《Sensors》:UAV Path Optimization for Target Passive Localization Considering the Position Uncertainty of the Target
编辑推荐:
精准畜牧业(PLF)整合了传感技术、数据采集(DAQ)系统和机器学习(ML)框架,以持续监测个体动物,并通过生理和行为观察支持福利评估。红外热成像、雷达传感、视觉系统、声学监测和可穿戴技术方面的进展显著扩展了收集描述动物对内外刺激反应的高分辨率数据的能力。然而
精准畜牧业(PLF)整合了传感技术、数据采集(DAQ)系统和机器学习(ML)框架,以持续监测个体动物,并通过生理和行为观察支持福利评估。红外热成像、雷达传感、视觉系统、声学监测和可穿戴技术方面的进展显著扩展了收集描述动物对内外刺激反应的高分辨率数据的能力。然而,尽管取得了相当大的技术进步,在受控实验条件下展示的传感性能与在商业畜牧环境中可靠部署之间仍存在持续差距。这一差距表现为环境变化性、动物不受限制的运动以及商业环境中的操作限制。采用结构化综述方法,本综述通过福利相关生理特征的视角,审查了传感模态、嵌入式DAQ架构、通信策略、ML方法、数据隐私、农民采纳以及一个说明性的工程工作流程。重点强调了直接传感器测量与它们所代表的生物过程之间的区别。传感器输出并不直接量化福利、应激源或管理结果;相反,它们提供对生理和行为反应的测量,需要适当的生物学背景才能进行有意义的解释。因此,福利评估不仅取决于获取数据的能力,还取决于将这些数据准确关联到潜在生理机制的能力。在此框架内,ML作为测量与解释之间的关键桥梁,能够分析复杂的多模态数据集。未来福利导向的PLF系统需要传感方法、生理理解与实际部署现实之间更强的协调,以产生有意义、可扩展且生物学基础的福利评估。
**1. 引言**
精准畜牧业(PLF)指通过基于传感器的技术对个体动物进行连续、自动化监测,以支持生产力和福利管理的改进。这些系统集成多种传感模态、数据采集(DAQ)基础设施和分析框架,以生成个体动物生理状态和行为的实时或近实时洞察。传感器技术、无线通信和基于机器学习(ML)的分析方面的最新进展显著扩展了PLF系统的能力。这些进展使得在个体动物水平上收集高分辨率的生理、行为和环境数据成为可能。随着这些技术的成熟,它们的整合有潜力将基于观察的动物管理转变为主动的、数据驱动的动物福利优化,可能减少疾病负担、提高生产效率并实现早期干预。理解传感技术、部署挑战和AI驱动分析方法的当前格局对于释放PLF在商业环境中全面实施的潜力至关重要。传感技术已在众多PLF应用中得到了广泛研究,包括可穿戴设备、非接触式传感器和环境监测系统。可穿戴传感器,如射频识别(RFID)、加速度计和全球定位系统(GPS)设备,直接附着在个体动物上以监测其运动、位置和生理信号。非接触式模态,如红外热成像、雷达、机器视觉和声学传感器,允许无需物理附着的观察。环境监测系统提供关于环境条件的实时数据,包括温度、湿度、空气质量和危害检测。总体而言,这些技术聚焦于动物福利和生产力的关键指标,包括活动水平、体温调节、呼吸和采食行为。许多这些技术已在检测特定动物行为和健康状况(如跛行、体温调节反应和活动模式改变)方面展示了高准确性。然而,这种成功水平主要是在受控或半结构化实验条件下实现的。在这些设置中,动物的有限移动和传感器的接近性增强了数据收集和模型有效性,同时显著减少了商业环境中存在的操作变异性。因此,在实验能力与生产畜牧系统中可靠部署之间仍存在显著差距。商业畜牧运营面临的条件要求高得多。动态和不可预测的因素,包括可变照明、物理障碍、灰尘、极端天气和动物不受限制的运动,给传感器鲁棒性、数据完整性和系统可扩展性带来了重大挑战。实际实施还受到基础设施和操作瓶颈的制约,包括高功耗、有限通信带宽和密集的维护需求。