综述:计算机视觉在牛只健康与福利监测中的应用:智慧农业中方法、应用与跨学科融合的全面回顾

《Sensors》:Computer Vision for Cattle Health and Welfare Monitoring: A Comprehensive Review of Methods, Applications, and Interdisciplinary Integration in Smart Agriculture

【字体: 大 中 小 】 时间:2026年07月05日 来源:Sensors 4.0

编辑推荐:

  全球牛产业正经历显著增长,需要先进的动物健康与福利监测方法以确保生产力和可持续性。传统的人工监测技术劳动密集,且在大规模养殖场中往往难以实施。本综述对现有及新兴的用于牛只健康和福利监测的计算机视觉工具进行了全面分析。通过系统检索主要数据库的研究,本文回应了六个

  
全球牛产业正经历显著增长,需要先进的动物健康与福利监测方法以确保生产力和可持续性。传统的人工监测技术劳动密集,且在大规模养殖场中往往难以实施。本综述对现有及新兴的用于牛只健康和福利监测的计算机视觉工具进行了全面分析。通过系统检索主要数据库的研究,本文回应了六个关键研究问题,聚焦于:(1) 计算机视觉技术解决的问题,(2) 数据采集系统,(3) 实施的技术与算法,(4) 性能结果,(5) 面临的挑战,以及(6) 牛养殖中尚未充分探索的健康和福利方面的潜在应用。研究发现表明,计算机视觉技术在体况评分(BCS)检测、跛行检测、体重估计、发情检测、采食和饮水行为监测、呼吸检测以及一般行为识别等方面取得了显著进展。尽管有所进步,环境条件变化性、大规模标注数据集的需求以及先进成像设备的高成本等挑战依然存在。本综述强调未来研究应聚焦疾病特异性监测以应对这些挑战。本综述旨在为兽医、养殖户和动物健康专业人员提供更多关于计算机视觉技术的认识,并通过讨论其实际应用来促进这些技术的采纳。
**3.1 BCS检测**

BCS是评估牛只能量储备动员的已确立方法,广泛用于监测采食量和健康状态。传统人工BCS评估耗时且具有主观性。自动化技术主要包含以下几类:热成像技术利用红外技术识别与脂肪分布相关的温度差异;低成本RGB相机系统结合卷积神经网络(CNN);先进三维成像技术包括深度成像和点云分析;以及集成超声传感器的综合系统。

在可负担RGB成像与深度学习模型方面,Yukun等(2019)[24]整合了人工BCS评分和超声背膘厚度测量与基于CNN的模型,引入挤压激励模块等注意力机制以增强特征表示。Huang等(2019)[25]开发了基于网络摄像头的低成本监测系统,采用Single Shot MultiBox Detector算法,聚焦于尾根和脊柱等关键解剖区域。后续研究中,Wu等(2021)[26]比较了ResNet、EfficientNet等传统CNN架构与Swin Transformer等基于Transformer的模型,证明注意力机制显著提升预测精度,在0.25单位误差范围内与人工评分的一致性超过97%。近期研究更强调轻量化与可部署性,Liu等(2025)[27]利用基于EfficientNet的架构实现边缘设备上的实时BCS分类,Zheng等(2024)[28]提出了通过知识蒸馏优化的YOLO框架以实现更快速高效的推理。

在先进3D成像与形状分析方面,Liu等(2020)[29]采用高斯混合模型进行背景分割,并基于脊柱、髋骨和尾根等解剖标志提取三维几何特征。Shi等(2023)[23]结合深度成像与PointNet++处理点云数据以改进奶牛后躯区域的特征提取。Zhao等(2023)[30]进一步引入了定量比较三维体表形状的分析框架以推导BCS。这些方法虽能提供更详细的身体结构表征,但面临点云数据噪声、计算复杂度高及设备成本较高等挑战。

在超声与RGB成像集成系统方面,Yukun等(2019)[24]证明结合超声衍生背膘厚度与基于CNN的图像分析可通过提供互补信息改善模型性能。Tao等(2022)[31]采用便携式超声设备配合三维成像系统验证自动化BCS预测,与人工评分方法达成强一致性。然而,这些多模态方法对额外设备和人工介入的依赖限制了其在持续监测中的实用性。

**3.2 跛行检测**

跛行是影响牛只运动系统的疼痛性疾病,导致异常步态或运动,是 dairy 和肉牛产业中重要的福利和经济问题。人工检测依赖视觉步态评分,常用5分制量表。自动化方法主要包括:传统和基于深度的视频分析、先进目标检测与定位技术、姿态估计与跟踪、以及热成像技术。

