基于多维感知的育肥猪动态精准饲喂系统架构设计与应用

摘要：由于传统生猪饲喂过程中饲料按不同生长阶段营养供给与生猪生长需求匹配不够精准，因而存在营养浪费或者不足、饲喂管理智能化程度低等行业痛点，因此本文设计并实现了融合多维感知、AI 生猪估重、AI健康监测、智能营养建模、AB料自动配料的一体化动态精准饲喂系统。具体而言，用无线传感网络采集猪场环境及生猪采食量数据，再借助AI估重模型和健康模型获取生猪实时生长参数和健康指标，在此基础上构建生猪生长营养需求匹配模型，自动计算AB两种饲料每日最优配比，最终将配比结果下发给智能配料机，完成自动接料、混合与饲喂全过程，真正做到育肥猪全生长周期营养按需供给。经猪场现场严格验证，该系统可实现单头生猪养殖周期内增效约60元，切实提高猪场养殖效益及智能化管理水平。本文对系统整体架构、关键技术实现、主要创新点以及实际效益做了详细的论述，给出了畜牧精准饲喂领域切实可落地的技术方案。

关键词：多维感知；AI估重；AI健康监测；精准营养；智能配料

1 引言

在生猪规模化养殖过程中，饲料成本占养殖总成本的 60%-70%，传统饲料厂提供不同生长阶段饲料，存在营养供给过剩/不足等问题，无法结合猪场环境、生猪生长状态、健康状况实现动态化精准饲喂。随着物联网、人工智能、工业自动化技术在畜牧领域的深度融合，实现育肥猪生长全周期的精准营养饲喂，成为降低养殖成本、提升养殖效益的核心突破口。

由于现有生猪饲喂系统多聚焦于单一饲喂设备自动化，其缺乏环境感知、生长监测、健康评估、营养建模、设备控制诸环节的全链路协同；也未把AI 生长估重与畜牧营养技术真正充分结合起来，饲料配比仍沿用固定公式，不能满足生猪 30kg至120kg全育肥周期的动态变化的营养需求，导致饲喂精准度不足、饲料节约效果有限。

本文从场景落地的育肥猪AB料动态精准饲喂项目出发，构建了一体化的智能饲喂系统架构，把多维感知数据采集、AI 智能分析、营养配比计算、终端自动执行等诸多环节练成闭环；核心创新点在于打破 AI信息技术与生猪营养养殖技术的壁垒，将 AI视觉估重、AI健康监测、多源数据融合算法与生猪生长营养需求模型深度耦合，从而实现了AB料动态精准配比与全自动饲喂，目前该系统已经实现规模化商业应用，应用价值十分突出。

2、系统架构设计

2.1 整体架构

系统遵循高可用、高稳定、易扩展、低时延、全自动的设计原则，适配猪场复杂工业环境，支持多猪场、多栋舍分布式部署，实现数据采集-分析-决策-执行的全流程无人化管控。

1) 多维感知层

感知层是系统数据的源头，我们部署了无线环境监测传感器（温湿度、氨气、二氧化碳等）、栏位固定摄像头、料塔称重传感器等设备，实时采集猪场环境、采食量数据以及猪只生长影像等多维度数据，实现生猪生长全要素多维感知，从而为上层模型提供精准数据支撑。

2) 数据处理与 AI 模型层

系统核心算力层以云端数据库为载体来存储多源感知数据，在算力服务器上部署了三大核心模型：第一是AI 生猪估重模型，即用深度学习算法从视觉图像中提取猪只特征，再结合回归预测和统计分析两类方法准确、可靠地估测生猪每日体重；第二是AI健康模型，以机器视觉技术对猪只堆叠、长卧不起、离群等行为予以自动监测，据此对猪只健康状况作出客观评级；第三是AB 料营养配比模型，充分考虑生猪品种、体重、采食量、环境状态、健康状态及营养标准等诸多因素，动态、精准地求解最优AB饲料配比，实现每日精准营养。

3) 分析决策层

基于营养模型输出的配比结果，生成标准化控制指令，通过云端平台下发至现场智配机终端，同时实现指令校验、设备状况健康、异常预警等功能，同时对于采集到的多维数据，进行数据统计分析，帮助养殖人员随时随地了解猪只环境情况、生长状况和饲喂情况；系统支持人工干预与自动模式切换，保障系统运行稳定性。

