/AI赋能体温监测应从单点测温走向多信号健康预测,通过自适应校准、多模态融合和时间序列建模提升早期预警能力。总体而言,AI赋能智能养猪的下一阶段应以集成、经验证和可扩展的系统为标志,最实质性的进展将来自将感知、饲喂和热健康监测转化为可在商业猪场条件下可靠运行的决策就绪工具。
**5.4. 当前研究不足**
本研究存在若干局限:文献计量数据仅来源于WoSCC,可能低报了其他数据库收录或非英语发表的研究;检索策略虽覆盖了智能养猪相关的主要术语,但使用替代或新兴术语的研究可能被遗漏;发表偏倚和引用偏倚可能影响结果;2025年12月1日的检索截止日期可能未纳入该年后期的研究。解释所识别的文献计量模式和主题优先性时应考虑这些局限。