智能养殖 | 数智技术在养猪生产中的应用研究进展

摘 要：我国养猪业正处于数字化、智能化转型的关键阶段，数智技术已成为推动行业“提质增效”的关键路径。以多源感知、云端数据平台和智能决策与控制为核心的数智技术在我国养猪业中已从示范探索阶段迈向规模化推广，标志着养猪业正从经验驱动向数智驱动迈进。本文综述了数智技术的概念、内涵及其在生猪育种、疾病防控、精准营养与环境控制等领域的应用研究进展，剖析了当前存在的主要问题与产业痛点，以期为我国养猪业高质量发展提供理论依据和技术支撑。

1 养猪生产数智技术的概念与框架

1.1 养猪生产数智技术的基本概念

数智技术是数字化和智能化的有机融合，精准畜牧（Precision Livestock Farming，PLF）与智慧猪场（Smart Pig Farming，SPF）是当前养猪生产数智化研究中最为常见的 2 个概念。PLF 通常被界定为在个体层面，利用传感器和信息技术对生产、行为与环境状态进行连续自动监测，通过算法将原始数据转化为可执行的管理信息，从而支持个体化的精准决策。在养猪生产场景中，PLF 多聚焦于对采食、饮水、活动轨迹和体况指标的动态感知，结合模式识别模型实现呼吸道疾病、跛行和应激反应等问题的早期预警与福利评估。SPF 则可以视为 PLF 在猪场层面的系统化落地，是在个体监测基础上，将物联网（Internet of Things，IoT）、云平台、大数据分析与人工智能（Artificial Intelligence，AI），与自动饲喂、环境控制和免疫防控等生产设施深度集成，形成贯通“感知 - 数据管理 - 模型决策 - 执行控制 - 反馈优化”的闭环生产管理体系。

1.2 养猪生产数智技术的总体框架

综合数智技术研究与实践，养猪生产数智化可划分为感知与连接层、数据与智能层、应用与控制层和管理与服务层 4 个层级：①感知与连接层负责现场信息采集与传输，包括环境传感器、摄像头、麦克风、RFID/电子耳标、可穿戴姿态传感器以及 IoT 等，通过有线或无线网络实现对环境、行为和生理状态的连续感知，并将多源数据上传本地或云端平台；②数据与智能层承担数据存储、管理与分析任务，对异构数据进行清洗与标准化，利用机器学习和深度学习开展特征提取、模式识别与预测优化，构建生长曲线、疾病风险评分、饲料利用效率等模型，为控制策略提供量化依据；③应用与控制层将“模型输出”转化为现场执行，包括智能环控、精准饲喂、健康监测与行为识别、自动称重与分群等模块，并将执行过程和结果反馈，为模型迭代提供在线数据 ；④管理与服务层整合生产与经济数据，通过云端 SaaS 服务平台向管理者提供可视化监测、分析与决策支持，体现数据驱动经营的价值。上述 4 个层级共同支撑养猪生产由经验密集型向数智化驱动的系统性重构。

2 数智技术在养猪生产中的应用

2.1 数智技术在育种中的应用

在生猪遗传改良领域，数智技术的引入旨在提高遗传评估精度、缩短育种周期和拓展可选性状。相较于传统方法，21 世纪初提出的基因组选择（Genomic Selection，GS）可显著提高育种值预测准确性，加快遗传进展，并对低遗传力性状的选择表现出优势 。数字表型技术的发展为 GS 的应用提供了技术支撑，其核心通过摄像头、三维成像、可穿戴传感器等设备连续监测猪只采食、行为和应激状态，并与日增重和背膘厚等生产性状同步整合，再利用机器学习从多源数据中自动提取稳定、可重复的表型指标用于遗传评估。研究表明，图像与行为信息（如跛行程度、体尺和行为活动）可由原来的等级评分转化为连续型表型数据，从而提高遗传参数估计的精度。Billah 等进一步指出，数字化行为监测揭示猪日行走距离与日增重存在显著负相关，提示在育种目标中引入行为性状，有望实现对生长速度与活动水平的联合选育，为兼顾生产效率和动物福利提供方法学支持。

