冷热环境下反刍动物健康信息智能监测技术研究进展

王玉泉¹，李珈毅^2,3，阿力得尔吐¹，木其尔^2,3，安晓萍^2,3*

（1.兴安盟农牧科学院，内蒙古乌兰浩特 137400；2.内蒙古农业大学动物科学学院，内蒙古呼和浩特 010018；3.智慧畜牧自治区高等学校重点实验室，内蒙古自治区高校智慧畜牧集成攻关大平台，内蒙古自治区草食家畜饲料技术研究中心，国家乳业技术创新中心奶牛繁育与养殖技术研究中心，内蒙古呼和浩特 010018）

摘 要：在反刍动物养殖中，气候变化是核心应激源，环境温度剧烈波动会导致动物陷入冷应激或热应激状态，进而产生系列不利影响：冷应激主要通过改变代谢水平、调控激素分泌，抑制动物生长速度与生产性能；热应激则导致动物皮质醇水平升高，直接或间接损害其健康状况。随着反刍动物规模化养殖的快速发展，实时高效的智能监测技术发展愈加成熟。本文结合国内外现有研究成果，系统综述了冷热环境对反刍动物的影响机制，并从生理指标、生产性能、行为活动 3 个维度梳理了反刍动物冷热应激智能监测的研究进展，为极端气候下反刍动物健康福利保障提供了实践参考，并为该领域未来研究方向提供了理论借鉴。

用传统人工观察法监测冷热环境下反刍动物健康状况时，往往难以动态、实时、精准地捕捉其异常行为与生理信号，导致无法在应激发生早期进行有效干预。为克服上述局限，基于环境感知与动物状态识别的传感器技术、机器视觉、物联网及人工智能算法的动物信息智能监测技术迅速发展，为实时、精准、非接触式无应激地评估冷热环境下反刍动物的生理状态和行为模式提供了全新解决方案。

传感器是实现环境与动物信息感知、采集的核心基础元器件，用于畜牧养殖的传感器主要分为运动监测、生命体征监测、环境监测三大类。运动传感器是用来测量位移、速度、加速度等与运动有关的物理量，可以描述被测对象的运动状态。三轴加速度传感器应用最广，其部署在动物的颈部、耳朵、下颚、腿部和其他部位，其工作原理是动物运动时能产生与速度变化量成正比的电压信号，以此量化反馈动物三维运动情况。Russel等基于加速度传感器采集的牛只运动数据，借助含 23 层卷积、归一化等结构的深度学习框架，预处理并分析采食、躺卧等行为数据，经 3 组数据集验证，分类准确率达 87.15%~98.7%，实现行为自动化精准监测，助力奶牛福利提升与科学管理。

声学传感器通过获取牲畜采食牧草时咬食、咀嚼的声音数据，提取波形、强度、峰值、持续时间等特征，结合算法识别分类下颌事件，也是判断动物是否受冷热应激影响的关键技术载体。Chellotti 等提出一种咀嚼 - 咬合实时算法（Chew-Bite Real-Time Algorithm，CBRTA），通过获取声信号数据包络线的斜率改变次数、平均强度、持续时间等特征，建立启发式规则对牛的咬合、咀嚼、咬合 - 咀嚼进行了识别与分类，准确率分别为 97.4% 和 84%。环境传感器能监测畜牧环境的实时状态变化，包括温湿度传感器、气体浓度传感器、光照传感器、风速传感器等，为评估冷热应激等环境因素对动物健康的影响提供环境背景信息。

机器视觉是基于图像分析的计算机技术，通过算法解析像素信息推理目标，以非接触、无压力、经济高效的特点，实现反刍动物行为与生理状态动态监测。核心流程为数据采集、预处理、目标提取、特征识别、智能决策。Ma 等收集了 406 个奶牛多场景多姿势视频（25.65 万帧），利用机器视觉技术提出等级扩展网络3D（Rank e Xpansion Network 3D，Rexnet 3D） 的识别算法区分躺卧、站立、行走行为，准确率达 95.00%。

