使用深度图像与深度学习检测牛只跛行

为什么奶牛的脚痛关系到我们所有人

行走时感到疼痛的奶牛听起来像是一个小众的农场问题，但奶牛群体中的跛行实际上会悄然推高牛奶成本、缩短动物寿命，并带来严重的福利问题。传统上，发现跛行依赖于敏锐的人眼和在牛棚中投入大量时间——许多繁忙的农场无法做到每日巡查。本文描述了一种基于摄像头的系统，它在奶牛离开挤奶间时自动观察，利用深度图像和人工智能全天候识别早期问题迹象。

从拥挤的牛棚到持续的温和监视

跛行大约影响全球每五头奶牛中的一头，在部分牧群中这一比例可能更高。它降低产奶量、损害繁殖性能，并可能迫使农民提前淘汰牛只，每年每头牛造成数百美元的损失。然而，关于跛行的科学远远领先于大多数农场的实际做法：农民常常低估有多少牛在受苦，而专家评分既费时又带有主观性。早期技术尝试通过在通道中放置受力板或给动物佩戴运动传感器来提供帮助，但这些方案往往昂贵、侵入性强且难以扩展。作者转而采用“精准畜牧”方法，使用一种非接触的顶置深度摄像头，在牛自然沿通道行走时捕捉其三维轮廓。

天花板上之眼如何读取牛背

在日本的两家商业奶场中，一台飞行时间（time‑of‑flight）深度摄像头安装在奶牛从挤奶间返回时经过的窄通道上方。当每头牛从下方走过时，摄像头记录自上而下的深度图：本质上是一张显示牛背轮廓的高度图。系统先用先进的“实例分割”模型将每头牛从背景中分离出来。经过多种方案测试，研究者发现基于现代YOLO的模型既具有极高的精度又能快速处理，能在超过99%的帧中正确检测并勾画出牛只轮廓，同时每秒处理数十张图像——足以满足繁忙牛棚的实时需求。

追踪每头牛并将姿态转化为疼痛信号

检测牛只是起点；系统还必须在多头动物流经通道时保持对个体身份的跟踪。为此，作者设计了一系列定制的多目标跟踪算法，逐步提高系统对个体身份随时间维持的能力。最终版本不仅利用检测框之间的重叠，还考虑了某头牛被跟踪的时长以及其是从左向右移动还是从右向左移动。这一对方向信息的简单而巧妙的利用几乎消除了身份混淆，在未见日期和两家牧场上均达到了约99.9%的跟踪准确率。

教会计算机识别“僵硬与疼痛”的样子

跛行检测的核心在于牛背的形状和运动。蹄或腿部的疼痛常使动物为减轻压力而出现更弧形或不均匀的脊背。团队没有手工挑选少量几何测量值，而是将每头牛的深度图转换为标准化的背部高度图序列，再将这些短序列输入深度学习模型。现代图像网络（EfficientNet）学习每帧中的空间模式，而长短期记忆（LSTM）网络则捕捉姿态在若干步内的演变。利用专家按四分制（从正常到严重跛行）标注的样本，最佳配置（EfficientNet‑B7 加 LSTM，使用五帧序列）在未见牛只上的分类准确率和F1分数均约为96%，尽管存在类别不平衡和不同步速等现实挑战。

这对奶牛、农民以及你杯中的牛奶意味着什么

综合起来，深度摄像头、检测、跟踪与步态评分模型构成了一个端到端的24/7监控系统，能在不使用缰绳、耳标或特殊地面设备的情况下，监视每一头从其下方经过的奶牛。作者认为，这样一个客观且持续的工具可以弥合研究对跛行认知与牧场常规实践之间长期存在的差距。通过比人眼更早且更一致地标记高风险牛只，这项技术有望减少疼痛、降低治疗与淘汰成本，并支持更人道、更可持续的牛奶生产。尽管仍需在更多牧场进行更广泛的测试，研究表明，一台顶置深度摄像头配合精心设计的深度学习模型，能够将一项困难的人工工作转变为维护动物福利的自动化保障。

引用: Tun, S.C., Tin, P., Aikawa, M. et al. Cattle lameness detection using depth image and deep learning. Sci Rep 16, 13456 (2026). https://doi.org/10.1038/s41598-026-40780-4

关键词: 牛只跛行, 深度成像, 精准畜牧, 计算机视觉, 动物福利监测