使用动物背负的传感器记录生态和环境数据，为了比较不同的机器学习技术，建立了大型公开数据集和评估系统Bio-logger Ethogram Benchmark（BEBE），执行行为注释和标准建模任务，评估了10种不同的机器学习方法，并识别出未来研究中需要解决的关键挑战。

May, 2023

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

通过使用计算框架，本研究提供了从视觉隔离挑战中诱导的泌乳成年多胎生奶牛在负面情感状态下的最大程度预处理数据集（不含噪音），以实现低频和高频牛叫声的分类以及个体奶牛语音识别。其中，深度学习和可解释的机器学习框架的模型，分别达到了87.2%和89.4%的低频和高频分类准确率，以及68.9%和72.5%的个体牛辨识准确率。

Jul, 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

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

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

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

利用人工智能和传感器数据建立牵引性病问题的公共数据集CowScreeningDB，以及使用原始传感器数据对健康和疾病牛进行分类的机器学习技术的研究。

May, 2024

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

本研究解决了在动物福利监测中识别小牛活动行为的挑战。通过使用基于加速度计的传感器数据，我们对比了Rocket方法与11种深度学习方法在时间序列分类任务上的表现。研究发现，尽管深度学习在类似领域表现优异，但Rocket在小牛行为分类上的效果显著优于深度学习方法，可能是由于其更简单的分类框架具备了深度学习模型的数据编码优势。

Aug, 2024