在遗传评估方法层面，传统 BLUP 及其扩展算法（GBLUP 和 ssGBLUP 等）在处理基因组数据方面已较为成熟，但主要聚焦加性效应，对非加性效应和基因× 环境互作多需特别建模，且在超大规模或全基因组序列数据下计算成本较高。为突破这些局限，机器学习正在推动从单一线性模型向“线性 + 非线性融合”的方向演进。相关研究显示，在繁殖等低遗传力性状中，引入支持向量回归（Support Vector Regression，SVR）、核岭回归（Kernel Ridge Regression， KRR）等机器学习模型，相比 GBLUP/ssGBLUP 可将预测准确度提高 15%~20%，而在生长和胴体性状中的增益则相对有限。总体来看，GBLUP 和 ssGBLUP 在生长和部分胴体性状上仍表现出较强的稳健性，而 Stacking集成、SVR 和 KRR-RBF 等在部分综合指数或复杂性状上的预测精度和稳定性更优。因此，对于不同遗传力水平和遗传结构的性状，采用“线性模型 +ML”差异化建模策略，将有利于在实际猪育种计划中更充分发挥数智技术的优势。

2.2 数智技术在疾病监测中的应用

疾病早期监测是数智技术在养猪生产中应用最活跃，也是产业最为关注的方向之一。相关研究主要集中在声学、视觉和可穿戴监测等方面。1）声学监测：猪群咳嗽频率被证明是反映呼吸道疾病负荷和暴发趋势的敏感指标。Ferrari 等基于咳嗽声时域与频域特征并结合模式识别算法，实现了猪舍咳嗽声的自动识别与计数，用于监测肺炎等呼吸道疾病。近年来，声学系统进一步引入麦克风阵列与深度神经网络，对咳嗽、尖叫等异常声源进行分类，构建猪呼吸道疾病的早期预警模型。2）视觉监测：在损伤与结构健壮性监测方面，目标检测与语义分割模型已被用于识别跛行、肢蹄异常及体表损伤，为早期淘汰提供客观依据。在异常行为监测方面，姿态识别与个体轨迹分析可量化活动量、躺卧时间以及采食、饮水模式等行为指标，并将其用于重大疫病和亚临床健康问题的早期识别。3）可穿戴监测：基于 MPU6050等惯性传感器的系统可自动识别哺乳母猪站立、侧卧和俯卧姿态，并挖掘围产期行为模式变化，用于评估母性行为与分娩风险。集成体温与加速度传感器的智能耳标能够连续记录耳部温度和活动强度，通过时间序列分析与机器学习模型区分健康与异常个体，有望构建基于体温–活动耦合特征的疾病早期识别工具。

在多源数据融合层面，已有研究尝试将温湿度、_{NH3、CO2 等环境参数与声学咳嗽指数和行为特征整合为综合健康评分或风险指数，用于群体疾病风险的量化评估与分级预警。总体来看，数智技术已在多个场景证明其在疾病早期预警中的应用潜力，但要实现行业范围的规模化与标准化推广，仍需在传感可靠性、模型泛化能力以及人 - 机协同管理等方面持续完善。}