4) 执行层

核心执行设备为部署到现场的AB料智配机，接收云端下发的配比指令后，自动完成双料塔按比例取料、自动混合、接入料线全流程，无需人工操作，实现饲料配比与饲喂的全自动执行。

图1 动态精准饲喂系统架构图

2.2系统部署架构

本系统采用了云端集中管控、现场分布式终端部署的模式，云端平台做到了全猪场数据统一管理、模型统一运算、指令统一下发；而各猪场又独立部署相应的感知终端与智能制配机，当地完成数据采集与指令执行，网络依赖较小，响应速度快，很好满足了规模化猪场批量部署的需求。

2.3系统核心技术实现

1) 多维无线感知技术

首先采用低功耗无线传感模块来采集猪场环境数据和料塔余量，在充分考虑猪场潮湿、多粉尘的工业环境特点后，对传感器防护等级与通信稳定性做了合理优化；在摄像头使用上严格按照网络设备接入要求，考虑不同时间，不同光照场景，固定频率获取猪只影像，剔除异常数据，保障数据采集准确率达到 98% 以上。

2) AI 生猪实时估重技术

采用 Detectron2 算法模型，对采集到的栏内猪只图像进行影像分割和体型侦测，识别图像中每只猪的轮廓与姿势（站姿、卧姿），并对不同姿势的猪只轮廓进行不同颜色标记，用于后续特征提取与分析。同时，通过该模型计算每只猪识别出的轮廓和实际轮廓的贴合程度，减少轮廓识别贴合度不足带来的体重估测偏差影响，提高后续体重估算的准确性。

3) AI 生猪健康监测技术

基于卷积神经网络（CNN）构建生猪行为深度学习模型，实现健康预警，针对打堆，离群和长卧不起等异常行为预警，准确率为85%，为营养配比提供核心健康等级参数。

4) AI 与营养技术融合的配比算法

创新融合畜牧养殖营养理论与人工智能算法，建立生猪生长 - 营养需求 - 饲料配比关联模型，将 AI 估重的体重数据、采食量数据、健康等级、环境数据作为模型输入，依据生猪 30kg 至 120kg 育肥周期营养需求标准，动态计算 AB 两种饲料的最优混合比例，替代传统固定阶段模式，实现每日精准营养供给。

5) 智能制配机自动控制技术

采用 PLC 可编程逻辑控制器，设计智配机自动控制系统，实现料塔按比例出料、自动混合，无缝接入现有猪场料线，响应云端配比指令低时延，混合均匀，出料精准，保障饲料配比与饲喂的全自动化、精准化执行。