除非这些系统的成本效益比得到改善,否则扩展到小规模或高补贴运营之外在经济上仍不可行。当前PLF研究的另一个主要限制是与动物福利相关的传感器数据解释。许多传感方法聚焦于检测广泛归类为“应激”的生理或行为反应。这往往未能充分区分短暂性、适应性或持续性反应,这些反应对福利具有显著不同的影响。应激反应可以是急性的或慢性的,并可能对福利产生积极、消极或可忽略的影响。这直接取决于应激源的类型、频率、幅度和持续时间,以及动物的生理状态和恢复能力。因此,传感器输出应被解释为潜在生理调节和行为适应的指标。因此,传感器提供的是动物对刺激反应的见解,而不是福利状态本身的直接测量。将传感器衍生数据的解释扩展到涵盖环境因素、管理变量和生产相关因素,而没有充分的生理学依据,会带来过度概括和误读的显著风险。由于畜牧生产系统的高度相互关联性,可测量参数很少反映孤立的过程;相反,它们捕获了重叠的生物、环境和管理影响。将传感器输出直接归因于特定的生产结果或管理决策可能会过度简化潜在机制并导致错误结论,可能导致无效的管理决策。例如,传感器检测到的采食活动减少可能表明疼痛、呼吸系统疾病、社会竞争或环境应激。混淆这些不同原因可能导致误导性干预和延误对真正潜在条件的治疗。动物福利不仅由生理应激反应的存在与否决定,还由这些反应在维持正常功能背景下的生物学意义决定。生理调节是动态的,动物通过统称为动态平衡(allostasis)的机制持续适应环境、代谢和行为需求。因此,可测量的生理特征应相对于适应性基线而非静态阈值进行解释。这是因为相同的生理反应可能在一个背景下代表正常适应,而在另一个背景下代表福利受损。这一区别为本文综述中解释传感器衍生测量提供了生物学框架。人工智能(AI)和机器学习(ML)已成为处理关联PLF系统在精细空间和时间分辨率下生成的大量多模态数据集的关键分析工具。AI驱动模型已被用于行为分类、疾病预测和异常检测,并在来自受控研究的精心整理数据集上展示了高性能。这些方法提供了将常用的简单阈值监测推进为能够解释和集成大规模、复杂数据流的预测系统的机会。然而,AI在畜牧环境中应用的一个关键限制是模型的有限泛化能力——具体而言,训练模型在超出训练数据集所代表的条件的不同数据集和条件下保持预测性能的能力。在高度受控环境中开发的模型常常无法覆盖商业畜牧运营动态、异质条件所需的模型泛化。AI推动动物福利的潜力在于改进传感器检测和促进对更广泛动物反应的更细致理解。通过跨各种传感模态和时间的集成数据,AI系统可能有助于识别与动物条件有意义变化相关的模式,这些模式使用单一传感器或基于阈值的方法难以检测。实现这一潜力需要解决传感技术和分析框架中固有的约束。然而,保持可测量生理反应与更广泛、相互关联的动物福利概念之间的清晰区分是最大化AI和ML性能的关键。本综述审查了精准畜牧业系统的前端组件,聚焦于与福利相关生理特征相关的传感模态、数据采集架构和机器学习方法。重点在于评估这些技术在商业畜牧环境中的实际有效性、部署挑战和生理可解释性,而非受控实验条件。讨论的传感模态包括红外热成像、雷达系统、基于视觉的监测、声学传感和可穿戴技术。嵌入式采集系统、通信架构以及分析框架(如监督学习、深度学习、时间序列分析和多模态数据集成)也得到了广泛讨论。本综述的目标是批判性评估PLF传感技术的当前能力和局限性,并确定需要进一步发展的关键领域。通过强调生理学基础、实际部署考虑和系统级可解释性,本综述旨在支持开发更鲁棒、可扩展和生物学有意义的PLF系统,为福利导向应用生成操作可靠的数据。