在RGB、深度和热成像视频分析方面,Co?kun等(2023)[62]利用热成像识别蹄关节温度变化以区分跛行与健康牛只。Bumbálek等(2026)[63]结合红外热成像与基于YOLOv8的检测分类模型,识别与跛行相关的异常蹄部温度,实现非侵入式早期检测。

在目标检测与定位方法方面,Kang等(2020)[64]应用RFB_Net_SSD模型精确检测蹄部位置并计算支撑相持续时间,以识别与跛行相关的不对称步态模式。Jia等(2023)[65]采用轻量化YOLO模型(GhostNet_YOLOv4)检测牛背部区域并分析运动中的曲率变化。Barney等(2023)[66]利用Mask R-CNN识别解剖关键点并推导姿态相关特征,Myint等(2024)[67]则整合YOLOv8和Mask R-CNN进行视频流中的检测与跟踪。

在姿态估计与跟踪方面,Zhao等(2023)[68]使用DeepLabCut(v2.2b8)跟踪多个身体点并推导步态不对称性和运动速度等运动特征。Jia等(2025)[69]结合姿态估计与包括CNN和基于LSTM架构的深度学习模型以分析姿态和步态的时间变化。Narli等(2025)[70]利用DeepLabCut提取背部姿态特征并应用深度神经网络基于曲率模式对跛行进行分类。

在时序步态分析与运动建模方面,Li等(2024)[71]利用历史能量图像(HEI)和步态能量图像(GEI)结合基于MobileNet的分类器分析步态模式。Higaki等(2025)[72]从跟踪的身体点提取运动指标并应用随机森林分类器检测跛行,提供了可解释的移动性评估框架。

**3.3 体重估计**

准确的体重评估对饲料管理、健康监测、育种计划和市场准备至关重要。自动化计算机视觉技术主要分为两类:三维成像方法(深度相机和点云分析)和传统机器学习方法(历史数据)。

在3D成像和深度相机方面,Nir等(2018)[83]使用Microsoft Kinect V2相机捕获后备母牛深度图像,通过拟合椭圆近似尺寸并提取体长、宽度和体积测量值来估计体重。Bezsonov等(2021)[84]通过结合深度图生成改进了该技术,使用Mask R-CNN检测同步图像中的轮廓,通过立体视觉和极线几何计算深度图,并将关键尺寸输入多层感知器(MLP)模型预测体重。Lassen等(2023)[85]专注于使用3D相机分析背部曲率,沿脊柱映射100个点以连接曲率数据与体重估计模型。Bi等(2023)[86]采用配备Mask R-CNN的深度相机分离牛的俯视图图像,测量长度、宽度、高度和体积等特征进行体重预测。

在3D点云数据方面,Hou等(2023)[87]采用激光雷达(LiDAR)传感器捕获高分辨率3D点云数据,使用PointNet++模型通过高级曲率分析提取体长和胸围等局部测量值,并结合Johnson公式提供准确体重预测。Gebreyesus等(2023)[88]利用相机捕获的3D轮廓数据创建详细的牛体形状模型,使用岭回归、随机森林和AdaBoost等监督学习模型准确预测体重。

在传统机器学习方面,Garcia等(2021)[89]采用决策树(DT)、梯度提升(GB)、K近邻(KNN)和随机森林(RF)等监督回归模型,利用年龄、品种和性别等特征实现体重增长和理想体重的稳健预测。Ruchay等(2026)[90]开发了结合基于图像的身体测量和行为指标(如行走速度)的系统,使用YOLOv8-based检测模型跟踪牛只,并通过ExtraTreesRegressor处理提取特征以准确估计体重。Liao等(2025)[91]利用深度成像结合YOLOv8-based分割提取犊牛体尺,使用极端梯度提升(XGBoost)、线性回归和线性混合模型估计和跟踪体重变化。

**3.4 发情检测**

适时配种对繁殖成功至关重要。传统方法依赖识别站立发情等行为,劳动密集且易出错。计算机视觉方法主要分为两类:基于机器学习模型的行为分析和基于热成像技术的生理监测。

在机器学习模型方面,Guo等(2019)[96]利用背景减除和运动特征检测爬跨行为,准确率达90.9%。Wang等(2022)[99]采用YOLOv5检测爬跨行为,在复杂农场条件下实现97%精度和89.5%召回率。Ar?kan等(2023)[100]结合VGG-19与YOLOv5改进爬跨检测,准确率达94%。Lodkaew等(2023)[101]整合YOLOv4与XGBoost和CatBoost等机器学习模型分析爬跨和嗅闻等多种行为。Chae和Cho(2021)[102]改进YOLOv3激活函数,实现98%精度和97%召回率的实时发情检测。Ninphet等(2024)[103]采用CNN结合YOLOv5从监控录像中分类行走、爬跨和交配行为。Aryawan等(2024)[104]基于YOLOv5和姿态估计模型量化站立和躺卧行为。Hanpinitsak等(2026)[105]整合多角度视频分析使用YOLOv8和集成融合技术准确检测爬跨和下巴 resting 行为。Wang等(2025)[106]结合YOLOv5与DeepSORT跟踪及快速傅里叶变换(FFT)和主成分分析(PCA)等信号处理技术分析运动模式。

