猪只行为实时AI监测：计算机视觉驱动的进食/休息/活动/社交/嗅探/走动六维行为识别与健康预警

养猪业是中国畜牧业的支柱产业，2025年全国生猪出栏量超过7亿头，规模化养殖比例已突破65%。在万头级别的规模化猪场里，一栋猪舍可能饲养500-1000头猪，而一名饲养员通常需要管理2-3栋猪舍，人均照看数千头猪。传统的猪只行为监测完全依赖人工巡视------饲养员每天定时进入猪舍，用肉眼观察猪只的进食、休息、活动状况，发现异常再记录上报。这种模式存在三大根本性痛点：

**第一，覆盖不全、漏检率高。**人工巡视每天只能进行3-4次，每次每栋猪舍停留10-15分钟，95%以上的时间猪只处于无人监控状态。很多异常行为（如夜间发病、短暂攻击、采食下降）发生在巡视间隙，等到饲养员发现时往往已经错过了最佳干预时机。研究表明，人工观察对猪只异常行为的漏检率高达40-60%，尤其是亚临床症状（食欲减退、活动量下降、社交隔离）几乎无法通过肉眼及时发现。

**第二，主观性强、标准不一。**不同饲养员的经验和判断标准差异很大------同样是"猪只精神不振"，经验丰富的饲养员可能判断为早期疾病征兆，新手可能认为是正常休息。行为观察缺乏量化指标，"活动量减少""采食下降"都靠主观感觉，无法形成可追溯、可比较的数据记录。这导致猪场管理决策依赖个人经验，难以标准化和规模化复制。

**第三，劳动强度大、人力成本高。**猪舍环境恶劣（氨气浓度高、粉尘大、温差大），人工巡视对饲养员的健康有损害；万头猪场需要数十名饲养员24小时轮班，人力成本占养殖总成本的15-20%。随着农村劳动力减少和人力成本上升，"有人养、没人看"的矛盾日益突出，猪场对自动化、智能化监测的需求极为迫切。

猪只行为是健康和福利状态的"晴雨表"。动物行为学研究表明，猪只的进食量、休息时长、活动水平、社交互动、嗅探频率、走动轨迹等行为参数，与健康状况高度相关------发热疾病会导致活动量下降30-50%、采食减少；消化道疾病会引起饮水增加、排便异常；呼吸道疾病会导致休息姿势改变（犬坐式呼吸）；应激或疼痛会引发异常行为（咬尾、拱栏、空嚼）；发情期母猪会出现站立反射、频繁走动、嗅探其他猪只；分娩前母猪会表现出筑巢行为、频繁起卧。因此，连续、客观、量化地监测猪只行为，是实现疫病早期预警、精准饲喂、福利评估、繁育管理的核心基础。

计算机视觉技术的成熟为猪只行为自动监测提供了可行的技术路径。通过在猪舍顶部安装高清摄像头，配合深度学习目标检测（YOLO系列）、多目标跟踪（DeepSORT/OC-SORT）、时序行为识别（SlowFast/TSM/ST-GCN）、姿态估计（YOLO-Pose）等算法，可以实现7×24小时不间断、无接触、不干扰猪只正常生活的行为自动监测------系统自动识别每头猪的个体身份，实时分类其当前行为（进食、休息、活动、社交、嗅探、走动等），统计行为时间占比和节律变化，发现异常行为立即预警。这不仅将人工漏检率从40-60%降低到5%以下，还能提供人工无法获取的量化行为数据（如每头猪每天的精确采食时长、活动距离、社交频次），为猪场精细化管理提供数据支撑。

本文将从系统架构、图像采集、检测跟踪、行为识别、时序分析、代码实现、工程落地、产品对比、应用场景、挑战趋势等维度，系统阐述基于计算机视觉的猪只行为实时监测技术方案，覆盖从算法原理到生产落地的完整链路，为智慧养猪从业者、计算机视觉工程师、畜牧设备厂商提供可参考的实战指南。

一、系统整体架构

猪只行为实时AI监测系统采用六层模块化架构，从底层感知到上层应用形成完整的技术闭环。每一层职责明确、接口标准化，可根据猪场规模和预算灵活配置（从单栋试点到万头场全域部署）。

猪只行为AI监测系统六层技术架构流程图：感知层→检测跟踪层→行为识别层→分析预警层→数据管理层→应用层

|-----------|---------------------------------|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-----------------------------------|
| 层级 | 核心职责 | 关键技术/模块 | 输入→输出 |
| 感知层 | 猪舍环境与猪只图像/视频采集，多模态数据同步 | 高清工业相机（200-800万像素，30fps，全局快门，IP66/IP67防护）、鱼眼/广角镜头（单摄像头覆盖整栏）、红外补光灯（夜间无红曝）、深度相机（结构光/ToF，测量猪只体高/姿态）、红外热成像（体温监测）、智能耳标（个体身份+加速度+体温，可选）、环境传感器（温湿度/氨气/二氧化碳） | 视频流(RGB/深度/红外)+传感器数据→原始帧+时间戳+环境参数 |
| 检测跟踪层 | 猪只目标检测、个体跟踪与身份识别，为行为识别提供个体级时序数据 | 目标检测（YOLOv8n/v11n改进版，mAP 90%+，针对猪只遮挡/扎堆/光照变化优化）、实例分割（YOLO-seg/FastSAM，提取猪只精确轮廓用于姿态和体况分析）、多目标跟踪（OC-SORT/DeepSORT/BYTETrack，解决遮挡ID切换问题，跟踪MOTA 80%+）、个体ReID（基于外观特征的猪只身份重识别，跨摄像头/长时间跟踪）、姿态估计（YOLO-Pose/ST-GCN，提取猪只关键骨骼点：头部/肩部/背部/臀部/四肢/尾巴） | 原始帧→每头猪的边界框+掩码+个体ID+骨骼关键点+轨迹 |
| 行为识别层 | 基于个体时序数据识别六大核心行为及扩展行为 | 六大核心行为分类（进食/休息/活动/社交/嗅探/走动）、扩展行为（饮水/排尿/排便/攻击/爬跨/哺乳/发情/分娩/犬坐/咳嗽）、算法路线：①检测+分类（单帧行为分类，ResNet/EfficientNet）②时序建模（SlowFast/TSM/VideoSwin，利用时间上下文）③骨架姿态（ST-GCN/BCST-GCN，基于骨骼点时空图卷积）④多模态融合（视觉+音频+耳标加速度，AVSlowFast/FE-TSM）、行为定义与标注规范（每类行为的起止判定标准、持续时间阈值） | 个体轨迹+骨骼时序→每头猪每秒的行为标签+置信度 |
| 分析预警层 | 行为时序统计、节律分析、异常检测与健康预警 | 行为时间占比统计（每头猪/每栏/每天各行为时长和比例）、行为节律分析（24小时活动曲线、采食高峰、休息周期、昼夜节律）、个体行为基线建立（每头猪的正常行为模式，自适应学习）、异常行为检测（基于统计阈值/孤立森林/自编码器/LSTM预测误差，检测采食下降/活动骤减/社交隔离/异常攻击/长时间不动）、健康预警分级（观察/关注/预警/紧急四级，关联疫病知识库）、群体行为分析（栏舍级活动量同步性、扎堆指数、攻击事件统计） | 行为标签时序→行为统计报表+节律曲线+异常事件+预警通知 |
| 数据管理层 | 行为数据存储、个体档案、模型训练与版本管理 | 时序数据库（InfluxDB/TDengine，存储每秒级行为数据，支持高并发写入和快速查询）、关系数据库（MySQL/PostgreSQL，存储个体档案、猪舍信息、预警记录）、对象存储（MinIO/OSS，存储原始视频片段、关键帧、标注数据）、个体档案管理（每头猪的出生日期/品种/体重/免疫记录/繁育状态/历史行为数据）、数据标注平台（CVAT/LabelImg，行为数据标注与模型迭代）、模型训练与版本管理（MLflow/DVC，数据集版本、模型版本、训练实验追踪）、数据安全与隐私（猪只数据加密存储、访问权限控制、符合数据安全法） | 行为数据+预警+视频→结构化数据库+个体档案+可查询报表 |
| 应用层 | 面向猪场管理者、饲养员、兽医的可视化应用与业务集成 | 猪场管理大屏（实时监控画面+行为统计+预警列表+环境参数）、移动端APP/小程序（饲养员接收预警、查看个体档案、记录处理结果）、精准饲喂系统集成（根据采食行为数据自动调整饲喂量和配方）、疫病防控系统（异常行为预警联动兽医巡栏、隔离、用药记录）、繁育管理系统（发情行为检测自动提示配种、分娩行为预警接产）、福利评估系统（行为丰富度/活动空间/社交互动评分，满足动物福利认证要求）、经营分析报表（出栏预测、饲料转化率、死亡率、生产性能分析）、API开放接口（与猪场现有管理系统/物联网平台对接） | 数据+预警→可视化界面+业务联动+决策支持 |

系统架构的六大设计特点：

① 感知 - 认知 - 决策 - **数据闭环。**从摄像头采集原始视频，到检测跟踪识别个体和行为，到分析预警发现异常，到数据存储驱动模型迭代和管理决策，形成完整闭环。系统不是一次性的检测工具，而是持续学习、持续优化的智能系统------积累的行为数据越多，个体基线越准确，异常检测越精准。

② **多模态融合感知。**系统不局限于单一RGB视觉，支持深度相机（体高/姿态/体重估算）、红外热成像（体温/发热检测）、智能耳标（个体身份/加速度/体温）、环境传感器（温湿度/氨气）等多模态数据融合。不同模态互补------视觉在光照充足、无遮挡时精度高，耳标加速度在遮挡/夜间时仍能监测活动，红外热成像可直接检测体温异常，多模态融合显著提升复杂环境下的鲁棒性。

③ 传统算法 + 深度学习 + **时序模型三级混合。**行为识别不是单一模型，而是三级混合架构：传统计算机视觉（背景减除/光流/轮廓分析）用于快速活动量估算和简单行为初判；深度学习（YOLO检测/分割/姿态）用于精确的个体定位和姿态提取；时序模型（SlowFast/ST-GCN/LSTM）用于利用时间上下文识别复杂行为（如进食vs嗅探、休息vs生病不动）。三级混合兼顾精度、效率和可解释性。

④ **个体级精细化监测。**系统的核心是"个体级"而非"群体级"------通过多目标跟踪和ReID，系统能区分栏舍内的每一头猪，建立每头猪的独立行为档案和健康基线。这意味着系统可以发现"某一头猪采食下降"而不仅仅是"这一栏猪采食下降"，实现精准到个体的早期疫病预警和个性化管理，这是群体级监测无法做到的。

⑤ **实时性与可扩展性平衡。**系统采用边缘计算+云端协同架构------猪舍端边缘AI盒子实时处理视频流（检测/跟踪/行为识别/本地预警），延迟小于200ms，不依赖网络；云端负责数据存储、统计分析、模型训练和跨场管理。系统支持从单栋猪舍（1个边缘盒子+4-8个摄像头）到万头猪场（数十个边缘盒子+数百个摄像头）的线性扩展，新增猪舍只需增加边缘节点，不影响现有系统运行。

⑥ **无接触、低干扰、动物友好。**系统完全基于视觉和非接触式传感器，不需要给猪只佩戴设备（耳标为可选），不干扰猪只的正常生活和自然行为，避免了可穿戴设备可能引起的应激和设备损坏。摄像头安装在猪舍顶部，猪只无法触碰，维护周期长，适合长期连续监测。

二、猪舍图像采集方案

图像采集是整个系统的基础，猪舍环境的特殊性（光照变化大、粉尘多、氨气重、猪只扎堆遮挡、夜间需要监测）对采集设备和部署方案提出了特殊要求。

2.1 摄像头选型

猪舍摄像头选型需要综合考虑分辨率、帧率、快门类型、防护等级、低光性能、镜头焦距等因素：

**分辨率：**推荐200-800万像素（1920×1080至3840×2160）。分辨率过低（如100万像素）会导致远处猪只细节模糊，影响行为识别精度；分辨率过高（如1200万以上）会增加传输带宽和计算量，且猪舍场景下边际收益递减。400万像素（2560×1440）是性价比最优的主流选择，单摄像头可覆盖15-25平方米的栏舍，每头猪在画面中占据足够像素用于行为识别。

**帧率：**推荐25-30fps。猪只行为（如走动、攻击、爬跨）的运动速度中等，25fps足以捕捉行为细节；低于15fps会导致快速运动模糊和行为片段丢失。对于需要精细分析的场景（如攻击行为识别、咳嗽检测），可采用60fps高帧率摄像头。

**快门类型：**必须使用全局快门（Global Shutter）而非卷帘快门（Rolling Shutter）。猪只走动时运动速度较快，卷帘快门会产生果冻效应（图像扭曲变形），影响检测和跟踪精度；全局快门逐帧曝光，运动物体无畸变，是运动场景的正确选择。

**防护等级：**必须达到IP66或IP67防护等级。猪舍内粉尘大、湿度高、经常高压水枪冲洗，摄像头必须防尘防水。推荐使用专门的畜牧业监控摄像头（如海康威视/大华的畜牧专用系列），外壳采用不锈钢或防腐塑料，镜头前有可清洁的玻璃保护窗，部分型号自带雨刮/喷水清洁装置。

**低光性能：**猪舍夜间通常只开弱光或完全黑暗（为了不干扰猪只休息节律），摄像头必须具备优秀的低光性能。推荐采用大靶面传感器（1/1.8英寸以上）+大光圈镜头（F1.0-F1.4）+低照度CMOS（如索尼Starvis系列），在0.001-0.01lux照度下仍能输出清晰彩色图像。完全黑暗环境下可配合940nm红外补光灯（无红曝，不干扰猪只睡眠）。

**镜头选型：**根据栏舍面积和安装高度选择镜头焦距。顶部俯拍安装高度通常为2.5-3.5米，栏舍面积15-25平方米，推荐使用2.8-4mm广角镜头（视场角80-110度），单摄像头覆盖整栏。对于大面积栏舍（30平方米以上），可使用鱼眼镜头（180度视场角）或多摄像头拼接。注意广角/鱼眼镜头会产生畸变，需要在预处理阶段做畸变校正。

**接口与传输：**推荐使用RTSP/ONVIF协议的网络摄像头（IPC），通过PoE网线供电和数据传输（一根网线解决供电+视频传输，布线简单）。猪舍环境复杂，网线需要穿管保护，接头做防水处理。对于摄像头数量多的大型猪场，可采用NVR（网络视频录像机）集中管理视频流，再分发给边缘AI盒子处理。

2.2 部署方式与摄像头布局

**安装位置：**摄像头安装在猪舍顶部（天花板/钢梁），垂直俯拍（镜头朝下），这是猪只行为监测的最佳视角------俯拍可以最大程度减少猪只之间的遮挡（每头猪的背部都可见），便于个体检测和跟踪；同时俯拍视角下猪只的位置坐标与实际空间坐标对应关系简单（近似正交投影），便于计算活动距离和轨迹。安装高度2.5-3.5米，确保覆盖整栏且每头猪有足够像素。

单栏单摄 vs **多栏共享：**标准化猪舍通常每栏15-25平方米，饲养10-20头猪，推荐"单栏单摄"------每个栏舍顶部安装一个摄像头，专门监测该栏猪只，视野集中、精度高、计算量可控。对于预算有限的场景，可采用广角/鱼眼摄像头覆盖2-3个相邻栏舍，但需要在算法中做栏舍区域分割（ROI），且边缘栏舍的猪只像素较小、精度下降。

**多摄像头协同：**对于大面积猪舍（如50平方米以上的大栏饲养20-30头猪），单摄像头无法全覆盖或边缘像素不足，可采用2-4个摄像头从不同角度覆盖，通过多目标跟踪+ReID实现跨摄像头的个体连续跟踪。多摄像头布局要注意视野重叠区域（用于个体ID传递）和避免盲区。

侧视 / **斜视补充：**纯俯拍视角对某些行为的识别有局限------如进食行为（俯拍只能看到猪在料槽旁，无法确认头部是否伸入料槽）、犬坐式呼吸（需要侧面视角观察胸部起伏）、爬跨行为（需要侧面视角观察姿态）。因此，在关键区域（料槽旁、饮水器旁、母猪产床）可补充安装侧视/斜视摄像头，与顶部俯拍摄像头形成多视角融合，提升特定行为的识别精度。

**防破坏与防遮挡：**猪只会啃咬、拱顶设备，摄像头必须安装在猪只触碰不到的高度（2.5米以上），并加装金属防护罩。料槽上方和饮水器旁容易被猪只溅起的饲料/水污染镜头，需要定期清洁或加装自动清洁装置（雨刮/喷水/压缩空气吹扫）。

2.3 光照与补光方案

猪舍光照条件复杂且变化大------白天有自然光（窗户）+人工照明，夜间可能全黑或只有应急灯，阴天/晴天/季节变化都会影响光照。稳定的光照是视觉算法稳定工作的前提。

**固定补光：**推荐在每个摄像头旁安装固定补光灯，确保猪舍内光照均匀、稳定，不受外界自然光变化影响。补光灯选择：①白光LED补光灯（色温4000-5000K，显色指数CRI>80）------白天和夜间都使用，提供稳定可见光，适合需要彩色图像和精细行为识别的场景；②940nm红外补光灯------夜间无红曝（猪只看不到940nm红外光，不干扰睡眠），配合红外敏感摄像头在完全黑暗下获取清晰黑白图像，适合夜间监测。实际部署中可采用"白光+红外"双光源，白天用白光（或自然光+白光补偿），夜间自动切换为红外（光感传感器控制）。

**光照均匀性：**补光灯要均匀照射整个栏舍，避免局部过亮（料槽上方反光）或局部过暗（角落）。推荐使用漫射型补光灯（带柔光罩）或多个补光灯从不同角度照射，减少阴影和反光。猪只身体（尤其是白色猪只）对光线反射强，要避免强光直射产生过曝。

**防频闪：**LED补光灯如果驱动质量差会产生频闪（100-120Hz），摄像头拍摄时会出现明暗条纹，影响图像质量。必须使用无频闪LED驱动（高PFC、低纹波），或确保补光灯频率与摄像头帧率不同步（避免拍频效应）。

**光照鲁棒性算法：**即使有固定补光，猪舍光照仍会有变化（如开门通风、猪只遮挡灯光、补光灯老化）。算法层面需要做光照鲁棒性处理：自动曝光/增益（相机根据环境光自动调整）、颜色恒常性（Gray World/White Patch算法校正色偏）、直方图均衡化（增强低光区域细节）、光照归一化（将图像亮度归一化到固定范围，减少光照变化对特征提取的影响）。