**2. 综述方法与文献选择**
**2.1. 文献检索标准**
本综述作为一篇批判性叙述性综述进行,旨在评估用于精准畜牧业(PLF)中福利相关监测的传感技术、数据采集(DAQ)系统和机器学习(ML)方法。目标不是提供对所有可用文献的详尽系统性综述,而是综合当前知识,识别常见的技术和生理局限性,并评估与在商业畜牧环境中部署传感系统相关的转化挑战。为保持一致性和科学严谨性,根据强调相关性、方法学质量、实际实施和生理解释的标准选择文献。优先考虑在实验或商业畜牧条件下验证传感技术,或提供PLF中传感模态、嵌入式系统或机器学习应用综合综述的研究。纳入标准:满足以下一个或多个标准的研究:与综述目标的相关性:出版物涉及福利导向精准畜牧业至少一个主要组成部分,包括传感技术、嵌入式数据采集系统、生理信号处理、机器学习方法或福利评估。生理学和工程学意义:优先考虑建立了测量生理或行为特征与传感方法之间关系,或讨论了影响实际部署的工程考虑的研究。出版时间范围:本综述主要强调2025年以来的发展,同时在必要时纳入跨越数十年的基础文献以提供历史背景并描述传感技术和生理解释的演变。文章类型:包括直接为传感器开发、生理验证或系统实施做出贡献的同行评审期刊文章、综述论文、技术报告和研究生论文。一些纳入的来源是公司产品包的技术文档。语言:仅考虑英文出版物。
**2.2. 文献选择过程**
**2.2.1. 数据库检索**
文献检索主要使用Google Scholar和MDPI进行,以获得与精准畜牧业相关的工程、农业、生物和计算机科学文献的广泛覆盖。
**2.2.2. 关键词搜索**
搜索词选择涵盖PLF的主要技术组成部分以及与福利评估相关的生理概念。代表性关键词组合包括:“Precision Livestock Farming” OR “Precision Animal Farming”、“Animal welfare” AND sensing、Infrared thermography AND livestock、Radar sensing AND livestock、Computer vision AND livestock、Acoustic monitoring AND livestock、Accelerometer OR IMU AND livestock、RFID OR rumen bolus sensors、Embedded systems OR microcontroller AND livestock monitoring、Data acquisition OR DAQ AND livestock、Machine learning AND livestock welfare、Deep learning AND livestock monitoring、Time-series analysis AND livestock、Multimodal sensing AND animal welfare。
**2.2.3. 检索结果**
在所选数据库中的初始文献检索产生了约1200篇潜在相关出版物。经过标题和摘要筛选、去除重复记录并评估与综述目标的相关性,约185篇文章进行了全文评估。最终纳入基于对传感技术、数据采集系统、机器学习方法和福利导向精准畜牧业的技术相关性。最终选择了77篇参考文献,包括原创研究文章、综述论文和其他技术出版物。这一选择旨在共同提供历史背景、当前最新发展以及新兴研究方向。该选择过程优先考虑技术质量、生理相关性和实际适用性,而非对所有可用文献的详尽包含。
**2.2.4. 文献评估**
初步检索后,评估出版物与综述目标的相关性。首先筛选标题和摘要以评估与福利导向传感技术的相关性,并对被认为直接适用的研究进行全文评估。重点放在报告传感器验证、生理解释、嵌入式系统实施或适用于商业畜牧系统的机器学习方法的出版物上。在某些情况下,未强调这些点的文献仍被纳入以展示理解上的差距。本综述并非试图全面编录每一种已发表的传感技术,而是有意强调那些对传感方法、生理解释、实际部署和动物福利评估之间关系提供有意义见解的研究。