2.3 数智技术在精准营养中的应用

数值技术在推动精准营养发展方面主要体现在快速检测、营养价值评估与预测、猪只营养需要量预测及精准供给等方面。近^{年来，近红外光谱（Near infrared spectroscopy，NIRS）和高光谱成像（Hyperspectral Imaging，HSI）等无损检测结合机器学习，已广泛用于猪饲料原料及日粮能值与养分的快速及自动化评定。Noël 等基于大样本数据建立 NIRS 模型，可较准确预测消化能、代谢能和净能，验证集中R2普遍在 0.80 以上，表明 NIRS 在很大程度上可替代传统化学分析。Camp Montoro 等进一步利用 NIRS 同时预测化学组成、消化率和净能，实现了饲料营养价值的一体化评估。其他研究将 NIRS/HSI与一维卷积神经网络（Convolutional Neural Network,CNN）、极限学习机等模型结合，对豆粕及谷物原料的多项营养指标进行无损同步预测，验证集相关系数多在0.8 以上。由此可见，这类基于大数据的光谱分析方法显著提升原料评价的效率与智能化水平。更进一步，}NIRS/HSI的价值不仅在于“快速检测”，还支撑原料质量波动条件下的数据化供应侧管理与配方动态更新。同一类原料在产地、品种、加工工艺及储运条件差异下，其能值、蛋白/氨基酸与纤维等关键指标存在批次间波动；若仍采用静态营养矩阵或低频抽检，容易推高成本或引发生产波动。将 NIRS/HSI 与标准化数据流程结合可实现入厂原料的在线分级与质量验收，并把预测得到的能值与关键营养素指标转化为配方系统的动态约束条件，从而提高配方调整的及时性与一致性，推动“原料检测—配方更新”的联动。

在供给侧原料营养矩阵能够快速更新的基础上，实现精准营养决策的关键在于进一步明确猪只营养需要随时间与个体差异的动态变化。体重和膘情信息是决定猪只营养需要及饲喂策略的关键输入变量。近年来，计算机视觉在活体猪体重和体况评估中的应用快速发展，实现了从人工称重与主观评分向非接触、自动化测定的转变。Zhang 等利用 RGB 相机结合回归模型在商业化猪场实现较高精度的非接触式估重，估计误差控制在 ±^{5% 以内。Jiang等基于 Mask R-CNN 进行个体分割与轮廓提取，结合集成回归模型进一步提高体重预测精度，验证集R2 超过 0.95。Xue 等采用 CNN 与Transformer 实现母猪膘情自动评分，其分类精度和召回率均在 91% 以上，为大群条件下的体况监测提供了工具。机器学习也被用于突破传统“静态平均”营养模型的局限。Yang 等比较多元回归、人工神经网络（Artificial Neural Network，ANN）、k 近邻和随机森林等方法，发现 ANN 在预测生长猪净能摄入及蛋白、脂肪沉积净能方面整体表现最佳。Durand 等则利用}传感器数据和梯度提升决策树显著提高了妊娠母猪能量和赖氨酸需要的预测精度，较 InraPorc 模型能量需要预测的 RMSE 从 2.75 MJ/d 降至 0.91 MJ/d，赖氨酸的RMSE 从 1.07 g/d 降至 0.08 g/d。综合来看，利用机器视觉获取精细体况信息，并结合 ANN 等模型动态估算净能及关键营养素需要量，正推动猪营养需要评估由“静态群体标准”向“动态个体化决策”演进，为精准饲喂策略优化奠定数据与模型基础。

面向营养决策落地，未来研究更需要将原料光谱表征、动态配方调整、猪只营养需要预测在系统层面耦合，并通过精准饲喂装备或分阶段饲喂系统实现落地的执行方案。在运行机制上，应以生产性能、健康状态与粪污氮磷排放等作为反馈信号，对“原料预测—营养模型—饲喂策略”进行持续校正，实现模型在场景中的迭代。与此同时，光谱数据的“深度挖掘”趋势也愈发明确：一方面，深度学习模型有助于从高维光谱中提取非线性特征，提高多指标联合预测能力；另一方面，跨仪器、跨批次、跨产地数据分布差异带来的模型漂移问题，使得校准迁移、域适配与多模态融合将成为提升模型泛化性与可用性的关键方向。

