AI生猪健康监测：群体行为异常预警实验

本实验在合作养殖场的 6 个育肥舍内部署边缘视觉节点，连续采集 21 天共约 480 小时的夜间与清晨视频片段。模型以 YOLOv8-S 为主干，附加轻量化时序模块（TCN-Light），识别"扎堆不动、反复起卧、采食区滞留"三类核心异常行为。初步结果：自然棚舍场景下，单帧 mAP@0.5 为 0.81，30 分钟级异常片段召回率 88.2%，误报率约 9.7%；相较人工巡检，夜间空档期的异常发现时长平均缩短 54 分钟。当前局限：仔猪阶段因体型小、互相遮挡，漏检偏多；棚顶强反光下分割误差仍较明显。下一步计划：（1）扩充遮挡样本并引入光流先验，改善小目标漏检；（2）接入耳标体温与采食量数据，进行多模态时序融合，调优个体级告警阈值；（3）将推理链路下沉至 RK3588 边缘盒，验证 16 路并发的时延与功耗。