在热成像方面,Perez Marquez等(2022)[107]结合阴户温度红外热成像与尾部运动跟踪检测发情事件。Wang等(2023)[108]应用热红外成像结合支持向量机(SVM)等机器学习模型基于温度波动分类发情。Cairo等(2020)[109]分析采食饮水行为模式,发情预测准确率达96.5%。Wongvivatvaitaya等(2023)[110]通过结合颈部温度测量与运动数据使用监督学习模型进一步增强预测性能。

**3.5 饮水和采食检测**

采食和饮水行为对牛只管理至关重要。计算机视觉方法可分为:基于头部和身体位置分析的行为检测、基于图像的采食量监测、以及基于深度学习的分类技术。

在基于头部和身体位置的行为检测方面,Islam等(2023)[116]采用以ResNet50为骨干的DeepLabCut姿态估计工具跟踪头部、颈部和耳朵等部位,使用LSTM网络基于细微运动分类饮水行为。Ali Salah(2024)[117]结合YOLO目标检测和EfficientNet实现两步系统识别牛只饮水行为。Guo等(2023)[118]使用YOLOv5s-CA与DeepSORT-ViT跟踪个体牛面部,通过面部相对于饲槽的位置识别采食行为。

基于图像分析的采食量监测方面,Saar等(2022)[119]使用顶置相机捕获饲槽前后饲料堆图像,使用CNN结合迁移学习分析采食量。Wang等(2023)[120]应用Siamese网络.cgi模型配合深度成像比较饲槽前后饲料堆,通过分析深度模式而非简单减除实现精确采食量估计。

深度学习用于采食行为检测方面,Bresolin等(2023)[123]采用YOLOv3监测采食栏处后备母牛,准确率达96%,提取采食次数、平均访问时长和总采食时间等指标。Yu等(2022)[124]提出DRN-YOLO,采用DenseResNet骨干和金字塔池化区分采食与非采食活动。Achour等(2020)[125]采用多CNN方法通过分类头部位置为采食或站立,并评估饲槽区域食物可用性来识别采食行为。

**3.6 呼吸检测**

呼吸频率是牛只健康状况的关键指标。自动化方法主要包括:基于光流模型、热成像模型、目标检测技术和基于Transformer的方法。

在基于光流的模型方面,Wang等(2023)[128]基于Horn-Schunck光流算法跟踪帧间亮度变化并量化呼吸运动,通过FFT识别主导呼吸频率。Wu等(2020)[130]使用Lucas-Kanade(LK)光流算法,在使用基于相位的视频放大(PBVM)增强细微呼吸信号后分析运动幅度和方向。Shu等(2024)[131]结合YOLO-based检测与Lucas-Kanade光流隔离胁腹区域并提取运动信号,通过FFT估计呼吸频率。

在热成像模型方面,Kim和Hidaka(2021)[132]开发使用Mask R-CNN检测和隔离鼻孔区域的热成像系统,准确跟踪温度变化。Zhao等(2023)[133]证明热像仪可通过监测鼻孔附近周期性温度升降有效捕获呼吸周期。Chen等(2025)[134]采用YOLOv8-Pose进行精确鼻孔定位,结合机器学习技术生成稳定呼吸信号。Kim等(2026)[135]利用Mask R-CNN跟踪鼻孔温度模式并检测反刍后深吸气等特定呼吸事件。

在目标检测模型方面,Zeng等(2023)[136]改进YOLOv5检测犊牛头躯并引入帧差特征捕获细微呼吸相关运动变化。Wang等(2024)[137]应用基于Transformer的VideoMAE模型从RGB视频数据分分析呼吸模式。Bhattacharya等(2026)[138]使用Segment Anything Model(SAM)隔离牛体区域并跟踪时序形状变化转化为呼吸信号。Curti等(2025)[139]应用时空深度学习模型直接从视频序列学习呼吸模式。

**3.7 行为识别**

准确识别牛只采食、躺卧、爬跨和争斗等行为对监测动物福利、健康和生产力至关重要。自动行为识别方法主要包括:基于YOLO的目标检测模型、使用3D卷积网络的时序行为识别、针对行为分析的目标检测技术、以及基于ResNet的先进框架。