**3. 应激源特征与福利相关性**
五域模型(Five Domains Model)提供了一个评估动物福利的综合框架,围绕四个物理和功能域构建:营养、环境、健康和行为,以及代表动物精神状态的第五域。在这些物理域中,应激源是破坏动物基线生物功能的内部或外部因素。重要的是,应激源的影响不仅受其强度影响,还受动物感知、过去经验和当前生理状态的影响。这些因素共同决定动物应对和从不利条件中恢复的能力。最终,动物福利由精神域内的整合情感体验表征,该体验源于四个物理域的累积、交互结果。这种系统性交互对PLF系统具有深远影响。由于福利代表一种整合的精神状态而非孤立的生理参数,没有任何单一传感器输出可以作为动物整体福利状态的直接、独立指标。相反,这些不同的数据流必须通过五域模型的多维视角进行综合集成和解释。虽然五域模型为评估动物福利提供了概念框架,但解释生理测量需要理解动物如何在应对变化的内外条件下维持生物稳定性。稳态(Homeostasis)描述通过生物反馈过程维持相对稳定生理条件的基线。然而,畜牧动物持续面临环境、代谢、行为和社会挑战,这些挑战需要生理调整而非维持静态平衡。这些适应性调节过程统称为动态平衡(allostasis),其中多个生理系统主动响应预期或经历的需求以维持基础功能。因此,可测量的生理特征(如呼吸频率、心率、体温或活动)不应相对于单一静态“正常”值来解释,而应在反映个体当前生物状态和环境背景的适应性生理基线内解释。维持这些适应性反应的生物学成本在解释传感器衍生数据时同样重要。短时间的生理调整通常是正常适应的必要组成部分,并在适当恢复后可能几乎没有福利意义。然而,调节机制的重复或持续激活会增加动物的累积能量和生理负担,这一概念通常称为动态负荷(allostatic load)。随着这种负担的累积,动物有效应对额外挑战的能力可能逐渐减弱,增加了健康受损、行为改变和福利降低的可能性。这些概念在图1中展示。因此,传感器系统不应仅仅识别生理反应是否发生,而应表征其幅度、持续时间、恢复轨迹和更广泛的生物学背景。这一区别构成了将传感器输出解释为福利相关特征指标而非福利本身直接测量的生理学基础。进一步地,生理适应也发生在生态背景下。社会等级、资源可用性、环境异质性和与同种动物的相互作用持续影响个体动物面临的生物学需求。因此,相同的生理反应可能反映根本上不同的福利含义,取决于个体的内部状态以及这些反应发生的生态条件。因此,客观的福利评估必须考虑应激源的立即出现,以及生物反应随时间推移的持续时间、强度和累积效应。为了弥合传感器能力与动物福利评估模型之间的差距,区分外部刺激(应激源)和动物的内部生物反应(应激反应)至关重要。虽然应激源触发初始扰动,但应激反应的幅度、持续时间和后续恢复模式很大程度上受动物个体生理和心理应对机制的影响。表1提供了一个框架,说明可测量生理应激反应的福利相关性。该框架不是将所有可测量的生理激活与负面福利结果广泛关联,而是认识到应激反应跨越一个广泛的光谱,从轻度、短暂调节到对基础生理功能的持续扰乱。应激反应的幅度、持续时间和恢复轨迹定义了应激源反应,而恢复能力进一步受暴露时个体动物特征和生理状态的影响。因此,在适当的生物学背景下解释传感器衍生数据至关重要。该框架是对Mellor五域模型的改编,专门适用于确定生理特征的传感能力。为了连接这些概念,图2引入了一个简化的主要流程,展示动态负荷和生理概念如何与传感结合,然后解释为相关的福利评估。