综合以上，机器视觉通过对图像信号执行系列处理以提取目标关键特征，最终依据处理结果输出决策反馈，是冷热环境下反刍动物应激行为识别的核心技术之一。

2.1 对健康与免疫功能的影响

体温、呼吸频率和心率是评价动物机体健康水平的核心生理指标，免疫状态则反映机体防御能力。在冷应激环境下，宋宝森 指出冬春寒冷天气会导致哈萨克羊呼吸频率和心率增加，易发呼吸系统疾病、免疫力低下。安格尔等研究发现，慢性冷应激会显著升高舍饲蒙古牛促肾上腺皮质激素（ACTH）和皮质醇（COR）含量，降低免疫球蛋白 M（IgM）和免疫球蛋白 G（IgG）水平，抑制免疫功能。在热应激环境下，宋振华等研究发现热应激会显著提高奶牛的体温和呼吸频率，降低采食量、产奶量及乳品质。国梦阳等指出热应激会导致肉牛内分泌激素紊乱、免疫功能下降和胃肠道菌群结构改变。李述方等研究指出热应激会显著降低反刍动物的抗氧化能力，损害免疫功能，其适应机制主要为神经内分泌调节和免疫功能调节。

2.2 对生产性能的影响

冷热应激会显著影响反刍动物的采食量、生长速度、产奶量等关键生产性能指标，进而造成养殖经济效益损失。郭爽等在高寒地区研究发现，冷应激会显著降低奶牛的采食量和产奶量，影响乳品质，且高寒地区冷应激持续时间长，对生产性能的负面影响更为显著。赵进哲等指出，冷应激会迫使动物分配更多能量维持体温，降低生长速度和饲料转化效率，与热应激相比，冷应激下动物能量代谢更倾向于产热消耗，饲料转化效率下降幅度更大。

热环境下，瞿明仁探讨了肉牛热应激缓解与能量快速补充方法，指出热应激会导致肉牛能量代谢紊乱，影响生长速度和饲料转化效率。石帅等在自然热应激环境下，对不同地区分析表明，南方地区奶牛受热应激影响更为严重，上海地区热应激对奶牛产奶量的影响最大，主要因高温高湿环境持续时间长，动物散热困难。这些研究共同表明，冷热应激通过影响反刍动物的能量分配与关键生产指标，对其生产性能构成了显著影响，亟需通过综合措施加以缓解。

2.3 对行为活动模式的影响

反刍动物的采食、反刍、站立、行走等日常行为与环境条件密切相关，冷热应激会导致动物表现出异常行为活动，可直观反映机体健康程度。冷环境下，贾鼎锌研究发现，秦川牛在 -5℃时的采食时间、采食频率、反刍时间显著增加，而平均日饮水量则显著降低，卧息时间显著降低，站立游走时间显著增加。李彦林等在冷应激会使反刍动物代谢上调、产生非颤抖性产热（Non-shivering Thermogenesis）、减少散热及调节相关激素，较热应激更倾向减少能量消耗，日常活动频率下降，进而导致发情周期紊乱、受胎率降低。

热环境下，库德热提·努热合买提等研究发现，热应激会导致绵羊采食量降低、活动频率减少，显著影响发情行为。项锡恩等 研究发现奶牛受热应激后出现采食量与反刍频率减少、饮水量增加、站立时间增加、躺卧时间减少、发情紊乱等异常行为，这主要是因为高温环境下动物需通过调整行为减少产热、促进散热。