在基于YOLO的模型方面,Li等(2024)[143]开发了集成DSConv模块和BiFormer注意力机制的增强YOLOv8框架,准确分类站立、躺卧、采食和爬跨等行为,系统结合基于ResNet18的重识别网络与DeepSORT跟踪减少拥挤场景中身份错配。Tong等(2024)[144]通过集成DyConv和C2f-iRMB结构改进YOLOv8,检测包括爬行和争斗在内的常见及少见行为。Mon等(2024)[145]整合YOLOv8检测与跟踪特征提取模型监测个体牛行为模式。Yu等(2024)[146]提出改进YOLO架构(Res-DenseYOLO),采用注意力机制和密集连接增强采食、饮水和休息等行为识别精度。

在时序行为识别方面,Ma等(2022)[147]采用Rank Expansion Network(RexNet 3D)通过从视频数据提取时空特征分类躺卧、站立和行走行为,扩展传统ResNet架构。Mg等(2025)[148]使用基于轨迹的运动数据结合长短期记忆(LSTM)网络识别与产犊前相关的行为变化。

用于行为分析的目标检测方面,Jiang等(2019)[149]提出FLYOLOv3模型检测头部、背部和腿部等关键解剖区域,引入FilterLayer减少视觉杂乱农场环境中的噪声。Peng等(2024)[150]整合惯性测量单元(IMU)数据与机器学习模型,将运动信号转化为类图像表示进行模式识别以分类采食、躺卧和摩痒行为。Giannone等(2025)[151]使用基于YOLO的检测结合感兴趣区域分析,通过跟踪牛在指定采食区域的停留时间监测采食行为。

基于ResNet的模型方面,Cheng等(2023)[152]应用基于ResNet的框架分类站立、行走、躺卧和回头等行为,比较ResNet18和ResNet50等架构,发现更深的网络在区分细微行为差异方面精度更高。Negreiro等(2026)[153]使用以ResNet为骨干的Siamese神经网络跟踪个体牛并分析时序行为模式。

**3.8 视觉传感器与部署配置**

计算机视觉系统的有效性不仅取决于算法,还取决于适当视觉传感器和部署配置的选择。RGB相机因其低成本、易部署以及捕获颜色和纹理信息的能力而最广泛使用,常用于行为监测、发情检测、采食饮水行为分析和一般动物观察。深度相机提供三维结构信息,支持体尺测量、姿态分析、BCS、体重估计和跛行评估。热像仪捕获表面温度分布,常用于呼吸监测、疾病检测和发情识别。激光雷达和其他3D成像系统生成详细点云以支持基于体积的体重估计和身体形状精确表征。

相机放置因监测目标而异:顶置相机系统安装于天花板或屋顶,用于监测群体行为、活动、采食和躺卧模式;侧视相机常用于步态分析、跛行检测、体况评分和体形评估; walkway 或通道上方相机便于个体识别、体重估计和运动分析;饲槽和水站监测系统旨在量化采食饮水行为、采食模式和资源利用。传感器选择和部署配置应与目标健康或福利特征以及生产环境的运营条件相一致,同时考虑光照条件、动物识别和跟踪、遮挡、以及灰尘、湿度和环境变化等实际因素。

**4. 讨论**

**4.1 RQ1:计算机视觉技术解决了牛养殖中的哪些具体问题**

计算机视觉已应用于广泛的牛养殖挑战,包括估计采食量、监测体重和增重、评估体况评分、评价健康状态和跟踪繁殖事件。关键优势在于通过自动检测疾病或不适迹象提供健康问题早期预警,如通过步态和姿态分析进行跛行检测以实现及时干预和疾病管理。在行为和繁殖方面,自动视频分析可监测采食饮水行为、社会互动和爬跨等繁殖行为。目标检测算法还用于动物计数和跟踪,支持群体管理中的分布监测、失踪动物检查和设施使用分析。此外,计算机视觉通过被毛图案、面部特征和鼻纹等独特生物特征实现非侵入式个体识别。BCS评估和体重估计通过分析身体形状和脂肪分布图像或使用立体和深度相机评估体尺来实现准确、非接触的营养和生长状态监测。

**4.2 RQ2:牛养殖计算机视觉应用中使用了哪些类型的数据采集系统**

成功的应用依赖稳健的图像或视频采集系统。固定相机布置战略性地放置于农场进行持续监测,包括安装于牛舍天花板或出入口的顶置相机,以及放置于采食或挤奶区的侧视相机,可提供动物的顶部、侧面或正面视角。此外,安装于自主机器人或轨道系统上的相机可在牛舍中移动获取个体牛的特写图像。除传统RGB相机外,先进成像技术包括:使用立体视觉或结构光的深度相机捕获3D形状信息;热红外相机识别温度差异以辅助疾病迹象检测;以及结合不同成像数据(如颜色和热数据)以提高精度。