**4. 传感器模态**
本节讨论的传感模态获取的信息涵盖生理指标和行为代理。两者都为福利评估提供了独特且互补的信息。生理指标,如呼吸频率、心率和体温,是可测量的生物过程。这些过程通常提供更短的联系路径到潜在生理调节。相比之下,行为代理,包括采食活动、运动、姿势和社会互动,需要额外的解释。这是因为它们受到环境条件、管理实践和生态背景的影响。重要的是,两种测量类型都未直接量化动物福利。相反,它们都代表了互补的信息来源,其生物学意义取决于适当的生理解释和背景整合。在本综述中,术语“生理指标”和“行为代理”的使用认识到两者都基于部署背景需要不同的联系路径长度。表2总结了PLF应用中主要传感模态及其关键优势和部署限制。许多传感技术首先在人类医学或其他领域开发和测试,然后才应用于畜牧动物。因此,本综述包括来自畜牧和非畜牧应用的相关研究。畜牧外的研究用于描述传感原理、能力和发展,但不被视为该技术已为畜牧验证的直接证据。这允许我们考虑传感技术是否有可能转移到畜牧应用。图3展示了PLF中传感器和可感测参数之间的相互关联性。后续章节深入讨论每种模态,特别关注商业条件下的实际有效性和每种技术生成数据的生理可解释性。无论传感模态如何,实际实施都需要考虑传感系统与动物本身的交互。诸如附着方法、围栏设计和部署策略等因素可能影响测量质量以及正在监测的生理反应。
**4.1. 红外温度传感器与热成像系统**
红外温度传感器(IRT)和热成像系统已被证明对生物温度的非侵入性测量有效,特别是评估动物体表温度分布。表面温度测量可与核心生理参数(如核心体温)相关。这是通过针对具有高表层微血管密度的局部区域(包括眼部和鼻部区域)实现的,这些区域的血流最可靠地反映内部热状态。这些相关性已被应用于评估牲畜的体温调节反应,进一步推动了IRT和热成像作为热相关福利参数代理测量工具的应用。尽管前景广阔,IRT系统需要精确和结构化的测量条件,这极大地限制了实际部署的有效性。准确性受距离、角度、发射率假设和目标区域稳定性等因素影响。许多IRT系统通过利用可预测的动物定位来获得一致测量。例如,在指定饲喂站或基于通道的处理系统内采食时,动物运动受限,运动伪影最小化。虽然IRT系统可以产生高质量数据,但在动物运动不受限制的环境中其适用性受到限制。广角热成像系统能够同时评估多个动物,距离更远,覆盖面积更大。然而,这种扩展覆盖降低了精度,因为环境因素(包括环境温度、太阳辐射、气流、遮挡和表面污染物)引入了在大规模下更难控制的测量变异性。其准确性进一步因个体动物在姿势和毛皮特征(包括颜色和密度)方面的差异而降低,这些因素影响表面发射率和热信号的解释。尽管存在这些限制,持续捕获跨个体或群体的空间分布温度数据的能力为与机器学习框架集成提供了可扩展的路径。大规模热数据集可能支持模式识别方法,以识别与生理状态变化相关的趋势,包括体温调节应激的起始和进展。然而,此类系统的可靠性取决于鲁棒的预处理、环境归一化以及将温度谨慎解释为内部生理状态的代理而非直接测量。除了环境归一化,IRT和热成像系统可以通过热密度映射和热分布量化群体层面的交互。热关系可能提供环境/生态背景,这对于补充生理测量和改进福利相关反应的解释非常有价值。
**4.2. 雷达传感器**
近年来,微波和雷达传感系统在非接触式监测生理参数(包括呼吸频率和心率)方面显示出越来越大的前景,通过分析体表和胸壁位移的细微运动。这些系统通过发射射频信号并分析反射信号中的相位或频率偏移来工作,即使在低能见度条件下也能检测周期性生物运动。与光学系统不同,基于雷达的方法在存在灰尘、雾气或部分遮挡的环境中有效工作,使其特别适合畜牧监测应用。调频连续波(FMCW)和多普勒雷达系统在受控环境中提供高精度,尤其是当动物静止或隔离时,这有助于有效的信号分离并最小化干扰。超宽带(UWB)雷达系统通过支持在生理监测之外进行空间定位,进一步增强了这种能力,在定义区域内支持多参数传感。然而,在动态环境中部署雷达传感在隔离共享传感区域内来自单个动物的信号方面面临相当大的挑战。基于雷达系统的分辨率固有地与波长和系统配置相关,这可能在非约束条件下提取精细尺度生理信号时限制精度。虽然这些系统在抗环境干扰方面具有明显优势,但在畜牧环境中的实际部署仍受信号处理复杂性、硬件成本以及扩展到大规模种群的挑战的制约。