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

该研究介绍了一个名为 Cattle Visual Behaviors (CVB) 的视频数据集，用于牛行为识别。通过计算机视觉标注工具（CVAT）收集了 502 个视频剪辑，每个视频剪辑都有 15 秒长，并且标注了 11 种能够直观感知的牛的行为。研究使用预训练模型对视频中的牛进行检测和跟踪，并使用 CVAT 进行修正和标记，从而减少了标注的时间和精力。最后，使用 SlowFast 动作识别模型对该数据集进行了训练和评估，能够准确地识别牛的频繁出现的行为。

May, 2023

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

本文研发了一种基于人工智能技术的牛身体状况数字孪生模型，体系采用农场物联网系统远程监测和跟踪牛的健康状态，通过这个模型可以实时监测牛的健康和生理周期，并预测下一个生理周期的状态。

May, 2022

本研究提出了一个利用深度学习图像处理技术提取与蹒跚步态相关的多种运动特征的自动跛行检测系统。使用 T-LEAP 姿势估计模型，从牛行走的视频中提取 9 个关键点的动作，99.6% 的正确关键点。然后利用这些关键点的轨迹计算了六个运动特征：背部姿势测量、头部上下摆动、跟踪距离、步幅长度、站立持续时间和摆动持续时间。结果显示背部姿势测量、头部上下摆动和跟踪距离是最重要的三个特征。研究还表明，合理合并观察者的评分可以提高观察者间的可靠性和一致性。结果显示，包含多种运动特征可以将分类准确性从仅使用一个特征的 76.6% 提高至使用三个最重要特征的 79.9%，并进一步提高至使用所有六个运动特征的 80.1%。

Jan, 2024

研究通过不同类型的神经网络对超声波声音进行分类，构建了可全自动分析大型数据集并具有高可靠性的流水线，并在鼠类的自闭症样行为研究中发现了关键差异。

May, 2024

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

本文介绍了针对奶牛行走状态数据采集和分析的一种方法，基于神经网络和计算机视觉技术，能够对奶牛精准识别和判断是否患有跛行症。

Jun, 2022

畜牧饲料行为监测的自动化方法和技术的综述，讨论了不同的传感方法、信号处理和计算智能方法，并强调了自动监测系统提供有价值信息以改善我们对畜牧饲料行为的理解的潜力。

Dec, 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