**4.3 RQ3:牛养殖环境中实施了哪些计算机视觉技术和算法**

从传统图像处理到先进深度学习算法,广泛的技术已被实施。早期方法使用背景减除和轮廓检测等常规图像处理,以及支持向量机或决策树等经典分类器。近期应用转向深度卷积神经网络,特别是用于目标检测和分割任务。YOLO和SSD等单阶段检测器、Faster R-CNN等两阶段模型被广泛采用以在图像中定位牛只或其身体部位。实例分割模型如Mask R-CNN提供像素级掩码以实现精确形状检测和重叠动物分离。VGG16、ResNet-50和DenseNet等图像分类CNN被用于BCS分类、疾病检测等任务。姿态估计和跟踪算法如DeepLabCut和OpenPose检测关键解剖点以评估姿态和运动,结合SORT等跟踪算法实现逐帧运动分析。此外,LSTM等时序建模技术叠加于CNN特征提取器之上分析行为序列。

**4.4 RQ4:哪些计算机视觉技术在应对特定挑战方面表现最佳**

不同方法在特定任务中表现各异。动物检测和计数方面,YOLO和SSD等单阶段CNN检测器表现优异,在农场环境中检测精度达90%以上,YOLO家族因速度与精度的平衡而常被优先选择。疾病检测方面,DenseNet-201结合注意力机制在识别牛结节性皮肤病引起的皮肤病变方面达约97%精度。跛行检测方面,结合目标检测、姿态估计和分类的方法最为准确,使用Mask R-CNN提取身体姿态并由分类器分析步态的系统在识别不同程度跛行方面达94-100%精度。BCS和体重估计方面,结合深度相机、多视角成像和深度回归网络的模型将体重预测误差降至约3%,CNN-based BCS分类模型与专家评分的一致性常超90%。

**4.5 RQ5:牛养殖中应用计算机视觉技术面临哪些挑战**

主要挑战包括:(1) 环境变异性和图像质量:光照变化、背景复杂、动物遮挡和相机角度等问题降低算法可靠性;(2) 数据稀缺和标注需求:深度学习模型需要大量标注数据,但农业领域此类资源稀缺,且高质量标注需要专家劳动;(3) 硬件和基础设施挑战:相机需策略性放置、定期维护并能抵抗恶劣环境,多相机覆盖增加成本和维护复杂性,许多农场缺乏支持实时深度学习推理的带宽和计算资源;(4) 跨学科知识差距:有效系统开发需要计算机科学家与动物科学家或兽医等域专家的密切合作;(5) 实时处理和可靠性:深度学习模型计算密集,在有限硬件上实现快速推理困难,轻量级模型可能牺牲精度,复杂模型则可能过慢,系统需最小化误报和漏检以获农民信任。

**4.6 RQ6:未充分探索的健康和福利方面如何从现有计算机视觉模型中获益**

未来研究和开发的重要机会包括:(1) 疾病特异性指标检测:如结合热成像和高分辨率相机检测乳腺炎早期细微变化,使用OpenCV分析呼吸道疾病信号鼻涕,以及利用Mask R-CNN和迁移学习识别寄生虫感染皮肤病变;(2) 情感和认知状态评估:通过分析面部表情(包括耳朵位置、眼睛紧张度和肌肉运动)检测压力、疼痛或恐惧迹象;(3) 产犊和产后监测:扩展现有活动水平分析和运动检测模型预测分娩 onset 和监测产后行为,使用背景减除和3D成像跟踪母牛-犊牛纽带建立和犊牛活动能力;(4) 开放放牧系统监测:采用光流和分位数回归等技术监测个体放牧行为,如采食时间、咬食频率和植被偏好;(5) 热应激评估:通过检测寻找遮荫行为、过度喘息或流涎等行为和物理迹象,使用Faster R-CNN等方法提供更直接的热不适评估;(6) 混养系统监测:利用YOLO和Faster R-CNN等模型同时跟踪不同物种,分析种间互动、资源竞争和疾病传播风险;(7) 环境可持续性:监测粪便分布和放牧强度以增强养分循环和牧场健康,使用YOLO检测粪便堆,DeepLabV3+、UNet或SAM进行精确分割,结合DeepLabCut等姿态估计技术解决密集群体或低能见度条件下的监测挑战。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号