2.4 多模态采集

除了RGB摄像头，系统可根据需求集成多种模态传感器，提升监测能力：

**深度相机：**结构光（如Intel RealSense D435i）或ToF（如Azure Kinect/海康深度相机）深度相机可获取猪只的3D深度信息，用于：①猪只体高/体长/体宽测量（估算体重和体况评分BCS）；②姿态估计（深度信息辅助区分站立/趴卧/侧卧）；③遮挡处理（深度信息区分前后猪只）；④活动量估算（3D空间中的位移比2D像素位移更准确）。深度相机的缺点是有效距离有限（通常3-5米）、对光照敏感（结构光在强光下精度下降）、成本较高，适合在关键栏舍（如母猪产床、育肥猪试验栏）部署。

**红外热成像：**红外热像仪（如FLIR Lepton/海康红外模组，分辨率320×256或640×512，测温精度±2℃）可非接触测量猪只体表温度，用于：①发热检测（猪只体温升高是多种疫病的早期症状，红外热成像可在猪只出现明显行为异常前检测到体温升高）；②体温节律监测（正常猪只体温有昼夜节律，异常节律提示健康问题）；③与行为数据融合（体温升高+活动下降+采食减少=高置信度疫病预警）。红外热成像的成本较高（单模组2000-8000元），适合在猪舍出入口或关键区域部署（如每栏一个红外测温点），而非每头猪持续监测。

**智能耳标：**内置加速度传感器、温度传感器、RFID/NFC的智能耳标可提供个体级的运动和体温数据，用于：①个体身份识别（耳标ID与视觉个体ID关联，解决视觉ReID的长期身份一致性问题）；②活动量监测（加速度数据在遮挡/夜间时补充视觉数据）；③体温监测（耳标温度近似体温，持续监测）；④跨栏舍跟踪（猪只转栏时耳标ID自动传递）。智能耳标的缺点是需要给每头猪佩戴（有应激、有成本、有脱落/损坏风险），电池寿命有限（通常6-12个月），适合在核心群（种猪/母猪）佩戴，商品育肥猪可选择不佩戴。

**环境传感器：**温湿度、氨气（NH3）、二氧化碳（CO2）、硫化氢（H2S）传感器可监测猪舍环境参数，用于：①环境与行为关联分析（如高温导致猪只活动下降、扎堆减少、饮水增加）；②环境异常预警（氨气超标自动报警，联动通风系统）；③行为异常的环境因素排除（如猪只活动下降可能是因为温度过高而非生病）。环境传感器成本低（每个几百元），建议每栋猪舍安装1-2个。

**音频采集：**猪只的声音（咳嗽、打喷嚏、嚎叫、采食咀嚼声）包含丰富的健康信息。麦克风阵列可采集猪舍音频，通过音频分类模型识别咳嗽（呼吸道疾病早期症状）、异常嚎叫（疼痛/应激/攻击）等。音频与视觉融合可显著提升疫病早期预警能力------研究表明，基于音频的猪咳嗽检测准确率可达90%以上，且能在视觉行为异常前1-2天发现呼吸道疾病。音频采集的挑战是猪舍环境噪声大（风机、料线、猪只活动声），需要降噪和声源定位技术。

2.5 图像预处理

原始视频帧在进入检测跟踪算法前，需要进行预处理以提升算法稳定性和精度：

**畸变校正：**广角/鱼眼镜头产生的桶形畸变会导致图像边缘的猪只变形，影响检测和位置计算。使用相机标定（棋盘格标定法获取内参和畸变系数），通过OpenCV的undistort函数做畸变校正，得到无畸变图像。

**去噪与增强：**猪舍低光环境下图像噪声大（高斯噪声/椒盐噪声），使用高斯模糊/中值滤波/非局部均值去噪（NLM）去除噪声。低光区域使用直方图均衡化（CLAHE自适应直方图均衡化）增强细节，但要注意避免放大噪声。

**白平衡与色彩校正：**猪舍不同光源（自然光/白光LED/红外）混合会导致色偏，使用灰度世界算法（Gray World）或完美反射算法（Perfect Reflector）做自动白平衡，将图像颜色归一化到标准光照条件。对于需要精确颜色分析的场景（如皮肤发红/发绀检测），使用标准色卡定期校准相机的色彩响应。

栏舍 ROI **提取：**摄像头视野可能包含栏舍墙壁、走道、料槽、饮水器等非猪只区域，预先定义栏舍ROI（多边形区域），只在ROI内做检测跟踪，减少计算量和误检（如走道上的饲养员不会被检测为猪只）。ROI还可用于定义功能区域------料槽区（进食行为判定）、饮水区（饮水行为判定）、休息区（休息行为判定）、排泄区（排尿排便行为判定），这些功能区域的定义是行为识别的重要上下文信息。

**图像缩放与格式统一：**将原始帧缩放到模型输入尺寸（如YOLOv8n的640×640或1280×1280），注意保持长宽比（letterbox填充）避免拉伸变形。统一图像格式为RGB（OpenCV默认BGR，需转换），像素值归一化到0-1或0-255（根据模型要求）。

**多模态配准与同步：**如果使用RGB+深度+红外多摄像头，需要做空间配准（不同摄像头的像素坐标对齐，通过外参标定实现）和时间同步（不同模态的帧时间戳对齐，使用硬件触发或软件时间戳插值），确保同一时刻同一头猪的RGB、深度、红外数据对应正确。

三、猪只检测与个体跟踪

检测与跟踪是行为识别的基础------系统必须先在每一帧中准确找到每一头猪的位置（检测），然后在连续帧中保持同一头猪的身份一致性（跟踪），才能获得个体级的行为时序数据。猪舍场景的检测跟踪面临三大挑战：①猪只外观相似度高（同品种猪只毛色、体型几乎一样，难以通过外观区分个体）；②遮挡严重（猪只扎堆、叠卧、走动时互相遮挡，跟踪器容易丢失目标或ID切换）；③光照变化大（昼夜交替、补光切换、粉尘遮挡镜头导致图像质量波动）。

3.1 猪只目标检测

**算法选型：**猪只检测推荐使用YOLO系列的轻量化模型------YOLOv8n或YOLOv11n（参数量2-6M，推理速度快，适合边缘部署），针对猪只场景做改进优化。学术研究中提出了多种针对猪只检测的改进YOLO模型：

①LAD-YOLO（华南农业大学，2025）：基于YOLOv8n，在骨干网络引入可变核卷积（AKConv），自适应调整卷积核形状以适应猪只不同姿态；颈部引入轻量级动态蛇形卷积（DSConv）增强弯曲目标（猪只身体呈弧形）的特征提取；检测头引入解耦头和动态标签分配，提升小目标和遮挡猪只的检测精度。在复杂环境（背景相似、光照变化、个体遮挡）下mAP@0.5达到92%以上。

②SR-YOLO（农业工程学报，2025）：基于YOLOv8n，引入空间分组增强（SGE）模块增强特征表达，结合特征融合策略提升多尺度猪只检测能力。在群养生猪场景下mAP@0.5达到90.1%，F1值84%，检测速度满足实时要求。

③YOLO-DLHS-P（IEEE，2025）：基于YOLOv8n的轻量化猪只行为识别模型，在Backbone引入C2f-DRB结构（大卷积核扩展感受野+动态感受野），增强空间感知能力；颈部引入轻量级特征融合，在保持参数量小的同时提升检测精度。在6类猪行为数据集（坐/躺/站/爬跨/爬行/进食，15983个标注，2222张图像）上实现高精度识别。

④Wavelet-YOLO11（Semantic Scholar，2025）：基于YOLO11n，结合空间跨尺度注意力（SCSA）、加权特征融合单元（WFU）和小波变换卷积（WTConv），采用两阶段迁移学习策略，在复杂环境下识别6种核心猪行为（进食/休息/活动及生理代谢相关行为），兼顾轻量化和高精度。

⑤改进YOLOv5s+注意力（PLOS ONE，2025）：在YOLOv5s基础上引入注意力机制（CBAM/SE），提升猪只检测和攻击行为识别能力，结合DeepSORT跟踪实现群养猪只的攻击和日常行为检测跟踪。

**数据集构建：**猪只检测模型需要针对目标猪场的场景做迁移学习或微调。通用COCO预训练模型虽然能检测"动物"大类，但对猪只的细粒度检测（尤其是遮挡/扎堆/不同姿态）精度不足。建议采集目标猪场的视频数据，标注1000-5000帧（每帧包含10-20头猪，总计1-10万个猪只实例标注），使用LabelImg/CVAT/Roboflow等工具标注边界框。标注时要注意：①标注被遮挡的猪只（即使只露出部分身体也要标注，这对遮挡场景的检测至关重要）；②标注不同姿态（站立/趴卧/侧卧/走动/进食）；③覆盖不同光照（白天/夜间/阴天）和不同猪只密度（稀疏/密集）。数据增强策略：Mosaic（四张图拼接，提升小目标和密集场景检测）、MixUp（图像混合，提升鲁棒性）、随机翻转（水平翻转，猪只左右对称）、随机亮度/对比度/色调（模拟光照变化）、随机遮挡（CutOut/Random Erasing，模拟猪只互相遮挡）、马赛克增强。

**训练优化：**①迁移学习：使用COCO预训练权重初始化，冻结骨干网络前10-20轮训练，再解冻全网络微调，加快收敛并提升精度；②类别处理：如果只有"猪"一个类别，训练简单；如果需要同时检测不同类别（如母猪/仔猪/不同品种），注意类别不平衡（仔猪数量少、体型小），使用类别加权损失或过采样；③损失函数：使用CIoU/DIoU边界框损失（比传统IoU更关注重叠面积和中心点距离），Focal Loss处理难易样本不平衡；④输入分辨率：使用640×640或1280×1280输入，高分辨率对小目标（远处猪只/仔猪）检测更有利，但计算量增加；⑤评估指标：mAP@0.5（IoU阈值0.5时的平均精度，目标>90%）、mAP@0.5:0.95（多IoU阈值平均精度，更严格，目标>60%）、精确率（Precision，目标>95%，减少误检）、召回率（Recall，目标>90%，减少漏检）、推理速度（FPS，边缘设备目标>30fps）。

**部署优化：**①模型导出：将PyTorch模型导出为ONNX格式，再转换为TensorRT（NVIDIA GPU/Jetson）或RKNN（瑞芯微NPU）或OpenVINO（Intel CPU）优化格式，推理速度提升2-5倍；②INT8量化：将FP32模型量化为INT8，模型大小减少75%，推理速度提升2-4倍，精度损失通常小于1%（需要用校准数据集做量化感知训练或后训练量化）；③模型剪枝：去除冗余通道和层，进一步压缩模型大小和计算量；④推理批处理：边缘设备有多个摄像头时，使用batch推理（同时处理多路视频帧），提升GPU利用率和吞吐量；⑤检测-跟踪联动：不需要每帧都跑检测，使用"检测+跟踪"策略------每N帧（如每5帧）跑一次YOLO检测，中间帧用跟踪器（光流/KCF）预测猪只位置，大幅降低平均计算量（检测只在1/5帧运行），同时保持跟踪连续性。

3.2 实例分割与轮廓提取

边界框检测只能给出猪只的矩形位置，而行为识别和体况分析需要猪只的精确轮廓（分割掩码）。实例分割推荐使用：

YOLO-seg **：**YOLOv8-seg或YOLOv11-seg是检测+分割一体化模型，在YOLO检测头基础上增加分割分支，输出每头猪的边界框+像素级掩码。优点是速度快（与检测几乎同速）、端到端训练，适合实时场景。在猪只场景下，YOLOv8n-seg的mask mAP@0.5可达85%以上。

FastSAM **：**基于SAM（Segment Anything Model）的快速实例分割模型，参数量小（FastSAM-S仅2M参数），推理速度快（比原始SAM快50倍），可以对任意目标做零样本分割。使用时先用YOLO检测出猪只边界框，再用FastSAM在框内做精确分割，获得高质量掩码。FastSAM的优点是不需要针对猪只做分割标注（零样本），缺点是极端遮挡/粘连情况下分割精度可能不如专门训练的YOLO-seg。

Mask R-CNN **：**经典的两阶段实例分割模型，分割精度高（mask mAP比YOLO-seg高3-5%），但速度慢（5-10fps，不适合实时边缘部署），适合离线分析和高精度场景（如体况评分、体重估算）。

**传统分割方法（兜底）：**在光照稳定、背景简单的猪舍，可使用传统方法做快速分割：背景减除（MOG2/KNN背景建模，提取运动猪只前景）+阈值分割+形态学操作（腐蚀/膨胀/开运算/闭运算）+连通域分析。传统方法速度极快（CPU上100+fps），不需要训练数据，但对光照变化和静态猪只（休息时不动，会被背景模型吸收）处理不好，适合作为辅助或兜底方案。

**掩码后处理：**分割得到的原始掩码需要后处理：①去除小面积噪点（面积小于阈值的连通域删除）；②填充掩码内部空洞（猪只身体内部的小空洞用形态学填充）；③粘连猪只分离（多头猪掩码粘连时，使用分水岭算法或距离变换+极大值检测分离个体）；④掩码平滑（使用中值滤波或轮廓拟合平滑掩码边缘，减少锯齿）；⑤轮廓提取（从掩码提取猪只的外轮廓多边形，用于计算体长/体宽/面积/周长等几何特征）。

**分割精度评估：**mask mAP@0.5（掩码IoU阈值0.5时的平均精度，目标>85%）、边界F1（轮廓精度，目标>80%）、分割IoU（平均交并比，目标>0.80）。分割精度直接影响后续的体长测量、体况评分、姿态估计，需要确保足够高。

3.3 多目标跟踪与个体 ReID

多目标跟踪（MOT）的任务是在连续视频帧中为每头猪分配稳定的个体ID，确保同一头猪在不同帧中ID一致。跟踪质量直接决定行为时序数据的准确性------如果ID频繁切换，就无法统计每头猪的行为时长和轨迹。

**跟踪算法选型：**①OC-SORT（Observation-Centric SORT，农业工程学报2025年群养生猪跟踪采用）：在SORT基础上改进，以观测为中心（而非预测为中心），在遮挡严重、目标频繁丢失的场景下表现更优，减少ID切换。OC-SORT对猪只扎堆遮挡场景有针对性优化，是当前猪只跟踪的首选算法。

②DeepSORT（经典算法，PLOS ONE 2025年采用）：在SORT基础上增加外观特征（ReID特征）匹配，使用级联匹配策略，适合外观有一定区分度的场景。但猪只外观相似度极高，纯外观匹配效果有限，需要结合运动模型（卡尔曼滤波）和位置信息。

③BYTETrack（字节跳动提出，高性能实时跟踪器）：将检测框分为高置信度和低置信度两组，分别匹配，充分利用低置信度检测框（被遮挡的猪只检测置信度低但仍有用），在遮挡场景下表现优秀，速度快（与SORT同速），是工程部署的优秀选择。

④BoT-SORT：结合运动模型、外观特征和相机运动补偿的综合跟踪器，精度高但计算量较大，适合服务器端高精度跟踪。

**猪只跟踪的关键优化：**①运动模型适配：猪只运动不是匀速直线运动（会突然转向、停下、扎堆），卡尔曼滤波的匀速模型假设不完全成立，可使用交互式多模型（IMM，同时维护匀速/加速/转弯多个模型，自适应切换）或LSTM运动预测（学习猪只运动模式）提升预测精度；②遮挡处理：猪只遮挡是跟踪最大挑战，使用遮挡感知策略------当猪只被遮挡时（检测置信度下降/IOU降低），保持其ID不删除，用运动预测维持轨迹，遮挡结束后重新匹配；使用遮挡时长阈值（如遮挡超过30帧/1秒才删除ID），避免短暂遮挡导致ID丢失；③ID一致性约束：同一头猪在栏舍内的ID应全程稳定，使用轨迹平滑（中值滤波/卡尔曼平滑）减少ID抖动；使用轨迹合并（短暂分裂的轨迹如果时空接近则合并）；④跨摄像头跟踪：多摄像头场景下，使用ReID特征（外观特征向量）在摄像头重叠区域传递ID，或使用栏舍地理信息（猪只从A栏走到B栏的时间和位置约束）辅助跨摄像头ID关联；⑤跟踪与检测置信度联动：检测置信度高的猪只优先匹配，置信度低的（可能是误检或部分遮挡）二次匹配，减少误检导致的虚假ID。

个体 ReID **（重识别）：**猪只外观相似度高，纯靠跟踪器的运动模型在长时间遮挡/跨天/跨摄像头后难以保持ID一致。ReID技术通过提取每头猪的外观特征向量（embedding），在不同帧/不同摄像头中匹配同一头猪。猪只ReID的挑战和方案：①外观特征提取：使用专门训练的ReID网络（如OSNet/PCB/MGN），在猪只图像上训练，提取对姿态/光照/遮挡鲁棒的特征；特征不仅包括毛色，还包括体型比例、斑纹、耳朵形状、尾巴姿态等细微差异；②数据增强：训练时使用随机擦除（Random Erasing，模拟遮挡）、姿态归一化（将不同姿态的猪只对齐到标准姿态）、光照增强，提升特征鲁棒性；③时空约束：ReID匹配不是纯外观相似度，而是结合时空约束（同一头猪不可能在两帧间瞬移超过物理可能的距离，时间间隔越短位置约束越强），大幅减少误匹配；④多模态辅助：如果佩戴智能耳标，耳标ID是最可靠的个体身份，可与视觉ReID融合（耳标ID作为ground truth校准视觉ID），解决视觉ReID的长期一致性问题；⑤生物特征识别：研究中的猪只面部识别（类似人脸识别）、鼻纹识别（猪鼻纹类似指纹，每头猪唯一）可作为更可靠的个体识别手段，但目前技术成熟度不足，可作为未来方向。