尽管存在这些限制,雷达系统生成连续、非接触式生理数据流的能力为与机器学习框架集成提供了有意义的机会,特别是在光学传感不适用的应用中。近年来,在毫米波频率(77 GHz至81 GHz)工作的4D成像雷达通过提供关键高程数据以及标准距离、方位角和多普勒速度指标,实现了高密度点云的生成。当与基于深度学习的感知堆栈集成时,这些系统可以动态分类物体的结构特征和边界,即使在零能见度条件下(如重尘、暴雨或浓雾)也能保持高保真度。因此,4D成像雷达代表了一种经济高效、高性能、非接触式传感选项,具有显著的畜牧监测潜力,能够克服传统上在商业畜舍和牧场中损害计算机视觉系统的严重环境遮挡和光照动态。与标准相机系统和热成像系统的能力类似,雷达传感器既可以在个体层面发挥作用,也可以为整个动物群体生成数据。雷达很难实现真正的个体识别;然而,识别聚类/群体行为的能力可能仍提供有价值的生态背景。这种背景可以直接补充生理测量并改进福利相关反应的解释。
**4.3. 视觉传感器**
基于视觉的传感系统,包括RGB和RGB-D深度相机,已广泛用于PLF中监测动物行为,如运动模式和后肢变化。这些系统能够实现非接触式、高分辨率的数据采集,并特别有效地通过图像和视频分析检测跛行、采食行为和社会互动等指标。深度成像的进一步使用通过提供三维空间数据增强了这种能力,从而支持对身体状况、步态和空间利用的更全面评估。计算机视觉方法在分类和追踪任务中展现了显著功效,特别是在密集圈养系统(如育肥场、猪舍和禽舍)中,这些场所固定基础设施和可预测的空间布局促进了传感器的一致放置和受控视野。尽管有这些优势,视觉系统的有效性在不同生产环境中差异很大。在密集圈养环境中,主要挑战来自高动物密度、个体遮挡(一只动物的身体遮挡相机对另一只动物的视野)以及共享空间中动物重叠引入的视觉复杂性,这些降低了个体识别和追踪的准确性和可靠性。特别是对于家禽,密闭空间中的大量个体鸟类创造了独特的情况和挑战,可以通过各种群体监测技术进行检查并产生有意义的数据。在广泛生产系统中,动物在开阔牧场或牧场上自由活动,一组不同的挑战占据主导地位:可变且不受控制的光照/天气条件、空气中的颗粒物(如灰尘)降低图像质量,以及不可预测的动物到相机距离。这些环境因素共同限制了在广泛环境中收集数据的空间分辨率和一致性,使鲁棒的个体追踪比在密集或限制性实验环境中困难得多。当与深度相机系统结合时,能够产生三维重建的多相机阵列正在显示出实时准确测量动物形态测量学的潜力。常见的形态测量包括体长、体宽、体积和计算体重。开源图像处理和点云处理框架可以从相机阵列和深度数据生成此类三维模型。然而,重建准确性随着检测区域内动物密度和遮挡的增加而降低,限制了其在高密度生产环境中的当前适用性。除了个体行为分类,高度先进的现代视觉系统有可能量化群体层面的交互,包括间距、竞争、社会凝聚力和资源获取。这些生态关系可能提供有价值的背景信息,补充生理测量并改进福利相关反应的解释。尽管存在这些限制,基于视觉的系统仍然是PLF应用中的基础组件,因为其合理的成本、可扩展性以及生成丰富、连续行为数据流的能力。当与机器学习方法集成时,基于视觉的系统为自动化的、福利相关的行为监测提供了相当大的机会。然而,在实践中实现这一潜力需要严格的预处理管道、系统的传感器校准、先进的数据分析以及对商业农场环境特征动态和可变条件的持续适应。