2.4 数智技术在环境控制中的应用

猪舍微环境是影响猪群健康、生产性能及动物福利的关键因素。数智化环控系统一般采用“多点传感+智能控制”结构，前端利_{用多种环境传感器高频采集舍内温湿度和有害气体等信息，经 IoT 实时上传控制终端；后端控制器依据设定阈值或优化策略，对通风、加热/降温和喷淋设备进行动态调节。Li等设计的轨道巡检机器人将温湿度、NH3、CO2、PM2.5、风速等传感器集成于移动平台，并嵌入自适应模糊 PID 控制，实现“空间多点监测 + 自动联动控制”。国内外实践还普遍将环境监测模块接入猪场数字平台，跨场汇总环境与生产数据，用于评估不同环控策略效果，推动环境控制由“经验设定”向“数据驱动优化”转变。}

在环境-行为联合监测领域，研究趋势正逐步明确，即把动物行为和姿态作为环境舒适度的重要反馈信号。通过视频分析猪只分布、躺卧姿态和聚堆程度，可较单一环境指标更敏感地区分冷热应激情况。Ramos-Freitas等构建的行为–环境综合热应激指数证明，引入行为信息可提升预警性能；Xin则利用卧姿和聚堆特征实时评估热舒适状态，并据此自动调节供暖和通风，提出了基于行为反馈的热环境控制原型。在此基础上，Kasani等利用 CNN 对高温条件下妊娠母猪的躺卧和站立姿态进行自动分类，并分析热应激和膳食纤维水平对行为模式的影响；Bhujel 等构建体表温度与行为联合监测系统，实现热应激的非接触识别。总之，环控硬件及环境参数自动调节技术相对成熟，但以行为和福利指标为闭环反馈的智能环控策略仍处探索阶段，关键参数和评价体系还有待进一步研究。

3 数智技术国内外应用现状与技术瓶颈

3.1 国外养猪生产数智技术应用现状

欧美等养猪发达国家在数智技术实践方面已基本形成以多源感知、云端数据平台和智能控制为核心的养殖体系，在猪舍部署环境传感器、摄像头、麦克风、和 RFID 等感知设备，通过控制系统将机器学习与规则控制相结合，实现从信息采集到环境调节和精准饲喂的闭环管理，显著提高猪舍环境控制和饲喂决策的自动化水平。在工程化应用方面，Big Dutchman 的 135pro/235pro气候控制计算机配套 BigFarmNet 平台，可对风机、水帘、加热与雾化降温等设备进行一体化控制，记录和并分析长期环境与设备运行数据；DryExact Pro 和 HydroMix Pro 多相饲喂系统通过精确配料和曲线控制实现阶段日粮的自动调整。荷兰 Nedap 的母猪电子饲喂集成 RFID 和自动称重/分群单元可实现每头母猪设定个性化饲喂曲线并自动记录采食与体重信息，支撑大群条件下的精细化个体管理。比利时 SoundTalks 推出的猪咳嗽智能监测系统已在 25 个以上国家应用，利用吊顶麦克风和深度学习模型自动计算“咳嗽指数”，可较人工巡栏提前 3~5 d 识别呼吸道疾病风险。总体来看，国外养猪生产数智技术已从单点设备创新走向系统化、商业化生态，在环境控制、精准饲喂、动物福利评估和疾病早期预警等维度形成了较为成熟的技术与产品体系。