**跟踪性能评估：**MOTA（多目标跟踪准确率，综合考虑漏检、误检、ID切换，目标>75%）、IDF1（ID F1分数，衡量ID一致性，目标>70%）、IDs（ID切换次数，越少越好）、HOTA（高阶跟踪精度，综合检测和关联质量，目标>65%）、跟踪速度（FPS，目标>30fps实时）。在猪只扎堆遮挡的复杂场景下，MOTA达到80%以上、IDF1达到75%以上是较好的工程水平。

3.4 姿态估计与骨骼点提取

姿态估计提取猪只身体的关键骨骼点（关键点），为行为识别提供更精细的姿态信息------仅凭边界框和掩码难以区分"进食"和"嗅探地面"（都在料槽/地面旁低头），但骨骼点可以揭示头部角度、颈部弯曲、四肢姿态等细微差异，显著提升行为识别精度。

**关键点定义：**猪只姿态估计通常定义10-17个关键点，包括：鼻尖、头部中心、左耳、右耳、颈部（肩颈结合处）、背部中点、胸部、左前腿（肩/肘/腕）、右前腿、左后腿（髋/膝/跗）、右后腿、臀部、尾巴根、尾巴尖。关键点数量越多，姿态描述越精细，但标注成本和计算量也越大。对于行为识别场景，12-14个关键点（头部3个+躯干3个+四肢4个+臀部/尾巴2个）是性价比最优的选择。

**算法选型：**①YOLO-Pose（YOLOv8-Pose/YOLOv11-Pose）：在YOLO检测框架上增加关键点检测分支，端到端同时输出边界框+关键点，速度快（与检测同速），适合实时部署。YOLO-ASF-P2（农业工程学报2024）基于YOLOv8s-Pose改进，结合P2层高分辨率特征图和ASF架构，提升生猪关键点检测精度，再结合CNN-BiGRU时序模型识别坐/站/躺3种行为。

②ST-GCN（时空图卷积网络）：将猪只骨骼点构建为时空图（空间维度是骨骼点连接关系，时间维度是连续帧的关键点轨迹），用图卷积网络同时建模空间姿态和时间变化，直接从骨骼点序列识别行为。基于ST-GCN的猪只行为识别模型平均准确率可达86.67%（华南农业大学研究）。

③BCST-GCN（Frontiers 2026）：基于骨架的时空图卷积网络，引入双向交叉注意力（Bidirectional Cross-Attention），增强时间维度的特征交互，有效识别进食、走动、躺卧、犬坐等典型行为，相比基线模型准确率提升6.94%、精确率提升5.61%、召回率提升6.88%，解决了传统模型时间相关性弱和特征提取不足的问题。

④OpenPose/AlphaPose（通用人体姿态估计模型迁移）：将人体姿态估计模型迁移到猪只，需要重新标注猪只关键点并微调。优点是模型成熟、精度高，缺点是需要较多标注数据且速度较慢。

**关键点标注与训练：**使用CVAT或专门的姿态标注工具标注猪只关键点，每头猪标注12-14个关键点，注意标注被遮挡的关键点（标注为"不可见"但仍给出估计位置，这对遮挡场景的姿态估计很重要）。训练数据量建议500-2000帧（每帧10-20头猪，总计5000-40000个猪只姿态标注）。训练策略：迁移学习（COCO人体姿态预训练权重初始化，再用猪只数据微调）、数据增强（随机翻转/旋转/缩放/遮挡/亮度变化）、关键点损失（使用OKS损失------基于目标关键点相似度的损失，比MSE更适合姿态估计）。

**姿态特征提取：**从连续帧的关键点序列中提取行为识别特征：①静态姿态特征（单帧）：关键点坐标、骨骼长度（头-颈-背-臀的连线长度）、关节角度（颈部弯曲角、膝关节角、髋关节角）、身体朝向（头部与臀部连线的方向）、身体长宽比、头部高度（鼻尖相对于地面/背部的高度，区分低头进食/抬头站立）；②动态运动特征（时序）：关键点位移速度/加速度、头部运动轨迹（进食时头部在料槽处小幅度往复运动）、四肢运动频率（走动时四肢交替运动的频率）、身体重心变化（站立→趴卧→站立的转换过程）、运动方向和轨迹；③时序建模：将连续T帧（如16-32帧，0.5-1秒）的关键点坐标+骨骼角度+运动特征拼接为特征序列，输入LSTM/GRU/TCN/Transformer/ST-GCN等时序模型，输出行为分类。时序建模是区分相似行为（如进食vs嗅探、休息vs生病不动）的关键------进食有持续的头部往复运动和咀嚼动作，嗅探是头部贴近地面缓慢移动，休息是几乎不动，生病不动可能伴随呼吸急促（胸部起伏频率异常）。

**姿态估计精度评估：**OKS（目标关键点相似度，目标>0.80）、关键点AP（平均精度，目标>85%）、可见关键点召回率（目标>90%）。姿态估计精度直接影响行为识别，尤其是需要精细姿态区分的行为类别。

四、猪只行为识别

行为识别是系统的核心功能------在检测跟踪获得每头猪的个体ID、位置、轮廓、骨骼关键点之后，系统需要判断每头猪当前正在做什么。本文重点覆盖用户要求的六大核心行为：进食、休息、活动、社交、嗅探、走动，同时扩展介绍饮水、排尿排便、攻击、爬跨、哺乳、发情、分娩、犬坐等重要行为。

猪只六大核心行为识别效果对比图：左侧原始俯拍帧，中间AI检测跟踪结果（个体ID+行为标签），右侧六维行为分析面板（时间占比雷达图+轨迹热力图+异常预警）+24小时行为节律曲线

4.1 行为定义与分类体系

准确的行为定义是识别系统的基础------不同研究和猪场对同一行为的定义可能不同，必须建立明确、可操作、可标注的行为分类体系。

|--------|--------------------|-----------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------|
| 行为类别 | 英文 | 定义与判定标准 | 视觉特征 | 养殖意义 |
| 进食 | Feeding/Eating | 猪只头部伸入料槽或在料槽处采食，有咀嚼动作，持续时间大于3秒。区分"在料槽旁"（可能只是站着）和"真正进食"（头部伸入+咀嚼动作） | 位置在料槽ROI内，头部低下/伸入料槽，头部有小幅度往复运动（咀嚼），身体基本静止，前肢站稳 | 采食量和采食时长是健康和生产性能的核心指标；采食突然下降是疫病早期最敏感信号；采食节律异常提示应激或环境问题 |
| 休息 | Resting/Lying | 猪只躺卧（侧卧或胸卧/趴伏）且无明显活动，持续时间大于10秒。区分侧卧（身体完全侧躺，四肢伸展）和胸卧/趴伏（胸部着地，四肢蜷缩在身下，可能随时站起） | 身体接触地面，高度低（深度相机可测）， bounding box宽高比大（躺着比站着宽），骨骼点显示四肢弯曲/伸展，几乎无位移，呼吸时胸部有轻微起伏 | 休息时长和质量反映健康和福利；正常猪只每天休息12-16小时（躺卧占58-70%）；休息过少提示应激/疼痛/环境不适；休息姿势异常（如犬坐）提示呼吸道疾病 |
| 活动 | Activity/Active | 猪只处于站立状态且有明显身体活动，但不属于走动、进食、社交、嗅探等特定行为。包括站立观望、身体伸展、搔抓、拱地（非嗅探）、甩尾、打哈欠等。活动是"其他站立行为"的兜底类别 | 四肢支撑身体站立，身体有运动（头部摆动/身体转动/搔抓），但位移较小（区别于走动），不在料槽/饮水器旁（区别于进食/饮水），无与其他猪只近距离互动（区别于社交） | 活动量是健康和福利的综合指标；活动量骤降提示发病/疼痛；活动量异常升高提示应激/发情/环境不适；活动节律（昼夜活动比）反映环境和管理质量 |
| 社交 | Social/Interaction | 两头或多头猪只之间的近距离互动行为，包括鼻对鼻接触、互相嗅探身体、舔舐、轻咬、玩耍、顶撞、攻击等。持续时间大于2秒，猪只间距小于0.5米且有主动互动动作。区分友好社交（鼻接触/舔舐/玩耍）和攻击社交（猛烈顶撞/撕咬/追逐） | 两头或多头猪只距离很近（边界框重叠或间距小于体长的一半），头部朝向对方，有主动接触动作（鼻子碰鼻子/鼻子拱对方身体/嘴咬对方），双方有互动反应（非单向） | 社交行为反映群体福利和应激水平；攻击行为增加提示密度过高/混群应激/资源不足；社交隔离（某头猪不参与任何社交）提示疾病/疼痛/弱势地位；友好社交频次反映群体稳定性 |
| 嗅探 | Sniffing/Nosing | 猪只鼻子贴近地面、栏舍墙壁、设备或其他猪只，做嗅探/拱蹭动作，持续时间大于2秒。区分嗅探地面/墙壁（探索环境）和嗅探其他猪只（社交性嗅探，归入社交）。猪的嗅觉极其发达，嗅探是主要的探索和感知行为 | 头部低下，鼻子贴近地面/物体（距离小于5cm），鼻子有小幅度左右摆动或拱动动作，身体缓慢移动或静止，不在料槽处（区别于进食），无咀嚼动作（区别于进食） | 嗅探是猪只正常的探索行为，反映环境丰富度和福利水平；嗅探行为过度减少提示环境单调/应激/疾病；异常嗅探（如反复嗅探同一位置/空嚼/拱栏）提示刻板行为或应激；嗅探频次可作为环境丰富度评估指标 |
| 走动 | Walking/Locomotion | 猪只四足交替运动，身体产生明显位移，持续时间大于2秒，移动速度大于0.1米/秒。区分正常走动（平稳行走）和跑动/追逐（速度快，可能是玩耍或攻击）。走动轨迹和活动范围是重要的衍生指标 | 四肢交替运动（骨骼点显示前腿后腿交替抬起落地），身体重心有明显位移（连续帧位置变化大于阈值），身体朝向与运动方向一致， bounding box位置连续变化，非原地活动 | 走动量和活动范围反映健康和福利；跛行（走动姿势异常/某腿不敢着地）是肢体疾病的早期信号；走动减少提示发病/疼痛/环境不适；走动异常增加（如反复走同一路线）提示刻板行为/应激；活动范围缩小提示弱势/疾病 |

**扩展行为类别：**除六大核心行为外，系统可根据猪场需求扩展识别以下重要行为：①饮水（头部在饮水器处，有吞咽动作，饮水频次和时长反映健康和热应激）；②排尿/排便（特定姿势，排尿时后腿微蹲、尾巴上翘，排便时类似，排泄位置和频次反映健康和栏舍管理）；③攻击（猛烈顶撞/撕咬/追逐，伴随尖叫，攻击事件统计反映群体福利和密度合理性）；④爬跨（一头猪爬跨另一头，前腿搭在对方背上，常见于发情或 dominance 行为）；⑤哺乳（母猪侧卧，仔猪在母猪腹旁吃奶，哺乳频次和时长反映母猪母性和仔猪生长）；⑥发情（母猪站立反射、频繁走动、嗅探其他猪、静立反应，发情检测是精准配种的关键）；⑦分娩（母猪频繁起卧、筑巢行为、努责，分娩预警可及时接产，提高仔猪成活率）；⑧犬坐（猪只像狗一样坐着，前腿支撑、臀部着地，常见于呼吸道疾病或心力衰竭）；⑨咳嗽（音频+视觉，咳嗽是呼吸道疾病早期症状）；⑩异常行为（咬尾、空嚼、拱栏、反复走同一路线等刻板行为，提示福利问题或应激）。

4.2 行为识别算法路线

猪只行为识别有四条主要技术路线，各有优缺点，实际系统通常采用多路线融合：

路线一：单帧检测 + 行为分类（检测即识别）

这是最简单直接的路线------将行为类别作为目标检测的类别，YOLO模型直接输出"猪只+行为标签"（如"进食的猪""休息的猪""走动的猪"），不需要单独的行为分类器。代表工作：YOLOv8n行为识别（9类别数据集：进食/休息/站立/活动/拱蹭/走动/饮水/攻击/其他，3700张图像）、YOLO-DLHS-P（6类行为：坐/躺/站/爬跨/爬行/进食，15983个标注）、Wavelet-YOLO11（6种核心行为）。

优点：①端到端，结构简单，推理速度快（一次检测同时输出位置和行为）；②不需要跟踪和时序建模，部署简单；③适合行为特征明显、单帧可判断的行为（如休息vs站立、进食vs走动）。缺点：①无法利用时间上下文，对需要时序信息的行为（如进食vs嗅探、走动vs活动）区分能力弱；②行为标签在帧间可能抖动（同一头猪连续帧被标为不同行为），需要后处理平滑；③对遮挡/部分可见的猪只行为判断不准。适用场景：行为类别少（3-4类）、特征明显、对实时性要求高、计算资源有限的边缘部署。

路线二：时序行为识别（视频片段分类）

这条路线先检测跟踪每头猪，然后截取每头猪的连续视频片段（如16-32帧，0.5-1秒），用时序行为识别模型对片段分类。代表模型：SlowFast（双路径，慢路径捕捉空间语义，快路径捕捉运动信息）、TSM（Temporal Shift Module，通过时间维度位移实现零额外计算量的时序建模）、VideoSwin（基于Swin Transformer的视频理解模型）、FE-TSM（特征扩展TSM，农业工程学报2024年多模态猪行为识别采用）。

优点：①利用时间上下文，对需要运动模式的行为（进食vs嗅探、走动vs活动、攻击vs玩耍）区分能力强；②行为标签在时间上更稳定（片段级分类比单帧分类平滑）；③可以捕捉行为的动态过程（如站立→趴卧的转换）。缺点：①需要先检测跟踪，再裁剪片段，再分类，流水线复杂；②时序模型计算量大（SlowFast比单帧分类慢3-5倍），边缘部署困难；③需要视频级行为标注（标注成本比单帧高）；④对片段长度敏感（太短信息不足，太长延迟高）。适用场景：行为类别多（6类以上）、相似行为多、对精度要求高、有GPU服务器或高端边缘设备的场景。

路线三：骨架姿态 + 时空图卷积（ ST-GCN ）

这条路线先用姿态估计模型提取每头猪的骨骼关键点序列，然后用时空图卷积网络（ST-GCN）对骨骼点的时空变化建模，识别行为。代表工作：ST-GCN猪只行为识别（平均准确率86.67%，华南农业大学）、BCST-GCN（双向交叉注意力ST-GCN，Frontiers 2026，识别进食/走动/躺卧/犬坐，准确率提升6.94%）、YOLO-ASF-P2+CNN-BiGRU（关键点检测+双向GRU时序分类，识别坐/站/躺，农业工程学报2024）。

优点：①基于骨骼点，对外观变化（毛色/光照/遮挡）鲁棒性强；②骨骼点维度低（12-17个点×2坐标），计算量小，适合边缘部署；③可以捕捉精细的姿态变化（如进食时的头部角度、犬坐时的臀部姿态）；④可解释性强（行为由骨骼点的运动模式决定，可分析哪些关节在动）。缺点：①依赖姿态估计精度，关键点检测错误会传导到行为识别；②对需要外观信息的行为（如毛色变化/皮肤病变）无能为力；③骨骼点在遮挡/扎堆时检测不准，影响行为识别；④标注成本高（需要标注关键点而非简单的行为标签）。适用场景：行为与姿态强相关（休息/犬坐/爬跨/哺乳/分娩）、遮挡严重、需要边缘部署、对可解释性要求高的场景。

路线四：多模态融合（视觉 + 音频 + 传感器）

这条路线融合多种模态数据进行行为识别------视觉（RGB/深度/红外）提供空间和外观信息，音频提供声音信息（咳嗽/嚎叫/咀嚼），智能耳标提供加速度和体温信息，环境传感器提供温湿度/氨气。代表工作：AVSlowFast音视频融合（改进AVSlowFast识别哺乳期母猪进食/哺乳/睡眠/拱栏/饮水/活动6种行为，平均精确率94.3%，召回率94.6%，农业工程学报2023）、视觉+传感器多模态融合（光线不足用传感器，遮挡时融合视频+传感器，正常用FE-TSM视频模型，农业工程学报2024）、视觉+红外热成像（体温+行为融合预警疫病）。

优点：①多模态互补，在复杂环境（夜间/遮挡/光照变化）下鲁棒性最强；②可以识别单靠视觉难以识别的行为（如咳嗽靠音频、发热靠红外、活动量靠加速度）；③精度最高（多模态融合通常比单模态高5-10%）。缺点：①系统复杂度高，需要多种传感器和同步配准；②成本高（红外热像仪/智能耳标/麦克风阵列都不便宜）；③多模态融合算法复杂（需要解决模态缺失/异步/噪声问题）；④维护成本高（多种设备需要维护和校准）。适用场景：对精度要求极高、预算充足、核心猪群（种猪/母猪）监测、疫病早期预警需求强的场景。

**推荐架构：多路线混合融合。**实际生产系统不局限于单一路线，推荐采用"单帧检测分类（快速初判）+时序模型（精判）+骨架姿态（姿态相关行为）+多模态（关键场景）"的混合架构：①对简单行为（休息/站立/走动）用单帧YOLO检测分类，速度快；②对相似行为（进食vs嗅探、活动vs走动）用时序模型（TSM/SlowFast）精判；③对姿态相关行为（犬坐/爬跨/哺乳/分娩）用骨架ST-GCN；④对疫病相关行为（咳嗽/发热）用音频+红外多模态；⑤所有路线的结果通过投票/加权融合输出最终行为标签，置信度低的转人工复核或多帧确认。这种混合架构兼顾速度、精度、成本和鲁棒性。

4.3 六大核心行为识别详解

4.3.1 进食行为识别

进食是猪只最重要的行为之一，采食量和采食节律是健康和生产性能的核心指标。进食识别的难点在于区分"在料槽旁"和"真正进食"------很多猪只会在料槽旁站立、等待、甚至睡觉，但没有采食。