**4.4. 声学传感器**
声学传感器利用麦克风和音频处理技术监测发声、呼吸和其他基于声音的动物行为和生理状态指标。这些传感器提供了一种被动、非接触式的方法进行连续数据收集,并已被应用于识别各种条件。呼吸系统疾病、与应激相关的发声和采食行为都已在某种程度上通过捕获和分析特征声音模式得以识别。在结构化环境中,声学分析与机器学习的结合已展示了以不同精度分类发声和检测异常呼吸声音的能力。然而,在商业畜牧环境(包括集约化和广泛化)中,声学传感的有效性显著受到环境背景噪音、来自多个动物的重叠发声以及周围声学可变性的影响。所有这些因素都降低了信号清晰度并复杂化了自动分类。声音传播进一步受畜舍配置和设备噪音的影响,这复杂化了信号的一致获取和解释。在多头动物畜舍中隔离单个动物的发声是一个关键的技术挑战。没有可靠的个体层面测量,声学数据反映的是群体动物的集体声音特征,而非单个动物的福利状态。特别是对于家禽应用,群体层面声学可以指示群体应激源,随后可通过其他机制在个体层面识别。这降低了PLF系统所需的精度。尽管存在这些挑战,声学系统提供了一种经济高效且可扩展的传感选项,可以通过提供听觉福利指标的连续监测来补充其他模态。当与机器学习框架集成时,声学数据流可能有助于早期检测福利相关的生理变化;然而,有效的噪声过滤、信号源分离和背景解释对于在商业环境中可靠部署至关重要。
**4.5. 动物可穿戴传感器**
动物识别是任何PLF系统的基础要求,因为它允许将传感器衍生数据归因于个体动物随时间的变化。射频识别(RFID)系统,例如RFID耳标,广泛用于畜牧生产中的个体动物识别和离散事件(如采食、饮水和通过固定检测点)的自动记录。这些系统生成个体动物与生产环境中特定资源或位置交互的时间戳记录。基于RFID的监测在操作结构化环境中特别有效,动物定期通过或与定义传感点互动,产生可靠的动物存在和活动的事件级记录。然而,RFID系统存在几个实际限制。它们依赖于固定基础设施和事件驱动数据收集,相对于连续传感方法产生碎片化记录,并且不产生直接的生理或行为测量。因此,需要与互补传感模态集成以捕获与福利评估相关的更广泛参数。物理标签保留也构成持续的操作挑战,因为耳标易因动物间转移和盗窃而丢失,损害个体层面数据连续性。尽管存在这些限制,RFID仍然是PLF系统中动物识别和数据归因的经济高效且可扩展的基础。瘤胃丸传感器最初设计为另一种动物识别传感器。通过添加其他传感器,它们提供了一种ID标记的、从胃肠道内部连续测量核心体温、瘤胃pH和瘤胃蠕动的手段。这些传感器在捕获非侵入性难以获得的内部生理数据方面具有独特优势。这支持了对代谢紊乱、热应激和消化紊乱等条件的早期检测。然而,瘤丸传感器对行为或外部环境交互提供的见解有限。当与外部传感模态结合使用时,这些瘤丸使得能够跨内部生理状态和外部行为或环境影响对个体动物条件进行更完整的表征。加速度计和惯性测量单元(IMU)是精准畜牧业中最广泛采用的穿戴式传感器之一,能够连续监测动物活动、姿势和运动模式。这些设备特别有效地通过多轴加速度数据检测与跛行、发情和一般运动相关的行为变化。在受控、较小、密集的环境中,当与机器学习算法进行模式识别配对时,基于加速度计的传感器展示了强大的分类性能。然而,数据解释高度依赖于传感器放置、附着稳定性和算法设计,动物形态和个体运动模式的差异引入了额外的可变性。此外,虽然加速度计提供高时间分辨率运动学数据,但它们不提供直接的福利相关生理测量。异常动物行为,如疼痛、发热或代谢应激,可能从连续加速度数据中推导出来。尽管存在这些限制,其耐用性、相对较低的成本以及与大规模部署的兼容性使得加速度计和IMU成为可穿戴传感系统的基础组件,特别是在集成到多模态数据管道中时。全球定位系统(GPS)和全球导航卫星系统(GNSS)传感器能够实现个体牲畜的空间追踪,提供对大面积区域运动模式、放牧行为和栖息地利用的见解。这些系统在广泛生产系统中特别有价值,在这些系统中连续视觉监测个体动物不切实际,允许在个体和群体层面评估活动分布和环境交互。当与加速度计数据集成时,GPS和GNSS系统可以通过为运动模式提供空间背景来改善行为分类。然而,基于GPS的传感存在显著限制。在遮挡环境中(如室内圈舍设施或茂密树冠覆盖区域)位置准确性降低。其他操作限制(如数据传输和电池寿命)进一步限制了连续部署。重要的是,空间数据本身不反映生理状态。它提供关于动物移动位置和方式的环境背景信息,但需要与生理信息传感模态集成才能实现有意义的福利解释。可穿戴式传感器通常产生个体层面的数据流,不提供群体层面的见解。然而,整合来自多个个体的同步流可以无缝地产生分组数据和有意义的环境及生态背景。这种群体背景可以极大地增强个体生理测量的背景。