随着精准饲喂、智能监测技术的发展，其在冷热环境下反刍动物健康信息监测中的优势逐渐凸显，以下从生理指标、生产性能、行为活动 3 个维度梳理相关研究进展。

3.1 生理指标有关性状的智能监测

冷热应激下反刍动物的体温、呼吸频率、心率等生理指标会呈现规律性变化，通过智能监测可精准评估应激状态。

3.1.1 体温检测 

刘忠超等在自然环境下采用MLX90614ESF 红外温度传感器、ESP8266 无线通信模块和 One Net 物联网云平台，开发基于 WiFi 和云端的奶牛体温监测系统，测量精度达 ±0.01℃，实现实时、无线、远程监控，该系统可自动校准环境温度对测量结果的影响，降低环境干扰误差。奶牛眼睛温度与直肠温度具有一定的相关性，崔佳亮在自然环境下基于红外热成像技术与卷积神经网络技术，采用 U-Net 模型分割羊只眼部区域（像素正确率达93.54%），结合 MLP神经网络建立体温预测模型（拟合优度为 94.81%），研究中通过固定拍摄角度、剔除眼部遮挡样本，减少姿态和环境光照对测量结果的影响，为羊只非接触式体温监测提供技术支撑。

除单一指标监测外，集成化技术也逐步应用于体温监测场景。皮下植入式传感器可实现奶牛体温的连续动态记录，能精准捕捉冷热应激下昼夜体温变化模式的异常，为应激评估提供客观数据；Chen 等在自然冷热应激环境下开发的生理参数综合监测系统可同步记录心率、呼吸率与体温，不仅减少了人工观察的工作量、提升了数据收集效率与准确性，还基于多参数融合建立了热应激指数，相比传统 THI 更能精准反映个体热应激状态。

3.1.2 呼吸频率检测

呼吸频率是反映反刍动物冷热应激状态的关键生理指标，机器学习技术与大数据分析的深度融合为呼吸频率的精准监测提供了核心工具。严格齐等在自然热应激环境下采用 4 种智能优化算法优化随机森林模型超参数，构建奶牛呼吸频率预测模型，其中贝叶斯优化随机森林（BO-RF）综合性能最优，平均绝对误差为 7.723 次/min，超参数优化耗时短。

在绵羊冷热应激综合监测场景中，而 Bonafini 等开发了基于视频处理的非接触式呼吸频率监测方法，该方法在自然冷热应激环境下训练Detectron2模型精准分割绵羊身体区域，再利用运动追踪算法分析腹部运动特征以评估呼吸频率，结果显示，可见光方法平均绝对误差为 0.79 次/min，近红外方法为 1.83 次/min，其核心优势在于通过多模态图像融合技术，有效降低了动物运动对监测结果的干扰，证实了非接触式技术在冷热应激场景下同步、无创监测呼吸频率的可行性，拓宽了呼吸频率监测的应用场景与适配性。

3.1.3 心率检测

热环境常导致心率加快，而冷环境导致心率减缓，这种动态变化为心率智能监测技术的研究应用提供了生理基础。Jorquera-Chavez 等在自然环境下开发计算机视觉技术，利用热红外和 RGB 摄像机追踪牛面部特征，非侵入性评估心率，与传统监测器相关系数高达 0.99。Abecia 等在自然环境下采用皮下植入式生物记录仪，对 5 只母羊的心率及心率变异性进行动态监测，平均心率为 111.14 bpm，呈现显著昼高夜低的 24 h 节律，该方法通过植入式设计避免环境干扰，为反刍动物心血管健康状态的连续实时监测提供技术支撑。目前智能监测反刍动物生理指标的主要研究成果汇总见表 1。

3.2 生产性能有关性状的智能监测

极端冷热环境下，反刍动物的体型体尺、体况、体重、采食量等生产性能指标与消化机能、能量代谢紧密关联，智能监测技术可实现精准量化。表 2 显示了目前智能监测反刍动物生产性能的主要研究成果。

3.2.1 体型体尺检测 

沈维政等在自然环境下提出基于两阶段关键点定位算法的奶牛体型评定指标自动测量方法，利用YOLO v5检测关键区域并重建三维点云，结合曲率分析与 Z 轴极值定位关键点，自动测得体长、肩宽等体型评定指标，测量值与实测值的平均绝对误差为 1.55 cm，均方根误差为 1.78 cm。研究中通过前期驯化让奶牛保持自然站立姿态，剔除异常站姿数据，同时采用多视角采集降低设备角度影响，确保测量精度。范才虎等在自然环境下，提出基于多角度 Kinect v2的羊只三维重构方法，通过顶部及双侧设备采集点云数据，经坐标转换与 ICP 精确配准构建模型，体高、体斜长等体尺参数自动测量误差均低于 5%，该方法通过多视角数据融合弥补单一视角测量盲区，同时对羊只站姿进行实时判断，仅保留标准站姿数据用于计算。