**识别方法：**①位置约束：猪只头部或身体在料槽ROI区域内（预先定义料槽位置），这是进食的必要非充分条件；②头部姿态：头部低下，鼻子伸入料槽或贴近料槽边缘（骨骼点显示鼻尖位置低于料槽边缘高度，头部与躯干夹角小于45度）；③咀嚼动作：头部有小幅度（1-3cm）、高频（2-4Hz）的往复运动，这是咀嚼的特征，可用光流或关键点位移频谱分析检测（在2-4Hz频段有能量峰值）；④持续时间：上述状态持续大于3秒才判定为进食（排除短暂经过料槽）；⑤时序确认：连续3帧以上都满足进食条件才确认（减少单帧误判）。

**衍生指标：**①采食时长（每头猪每天/每顿的总进食时间）；②采食次数（每天进食的次数和每次时长分布）；③采食节律（24小时采食时间分布，正常猪只采食高峰在清晨和傍晚）；④采食速度（单位时间采食量，需配合分量估算或称重）；⑤采食同步性（群体中同时进食的猪只比例，反映饲喂管理和资源充足度）；⑥采食下降率（与个体基线相比，采食时长/次数的下降百分比，下降超过30%触发预警）。

**异常预警：**①采食骤降（某头猪24小时采食时长比7天基线下降超过30-50%，是疫病早期最敏感信号，常见于发热、消化道疾病、疼痛）；②采食节律紊乱（夜间异常采食/白天不食，提示应激或环境问题）；③采食时间过长（可能是采食困难/口腔疾病/竞争弱势）；④采食位置异常（只在料槽某一角落采食，可能是跛行/视力问题/弱势）；⑤拒食（完全不进食超过12-24小时，紧急预警，可能是严重疾病）。

4.3.2 休息行为识别

休息（躺卧）是猪只最主要的行为，正常猪只每天躺卧12-16小时（占总时间的50-70%，研究中群养猪只躺卧占58.71%）。休息行为的识别相对简单（姿态特征明显），但需要区分正常休息和异常休息（如生病不动、犬坐呼吸）。

**识别方法：**①身体高度：深度相机测量猪只背部距地面高度，躺卧时高度明显低于站立（通常小于0.4米，站立时0.6-1.0米）；无深度相机时用bounding box宽高比------躺卧时宽高比大于1.5（身体横向展开），站立时宽高比小于1.2；②骨骼姿态：关键点显示四肢弯曲（胸卧/趴伏）或伸展（侧卧），臀部/背部接触地面，头部可能着地（侧卧）或抬起（胸卧）；③静止性：连续帧位置变化小于阈值（10秒内位移小于0.2米），身体无明显运动；④持续时间：上述状态持续大于10秒才判定为休息（排除短暂趴下又站起）；⑤亚型区分：侧卧（身体完全侧躺，四肢伸展，深度图显示身体一侧着地，是深度睡眠状态）vs 胸卧/趴伏（胸部着地，四肢蜷缩在身下，头部抬起，是浅睡眠/随时可站起状态）。

**衍生指标：**①休息时长（每天总躺卧时间，正常12-16小时）；②休息亚型比例（侧卧vs胸卧比例，侧卧比例高说明深度睡眠多、环境舒适）；③休息节律（24小时休息分布，正常猪只夜间休息多、白天有午休）；④休息位置分布（猪只选择在哪里休息，扎堆休息提示冷，分散休息提示热，避开某区域提示有贼风/潮湿）；⑤起卧次数（每天站立-躺卧转换次数，频繁起卧提示不适/疼痛/临产）；⑥休息同步性（群体同时休息的比例）。

**异常预警：**①休息过少（24小时躺卧时间少于8小时，提示应激/疼痛/环境不适/发情）；②休息过多（躺卧超过18小时且采食下降，提示疾病/抑郁/环境过冷）；③异常休息姿势（犬坐式呼吸，提示呼吸道疾病/心力衰竭；胸卧但头部抬起且呼吸急促，提示发热/疼痛；只侧卧一侧，提示另一侧肢体疼痛）；④休息位置异常（单独远离群体休息，提示疾病/弱势/被攻击；在排泄区休息，提示环境恶劣/疾病）；⑤频繁起卧（每小时起卧超过5次，提示疼痛/不适/临产母猪筑巢）；⑥休息时呼吸异常（胸部起伏频率过快>40次/分钟或过慢<10次/分钟，提示发热/疼痛/呼吸道疾病，需结合深度图或红外热成像检测呼吸频率）。

4.3.3 活动行为识别

活动是"站立但非特定行为"的兜底类别，包括站立观望、身体伸展、搔抓、拱地、甩尾、打哈欠等。活动量是猪只健康和福利的综合指标。

**识别方法：**①站立姿态：四肢支撑身体，身体高度大于0.5米（或bounding box宽高比小于1.2），排除躺卧；②排除其他行为：不在料槽ROI（排除进食）、不在饮水器ROI（排除饮水）、无与其他猪只近距离互动（排除社交）、鼻子未贴近地面/物体（排除嗅探）、无明显位移（排除走动）；③有身体活动：头部/身体/四肢有运动（非完全静止站立），如头部摆动、身体转动、搔抓（后腿挠身体）、甩尾、拱地（非嗅探的拱地动作）；④持续时间：站立+活动+排除其他行为持续大于2秒判定为活动。

**衍生指标：**①活动时长（每天总活动时间，正常猪只活动占15-30%）；②活动节律（24小时活动分布，正常猪只清晨和傍晚活动高峰）；③活动类型分布（站立观望/搔抓/甩尾/拱地/伸展等各占比）；④活动强度（单位时间内的运动幅度，可用光流能量或关键点位移总和量化）；⑤昼夜活动比（白天活动量/夜间活动量，正常大于2:1，比值异常提示环境问题）。

**异常预警：**①活动骤降（24小时活动量比7天基线下降超过40%，提示发病/疼痛/抑郁，是疫病早期信号）；②活动异常增加（活动量比基线增加超过50%，提示应激/发情/环境不适/饥饿）；③活动节律紊乱（夜间异常活跃/白天萎靡，提示光照问题/应激/疾病）；④异常活动类型（反复搔抓同一部位提示寄生虫/皮肤病；频繁甩尾提示不适/尾根刺激；空嚼/拱栏提示刻板行为/应激；反复打哈欠提示疼痛/应激）；⑤活动范围缩小（某头猪只在小区域内活动，不探索环境，提示疾病/弱势/空间恐惧）。

4.3.4 社交行为识别

社交行为是猪只群体福利的重要指标，包括友好社交（鼻接触、舔舐、玩耍）和攻击社交（顶撞、撕咬、追逐）。社交行为的识别需要同时检测多头猪并分析它们之间的互动。

**识别方法：**①多猪近距离：两头或多头猪只的边界框距离小于阈值（间距小于0.5米或小于体长的一半），或边界框有重叠；②头部朝向：至少一头猪的头部朝向另一头猪（骨骼点显示鼻尖方向指向对方）；③互动动作：有主动接触行为------鼻对鼻接触（两猪鼻尖距离小于10cm）、鼻子拱对方身体（一头猪鼻子贴近另一头猪的身体并做拱动）、舔舐（一头猪嘴部在另一头猪身体上做舔动动作）、轻咬/玩耍（嘴部接触对方身体但无猛烈动作）、顶撞（头部猛烈撞击对方身体）、撕咬（嘴部咬住对方身体/耳朵/尾巴）、追逐（一头猪快速追赶另一头猪）；④双向性：双方有互动反应（非一头猪对另一头静止猪的单向动作），攻击行为中被攻击方有躲避/逃跑反应；⑤持续时间：互动持续大于2秒判定为社交行为（排除短暂擦身而过）。

**亚型分类：**①友好社交：鼻对鼻接触、互相嗅探身体、舔舐、轻咬玩耍、并排站立/休息------动作温和、无尖叫、无躲避；②攻击社交：猛烈顶撞、撕咬（咬耳朵/尾巴/身体）、追逐、压制（一头猪把另一头猪逼到角落）------动作猛烈、伴随尖叫（音频检测）、被攻击方躲避/逃跑/臣服（躺倒露腹）；③中性社交：并排站立、同时进食/饮水、近距离休息但无主动互动------归入"共存"而非真正社交。

**衍生指标：**①社交频次（每头猪每天参与社交的次数）；②社交时长（每天总社交时间）；③友好/攻击比（友好社交次数/攻击社交次数，比值高说明群体稳定福利好）；④攻击事件统计（每天攻击次数、攻击持续时间、参与攻击的猪只）；⑤社交网络分析（构建猪只社交网络图，识别社交中心猪/被孤立猪/攻击发起者）；⑥个体社交角色（社交活跃者/被孤立者/攻击者/受害者）。

**异常预警：**①攻击事件激增（某栏24小时攻击次数比7天基线增加超过100%，提示密度过高/混群应激/资源不足/温度不适）；②社交隔离（某头猪24小时内无任何友好社交，且被其他猪只回避，提示疾病/弱势/被攻击，需要关注）；③持续被攻击（某头猪每天被攻击超过3次，提示群体等级问题/个体弱势，需要隔离或调整群体）；④异常攻击模式（某头猪持续攻击其他猪（欺凌者），或攻击特定部位（咬尾/咬耳，提示营养缺乏/环境单调/刻板行为）；⑤社交减少（全栏社交频次下降超过50%，提示群体应激/疾病/环境不适）。

4.3.5 嗅探行为识别

猪的嗅觉极其发达（嗅觉受体基因数量是人类的3-4倍），嗅探是猪只最主要的探索和感知行为。嗅探行为的减少或异常模式提示环境单调、应激或疾病。

**识别方法：**①头部低下姿态：骨骼点显示鼻尖位置低（贴近地面/物体，距离小于5cm），头部与躯干夹角小于30度（明显低头）；②鼻子动作：鼻尖有小幅度（1-2cm）左右摆动或前后拱动动作（嗅探时鼻子在气味源附近移动以采集更多气味分子），可用关键点位移轨迹分析（鼻尖轨迹呈小幅度锯齿状/圆形运动）；③位置：在地面/栏舍墙壁/设备/其他猪只身体旁（非料槽内，排除进食）；④排除进食：无咀嚼动作（头部无2-4Hz往复运动，无嘴部开合），鼻子未伸入料槽；⑤排除社交嗅探：如果嗅探对象是其他猪只，归入社交行为（社交性嗅探）；嗅探地面/墙壁/设备才归入独立的嗅探行为；⑥持续时间：上述状态持续大于2秒判定为嗅探（排除短暂低头）。

**衍生指标：**①嗅探频次（每头猪每天嗅探的次数）；②嗅探时长（每天总嗅探时间）；③嗅探对象分布（嗅探地面/墙壁/设备/其他猪各占比）；④嗅探区域分布（嗅探行为在栏舍内的空间分布热力图，识别猪只感兴趣的区域和被忽视的区域）；⑤嗅探节律（24小时嗅探时间分布，探索行为通常在采食后和活动高峰时增多）；⑥环境探索指数（嗅探频次+活动范围+新物体接触时间，综合评估环境丰富度和猪只好奇心）。

**异常预警：**①嗅探显著减少（某头猪24小时嗅探频次比7天基线下降超过50%，提示环境单调/应激/疾病/抑郁，猪只失去探索兴趣）；②异常嗅探模式（反复嗅探同一位置超过5分钟，提示刻板行为/异常信息素/该位置有问题；空嚼伴随嗅探，提示应激/胃溃疡）；③嗅探过度增加（嗅探频次比基线增加超过100%，提示新环境应激/环境变化/信息素干扰/发情）；④嗅探区域异常（只嗅探排泄区/栏舍角落，提示环境丰富度不足/逃避行为；完全不嗅探某区域，提示该区域有负面刺激/贼风/潮湿）；⑤社交性嗅探减少（猪只之间互相嗅探减少，提示群体社会关系破裂/应激/疾病）。

4.3.6 走动行为识别

走动是猪只最基本的运动行为，走动量、走动轨迹、走动姿势是健康（尤其是肢体健康）和福利的重要指标。

**识别方法：**①站立姿态：四肢支撑身体，排除躺卧；②明显位移：连续帧中猪只位置变化大于阈值（移动速度大于0.1米/秒，或1秒内位移大于0.1米），轨迹连续且方向一致（排除原地活动）；③四肢交替运动：骨骼点显示前腿和后腿交替抬起落地（走动时对角腿同步运动------左前+右后同时抬起，右前+左后同时抬起），可用关键点运动模式分析（四肢关键点的垂直位移呈交替正弦波，相位差90度）；④身体朝向：身体朝向与运动方向一致（头部朝向移动方向，排除倒退走）；⑤排除其他行为：不在料槽/饮水器旁（排除进食/饮水时的小范围移动），无与其他猪只互动（排除社交时的移动），非快速奔跑（速度大于0.5米/秒且动作剧烈，可能是玩耍/攻击/逃跑，单独标记）；⑥持续时间：上述状态持续大于2秒判定为走动（排除短暂移动）。

**衍生指标：**①走动时长（每天总走动时间）；②走动距离（每天总移动距离，由轨迹积分计算，正常育肥猪每天走动200-500米）；③走动速度分布（平均速度、最大速度、速度直方图）；④活动范围（猪只在栏舍内的活动区域面积，由轨迹凸包或核密度估计计算，正常应覆盖栏舍面积的60%以上）；⑤轨迹热力图（猪只在栏舍内的位置分布热力图，识别高频活动区/休息区/被忽视区）；⑥走动节律（24小时走动时间分布）；⑦跛行检测（走动时四肢运动不对称------某腿抬起高度低于其他腿/着地时间短/不敢负重，身体重心偏向健侧，走动速度慢，轨迹摇摆，跛行评分0-4级）；⑧走动方向偏好（是否总沿同一方向走/反复走同一路线，提示刻板行为）。

**异常预警：**①走动骤减（24小时走动距离比7天基线下降超过40%，提示发病/疼痛/肢体疾病/抑郁）；②跛行（走动姿势异常，某腿不敢负重，评分≥2级，提示肢蹄疾病/外伤/疼痛，需要及时检查治疗------肢蹄病是猪场常见问题，影响生产性能和福利）；③走动异常增加（走动距离比基线增加超过80%，提示应激/发情/环境不适/饥饿/刻板行为）；④活动范围缩小（某头猪活动范围小于栏舍面积的30%，提示疾病/弱势/被攻击/空间恐惧）；⑤异常轨迹（反复沿同一路线走动（刻板行为）/只在栏舍角落小范围活动（逃避）/避开某区域（负面刺激））；⑥走动速度异常（速度过慢提示疼痛/疾病，速度过快且无目的提示应激/神经症状）；⑦群体走动同步异常（全栏猪只同时走动/同时静止，提示环境刺激（如喂料时间/异常噪音）/群体应激）。

五、行为时序分析与异常预警

单帧/单片段的行为识别只是原始数据，真正有价值的是对行为时序数据的统计分析和异常检测------通过建立每头猪的正常行为基线，实时监测行为变化，发现异常及时预警。这是系统从"行为记录器"升级为"健康预警系统"的关键。

5.1 行为时序统计与节律分析

**个体行为基线建立：**每头猪都有自己的行为模式（个体差异），不能用统一的"正常范围"判断所有猪。系统需要为每头猪建立个性化行为基线：①数据采集：在猪只健康、环境稳定的时期（如入栏后适应7-14天），连续采集行为数据；②基线计算：计算每头猪各行为指标的均值、标准差、中位数、四分位数（如采食时长均值=45分钟/天，标准差=8分钟；活动量均值=200分钟/天，标准差=30分钟）；③节律基线：计算24小时行为节律曲线（每小时各行为的时间占比），建立正常节律模板；④动态更新：基线随猪只生长阶段（仔猪/育成/育肥/妊娠/哺乳）和环境变化（季节/温度）动态更新，使用滑动窗口（如最近7天）计算基线，避免用过时的基线判断当前状态；⑤个体差异容忍：基线的标准差反映个体行为波动性，波动性大的猪只异常阈值设宽一些，波动性小的猪只阈值设严一些。

**行为节律分析：**猪只行为有明显的昼夜节律，节律紊乱是健康和环境问题的敏感指标：①24小时行为曲线：以小时为单位，绘制每头猪/每栏各行为的时间占比曲线（进食曲线、活动曲线、休息曲线、走动曲线），正常曲线应有明显的高峰和低谷（如进食高峰在6:00-8:00和16:00-18:00，休息高峰在22:00-6:00和12:00-14:00）；②节律参数提取：从曲线中提取节律参数------高峰时间（行为最活跃的时间段）、低谷时间、峰谷比（高峰值/低谷值，反映节律强度）、昼夜比（白天活动量/夜间活动量）、节律稳定性（每天曲线的相似度，用相关系数或DTW距离衡量）；③节律异常检测：将当前节律曲线与基线节律模板对比，计算偏离度（如DTW距离/相关系数），偏离超过阈值触发节律紊乱预警；④群体节律同步性：计算栏内猪只行为节律的同步性（同时进食/同时休息的比例），同步性下降提示群体应激/疾病/管理问题。

**行为时间占比与预算分析：**正常猪只的行为时间分配（行为预算）有一定范围，研究中群养猪只的典型行为预算：躺卧休息58.71%、站立37.94%、进食1.96%、其他1.38%（农业工程学报2025，16头猪统计）。不同生长阶段和饲养条件下行为预算不同，系统需要：①计算每头猪每天的行为预算（各行为时间占比饼图）；②与同品种/同阶段/同栏舍的群体平均预算对比，识别偏离群体的个体；③行为预算的时间趋势（每周/每月变化），识别渐进性变化（如休息时间逐渐增加、活动逐渐减少，可能是慢性疾病）；④行为预算与生产性能关联分析（如采食时长与日增重的相关性、活动量与饲料转化率的关系）。