图2 每日动态精准饲喂系统技术路线

2.４ 评价指标

系统指标：环境数据采集准确率，AI估重准确率，AI异常行为侦测准确率，智配机混合均匀度，配料精度以及系统运行稳定性。

经济指标：记录初始重、末重、采食量，计算以下指标：

1) 平均日增重（ADG） =（末重−初重）/ 试验天数；

2) 平均日采食量（ADFI） = 总采食量 / 试验天数；

3) 料重比（FCR） = 总采食量 / 总增重；

4) 经济效益：统计饲料成本、增重收益，计算单头猪增效金额。

3 现场实证

3.1 实证动物与饲料

实证于江苏省太仓市某规模化育肥猪场开展，猪舍为标准化限位栏舍，配备通风、降温及全自动料线系统，满足自由采食与连续饲喂条件。

实证动物为三元杂交商品育肥猪168 头，初始体重约 49 kg，结束体重约 90 kg，健康状况良好，免疫程序与饲养管理按猪场常规标准执行。

实证设 4 种饲料日粮，基础日粮为 902、903，精准营养日粮为高浓度 A 料、低浓度 B 料，均由安佑生物科技集团股份有限公司提供。

3.2 实证设计

采用单因素完全随机设计，将 168 头猪随机分为对照组与试验组，每组 84 头，每组 7 个重复，每个重复 12 头。

1) 对照组：采用猪场常规二阶段饲喂模式，49-64 kg 使用 902 日粮，64-90 kg 使用 903 日粮，统一配方、统一投喂量。

2) 试验组：采用多模态数据每日精准饲喂系统，每日基于品种、体重、环境、健康数据自动计算 A 料与 B 料配比，由智能配料机完成混合后接入现有料线执行。

本次实证时间共 42天，其中 49-64 kg 阶段 15天，64-90 kg 阶段 27天。

4、结果与分析

4.1 系统性能

1) 多维数据采集：多维感知数据采集准确率≥98%；

2) AI 估重：体重测算误差≤４%；

3) AI健康预警：异常行为预警准确率≥85%；

4) 智配机控制：饲料配比精度误差≤５%； 混合均匀度CV≤7%； 

5) 系统运行稳定性：系统连续运行无故障时长≥42天。

4.2育肥猪生产性能的影响

经过42天的实证对比，由表 1 可知，49-90 kg 阶段，试验组与对照组总增重、日增重无显著差异（P>0.05）；试验组总采食量降低 3.13 kg/头，料重比降低 0.08，表明精准饲喂可在保证生长速度的前提下，显著减少饲料消耗，提升养殖经济性。

表1  动态精准饲喂系统对49~90kg阶段育肥猪生产性能的影响

4.3 育肥猪经济效益的影响

由表2可以看出，整个实证期间，试验组单头猪饲料成本较对照组降低 29.1 元，增重收益增加 3.45 元，单头综合增效 32.55 元，经济效益显著。据此，可以计算出30-120kg育肥猪生长阶段，单头综合增效60元左右。

表2  动态精准饲喂系统对49~90kg阶段育肥猪经济效益的影响

5、结论

本文对设计的基于多维感知的育肥猪动态精准饲喂系统做了清晰的阐述，通过四层架构实现全流程智能化控制，成功将 AI 信息技术与生猪营养养殖技术深度融合，很好的解决了传统饲喂模式饲料营养过剩或不足、智能化水平低等痛点，单批次每头猪可增效60元左右，技术实用性极强，也极易推广到规模化生猪养殖场景，故完全符合规模化生猪养殖精准饲喂的实际需要。因此获2025全国畜牧业数字化杰出案例称号，亦是国家节粮行动计划可落地执行的示范。

后续可进一步优化 AI 估重模型与营养配比算法，适配不同品种生猪以及更大体重阶段的养殖需求；亦可拓展至禽类养殖，推动畜牧养殖智能化水平持续升级。

6 参考文献

[1] 潘俊毅，吴青瑶，谭碧娥，等。生长育肥猪精准营养供给技术及智能化养殖设备研究进展 [J]. 畜牧兽医学报，2025, 56 (2): 501512.

[2] 黄瑞林，丁婧，冯泽猛，等。生猪动态营养需求研究现状及发展路径探讨 [J]. 动物营养学报，2022, 34 (10): 61326145.

[3] ZUIDHOF M J. Precision livestock feeding: matching nutrient supply with nutrient requirements of individual animals [J]. Journal of Applied Poultry Research, 2020, 29 (1): 18.

[4] POMAR C, REMUS A. Precision pig feeding: a breakthrough toward sustainability [J]. Animal Frontiers, 2019, 9 (2): 5259.

[5] SACANELL V L, PLÀARAGONÉS L M, POMAR J. Evaluating a precision feeding decision support system for improving growth performance of growingfinishing pigs on a commercial farm [J]. Animal, 2026, 20: 101763.

[6] 中华人民共和国国家市场监督管理总局，国家标准化管理委员会. GB/T 392352020 猪营养需要量 [S]. 北京：中国标准出版社，2020.

[7] NRC. Nutrient Requirements of Swine [M]. 11th ed. Washington, D.C.: The National Academies Press, 2012.

[8] 王继光，刘龙申，郑卫江，等。生长育肥猪精准饲养系统研究进展 [J]. 动物营养学报，2022, 34 (5): 27522763.

[9] 张建龙，冀横溢，滕光辉。基于深度卷积网络的育肥猪体重估测 [J]. 中国农业大学学报，2021, 26 (8): 111119.

[10] 龙沈飞，贺腾飞，张校军，等。猪的智能化饲养管理和环境控制研究进展 [J]. 中国畜牧杂志，2023, 59 (5): 3439.

7 其他相关成果

· 发明专利：一种畜禽智能饲喂方法,系 统,终端及存储介质（专利号：ZL202311489783.X）

· 发明专利：养殖用摄像头状态检测和修正方法及系统（专利号：ZL202210074475.X）