《Smart Agricultural Technology》：Review of Movement Sensor Applications in Livestock Animal Activity Recognition: Communications, Data Collection Practices, and Edge-AI Solutions
编辑推荐：
本文系统回顾了2018年至2025年间118篇关于利用运动传感器进行牲畜动物活动识别的研究。它填补了现有文献的空白，首次整合性地探讨了通信技术、数据采集、机器学习模型与边缘人工智能在整个开发周期中的应用，特别强调了边缘计算在解决农村通信限制方面的潜力，为开发可扩展的、设备端的牲畜监测系统提供了全面的参考。
随着精准畜牧业概念的深入，对牲畜健康、福利和生产效率的连续实时监测变得日益重要。动物活动识别作为其中的关键技术，正通过机器学习与传感器技术的进步而不断革新。然而，现有的系统大多依赖云计算架构，这在通信设施匮乏的农村环境中面临延迟和连接性的严峻挑战。本综述通过系统分析2018至2025年间的118篇同行评议研究，旨在为开发适用于现实农业环境、可扩展的端侧智能监测方案提供一站式指南。
通信技术与网络
在广阔的牧场建立可靠的通信连接是一大难题。传统的蜂窝网络和Wi-Fi在乡村地区覆盖有限，且功耗较高。本综述探讨了多种适用于牲畜监测的无线通信技术，包括低功耗广域网、蓝牙、Wi-Fi、蜂窝网络、LoRa、Sigfox、NB-IoT、Zigbee乃至卫星通信。这些技术各有优劣：LoRa和Sigfox等LPWAN技术以其长距离、低功耗的特性，尤其适合户外大范围牲畜监测；而Zigbee和BLE等短距技术则在室内或圈养环境中更具能效优势。图示清晰地展示了不同通信技术的功耗与通信距离关系，突显了LPWAN在能效和覆盖范围上的综合优势。值得注意的是，许多研究的数据收集阶段并不需要实时无线传输，而是采用本地存储（如SD卡），待后期分析。通信技术的选择直接影响着AAR系统的设计，包括采样频率、特征提取策略以及智能处理向边缘设备“下沉”的程度。随着边缘人工智能和微型机器学习的发展，通信模式正从原始数据流式传输，转向稀疏的、事件驱动的行为标签或摘要报告，这为实现偏远地区能源高效的牲畜监控铺平了道路。
数据收集：类型、方法与数据集
高质量的数据是构建有效AAR模型的基础。本部分对118篇文献中的数据采集实践进行了系统性梳理，涵盖了传感器类型、部署位置、采样频率、标注方法、环境、动物数量及样本总量等多个维度。研究发现，牛是研究最为集中的物种，占综述文章的近一半（44.1%），其次是羊、马、鸡、山羊和猪。
在传感器使用方面，加速度计是绝对的主流，因其能有效捕捉多种动物行为，且功耗和成本较低。陀螺仪和磁力计通常与加速度计结合，形成惯性测量单元，但单独使用较少。传感器最常佩戴在动物的颈部，通过项圈固定。在牛的研究中，10Hz是最常见的采样频率，且多数研究（29/35）使用25Hz或更低的频率即成功分类了行为，这对降低设备能耗和存储需求意义重大。
数据标注主要依赖视频录像或人工现场观察。在畜栏或牛舍等受控环境中，视频标注更普遍；而在牧场等开放环境，则更依赖人工跟随观察。大多数研究的数据采集规模在10头动物以内，收集约20小时或更短时长的数据，这表明构建有效的AAR模型可能无需海量数据，但数据的多样性、一致性和报告透明度仍需加强。
AAR中的机器学习
机器学习，尤其是深度学习，是驱动AAR发展的核心。综述涵盖了从经典机器学习到深度学习模型的各种算法，并详细讨论了特征工程、时间窗口划分策略和模型验证技术。研究显示，基于加速度计等运动传感器数据，可以高精度地识别出动物的关键行为，如牛的卧倒、进食、站立和反刍，羊的放牧、行走等。这些行为不仅是动物日常活动的直接反映，更是其健康状况、福利水平乃至生产效率的重要指标。例如，反刍行为的异常减少可能是疾病的早期信号。成功的行为分类不仅证明了现有算法的有效性，也揭示了未来优化方向，特别是在模型轻量化以适应边缘设备部署方面。
AAR中的边缘人工智能
边缘人工智能代表了AAR领域一个新兴且极具前景的方向。它将机器学习模型的推理过程从云端迁移到网络边缘的设备上，在农场本地实现实时决策。这对于网络条件差的农村环境至关重要，能显著提升系统的响应速度、可靠性和自主性。然而，综述指出，目前仅有少数研究探索了边缘人工智能在真实场景中的部署。主要的挑战在于如何将通常较大的机器学习模型进行压缩，以适应资源受限的微控制器等边缘设备，并同时保证能效。为此，综述总结了包括微型机器学习框架和硬件感知模型优化在内的部署策略。这标志着AAR研究正从侧重于模型训练与测试，转向关注完整的、可实际部署的系统生命周期，为实现规模化、实时、在线的牲畜智能监测迈出了关键一步。