5.2 异常行为检测方法

异常行为检测是系统的核心价值------在猪只出现明显临床症状前，通过行为变化早期发现问题。异常检测有四类方法：

**方法一：统计阈值法（简单有效，工程首选）。**基于个体基线的统计阈值，当行为指标超出"正常范围"时判定异常：①绝对阈值：基于兽医和养殖经验设定的绝对标准（如采食停止超过12小时=异常，体温超过40℃=发热，攻击次数超过5次/天=异常）；②相对阈值：基于个体基线的相对变化（如采食时长比7天基线下降超过30%=异常，活动量下降超过40%=异常，休息时间增加超过50%=异常）；③标准差法：指标偏离基线均值超过N个标准差（通常2-3个标准差，对应95-99%置信区间）判定异常，如采食时长=均值-2.5×标准差；④百分位法：指标低于基线第5百分位或高于第95百分位判定异常，对非正态分布的数据更鲁棒；⑤多指标联合：单一指标异常可能是偶然波动，多个相关指标同时异常置信度更高（如采食下降30%+活动下降40%+休息增加50%+体温升高=高置信度疫病预警），使用规则引擎或贝叶斯网络组合多指标。统计阈值法的优点是简单、可解释、计算量小、易于部署，缺点是对渐进性变化和复杂模式不敏感，需要根据个体差异调参。

**方法二：时序预测误差法（适合渐进性变化和复杂模式）。**用模型预测猪只的正常行为时序，当实际行为与预测偏差过大时判定异常：①LSTM/GRU预测：用历史行为时序（如过去7天每小时的采食时长）训练LSTM模型预测下一个时间段的行为，实际值与预测值的误差（残差）超过阈值判定异常------LSTM能捕捉行为的时序依赖和节律模式，对"该进食时不进食""该活动时不活动"这类节律异常敏感；②自编码器（Autoencoder）：将行为时序序列编码为低维特征再解码重建，重建误差大的序列判定异常------自编码器能学习正常行为的复杂模式，对与正常模式不同的异常模式敏感；③Transformer预测：用Transformer架构建模长时序依赖（过去30天的行为数据），预测未来行为，误差检测异常------Transformer比LSTM更擅长长时序建模，但计算量更大；④ prophet/ARIMA：传统统计时序模型，适合有明显趋势和季节性的行为数据，计算量小，可解释性强。时序预测误差法的优点是能捕捉复杂的时序异常和渐进性变化，缺点是需要足够的历史数据训练，模型调参复杂，可解释性较差。

**方法三：无监督异常检测（适合未知异常和群体异常）。**不需要标注异常数据，通过学习正常行为的分布，发现偏离分布的样本：①孤立森林（Isolation Forest）：将行为指标向量（采食时长/活动量/休息时间/走动距离/社交频次等多维特征）输入孤立森林，异常分值高的样本判定异常------适合高维数据和未知异常，计算量小；②One-Class SVM：学习正常行为样本的边界，边界外的样本判定异常；③DBSCAN聚类：将行为样本聚类，不属于任何簇的样本（噪声点）判定异常；④自编码器/PCA重建误差：用正常数据训练自编码器或PCA，重建误差大的样本异常；⑤群体异常检测：在群体层面检测异常------某栏猪只的平均行为指标与其他栏差异过大（如A栏采食时长比全场平均低40%），或某栏内行为离散度异常增大（个体差异变大，提示部分猪只发病）。无监督方法的优点是不需要异常标注（猪场异常数据少且标注难），能发现未知异常，缺点是异常分值的阈值难设定，可能产生较多误报，需要结合规则和人工复核。

**方法四：基于规则的专家系统（适合兽医知识融合）。**将兽医和养殖专家的知识编码为规则，结合行为数据和其他数据（体温/环境/历史病历）推理异常和疾病：①症状-疾病关联规则：如"采食下降+活动减少+体温升高+犬坐呼吸=疑似呼吸道疾病"，"采食下降+饮水增加+腹泻=疑似消化道疾病"，"攻击增加+咬尾=疑似密度过高/营养缺乏/环境单调"，"频繁起卧+筑巢行为+母猪=疑似分娩临近"；②模糊推理：使用模糊逻辑处理不确定性（如"采食明显下降"的模糊定义），输出疾病可能性评分；③贝叶斯网络：建模行为症状、环境因素、疾病之间的概率关系，通过贝叶斯推理计算疾病后验概率；④知识图谱：构建猪病知识图谱（症状-疾病-治疗-预防关联），行为异常触发知识图谱推理，给出可能疾病和建议检查项。专家系统的优点是可解释性强（能给出"为什么异常"和"可能是什么病"），能融合兽医知识，缺点是规则构建需要专家参与，覆盖的疾病有限，对未知疾病无能为力。

推荐方案：多方法融合 + **分级预警。**实际系统不使用单一方法，而是融合多种方法：①统计阈值法做第一层快速筛查（计算量小，实时性好，覆盖常见异常）；②时序预测误差法做第二层精细检测（捕捉渐进性变化和复杂节律异常）；③无监督异常检测做第三层未知异常发现（发现规则未覆盖的新异常）；④专家系统做异常解释和疾病推理（给出可能原因和建议）；⑤多方法投票/加权融合输出最终异常置信度，高置信度直接预警，中置信度标记为"观察"，低置信度忽略。

5.3 健康预警分级与响应流程

**预警分级：**系统将异常分为四级，不同级别响应方式不同：

①<观察级（蓝色）：单一指标轻度异常（如采食下降15-30%，活动下降20-40%），或多指标轻微偏离，可能是偶然波动或环境变化。系统记录异常，在个体档案中标注"观察"，不通知饲养员，持续监测24-48小时，如果异常持续或加重则升级。

②<关注级（黄色）：单一指标中度异常（采食下降30-50%，活动下降40-60%），或两个以上指标同时轻度异常，或节律明显紊乱。系统通过移动端APP/小程序通知饲养员"关注该猪只"，建议下次巡栏时重点检查，记录饲养员的观察结果（如"精神尚可，无明显症状"或"发现轻微咳嗽"）。

③<预警级（橙色）：单一指标重度异常（采食下降超过50%，拒食超过6小时，体温超过40.5℃），或多个指标中度异常，或检测到明显异常行为（攻击/跛行/犬坐呼吸/社交隔离）。系统立即通知饲养员和兽医，建议2小时内现场检查，给出可能的疾病方向和建议检查项（体温测量/听诊/粪便检查），记录检查结果和处理措施。

④<紧急级（红色）：危及生命的紧急情况（完全拒食超过12-24小时，严重呼吸困难，体温超过41.5℃，严重攻击受伤，分娩困难，疑似传染病群发）。系统立即电话/短信通知场长和兽医，建议立即现场处理，同时标记为"紧急事件"，跟踪处理全过程，事后复盘。

**响应流程：**①异常检测→系统自动判定级别→②通知相关人员（按级别通知饲养员/兽医/场长）→③现场检查（人员按建议检查猪只，记录症状和测量数据）→④诊断与处理（兽医诊断，采取治疗/隔离/调整环境等措施，记录处理方案）→⑤跟踪随访（系统持续监测该猪只行为，确认是否恢复正常，处理后24-48小时内行为未改善则升级或重新评估）→⑥结案与复盘（异常解除后结案，记录完整事件链，定期复盘异常模式，优化检测规则和预警阈值）→⑦模型迭代（积累的异常案例和处理结果用于优化异常检测模型和疾病推理规则，系统越用越准）。

**预警效果指标：**①预警准确率（预警后确认为真实异常的比例，目标>70%，减少误报打扰）；②预警召回率（真实异常中被系统预警的比例，目标>85%，减少漏检）；③提前预警时间（从系统预警到出现明显临床症状的时间差，目标>24小时，实现早期干预）；④预警响应时间（从预警到人员现场检查的时间，目标<2小时）；⑤异常处理后恢复率（处理后行为恢复正常的比例，反映干预效果）；⑥误报率（误报占总预警的比例，目标<30%，过高会导致饲养员忽视预警）。

六、完整 Python 代码实现

以下是一个简化版的猪只行为实时监测系统Python实现，涵盖视频采集、YOLO检测、OC-SORT跟踪、六大行为分类、行为时序统计和异常预警的完整流程。代码为教学示例，实际生产需要替换为更精确的模型和更完善的工程实现。

（以下代码使用普通段落展示，非代码块格式）

import cv2

import numpy as np

import time

from collections import defaultdict, deque

from ultralytics import YOLO

import pandas as pd

from datetime import datetime, timedelta

import warnings

warnings.filterwarnings('ignore')

==================== 配置参数 ====================

class Config:

摄像头配置

camera_url = "rtsp://admin:password@192.168.1.100:554/stream1" # RTSP摄像头地址

fps = 25

检测配置

yolo_model_path = "pig_yolov8n_best.pt" # 猪只检测模型（自定义训练）

detection_interval = 5 # 每5帧检测一次，中间帧跟踪

conf_threshold = 0.4

iou_threshold = 0.5

行为分类配置

behavior_model_path = "pig_behavior_classifier.pt" # 行为分类模型

behavior_classes = "feeding", "resting", "active", "social", "sniffing", "walking"

behavior_classes_cn = {"feeding": "进食", "resting": "休息", "active": "活动",

"social": "社交", "sniffing": "嗅探", "walking": "走动"}

ROI区域配置（栏舍功能区域，需根据实际场景标定）

feeder_roi = (100, 200), (300, 200), (300, 350), (100, 350) # 料槽区域

drinker_roi = (400, 150), (450, 150), (450, 250), (400, 250) # 饮水器区域

resting_roi = (50, 400), (500, 400), (500, 550), (50, 550) # 休息区

异常预警阈值（基于个体基线，此处为示例值）

feeding_drop_threshold = 0.30 # 采食下降超过30%预警

activity_drop_threshold = 0.40 # 活动下降超过40%预警

resting_increase_threshold = 0.50 # 休息增加超过50%预警

no_feeding_hours = 12 # 拒食超过12小时紧急预警

基线窗口

baseline_days = 7 # 用最近7天数据建立基线

==================== 猪只个体类====================

class Pig:

def init(self, pig_id):

self.id = pig_id

self.track = deque(maxlen=300) # 位置轨迹（最近300帧/12秒）

self.behavior_history = deque(maxlen=7200) # 行为历史（最近2小时，25fps*7200）

self.current_behavior = "active"

self.behavior_confidence = 0.0

self.last_detection_time = time.time()

行为统计（按天）

self.daily_behavior_duration = defaultdict(float) # 当天各行为总时长（秒）

self.daily_feeding_count = 0

self.daily_walking_distance = 0.0 # 米

self.last_position = None

self.day = datetime.now().date()

健康基线（从历史数据加载，此处为示例）

self.baseline = {

"feeding_duration": 2700, # 平均每天采食45分钟（秒）

"activity_duration": 7200, # 平均每天活动2小时

"resting_duration": 50400, # 平均每天休息14小时

"walking_distance": 300, # 平均每天走动300米

"feeding_std": 480, # 采食时长标准差8分钟

"activity_std": 1080, #活动时长标准差18分钟

}

self.alert_level = "normal" # normal/observation/attention/warning/emergency

def update_position(self, bbox, timestamp):

"""更新猪只位置和轨迹"""

cx = (bbox0 + bbox2) / 2

cy = (bbox1 + bbox3) / 2

self.track.append((cx, cy, timestamp))

计算走动距离（像素转米，需要标定，此处假设10像素=0.1米）

if self.last_position is not None:

dx = cx - self.last_position0

dy = cy - self.last_position1

dist_pixels = np.sqrt(dx**2 + dy**2)

dist_meters = dist_pixels * 0.01 # 像素转米（需标定）

if self.current_behavior == "walking":

self.daily_walking_distance += dist_meters

self.last_position = (cx, cy)

self.last_detection_time = timestamp

检查是否跨天，跨天重置日统计

today = datetime.now().date()

if today != self.day:

self.save_daily_stats()

self.daily_behavior_duration.clear()

self.daily_feeding_count = 0

self.daily_walking_distance = 0.0

self.day = today

def update_behavior(self, behavior, confidence, duration_sec):

"""更新行为标签和统计"""

self.current_behavior = behavior

self.behavior_confidence = confidence

self.behavior_history.append((behavior, time.time()))

self.daily_behavior_durationbehavior += duration_sec

if behavior == "feeding":

#简单的采食次数统计（从非进食转为进食时计数+1）

if len(self.behavior_history) >= 2 and self.behavior_history-20 != "feeding":

self.daily_feeding_count += 1

def get_velocity(self):

"""计算当前移动速度（米/秒）"""

if len(self.track) < 10:

return 0.0

recent = list(self.track)-10:

dt = recent-12 - recent02

if dt <= 0:

return 0.0

dx = recent-10 - recent00

dy = recent-11 - recent01

dist = np.sqrt(dx**2 + dy**2) * 0.01 # 像素转米

return dist / dt

def is_in_roi(self, roi_polygon):

"""判断猪只是否在指定ROI区域内"""

if not self.track:

return False

cx, cy, _ = self.track-1

result = cv2.pointPolygonTest(np.array(roi_polygon, np.int32), (cx, cy), False)

return result >= 0

def check_alerts(self):

"""检查异常并返回预警信息"""

alerts = \[\]

now = datetime.now()

计算当天已过时间比例（用于归一化）

seconds_passed = (now - now.replace(hour=0, minute=0, second=0)).total_seconds()

day_ratio = min(1.0, seconds_passed / 86400)

1. 采食下降检测

feeding_today = self.daily_behavior_duration.get("feeding", 0)

expected_feeding = self.baseline"feeding_duration" * day_ratio

if expected_feeding > 60: # 至少过了1分钟才判断

feeding_ratio = feeding_today / expected_feeding if expected_feeding > 0 else 1.0

if feeding_ratio < (1 - self.config.feeding_drop_threshold):

drop_pct = (1 - feeding_ratio) * 100

if drop_pct > 60:

alerts.append(("warning", "采食严重下降", f"采食时长比预期低{drop_pct:.0f}%"))

else:

alerts.append(("attention", "采食下降", f"采食时长比预期低{drop_pct:.0f}%"))

2. 活动下降检测

activity_today = self.daily_behavior_duration.get("active", 0) + self.daily_behavior_duration.get("walking", 0)

expected_activity = self.baseline"activity_duration" * day_ratio

if expected_activity > 120:

activity_ratio = activity_today / expected_activity if expected_activity > 0 else 1.0

if activity_ratio < (1 - self.config.activity_drop_threshold):

drop_pct = (1 - activity_ratio) * 100

alerts.append(("attention", "活动量下降", f"活动时长比预期低{drop_pct:.0f}%"))

3. 休息异常增加检测

resting_today = self.daily_behavior_duration.get("resting", 0)

expected_resting = self.baseline"resting_duration" * day_ratio

if expected_resting > 300:

resting_ratio = resting_today / expected_resting if expected_resting > 0 else 1.0

if resting_ratio > (1 + self.config.resting_increase_threshold):

increase_pct = (resting_ratio - 1) * 100

alerts.append(("observation", "休息时间增加", f"休息时长比预期高{increase_pct:.0f}%"))

4. 拒食紧急检测

last_feeding_time = None

for behavior, ts in reversed(self.behavior_history):

if behavior == "feeding":

last_feeding_time = datetime.fromtimestamp(ts)

break

if last_feeding_time is not None:

hours_since_feeding = (now - last_feeding_time).total_seconds() / 3600

if hours_since_feeding > self.config.no_feeding_hours:

alerts.append(("emergency", "长时间拒食", f"已超过{hours_since_feeding:.1f}小时未进食"))

5. 多指标联合预警（采食+活动同时下降=高置信度疫病预警）

feeding_drop = (expected_feeding > 60) and (feeding_today < expected_feeding * 0.7)

activity_drop = (expected_activity > 120) and (activity_today < expected_activity * 0.6)

if feeding_drop and activity_drop:

alerts.append(("warning", "疑似疫病早期症状", "采食和活动同时显著下降，建议立即检查体温和健康状况"))

确定最高预警级别

if alerts:

levels = a\[0 for a in alerts]

if "emergency" in levels:

self.alert_level = "emergency"

elif "warning" in levels:

self.alert_level = "warning"

elif "attention" in levels:

self.alert_level = "attention"

else:

self.alert_level = "observation"

else:

self.alert_level = "normal"

return alerts

def save_daily_stats(self):

"""保存每日行为统计到数据库/文件（此处简化为打印）"""

stats = {

"pig_id": self.id,

"date": str(self.day),

"feeding_duration": self.daily_behavior_duration.get("feeding", 0),

"resting_duration": self.daily_behavior_duration.get("resting", 0),

"activity_duration": self.daily_behavior_duration.get("active", 0),

"walking_duration": self.daily_behavior_duration.get("walking", 0),

"social_duration": self.daily_behavior_duration.get("social", 0),

"sniffing_duration": self.daily_behavior_duration.get("sniffing", 0),

"feeding_count": self.daily_feeding_count,

"walking_distance": self.daily_walking_distance,

}

print(f"日统计 猪{self.id} {self.day}: {stats}")

==================== 行为分类器（简化版，基于规则+位置+运动） ====================

class BehaviorClassifier:

"""简化版行为分类器，实际生产应使用深度学习时序模型（SlowFast/TSM/ST-GCN）"""

def init(self, config):

self.config = config

加载深度学习行为分类模型（如果有）

self.model = YOLO(config.behavior_model_path) # 行为分类模型

def classify(self, pig, frame):

"""基于规则的简化行为分类，返回(行为, 置信度)"""

velocity = pig.get_velocity() # 米/秒

in_feeder = pig.is_in_roi(self.config.feeder_roi)

in_drinker = pig.is_in_roi(self.config.drinker_roi)

in_resting = pig.is_in_roi(self.config.resting_roi)

估计身体姿态（通过bounding box宽高比，实际应用骨骼点）

此处简化：通过轨迹位置变化和ROI判断

1. 进食：在料槽区 + 低速 + 头部低下（需姿态估计，此处简化）

if in_feeder and velocity < 0.15:

return ("feeding", 0.75)

2. 走动：速度大于阈值

if velocity > 0.15:

return ("walking", 0.80)

3. 休息：在休息区 + 极低速 + 长时间静止（需姿态，此处简化）

if in_resting and velocity < 0.05:

#检查是否持续静止超过10秒

if len(pig.track) > 250: # 10秒@25fps

recent = list(pig.track)-250:

positions = (p\[0, p1) for p in recent]

movement = np.std(positions, axis=0).sum()

if movement < 20: # 10秒内位移标准差小

return ("resting", 0.85)

return ("resting", 0.60)

4. 嗅探：低速 + 头部低下（需姿态，此处简化为非料槽区的低速活动）

if velocity < 0.1 and not in_feeder and not in_resting:

return ("sniffing", 0.55)