3.2 国内养猪生产数智技术应用现状

我国养猪生产数智化整体上正由示范探索走向规模推广，呈现出“龙头企业先行、科研机构支撑、区域服务平台跟进”的格局。牧原、温氏和扬翔等大型企业已在楼房猪场和现代化猪舍中集成智能环控、自动投料、粪污处理与视频监控等系统，通过环境传感器、摄像头和 RFID 耳标实时感知温湿度、气体浓度和猪群行为，并依托企业级云平台实现多场数据的集中管理和可视化分析，支撑跨区域调度与风险预警。例如，牧原推行“少人值守”模式，利用智能环控与自动投料系统协同控制环境和饲喂；温氏联合 ICT 企业建设云端猪场管理平台，使场长可在移动端实时查看关键指标并远程干预异常。营养与饲喂方面，扬翔“全域数智节粮应用技术—精喂坊”通过集中配料中心、原料营养预测模型和智能配方系统，结合IoT 汇聚的生长、用料和环境数据动态优化配方与饲喂策略，相关技术已被列入农业农村部农业重大引领性技术典型案例之一。高校和科研机构则围绕攻击行为识别、巡检机器人环境调控等方向推动关键技术工程化落地，以及基于轨道巡检机器人构建“多点感知 +联动控制”的猪舍环境监测与自适应调控系统，实现封闭猪舍温度和氨气等指标的精细化控制。

此外，不同养殖模式下的数智化侧重点存在差异。我国猪场在不同区域与气候条件下呈现楼房式与平层式并存。用地紧张或地形受限地区楼房猪场密度高，楼房养猪模式跨层物流与生物安全管控更复杂，数智化更强调通风与废气集中处理、分层通道与净污分离的联动管控及全过程追溯；而北方供暖地区平层猪舍跨度大，冬季“最小通风—热损失—能耗”矛盾突出，数智化则更应侧重分区环境与能耗管理，以及通风量动态调节与巡检覆盖。在推广层面，龙头企业可构建“全线闭环”，中小场宜优先部署环控、饲喂与健康监测等 ROI 更清晰的模块化方案。总体而言，龙头企业在感知层和自动控制层的装备水平已接近国际先进，但中小猪场数智设备普及率和数据治理水平仍然偏低，智能模型在一线生产中的规模化部署及其与管理流程的深度融合，仍是当前养猪业数智养殖的主要瓶颈与重点攻关方向。

4 结论与展望

我国数智技术正加速融入育种、疾病防控、精准营养与环境控制等关键生产关节，通过融合机器视觉技术、大数据分析、IoT 和人工智能等新技术，初步实现了从数据感知到智能决策，为养猪业“提质增效”和可持续发展带来了新机遇。然而养猪业推进数智技术的现场应用还面临诸多问题：第一，数据层面多源异构、标准不统一与质量不稳定等问题，且高成本标注限制模型迭代；第二，技术层面传感器可靠性不足，模型可解释性与算法泛化能力体系尚未完善；第三，经济与组织层面投入产出评估不足、运维与人才成本偏高，管理流程与数智闭环尚未同步重构，导致落地效果不稳定。因此，未来研究与应用可构建面向猪场场景的多模态感知体系与数据治理框架，发展可解释、可迁移的融合模型；以数字孪生为抓手推进“感知—决策—执行—反馈”闭环，结合边缘计算提升实时性与安全性；探索大模型与行业知识融合，推动数智能力嵌入生产经营流程，实现产业链协同智能与监管优化。通过上述举措，养猪业数智化转型有望迈向更高水平的自主创新与可持续发展。

资助项目：十四五国家重点研发计划课题（2024YFD1300703）；湖北省重大科技项目（2024BBA04）

作者简介：徐小霞（1980-），女，湖北宜昌人，博士研究生， 研究方向为农业数字化转型研究，E-mail：xuxiaoxia@mail.hzau.edu.cn

*通信作者：王超（1987-），男，河北邯郸人，博士，研究方向为种猪营养管理与大数据分析，E-mail：academy_wangchao@163.com；李欣然（1982-），男，山西太原人，博士，研究方向为农业多模态数据分析与建模，E-mail：xinran.li@mail.hzau.edu.cn

原文题目：数智技术在养猪生产中的应用研究进展

作  者：徐小霞，陆经纬，周远飞，王 超，李欣然

来  源：《中国畜牧杂志》2026 年第 3 期

DOI：10.19556/j.0258-7033.20251202-04

引用格式：徐小霞，陆经纬，周远飞，等.数智技术在养猪生产中的应用研究进展[J].中国畜牧杂志,2026,62(3):48-54.