**4.6. 常见传感器研究注意事项、局限与不足**
整个PLF文献中报告的传感系统性能应在开发和验证的实验条件背景下进行解释。报告的准确性、检测率和分类性能经常受研究设计影响,包括动物群体、环境条件、传感模态、部署持续时间、验证方法和统计处理。这些因素不一定削弱个别研究的价值,但它们确实定义了报告结论保持科学有效的范围。因此,在比较传感技术、评估其商业部署准备程度以及识别实现鲁棒、可扩展福利评估系统之前仍存在的研究空白时,认识到这些常见注意事项至关重要。表3总结了传感研究中遇到的主要局限性,而图4说明了这些不确定性来源如何通过传感管道传播,最终影响生理解释和福利评估。
**5. 数据采集(DAQ)模态**
表4和表5总结了PLF应用中使用的数据采集系统和数据通信策略及其关键优势和部署限制。在总结表之后,图5和图6可视化了选择工作流程和标准,总结了它们在PLF中的使用。后续章节深入讨论每种模态,特别关注商业条件下的实际有效性和每种技术生成数据的生理可解释性。
**5.1. 嵌入式数据采集系统**
嵌入式数据采集系统在PLF系统中充当传感硬件与更高层次分析框架之间的基础接口。这些平台负责传感器接口、信号采集、模数转换(ADC)、预处理、时间戳以及在传输或进一步分析之前的临时数据存储。常见的嵌入式平台包括低功耗微控制器、微处理器和单板计算机(SBC),如Raspberry Pi和NVIDIA Jetson系统,它们在计算能力、功耗和部署适用性方面差异很大。基于微控制器的系统广泛用于可穿戴和分布式传感应用,因为其低功耗要求和紧凑外形。这些属性支持从低带宽传感器(如加速度计、RFID读取器和环境传感器)进行连续数据采集。然而,这些系统受限于有限的板载内存、处理能力和采样率。这些限制极大地限制了支持计算密集型预处理或高带宽模态(如热成像或视频分析)的能力。更强大的嵌入式平台,如SBC和专用边缘处理设备,能够在采集节点本地执行机器学习推理、图像预处理和多模态数据同步。这改善了实时分析能力并减少了上游通信负担。然而,这些优势是以增加功耗、热管理需求和降低环境耐久性为代价的,这些都对在商业畜牧环境中的长期部署提出了实际约束。
**5.2. 移动与分布式记录系统**
移动和分布式记录系统通过可穿戴设备、独立数据记录器和分布式边缘节点,能够在畜牧环境中分散获取生理和行为数据。这些系统在集中式采集基础设施不切实际或动物移动性需要局部数据捕获的广泛或半结构化生产环境中特别有价值。可穿戴采集系统通常将板载传感、临时存储和无线传输集成到直接附着在动物身上的紧凑型电池供电设备中。这种方法能够连续监测活动、位置和生理代理,同时最小化对固定基础设施的依赖。然而,长期部署可靠性受到设备尺寸、电池寿命、附着稳定性和环境暴露的显著限制。独立数据记录器为连续无线通信不可行的局部数据采集提供了替代方案,使高频记录成为可能,同时减少了传输要求。然而,这种方法引入了权衡,包括数据可用性延迟以及与手动检索、同步和设备维护相关的后勤复杂性增加。更广泛分布式的采集架构在跨节点的时间同步、间歇性通信以及大规模部署中异构传感器的集成方面面临持续挑战。
**5.3. 采样与信号调理**
采样策略和信号调理从根本上影响在精准畜牧业系统中收集的生理和行为数据的质量、可解释性和分析实用性。传感器输出经常受到环境噪声、运动伪影、电磁干扰和传感器漂移的影响,需要在下游分析之前采用预处理技术,如滤波、放大、归一化、同步和校准。环境条件通过跨传感模态引入变异性进一步复杂化数据采集。因素包括温度波动、湿度、灰尘、光照变化和动物不受限制的运动,这些