5. 社交：与其他猪只近距离（需多猪距离计算，此处简化为活动）

实际应用中需要计算与其他猪只的距离和互动动作

6. 活动：兜底（站立但非上述行为）

return ("active", 0.50)

==================== 主系统类 ====================

class PigBehaviorMonitor:

def init(self, config):

self.config = config

self.pigs = {} # pig_id -> Pig对象

self.next_id = 1

加载YOLO检测模型

self.detector = YOLO(config.yolo_model_path)

行为分类器

self.behavior_classifier = BehaviorClassifier(config)

OC-SORT跟踪器（实际应用中使用官方实现，此处简化为基于IOU的简单跟踪）

self.trackers = {} # pig_id ->上一帧bbox

self.frame_count = 0

self.last_frame_time = time.time()

预警记录

self.alert_log = \[\]

def detect_pigs(self, frame):

"""YOLO检测猪只，返回边界框列表"""

results = self.detector(frame, conf=self.config.conf_threshold,

iou=self.config.iou_threshold, verbose=False)

boxes = \[\]

for result in results:

for box in result.boxes:

if box.cls == 0: # 类别0=猪只

x1, y1, x2, y2 = box.xyxy0.cpu().numpy()

conf = box.conf0.cpu().numpy()

boxes.append((int(x1), int(y1), int(x2), int(y2), float(conf)))

return boxes

def track_pigs(self, detections):

"""简化版多目标跟踪（基于IOU匹配，实际应用使用OC-SORT/DeepSORT）"""

matched = {} # pig_id -> bbox

unmatched_detections = list(range(len(detections)))

1. 计算现有tracker与检测的IOU矩阵

if self.trackers:

iou_matrix = np.zeros((len(self.trackers), len(detections)))

tracker_ids = list(self.trackers.keys())

for i, tid in enumerate(tracker_ids):

for j, det in enumerate(detections):

iou_matrixi, j = self._compute_iou(self.trackerstid, det:4)

2. 贪心匹配（实际应用使用匈牙利算法）

while True:

if iou_matrix.size == 0:

break

max_idx = np.unravel_index(np.argmax(iou_matrix), iou_matrix.shape)

max_iou = iou_matrixmax_idx

if max_iou < 0.3: # IOU阈值

break

tid = tracker_idsmax_idx\[0]

det_idx = max_idx1

matchedtid = detectionsdet_idx:4

iou_matrixmax_idx\[0, :] = 0

iou_matrix:, max_idx\[1] = 0

if det_idx in unmatched_detections:

unmatched_detections.remove(det_idx)

3. 未匹配的检测=新猪只，分配新ID

for det_idx in unmatched_detections:

new_id = self.next_id

self.next_id += 1

self.pigsnew_id = Pig(new_id)

matchednew_id = detectionsdet_idx:4

4. 更新trackers

self.trackers = {tid: bbox for tid, bbox in matched.items()}

5. 删除长时间未检测到的猪只（超过30秒）

now = time.time()

to_remove = \[\]

for tid, pig in self.pigs.items():

if now - pig.last_detection_time > 30:

to_remove.append(tid)

for tid in to_remove:

del self.pigstid

if tid in self.trackers:

del self.trackerstid

return matched

def _compute_iou(self, box1, box2):

"""计算两个边界框的IOU"""

x1 = max(box10, box20)

y1 = max(box11, box21)

x2 = min(box12, box22)

y2 = min(box13, box23)

intersection = max(0, x2 - x1) * max(0, y2 - y1)

area1 = (box12 - box10) * (box13 - box11)

area2 = (box22 - box20) * (box23 - box21)

union = area1 + area2 - intersection

return intersection / union if union > 0 else 0

def process_frame(self, frame):

"""处理单帧：检测→跟踪→行为分类→预警检查"""

self.frame_count += 1

now = time.time()

frame_duration = now - self.last_frame_time

self.last_frame_time = now

1. 检测（每N帧一次，中间帧用跟踪预测）

if self.frame_count % self.config.detection_interval == 1 or not self.trackers:

detections = self.detect_pigs(frame)

matched = self.track_pigs(detections)

else:

#中间帧：用跟踪器的位置（实际应用用光流/KCF预测）

matched = dict(self.trackers)

2. 更新每头猪的位置和行为

frame_alerts = \[\]

for pig_id, bbox in matched.items():

if pig_id not in self.pigs:

self.pigspig_id = Pig(pig_id)

pig = self.pigspig_id

pig.update_position(bbox, now)

#行为分类

behavior, confidence = self.behavior_classifier.classify(pig, frame)

pig.update_behavior(behavior, confidence, frame_duration)

#预警检查（每100帧/4秒检查一次，减少计算量）

if self.frame_count % 100 == 0:

alerts = pig.check_alerts()

for level, title, desc in alerts:

alert_entry = {

"time": datetime.now().strftime("%Y-%m-%d %H:%M:%S"),

"pig_id": pig_id,

"level": level,

"title": title,

"description": desc,

}

frame_alerts.append(alert_entry)

self.alert_log.append(alert_entry)

实际应用中通过MQTT/HTTP推送预警到移动端

print(f"预警-{level} 猪{pig_id}: {title} - {desc}")

return matched, frame_alerts

def draw_results(self, frame, matched):

"""在帧上绘制检测跟踪结果和行为标签"""

for pig_id, bbox in matched.items():

if pig_id not in self.pigs:

continue

pig = self.pigspig_id

x1, y1, x2, y2 = bbox

#根据预警级别选择颜色

color_map = {

"normal": (0, 255, 0), # 绿色

"observation": (255, 255, 0), # 黄色

"attention": (0, 165, 255), # 橙色

"warning": (0, 0, 255), # 红色

"emergency": (255, 0, 255), # 品红

}

color = color_map.get(pig.alert_level, (0, 255, 0))

#绘制边界框

cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)

#绘制ID和行为标签

behavior_cn = pig.behavior_classes_cn.get(pig.current_behavior, pig.current_behavior)

label = f"ID:{pig_id} {behavior_cn} ({pig.behavior_confidence:.0%})"

cv2.putText(frame, label, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2)

#绘制轨迹

if len(pig.track) > 2:

points = (int(p\[0), int(p1)) for p in list(pig.track)-50:]

for i in range(len(points) - 1):

cv2.line(frame, pointsi, pointsi+1, color, 1)

绘制ROI区域

cv2.polylines(frame, np.array(self.config.feeder_roi, np.int32), True, (0, 255, 255), 2)

cv2.putText(frame, "Feeder", (self.config.feeder_roi00, self.config.feeder_roi01 - 5),

cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 255), 1)

cv2.polylines(frame, np.array(self.config.resting_roi, np.int32), True, (255, 0, 255), 2)

cv2.putText(frame, "Resting", (self.config.resting_roi00, self.config.resting_roi01 - 5),

cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 255), 1)

显示统计信息

info = f"Pigs: {len(self.pigs)} | Frame: {self.frame_count} | Alerts: {len(self.alert_log)}"

cv2.putText(frame, info, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)

return frame

def run(self):

"""主循环：从摄像头读取视频流并处理"""

cap = cv2.VideoCapture(self.config.camera_url)

if not cap.isOpened():

print(f"无法打开摄像头: {self.config.camera_url}")

return

print("猪只行为实时监测系统启动...")

print(f"行为类别: {pig.behavior_classes_cn\[c for c in self.config.behavior_classes]}")

while True:

ret, frame = cap.read()

if not ret:

print("读取帧失败，尝试重连...")

cap.release()

time.sleep(2)

cap = cv2.VideoCapture(self.config.camera_url)

continue

#处理帧

matched, alerts = self.process_frame(frame)

#绘制结果

frame = self.draw_results(frame, matched)

#显示（实际生产中推流到管理平台，不本地显示）

cv2.imshow("Pig Behavior Monitor", frame)

#每300帧（12秒）打印一次行为统计

if self.frame_count % 300 == 0:

print(f"\n=== 第{self.frame_count}帧行为统计 ===")

for pig_id, pig in self.pigs.items():

behavior_cn = pig.behavior_classes_cn.get(pig.current_behavior, pig.current_behavior)

print(f" 猪{pig_id}: 当前={behavior_cn}, 预警={pig.alert_level}, "

f"今日采食={pig.daily_behavior_duration.get('feeding',0):.0f}秒, "

f"走动={pig.daily_walking_distance:.1f}米")

#按q退出

if cv2.waitKey(1) and 0xFF == ord('q'):

break

cap.release()

cv2.destroyAllWindows()

print("系统已停止")

==================== 运行 ====================

if name == "main":

config = Config()

monitor = PigBehaviorMonitor(config)

monitor.run()

**代码说明：**以上代码是一个简化的教学示例，涵盖了猪只行为监测系统的核心流程。实际生产部署需要以下改进：①检测模型替换为针对猪只场景训练的YOLOv8n/v11n改进模型（如LAD-YOLO/SR-YOLO），mAP达到90%以上；②跟踪器替换为OC-SORT或BYTETrack，解决遮挡ID切换问题，MOTA达到80%以上；③行为分类器替换为深度学习时序模型（SlowFast/TSM/ST-GCN），利用骨骼关键点和时间上下文精确区分六大行为，而不是基于位置和速度的简单规则；④增加姿态估计模块（YOLO-Pose），提取12-17个骨骼关键点，用于进食头部姿态、休息姿态、跛行检测等；⑤增加多模态融合（红外热成像体温、智能耳标加速度、音频咳嗽检测），提升疫病预警能力；⑥ROI区域自动标定（而不是手动配置坐标），支持栏舍自动识别；⑦像素-米标定（通过相机标定和栏舍尺寸计算精确的像素/米转换系数，而不是硬编码0.01）；⑧预警推送（通过MQTT/HTTP/WebSocket推送到移动端APP/小程序，支持分级通知和处理闭环）；⑨数据存储（时序数据库InfluxDB/TDengine存储行为数据，MySQL存储个体档案和预警记录，MinIO存储视频片段）；⑩模型热更新（支持不停止服务更新检测和行为识别模型）；⑪多摄像头支持（同时处理多路视频流，跨摄像头个体ReID）；⑫GPU/NPU加速（TensorRT/RKNN/OpenVINO优化推理，边缘端实时处理）。

七、工程落地与优化

猪只行为监测系统从算法原型到猪场生产落地，需要解决实时性、鲁棒性、端侧部署、系统集成等工程问题。猪场环境恶劣（粉尘大、氨气重、温差大、供电不稳定、网络差），对系统的稳定性和可维护性要求高，工程优化的质量直接决定系统能否在猪场长期稳定运行。

7.1 实时性优化

猪场通常一栋猪舍有4-8个栏舍，每个栏舍1个摄像头，单栋猪舍4-8路视频流需要同时处理，每路视频25-30fps，系统需要实时处理（延迟小于200-500ms）才能及时预警。实时性优化策略：

①检测-跟踪联动：视频流中，每N帧（如每5帧）跑一次YOLO检测（计算量大，约30-50ms/帧），中间帧用轻量级跟踪器（光流/KCF/卡尔曼滤波预测，约2-5ms/帧）预测猪只位置和轨迹，跟踪失败或每5帧重新触发检测。这样平均计算量降低到1/5（检测只在20%的帧运行），平均延迟从40ms降到10ms，同时保持跟踪连续性。行为分类可以每10-15帧（0.5秒）做一次（行为是持续状态，不需要每帧分类），进一步降低计算量。

②ROI局部处理：检测到猪只位置后，行为分类和姿态估计只在每头猪的ROI区域内做（裁剪猪只子图像输入行为模型），不处理整幅图像，计算量与猪只数量和ROI面积成正比（通常每头猪ROI只有整幅图像的5-10%，10头猪总计50-100%，但可以批处理）。栏舍ROI（功能区域判定）只做一次（整幅图像的多边形测试，计算量极小）。

③跳帧与降分辨率：对于非关键行为（休息/活动等稳定状态），可以跳帧处理（每2-3帧处理一次）；对于关键行为（进食/攻击/跛行），全帧率处理。输入分辨率可以根据场景调整------大栏舍用1280×720，小栏舍用640×480，在保证猪只有足够像素的前提下降低计算量。

④多线程流水线：将视频采集、预处理、检测跟踪、行为分类、预警判断、数据存储、视频推流放在不同线程/进程，形成流水线（pipeline），各阶段并行处理，提升整体吞吐量。使用生产者-消费者模式和队列（Queue）解耦各阶段，避免某一阶段阻塞影响整体。多路视频流可以用多进程并行处理（每个进程处理1-2路视频），充分利用多核CPU和GPU。

⑤硬件加速：用GPU/NPU并行加速：YOLO检测跟踪用TensorRT（NVIDIA GPU/Jetson）或RKNN（瑞芯微NPU）或OpenVINO（Intel CPU/NPU）优化，推理速度提升2-5倍；图像预处理（颜色空间转换、缩放、归一化）用CUDA/NEON SIMD并行；行为分类模型（SlowFast/TSM）可以用TensorRT优化或蒸馏为轻量模型；模型量化（FP32→INT8），推理速度提升2-4倍，模型大小减少75%，精度损失通常小于1%。

⑥模型轻量化与蒸馏：选择轻量化模型：检测用YOLOv8n/v11n（2-6M参数）而非YOLOv8l（40M+参数）；行为分类用TSM（零额外计算量的时序建模）或MobileNetV3+LSTM而非SlowFast（计算量大）；姿态估计用YOLOv8n-pose而非HRNet。知识蒸馏：用大模型（YOLOv8l+SlowFast）作为教师模型，训练小模型（YOLOv8n+TSM）作为学生模型，在保持小模型速度的同时接近大模型精度（通常可恢复大模型90-95%的精度）。模型剪枝：去除冗余通道和层，进一步压缩。

⑦早停与快速拒绝：行为识别中，如果猪只位置和姿态与上一帧相同且无运动，可以直接复用上一帧的行为标签（行为是持续状态，不会瞬间变化），跳过行为分类计算。预警判断不需要每帧做，可以每5-10秒做一次（异常是持续状态，不需要毫秒级响应）。

⑧动态资源调度：根据猪场作息动态调整计算资源------白天猪只活动多（需要全帧率检测+行为分类+预警），夜间猪只休息多（可以降帧率、只做检测和异常活动监测、降低预警频率）；喂料时段（采食行为多，重点监测采食）提升检测频率；非喂料时段降低频率。动态调度可以在保证关键时段精度的同时降低整体计算量和功耗。

实时性优化的目标是单路视频端到端延迟（从摄像头采集到行为输出）小于200-500ms，单边缘AI盒子可同时处理4-8路视频流，预警响应时间（从异常发生到推送通知）小于5-10秒。

7.2 鲁棒性优化

猪场环境是计算机视觉应用中最具挑战性的场景之一------光照变化大（昼夜交替、自然光+人工光、粉尘遮挡镜头）、猪只外观相似度高（同品种猪几乎一模一样）、遮挡严重（扎堆、叠卧、走动时互相遮挡）、猪只会触碰/污染设备（啃咬摄像头、拱设备、溅泥水/粪便到镜头）、供电和网络不稳定。鲁棒性优化是系统能否长期稳定运行的关键。

①光照鲁棒：猪场光照变化极大------白天可能有强烈自然光从窗户射入（局部过曝），夜间可能只有红外补光（黑白图像、细节少），阴天/晴天/季节变化，粉尘遮挡镜头导致整体变暗。应对策略：·固定补光（每个摄像头旁安装白光+940nm红外双光源，光感自动切换，确保栏舍光照稳定，减少对自然光的依赖）；·自动曝光/增益（相机根据环境光自动调整，保持猪只区域亮度稳定，避免过曝/过暗）；·颜色恒常性（Gray World/White Patch/深度学习颜色恒常性，校正色偏）；·光照归一化（将图像亮度归一化到固定范围，如将直方图拉伸到0-255，减少光照变化对特征提取的影响）；·红外/可见光双模式（夜间自动切换红外模式，算法支持红外图像的检测和行为识别------需要用红外图像训练或做域适应）；·光照变化检测+重新校准（检测到光照突变时，自动调整参数或跳过几帧等待稳定）。

②遮挡与扎堆鲁棒：猪只扎堆休息、叠卧、走动时互相遮挡是猪场最常见的挑战，会导致检测漏检、跟踪ID切换、行为识别错误。应对策略：·实例分割（YOLO-seg/FastSAM生成每头猪的精确掩码，即使部分被遮挡也能通过可见部分识别）；·遮挡感知跟踪（OC-SORT/BYTETrack以观测为中心，遮挡时保持ID不删除，用运动预测维持轨迹，遮挡结束后重新匹配，设置遮挡时长阈值如30-60帧才删除ID）；·多摄像头视角（顶部俯拍+侧视补充，遮挡时用其他视角的信息补充，跨摄像头ReID传递ID）；·深度信息辅助（深度相机区分前后猪只，即使RGB图像中重叠，深度不同也能区分个体）；·部分可见行为识别（训练时包含大量遮挡样本，用数据增强模拟遮挡（CutOut/Random Erasing），让模型学会从部分可见的猪只识别行为）；·群体级行为补充（个体遮挡严重时，退而求其次做群体级行为统计------栏舍整体活动量、采食区猪只数量、休息区猪只数量，虽然不能精确到个体，但仍能提供有价值的群体行为信息）。

③设备污染与防破坏：猪只会啃咬设备、拱摄像头、溅泥水/粪便/饲料到镜头上，导致镜头模糊或完全被遮挡。应对策略：·安装高度和位置（摄像头安装在2.5米以上，猪只触碰不到，加装金属防护罩，防止啃咬和拱顶）；·镜头保护（使用钢化玻璃保护窗，表面镀疏水疏油膜（泥水/粪便不易附着，便于清洁），可加配自动清洁装置（雨刮/喷水/压缩空气吹扫，定期自动清洁镜头）；·图像质量监测（实时监测图像清晰度（拉普拉斯方差/ Brenner梯度）和亮度，如果镜头被污染（模糊/变暗/局部遮挡超过阈值），自动报警通知饲养员清洁，同时降低该路视频的检测置信度或暂停该路的预警（避免误报）；·设备选型（选择IP66/IP67防护等级、不锈钢外壳、防腐蚀的工业级畜牧专用摄像头，而非普通消费级摄像头）；·定期维护（建立设备维护计划，每周检查镜头清洁度，每月校准摄像头位置和ROI，每季度检查线路和供电）。