3.2.2 体况检测

体况智能监测主要分为二维图像法和三维图像法。Yang 等在自然环境下，基于多视角图像，利用工业相机采集二维数据，采用 YOLO CT++ 算法增强图像分割并映射到点云数据，平均相对误差为 2.18%，研究中通过图像预处理消除光照变化对体况特征提取的影响，提高不同温度环境下的监测稳定性。赵凯旋等在自然环境下，利用 3D 相机采集奶牛背部的深度图像，提出基于 Efficient Net 网络和凸包特征的体况评分方法，在 0.25 个和 0.50 个单位的准确率分别为 98.60%和 99.31%，该方法通过深度图像校正技术，降低动物背部毛发遮挡对体况评估的干扰，适应冷热环境下动物毛发状态变化。

3.2.3 体重与采食量检测

Xavier 等在自然环境下利用 3D 成像技术结合干物质摄入量及体况评分，构建荷斯坦奶牛体重估计与体组成变化监测模型，提取肩峰至臀部局部体积、髋宽等形态参数，体重预测模型经个体效应校正后误差降至 14.3 kg（R² =0.94）。He 等在自然环境下提出基于深度图像的奶牛采食量测量方法，采集 24 150 组饲料堆的深度图像，构建孪生网络模型实现非接触式测量，在0~8.2 kg 测量范围内，平均绝对误差为 0.100 kg。该方法通过实时监测饲料堆体积变化，消除动物采食行为差异对测量结果的影响，同时考虑温度对饲料密度的轻微影响进行数据校正。

3.3 冷热环境下反刍动物行为活动智能检测

冷热应激会导致反刍动物站立、行走、采食、发情等行为出现异常，智能监测技术可实现对这些行为的精准识别，为应激状态评估提供依据。

3.3.1 基础运动行为检测

Tran 等在人工模拟冷热应激环境下采用决策树算法结合 VeDBA 等特征，开发基于加速度传感器的奶牛行为实时分析系统，对站立、行走等 4 种行为的分类准确率均超过 95.00%，该系统通过优化传感器采样频率，适应冷热环境下动物运动强度变化，减少低温对传感器信号传输的影响。而李恩泽等在自然冷热应激环境下提出改进 ConvNeXt 的CAFNet 模型，结合 SimAM 注意力机制，用于奶牛站立、行走等 5 种行为识别，平均识别准确率达 91.06%，参数量和浮点运算量显著降低，研究中通过数据增强技术，模拟不同温度环境下的光照变化，提高模型在极端气候下的适应性。

3.3.2 采食与反刍行为检测

魏晓莉等在冷热环境下，基于可穿戴设备获取的采食时间、躺卧时间等行为参数，结合体重与饲料精粗比，构建优化 BP 神经网络模型量化奶牛个体采食量，RMSE=0.214 kg/d、R² =0.95。该模型考虑冷热应激下动物采食节律变化，通过动态调整输入参数权重提高预测精度。而 Schmeling 等在自然环境下基于三轴加速度计数据，结合判别分析实现牧羊采食、反刍与休息行为的自动分类，综合分类准确率达93.0%，研究中通过区分不同应激状态下的咀嚼强度特征，减少温度对行为识别的干扰。Yu 等在自然冷热环境下，提出了一种 DRN-YOLO 深度学习方法用于监测奶牛的采食行为，该方法对奶牛采食行为的监测准确率达 97.16%。Giovanetti 等基于三轴加速度计数据，结合判别分析（DA）实现牧羊采食、反刍与休息行为的自动分类 , 结果表明：DA 模型对 3 类行为的综合分类准确率达 93.0%。Wang 等在自然冷热环境下，提出轻量化 Sheep-YOLO 模型，通过集成 PCBAM 特征增强模块、GSConv 轻量颈部和重构检测头，实现舍饲羊躺卧、进食的监测，该方法对躺卧与进食识别率较原始 YOLOv8n 模型，分别提高 7.2% 和 8.8%。

