本研究旨在利用基于传感器行为数据的机器学习算法，早期检测数字皮炎 (DD) 并预测奶牛 DD。通过建立早期警报工具，实现对商业环境下 DD 的监测和管理，降低 DD 的发病率和严重程度，改善动物福利。通过基于行为传感器数据的机器学习模型，在自由栏条件下预测和检测奶牛数字皮炎，本探索性研究中，DD 临床症状出现的第 0 天的检测模型准确率达到 79%，DD 临床症状出现前 2 天的预测模型准确率达到 64%。该机器学习模型有助于基于行为传感器数据在常规奶牛环境下开发实时自动化的 DD 监测和诊断工具。研究结果表明，个体层面的行为模式变化可用作牛群管理早期警报系统的输入，以检测个体牛健康的差异。

Sep, 2023

本文对基于视觉的牛辨识进行了系统的文献综述，旨在分析使用机器学习和深度学习进行牛识别的研究，并发现支持向量机、k 最近邻和人工神经网络是最常用的机器学习模型，而卷积神经网络、残差网络、Inception、YOLO 和 Faster R-CNN 则是深度学习模型，而牛的口印和毛皮花纹是区分牛的最显著特征。

Oct, 2022

本文介绍了使用基于代理的仿真模型来创建数字孪生体以优化医疗流程，使用机器学习以验证模型并进行敏感性分析的工作。

Mar, 2023

通过持续数据同化，智能数字孪生系统（SDTs）在多个领域中使用图像数据观察和学习系统行为，并控制其行为，从而提高复杂系统的性能优化。本文聚焦于不断同化物理系统中的图像数据来发展基于图像的 SDTs 的各种方法及相关挑战，并讨论了设计和实现 DL 模型用于 SDTs 所面临的挑战，包括数据采集、处理和解释等方面。此外，还提供了关于发展新的基于图像的 DL 方法以构建稳健 SDTs 的未来方向和机会，包括利用生成模型进行数据增强，开发多模态 DL 模型，以及探索与 5G、边缘计算和物联网等其他技术的融合。本文描述了基于图像的 SDTs，使得数字孪生系统（DT）的范式能够在广泛的领域得到更广泛的应用，并开发新的方法以提高 SDTs 在复制、预测和优化复杂系统行为方面的能力。

Jan, 2024

个性化医学的目标是根据患者的独特特征量身定制干预措施。本研究介绍了一种基于动态信息的神经网络控制器作为对医学数字孪生的控制方法，并通过在两种常用的基于代理的模型类型上进行实验和评估验证了该方法的有效性。

Mar, 2024

本研究应用计算机视觉技术实现了对肉牛间的交互行为实时的自动识别，通过三流 CNN 模型，综合视觉、几何和语义特征对个体动作和交互行为进行处理，采用自监督学习方法对模型进行预训练，实现了交互行为识别的高精度和实时性。

Sep, 2022

人工智能可以在产业中发挥潜在的转变作用，提升生产过程，减少手动重复任务。高性能计算和强大的数学模型之间的协同作用使得机器学习等复杂数据分析过程得以应用。然而，在有效、高效和灵活处理以生成有价值的知识方面存在挑战。因此，本研究全面描述了人工智能可应用于的产业挑战，重点关注乳业。所提出的结论可以帮助研究人员应用新方法监测牛群，为农民的需求提供先进的技术解决方案。

Jun, 2024

本研究探讨和研究了人工智能和数字孪生技术在非洲低资源国家健康与福祉方面的潜力和相关性，并提出了增强型人工智能系统架构，同时强调科学知识的发现、不断的学习、实用级别互操作性和互动解释与决策是人工智能系统和数字孪生的重要研究挑战。

May, 2023

家畜健康和福利监测在过去通常是一项手动的、消耗大量人力的任务。近年来，人工智能和计算机视觉技术，特别是深度学习模型，已经被广泛应用于家畜行业作为决策工具。本文旨在通过系统文献综述，研究深度学习在家畜行为识别方面的应用和研究进展，分析了 44 个高质量的原始研究，讨论了性能评估、挑战以及发展自动化家畜行为识别系统的潜在解决方案与研究方向。

Oct, 2023

自动监测仔牛行为是评估动物福利的有前途的方法。本研究旨在从加速度计数据中开发机器学习模型，对断奶前的仔牛主要行为进行分类，并建立数字工具以监测仔牛的行为。

Jun, 2024