④猪只外观相似与个体识别：同品种猪只外观几乎一模一样（白色猪尤其明显），纯靠视觉ReID难以长期保持个体ID一致（跨天/跨摄像头后ID可能切换）。应对策略：·智能耳标辅助（给核心群猪只佩戴智能耳标，耳标ID是最可靠的个体身份，视觉ID与耳标ID关联------耳标读取（RFID/UHF）时校准视觉ID，解决视觉ReID的长期一致性问题；耳标还提供加速度和体温数据，多模态融合提升行为识别和疫病预警）；·生物特征识别（研究中的猪面部识别、鼻纹识别------每头猪的鼻纹类似指纹唯一，可作为更可靠的个体识别手段，目前技术成熟度不足但可作为未来方向；面部特征（毛色斑纹、耳朵形状、面部轮廓）在有斑纹的品种（如杜洛克、皮特兰）上区分度较好）；·时空约束（ReID匹配时结合时空约束------同一头猪不可能在两帧间瞬移超过物理可能的距离，时间间隔越短位置约束越强，大幅减少外观相似导致的误匹配）；·栏舍内ID保持（在单栏舍内，通过稳定的跟踪（OC-SORT+遮挡处理）可以保持ID一致，ID切换主要发生在跨栏舍/跨天时------对于不需要跨栏舍跟踪的场景（如育肥猪从入栏到出栏在同一栏舍），单栏舍内ID一致已经足够；对于需要跨栏舍跟踪的场景（如母猪转栏、种猪测定），用耳标辅助）。

⑤环境干扰与误报控制：猪场有很多环境干扰可能导致误检/误报------饲养员进入猪舍（被检测为"异常大目标"或"猪只活动激增"）、设备运行（料线转动、风机振动、饮水器流水）、其他动物（老鼠、猫、鸟进入猪舍）、光影变化（云遮日、灯光闪烁、风扇影子转动）。应对策略：·ROI限定（只在栏舍区域内检测，排除走道和饲养员区域；饲养员进入时可以通过人体检测识别并排除，不纳入猪只行为统计）；·背景减除+稳定帧（预先采集背景，当前帧与背景做差，只处理变化区域；排除静态干扰（设备、光影））；·多帧确认（异常行为需要连续多帧（如3-5秒）确认才预警，排除单帧误检和瞬时干扰）；·行为合理性校验（预警前检查行为是否合理------如"采食下降"需要排除喂料时段未到、料槽空了、猪只转栏等正常原因；"活动激增"需要排除饲养员进入、喂料时间等正常刺激）；·误报反馈学习（饲养员处理预警时标记"误报"，系统记录误报原因和场景，用于优化检测规则和阈值，持续降低误报率------目标误报率小于30%，过高会导致饲养员忽视预警）。

⑥供电与网络稳定性：猪场供电可能不稳定（电压波动、偶尔停电），网络可能差（猪场位置偏远、WiFi覆盖不好、猪舍金属结构屏蔽信号）。应对策略：·边缘计算（核心算法（检测/跟踪/行为分类/本地预警）在边缘AI盒子本地运行，不依赖网络------断网时系统仍能正常监测和本地存储预警，网络恢复后数据自动同步到云端）；·本地存储（边缘盒子配备大容量SSD/HDD（1-4TB），本地存储原始视频（7-14天循环覆盖）和行为数据（长期存储），断网时数据不丢失）；·UPS不间断电源（边缘盒子和关键摄像头配备UPS，停电后可继续运行30-60分钟，支持优雅关机和数据保存，避免突然断电导致数据损坏）；·网络冗余（优先使用有线以太网（稳定、带宽高），WiFi/4G/5G作为备用；关键数据（预警通知）用4G/5G模块独立发送，不依赖猪场主网络）；·断点续传（网络中断时数据本地缓存，网络恢复后自动断点续传到云端，确保数据不丢失、不重复）。

鲁棒性优化的目标是系统在猪场恶劣环境下7×24小时稳定运行，设备在线率大于95%，检测跟踪在遮挡/光照变化下保持稳定（MOTA>75%，ID切换率小于10%），预警误报率小于30%，设备维护周期大于1个月（不需要每周人工清洁/校准）。

7.3 端侧部署与硬件方案

猪只行为监测系统采用"边缘计算+云端管理"架构------猪舍端边缘AI盒子实时处理视频流（检测/跟踪/行为分类/本地预警），云端负责数据存储、统计分析、模型训练、跨场管理和移动端推送。端侧部署是系统的核心，硬件方案按性能和成本分为几档：

①高端方案------边缘AI服务器/工作站：NVIDIA Jetson AGX Orin（275TOPS）或工控机+RTX 3060/4060 GPU，性能强，支持大模型（YOLOv8m-seg+SlowFast行为分类+姿态估计）、8-16路视频流同时处理、多模态融合（RGB+深度+红外+音频）、高精度个体ReID。单路延迟50-100ms，支持4-8个栏舍（8-16路摄像头）。成本较高（1.5-3万元/套），适合核心群猪舍（种猪/母猪）、疫病监测需求强的猪场、研究试验场。

②中端方案------边缘AI盒子（主流推荐）：瑞芯微RK3588（6TOPS NPU）或NVIDIA Jetson Orin Nano（40TOPS）/Orin NX（70-100TOPS）或华为Atlas 200I DK A2，性能中等，支持YOLOv8n-seg+INT8量化+TSM轻量行为分类+简化姿态估计，4-8路视频流同时处理。单路延迟100-200ms，支持2-4个栏舍（4-8路摄像头）。成本中等（3000-8000元/套），适合大多数规模化猪场的育肥猪舍、保育猪舍，是性价比最高的主流方案。推荐RK3588方案------国产芯片、成本低（开发板1000-2000元）、NPU算力足够、支持INT8量化、生态成熟（RKNN工具链），适合大规模部署。

③低端方案------轻量边缘设备：树莓派4B/5+Google Coral TPU USB加速棒，或普通x86工控机（Intel i3/i5+CPU推理），性能有限，支持YOLOv5n/YOLOv8n（无分割）+简化行为分类（基于位置和运动的规则分类，无时序模型），1-2路视频流处理。单路延迟200-500ms，支持1个栏舍（1-2路摄像头）。成本低（1000-3000元/套），适合小型猪场、预算有限的试点场景、或只做群体级行为监测（不需要个体级跟踪）的场景。

④AI摄像头一体机（新兴方案）：内置AI芯片（RK3588/海思Hi3559A/安霸CV22）的智能摄像头，摄像头本身集成检测跟踪算法，直接输出行为数据（不需要额外边缘盒子），安装简单（一个摄像头就是一个完整节点，PoE供电+网线传输数据），使用方便。成本中等（500-1500元/摄像头），适合标准化程度高、快速部署的场景。缺点是算力有限（通常只能做检测+简单行为分类，无法做复杂时序模型和多模态融合），算法更新不如边缘盒子灵活。

**摄像头选型：**推荐400万像素（2560×1440）、25-30fps、全局快门、IP66/IP67防护、低照度（0.001lux星光级）、支持940nm红外补光、PoE供电、RTSP/ONVIF协议的工业级畜牧专用摄像头。品牌选择：海康威视/大华（工业级，质量稳定，有畜牧专用系列）、宇视/天地伟业（性价比高）、海思方案的白牌摄像头（成本低，适合大规模部署）。镜头选择2.8-4mm广角（单摄像头覆盖15-25平方米栏舍），安装高度2.5-3.5米俯拍。

**补光设备：**白光+940nm红外双光源补光灯，白光色温4000-5000K、CRI>80（白天/需要彩色图像时使用），940nm红外无红曝（夜间使用，不干扰猪只睡眠），光感传感器自动切换，安装在摄像头旁，功率5-15W，防护等级IP66。

**可选多模态设备：**深度相机（Intel RealSense D435i/海康深度相机，用于体高/姿态/体重估算，关键栏舍部署）、红外热像仪（FLIR Lepton/海康红外模组，320×256分辨率，±2℃测温精度，用于体温监测和发热预警，猪舍出入口或每栏一个测温点）、智能耳标（RFID/UHF+加速度+体温，用于个体身份辅助和多模态融合，核心群佩戴）、环境传感器（温湿度/氨气/二氧化碳，每栋1-2个）、麦克风阵列（音频采集，咳嗽检测，疫病早期预警）。

**端侧软件优化：**①模型轻量化（YOLOv8n+INT8量化+知识蒸馏+剪枝，确保在边缘NPU上实时运行）；②推理框架（TensorRT for NVIDIA、RKNN for 瑞芯微、OpenVINO for Intel、CANN for 华为昇腾，比原生PyTorch快2-5倍）；③内存优化（图像和中间结果原地计算，模型用内存映射mmap，多路视频分时复用内存，确保在2-4GB内存的边缘设备上流畅运行）；④功耗优化（动态频率调节DFVS，空闲时降频，工作时升频，NPU硬件加速比CPU通用计算功耗低，确保设备长时间稳定运行不发热降频------RK3588满载功耗约5-8W，Jetson Orin Nano 7-15W，适合无风扇或小风扇散热）；⑤远程管理（边缘设备支持远程监控------设备状态/CPU/GPU/NPU利用率/内存/温度/在线状态/模型版本/检测率/预警数，远程更新------模型OTA升级/配置下发/算法热更新，远程诊断------日志上传/异常告警/远程重启，总部可以统一管理成百上千台猪场设备，不需要现场维护）；⑥系统可靠性（看门狗watchdog------程序崩溃自动重启，系统监控------CPU/内存/磁盘使用率监控，磁盘满自动清理旧视频，数据校验------行为数据和预警记录写入时校验，防止数据损坏，双系统备份------系统更新失败自动回滚到上一版本）。

7.4 系统集成与业务流程

猪只行为监测系统不是孤立的，需要与猪场现有的管理系统和业务流程集成，才能发挥最大价值。猪场通常已有环控系统、饲喂系统、猪只管理系统（如养猪通、猪联网、智草云）、财务系统等。

①与猪场管理系统（Pig Management System, PMS）集成：·个体档案同步：行为监测系统的猪只个体ID与PMS中的猪只档案（品种、出生日期、父母系、免疫记录、繁育状态、体重）关联，行为数据补充到个体档案中，形成完整的猪只全生命周期数据；·转栏/淘汰同步：PMS中的转栏、淘汰、死亡记录同步到行为系统，自动停止对应猪只的监测（避免"幽灵猪只"持续监测），转栏时自动在新栏舍中建立该猪只的监测；·预警联动：行为系统的健康预警同步到PMS，在PMS的猪只档案中标注"健康异常"，触发兽医巡栏任务，治疗记录和转归结果回传到行为系统（用于验证预警准确性和优化模型）。

②与环控系统集成：·环境-行为关联分析：环控系统的温湿度、氨气、通风、光照数据与行为数据融合，分析环境对行为的影响（如温度超过28℃时猪只活动下降、饮水增加、扎堆减少------热应激；氨气超过25ppm时猪只休息减少、行为异常------空气质量差）；·环境异常预警联动：行为异常（如全栏猪只活动骤增、扎堆散开）可能提示环境问题（如温度过高/通风故障/氨气泄漏），自动联动环控系统检查和调整（增加通风、降低温度）；·环境控制建议：基于行为数据优化环控参数------如猪只休息时扎堆说明温度偏低，建议提高设定温度；猪只分散休息、呼吸急促说明温度偏高，建议降低温度。实现"基于动物行为的精准环控"，比单纯基于温度传感器的环控更符合猪只实际需求。

③与饲喂系统集成：·采食行为-采食量关联：饲喂系统的下料量、采食时间数据与行为系统的采食行为（采食时长、采食次数、采食速度）融合，精确计算每头猪的采食量和采食效率（行为系统识别"在料槽旁"vs"真正进食"，饲喂系统记录下料量，两者结合得到真实采食量）；·精准饲喂：基于采食行为数据调整饲喂策略------如某头猪采食下降，自动增加适口性好的饲料或调整饲喂时间；群体采食节律变化，调整饲喂时间和频次；·饲料转化率（FCR）分析：采食行为+采食量+体重估算（深度相机/视觉体重估算），计算每头猪的FCR，识别高效个体和低效个体，用于选种和饲喂优化。

④与繁育管理系统集成：·发情行为检测：行为系统识别母猪发情行为（站立反射、频繁走动、嗅探其他猪、静立反应、接受爬跨），自动提示配种时间，与繁育系统的配种计划联动，提高配种率和受胎率------研究表明基于行为的发情检测比人工观察更及时准确，可提高受胎率5-10%；·分娩行为预警：行为系统识别母猪分娩前行为（频繁起卧、筑巢行为、叼草、不安、食欲下降），提前6-12小时预警接产，提高仔猪成活率（减少难产和仔猪被压死）；·哺乳行为监测：监测母猪哺乳行为（哺乳频次、哺乳时长、仔猪吃奶行为），评估母猪母性和泌乳能力，识别哺乳异常（如母猪拒绝哺乳、仔猪吃奶不足）。

⑤与疫病防控系统集成：·疫病早期预警：行为异常（采食下降、活动减少、发热、咳嗽、犬坐呼吸、群体发病）是疫病早期最敏感的信号，行为系统的预警与疫病防控系统联动，触发兽医巡栏、采样检测、隔离、用药等防控流程------"早发现、早隔离、早治疗"，减少疫病传播和损失；·群体发病监测：当同一栏舍/同一栋猪舍多头猪只同时出现类似行为异常（如同时采食下降、同时发热），系统自动判定为"群体异常事件"，升级预警级别，提示可能是传染病或环境问题，立即启动防控预案；·免疫/用药记录联动：免疫和用药记录与行为数据关联，分析免疫/用药前后的行为变化（如免疫后24-48小时内采食下降、活动减少是正常免疫反应，持续超过48小时则异常），评估免疫/用药效果和副作用。

⑥与经营分析/BI系统集成：

·生产性能分析：行为数据（采食、活动、休息、生长）与生产数据（日增重、FCR、死亡率、出栏时间）交叉分析，发现影响生产性能的关键行为因素，优化饲养管理；·成本效益分析：行为监测系统的投入（设备、安装、维护）与产出（减少死亡率、提高FCR、提高配种率、减少人工）量化对比，计算ROI，为规模化部署提供决策依据；·猪场对比分析：多猪场的行为数据横向对比（如A场采食节律vs B场、A场活动量vs B场），识别管理差异和最佳实践，推广优秀猪场的管理经验；·预警效果分析：统计预警准确率、提前预警时间、处理后恢复率、误报率，持续优化检测规则和模型，评估系统价值。

⑦移动端应用与饲养员工作流：

·预警推送：通过微信小程序/APP/短信/电话将分级预警推送给饲养员和兽医，预警包含猪只ID、栏舍位置、异常类型、严重程度、建议检查项，饲养员点击导航到对应栏舍；·处理闭环：饲养员现场检查后在APP中记录检查结果（正常/异常症状/确诊疾病）、处理措施（观察/治疗/隔离/淘汰）、处理时间，形成"预警→检查→处理→跟踪→结案"完整闭环；·个体档案查询：饲养员用APP扫描猪只耳标或输入ID，查看该猪只的完整档案（基本信息+行为数据+健康记录+繁育记录+预警历史）；·数据看板：场长/兽医通过APP查看猪场整体状态（在线设备数、当前预警数、今日异常猪只数、各栏舍行为概览、环境参数），远程掌握猪场情况；·培训与知识库：APP内置猪病知识库和处理指南，预警时自动推送相关疾病的症状、鉴别诊断、处理建议，辅助饲养员和兽医决策。

**业务流程设计：**猪只行为监测融入猪场日常管理的完整流程：①系统7×24小时自动监测→②检测到行为异常→③系统自动判定预警级别（观察/关注/预警/紧急）→④分级推送给相关人员（饲养员/兽医/场长）→⑤人员按建议到现场检查猪只→⑥记录检查结果和症状→⑦兽医诊断并采取处理措施（治疗/隔离/调整环境/淘汰）→⑧系统持续监测该猪只行为，跟踪恢复情况→⑨处理后24-48小时行为未改善则升级预警或重新评估→⑩异常解除后结案，记录完整事件链→⑪定期复盘异常模式，优化检测规则和预警阈值→⑫积累的异常案例用于模型迭代优化。整个流程自动化、数据化、可追溯，减少对人工经验的依赖，提升猪场管理效率和疫病防控能力。

**数据安全与合规：**猪只行为数据和视频属于猪场经营数据，需要：①本地存储为主（原始视频存猪场本地7-14天，行为结构化数据可同步云端长期保留，猪场可选择是否上云）；②数据加密（传输用TLS，存储用AES，访问需认证授权）；③权限管理（总部管理员/场长/兽医/饲养员不同角色不同权限，只能看自己权限范围内的数据和猪场）；④数据归属（明确数据归猪场所有，服务商不得擅自使用或分享，合同中约定数据使用范围）；⑤视频隐私（猪舍视频不涉及个人隐私，但饲养员进入猪舍时可能被拍到，需要做人体模糊处理或避免拍摄饲养员面部，遵守个人信息保护法）；⑥数据保留期限（原始视频7-14天循环覆盖，行为数据和预警记录按猪场要求保留1-3年，到期自动删除）。