3.3.3 发情行为检测

Wang 等在自然冷热应激环境下基于颈部传感器，采用 BPNN 算法分析发情等 7 项行为指标，模型准确率达 95.46%，特异性 95.08%，敏感性 98.29%，F1 值 83.65%。该方法考虑冷热应激对发情行为强度的影响，通过设定动态阈值提高不同温度环境下的发情识别准确率。Arıkan 等在人工模拟冷热应激环境下提出轻量级神经网络 Efficient Net 作为YOLOv3 的特征提取网络，检测母羊的发情行为，通过在特征层中加入 SENet 注意力模块，监测母羊交配行为的准确率达到 99.44%。研究中通过图像预处理消除高温环境下的图像模糊问题，提高发情行为特征提取的准确性。表 3 显示了目前智能监测反刍动物行为活动的主要研究成果。

04小 结

反刍动物在冷热环境下会启动复杂的生理调节机制适应环境，冷应激通过代谢水平调整、激素分泌调控等维持体温稳定，热应激则依赖神经内分泌调节和免疫功能调节应对高温。这些适应机制会对动物的健康免疫、生产性能和行为活动产生不利影响，具体表现为免疫功能下降、生产性能降低、行为模式异常等。智能监测技术为冷热应激下反刍动物健康信息监测提供了有效手段：传感器技术可实现生理信号和环境参数的实时采集，机器视觉技术能精准识别行为特征和体型体况，人工智能算法则提升了数据处理的效率和准确性。从监测维度来看，生理指标监测聚焦体温、呼吸频率、心率等核心参数，生产性能监测涵盖体型体尺、体况、体重、采食量等关键指标，行为活动监测则关注基础运动、采食反刍、发情等行为模式，三类监测技术相互补充，构建了较为完整的冷热应激监测体系。

未来应从以下方面推进研究：一是优化技术多环境适应性，强化传感器在极端温度下的稳定性，开发多模态数据融合算法，提高复杂环境下的监测精度；二是构建多品种通用模型，扩大样本覆盖范围，纳入不同品种反刍动物的应激特征数据，提升模型普适性；三是建立标准化校正流程，针对不同监测指标的关键影响因素，制定统一的校正方法和操作规范，降低系统误差；四是推进技术集成与系统开发，整合生理、生产、行为等多维度监测指标，开发一体化综合监测系统，实现应激状态的全面评估和预警；五是构建标准化数据集，建立多品种、多行为、多环境的公开数据集，助力算法训练与优化，提升冷热应激智能监测的准确率，实现全天监测预警，为反刍动物健康管理提供技术保障，进而提高养殖场经济效益。

资助项目：内蒙古自治区科技计划项目（2025KJHZ0049）；呼和浩特市科技创新领域人才项目（2022RC- 产研院 -4）；国家乳业技术创新中心项目（2023-JSGG-4）； 兴安盟本级科技合作项目（RZ2500000641）

作者简介：王玉泉（1974-），男，内蒙古人，硕士，研究方向为畜牧，E-mail：871656102@qq.com

*通信作者：安晓萍（1973-），女，内蒙古人，教授，博士研究生导师，研究方向为智慧养殖及生物饲料技术创新，E-mail：anxiaoping@imau.edu.cn

原文题目：冷热环境下反刍动物健康信息智能监测技术研究进展

作  者：王玉泉，李珈毅，阿力得尔吐，木其尔，安晓萍

来  源：《中国畜牧杂志》2026年第3期 

DOI：10.19556/j.0258-7033.20251031-03

引用格式：王玉泉，李珈毅，阿力得尔吐，等.冷热环境下反刍动物健康信息智能监测技术研究进展[J].中国畜牧杂志,2026,62(3)：15-22.