八、主流产品与方案对比

猪只行为监测和智慧养猪是近年来快速发展的赛道，国内外已有多家厂商提供相关产品和方案，技术路线和定位各有侧重。以下是主流方案的对比：

|-------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------|------------------------------------------------------------------------------------------------------------|----------------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 厂商/方案 | 技术路线 | 核心能力 | 适用场景 | 特点与局限 |
| 视动世纪智慧养猪（北京视动世纪） | AI机器视觉+物联网+大数据+数字孪生+边缘计算，自研AI视觉算法，猪场全域高清摄像头，无接触个体识别 | 生猪无接触个体识别、行为分析、健康监测、精准饲喂、圈舍管控、繁育管理、防疫预警、出栏溯源全流程智能管理，摆脱传统耳标依赖 | 规模化生猪养殖场全流程数字化升级，万头级猪场 | 功能全面（全流程覆盖）、无接触识别（不依赖耳标）、数字孪生可视化，是国内智慧养猪视觉方案的代表厂商；但方案较重（需要全域摄像头部署和平台对接）、成本较高、定制化程度高（不适合小猪场快速部署） |
| 智能耳标方案（睿畜科技、影子科技、网易味央等） | 智能耳标（RFID/UHF+加速度传感器+体温传感器）+LoRa/NB-IoT通信+云端数据分析，部分配合摄像头 | 个体身份识别、活动量监测（加速度）、体温监测、发情检测（活动量增加+体温变化）、定位（栏舍级）、健康预警 | 母猪/种猪核心群监测、发情检测、疫病早期预警 | 个体身份最可靠（耳标ID唯一）、体温和活动量数据直接（不依赖视觉）、功耗低（电池6-12个月）、部署相对简单；但需要给每头猪佩戴（有应激、有脱落/损坏风险、人工成本）、只能测活动量和体温（无法识别具体行为如进食/休息/社交/跛行）、精度受耳标佩戴位置影响、电池需要定期更换 |
| 环控 + 行为联动方案（畜牧环控厂商如大荷兰人、蒙特、京鹏环宇等） | 环境传感器（温湿度/氨气/CO2）+环控设备（通风/降温/供暖）+简单视觉或红外计数，部分集成行为分析 | 环境精准控制、猪只计数（红外/视觉）、群体活动量估算（PIR红外/视觉）、热应激预警（温度+活动量）、环境-行为联动控制 | 规模化猪场环控升级、热应激防控、群体级行为监测 | 环控是猪场刚需（方案容易落地）、环境-行为联动有实际价值（基于行为调环控比纯温度控制更精准）、厂商有猪场渠道和服务能力；但行为分析能力弱（通常只有群体活动量/计数，没有个体级行为识别和六大行为分类）、视觉算法不是核心能力（多为第三方集成）、个体健康预警能力不足 |
| 学术研究原型系统（中国农业大学、华中农业大学、华南农业大学、农业农村部设施农业工程重点实验室等） | YOLOv8n/v11n改进（LAD-YOLO/SR-YOLO/Wavelet-YOLO11）+OC-SORT/DeepSORT跟踪+ST-GCN/SlowFast行为识别+多模态融合（视觉+音频+传感器），研究级算法 | 猪只检测（mAP 90%+）、个体跟踪（MOTA 80%+）、6-9类行为识别（进食/休息/站立/活动/拱蹭/走动/攻击/爬跨/哺乳，准确率85-95%）、姿态估计、跛行检测、发情/分娩行为识别、咳嗽检测（音频） | 研究试验、算法验证、核心群精细监测、技术原型 | 算法最先进（针对猪只场景深度优化、多模态融合、时序建模）、行为类别丰富（6-9类以上）、精度高（有论文数据支撑）、可解释性强（有学术分析）；但多为研究原型（工程化程度低、没有完善的产品化平台和运维体系）、部署复杂（需要研究人员调试）、成本高（研究级设备）、难以直接大规模商用（需要产品化转化） |
| 海外智慧养殖方案（荷兰Nedap、德国Big Dutchman、丹麦Schou、美国Sound Agriculture等） | 电子耳标+RFID+饲喂站+自动称重+环境控制+部分视觉，成熟的精准畜牧系统，部分集成计算机视觉 | 个体识别（耳标）、精准饲喂（饲喂站按ID下料）、自动称重（地磅/视觉体重）、发情检测（活动量+体温）、健康监测、生产性能分析、环控集成 | 欧美规模化猪场、种猪场、高价值猪只监测 | 系统成熟稳定（经过欧美猪场多年验证）、精准饲喂和称重能力强（与行为数据融合价值大）、数据平台完善（生产性能分析能力强）；但价格昂贵（设备和服务费用高，国内猪场难以承受）、主要依赖耳标（无接触视觉能力弱）、本地化服务不足（国内售后和定制化困难）、不符合中国猪场管理习惯 |
| 通用安防 +AI 方案（海康威视/大华AI开放平台、商汤/旷视畜牧行业方案） | 通用安防摄像头+AI算法平台（目标检测/行为分析），针对畜牧场景做定制化训练，部分提供猪只检测/计数/行为分析算法 | 猪只检测计数、异常行为报警（基于通用行为分析）、视频监控+AI叠加、与安防系统集成、部分提供猪只行为分析API | 已有安防系统的猪场升级、简单的猪只计数和异常监测、预算有限的场景 | 摄像头和平台成熟（安防级质量稳定）、成本较低（利用现有安防设备）、集成方便（与猪场现有监控系统对接）；但行为分析能力弱（通用行为分析不是针对猪只优化，六大行为分类精度低）、个体跟踪和ReID能力不足（安防算法主要做人车，猪只外观相似导致跟踪不稳定）、定制化成本高（需要针对猪场场景重新训练算法，厂商配合度有限）、缺乏猪场业务理解（没有与饲喂/环控/繁育/疫病系统的深度集成） |
| 自研方案（大型养殖集团如牧原、温氏、新希望、正邦等自研或合作研发） | 自研算法（基于YOLO/OC-SORT/ST-GCN等开源框架，针对自有猪场数据训练）+定制硬件+内部系统集成，部分与高校/AI公司合作研发 | 根据集团自身需求定制的行为监测、健康预警、精准饲喂、繁育管理、疫病防控，与内部生产管理系统深度集成 | 大型养殖集团（百万头级），有技术团队和研发预算 | 定制化程度最高（完全匹配自有猪场流程和需求）、与内部系统深度融合（数据打通、业务联动）、数据自主可控（核心生产数据不外流）、长期成本低（自研系统边际成本低，适合大规模部署）；但研发成本高（需要算法团队+硬件团队+猪场业务团队，初期投入数百万至数千万）、周期长（6-18个月研发+试点）、技术风险（自研算法精度可能不如专业厂商）、维护成本高（需要持续的技术团队维护和迭代） |

**方案选型建议：**①万头级以上大型养殖集团：考虑自研或与专业AI公司深度合作定制（如牧原模式），核心算法基于开源框架自研，硬件选用工业级设备，与内部生产管理系统深度集成，数据自主可控，长期成本低。初期可以先采购成熟方案试点，验证价值后再自研。②千头-万头级规模化猪场：优先选专业智慧养猪视觉方案（如视动世纪等），功能全面、有猪场服务经验、可以与现有管理系统对接，成本和效果平衡。核心群（母猪/种猪）可以加配智能耳标辅助个体识别和体温监测，育肥猪用纯视觉方案降低成本。③小型猪场/家庭农场/试点场景：优先选轻量方案------AI摄像头一体机或低端边缘盒子+开源算法（YOLOv8n+OC-SORT），先做基础的猪只计数、群体活动量监测、简单异常预警，验证价值后再逐步升级。智能耳标方案（只监测活动量和体温）也是低成本入门选择。④核心群/母猪舍/种猪测定：推荐"视觉+智能耳标"多模态融合方案------视觉提供六大行为分类和姿态/跛行检测，耳标提供可靠个体ID和体温/活动量数据，两者融合精度最高，适合高价值猪只的精细监测。发情检测和分娩预警是核心群最有价值的应用场景。⑤疫病防控需求强的猪场：推荐"视觉+红外热成像+音频"多模态方案------视觉检测行为异常（采食下降/活动减少），红外热成像检测体温升高（发热是疫病早期信号），音频检测咳嗽（呼吸道疾病早期症状），多模态融合实现疫病超早期预警，比单一模态提前1-3天发现异常。⑥预算有限但想尝试的猪场：可以先在1-2栋猪舍试点（部署4-8个摄像头+1个边缘盒子，成本1-3万元），验证行为监测和健康预警的实际效果（如是否能提前发现病猪、是否能减少死亡率、饲养员是否愿意使用），效果好再逐步推广到全场，避免一次性大规模投入的风险。

无论选哪种方案，关键成功因素是：①明确核心目标（是疫病早期预警？还是发情检测？还是精准饲喂？还是福利评估？不同目标需要不同的功能和精度）；②数据质量（摄像头位置、光照、清洁度直接影响算法效果，需要确保图像质量）；③饲养员配合（预警需要饲养员及时响应和处理，否则系统形同虚设，需要培训和管理配合）；④持续迭代（算法和规则需要根据猪场实际数据持续优化，误报率要持续降低，不是一劳永逸）；⑤系统集成（与现有饲喂/环控/管理系统打通，才能发挥数据价值，孤立的行为监测系统价值有限）。

九、应用场景

猪只行为实时监测技术适用于养猪生产的各个环节，不同场景的侧重点和需求不同：

①疫病早期预警与健康监测（核心价值场景）：这是行为监测最核心的应用场景。猪只发病早期（亚临床阶段）往往没有明显的临床症状，但行为已经发生变化------采食下降、活动减少、休息增加、社交隔离、步态异常（跛行）、呼吸异常（犬坐/咳嗽）。研究表明，行为变化比临床症状（发热、腹泻、咳嗽）早1-3天出现，比死亡率上升早3-7天。通过7×24小时连续监测每头猪的六大行为，建立个体行为基线，实时检测行为异常，可以在疫病早期（亚临床阶段）发出预警，实现"早发现、早隔离、早治疗"，减少疫病传播和经济损失。典型应用：·育肥猪舍呼吸道疾病预警（采食下降+活动减少+咳嗽音频+体温升高，提前2-3天预警）；·仔猪腹泻预警（采食下降+活动减少+肛周污秽+排泄行为异常，提前1-2天预警）；·肢蹄病预警（跛行检测+活动减少+休息增加，早期发现肢蹄问题及时治疗）；·群体发病监测（同一栏舍多头猪只同时异常，提示传染病或环境问题，立即启动防控）。价值：死亡率降低10-30%（早期干预减少死亡）、治疗成本降低20-40%（早期治疗用药少、疗程短）、疫病传播风险降低（早隔离减少传染）、抗生素使用减少（早发现早治疗，减少预防性用药）。

②母猪发情检测与精准配种（高ROI场景）：母猪发情检测是猪场繁育管理的关键环节，发情检测的及时性和准确性直接影响配种率、受胎率和产仔数。传统人工查情每天1-2次，容易漏检（母猪发情持续时间仅2-3天，最佳配种时间仅12-24小时），且依赖人工经验。行为监测系统可以7×24小时连续监测母猪行为，自动识别发情行为------活动量显著增加（比平时增加50-100%）、频繁走动、嗅探其他猪只、站立反射（静立反应，按压背部时站立不动）、接受爬跨、食欲下降、烦躁不安。系统检测到发情行为后自动提示最佳配种时间（发情后12-24小时），与繁育管理系统联动生成配种任务。研究表明，基于行为的发情检测比人工观察更及时准确，漏检率从20-30%降低到5%以下，受胎率提高5-10%，每头母猪每年多产0.5-1头仔猪，经济效益显著。典型应用：·后备母猪发情检测（初情期鉴定，适时配种）；·经产母猪断奶后发情检测（断奶后3-7天发情，及时配种）；·深部输精/人工授精时机提示（最佳配种时间窗口）；·返情检测（配种后18-24天再次发情提示未受孕，及时复配）。价值：受胎率提高5-10%、产仔数提高0.5-1头/窝/年、非生产天数（NPD）减少5-10天、人工查情成本降低50%以上。

③母猪分娩预警与仔猪成活率提升：母猪分娩是猪场最关键的生产环节之一，分娩过程中的仔猪死亡（难产、窒息、被母猪压死）占仔猪断奶前死亡的30-50%。如果能提前预知分娩时间，及时接产，可以显著提高仔猪成活率。行为监测系统可以识别母猪分娩前的特征行为------频繁起卧（每小时起卧次数从正常2-3次增加到8-10次）、筑巢行为（叼草、拱地、整理窝）、食欲下降（分娩前12-24小时采食量减少50%以上）、烦躁不安、呼吸加快、尾部抬起。系统检测到分娩前行为后提前6-12小时发出接产预警，通知饲养员准备接产（保温灯、助产工具、仔猪护理用品），分娩过程中持续监测（难产预警------产仔间隔超过30-45分钟、母猪持续努责但产不出仔猪），分娩后监测母猪哺乳行为和仔猪吃奶行为（识别母猪拒绝哺乳、仔猪吃奶不足、仔猪被压风险）。典型应用：·产房母猪分娩预警（提前6-12小时通知接产）；·难产预警（产仔间隔过长、母猪异常努责，及时助产）；·哺乳行为监测（哺乳频次/时长，评估母猪母性和泌乳能力）；·仔猪被压预警（母猪起卧时仔猪在母猪下方，及时提醒饲养员救助）。价值：仔猪成活率提高5-15%（减少难产死亡和压死）、弱仔率降低、母猪繁殖性能提升、产房夜间人工值守成本降低（系统预警替代通宵值守）。

④精准饲喂与饲料转化率优化：饲料成本占养猪总成本的60-70%，提高饲料转化率（FCR）是降低成本的关键。行为监测系统可以精确监测每头猪的采食行为------采食时长、采食次数、采食速度、采食节律、料槽旁停留时间（vs真正进食时间），与饲喂系统的下料量数据融合，计算每头猪的真实采食量和采食效率。结合视觉体重估算（深度相机/三维重建估算体高体长体重），计算每头猪的FCR（采食量/增重），识别高效个体（FCR低、增重快）和低效个体（FCR高、增重慢、可能有亚临床疾病或遗传问题）。基于采食行为数据实现精准饲喂------·个体饲喂调整（某头猪采食下降，自动调整饲料适口性或饲喂时间；某头猪采食过量，限制饲喂防止过肥）；·饲喂时间优化（根据群体采食节律调整饲喂时间，在采食高峰前下料，减少饲料浪费和霉变）；·分群饲养（根据采食行为和生长速度分群，同群猪生长速度一致，减少强弱差异和欺凌）；·饲料配方优化（不同品种/阶段/性别的猪采食行为不同，优化配方提高适口性和消化率）；·FCR遗传评估（种猪测定中，FCR是重要的选育指标，行为监测+自动称重可以精确测定每头种猪的FCR，用于选种选育）。价值：FCR降低0.1-0.2（每头猪节省饲料20-50kg）、饲料浪费减少10-20%、生长速度提高5-10%、种猪选育精度提高（FCR精确测定）。

⑤动物福利评估与合规认证：随着消费者对动物福利的关注和欧盟等市场的动物福利法规要求，猪场需要评估和证明动物福利水平。行为监测是动物福利评估最客观、最量化的手段------动物福利的"五大自由"（免于饥渴、免于不适、免于痛苦伤害疾病、表达正常行为、免于恐惧应激）都可以通过行为数据量化评估：·表达正常行为：正常的行为预算（休息50-70%、活动15-30%、采食2-5%、社交5-10%）、丰富的行为类型（不仅有休息和采食，还有社交、嗅探、探索、玩耍）、正常的活动范围（覆盖栏舍60%以上面积）；·免于不适：热应激时的行为变化（扎堆减少、饮水增加、呼吸加快、活动减少）、冷应激时的扎堆增加、环境不适时的异常行为增加（咬尾、空嚼、反复走同一路线）；·免于痛苦伤害疾病：跛行检测（肢蹄疼痛）、采食下降（疾病/疼痛）、社交隔离（疾病/弱势）、异常休息姿势（疼痛/疾病）；·免于恐惧应激：异常攻击增加（应激）、刻板行为（长期应激）、活动量骤变（急性应激）；·免于饥渴：采食/饮水行为异常（饥渴）。行为监测系统可以自动生成动物福利评估报告（行为预算、活动范围、异常行为发生率、攻击事件、跛行比例等），满足动物福利认证（如RSPCA Assured、Global Animal Partnership、中国动物福利认证）的要求，提升猪场品牌形象和产品溢价。价值：满足动物福利法规和认证要求、提升品牌形象和产品溢价（福利猪肉价格高10-30%）、减少异常行为（咬尾/攻击）造成的损失、改善猪只健康和生产性能（福利好的猪只生长快、发病率低）。

⑥猪场管理数字化与生产性能分析：行为数据是猪场数字化管理的核心数据之一，与生产数据（增重、FCR、死亡率、配种率、产仔数）、环境数据（温湿度、氨气、通风）、管理数据（免疫、用药、转栏、饲喂）融合，形成猪场完整的数据闭环，驱动精细化管理：·个体全生命周期档案（从出生到出栏，每头猪的行为数据+健康记录+生产性能，可追溯）；·栏舍/猪舍对比分析（不同栏舍/猪舍的行为差异，识别管理问题和最佳实践）；·生长预测（基于采食行为和活动量预测生长速度和出栏时间，优化出栏计划和销售节奏）；·异常管理复盘（所有健康预警和异常事件的完整记录，定期复盘分析根因，持续优化管理）；·员工绩效考核（饲养员负责的栏舍预警响应时间、异常处理率、死亡率等数据量化，用于绩效考核）；·猪场数字化看板（实时展示猪场整体状态：在线设备、当前预警、各栏舍行为概览、环境参数、生产指标，场长远程掌握猪场情况）。价值：管理效率提升30-50%（数据驱动替代经验管理）、问题定位更精准（行为数据揭示管理问题）、决策更科学（基于数据而非直觉）、可追溯性增强（全生命周期数据满足食品安全追溯要求）。

⑦研究与教学应用：行为监测系统为动物科学、兽医学、畜牧工程等领域的研究提供客观、量化、大规模的行为数据采集手段：·动物行为学研究（猪只正常行为谱、行为节律、社交网络、认知行为、情绪行为的量化研究）；·动物福利研究（不同饲养密度、环境丰富度、饲养方式对行为和福利的影响）；·疫病发病机制研究（疫病发生发展过程中的行为变化规律，早期诊断标志物研究）；·营养与饲料研究（不同饲料配方/添加剂对采食行为和生产性能的影响）；·遗传育种研究（行为性状的遗传力分析、行为与生产性能的关联分析、耐粗饲/抗逆/温顺等行为性状的选育）；·教学实训（畜牧兽医专业学生观察猪只行为、学习行为评估方法的实训工具）。价值：研究数据更客观（替代人工观察，减少观察者偏差）、数据量更大（7×24小时连续采集，样本量远大于人工观察）、研究效率更高（自动分析替代人工编码）、新发现可能性（人工观察不到的夜间行为、细微行为变化）。