[AI書庫] 3.2 讀懂發情與分娩的眼睛
智慧畜牧：人工智慧走進畜舍
3.2 讀懂發情與分娩的眼睛
金京鎮 律師
| 上一節 | 3.1 提前察覺疾病的人工智慧 |
| 目錄 | 返回完整目錄 |
| 下一節 | 3.3 測量身體的相機：體況評分與體重估測 |
以下是根據發情偵測研究重構的虛擬場景。午夜過後的畜舍裡，一頭牛不肯躺下，在通道來回踱步。牠悄悄把前腿搭到隔壁牛背上，隨即退開。漆黑畜舍裡注視這個動作的眼睛，是吊在天花板上的紅外線相機。頸部加速度計記錄的活動量也高高越過平常曲線。熟睡中的管理者，手機上跳出通知，提醒發情徵兆強烈，應確認個體。人工授精的時間不是由一則感測器警報決定，而要連同發情開始時間與個體紀錄一起判斷。
繁殖成敗左右畜牧農家的生計。錯過一次適當發情期而延誤懷孕，不能擠乳的日子就會拉長，期間的飼料費卻一分不少。分娩前若人手晚到，母畜或幼畜甚至可能喪命。每天24小時不漏看每頭家畜身體訊號的管理方式，稱為精準畜牧，英文縮寫是PLF。一個人用眼睛最多只能照看數十頭牛，感測器和相機卻能同時捕捉數百頭牛的動作。在人力愈來愈難找的農村，這種替人徹夜睜眼的裝置，已不再是可有可無的配備，而是不可或缺的工具。
母牛進入發情期時，體內名為雌激素的生殖荷爾蒙會急升。荷爾蒙造成的變化，完整顯露在看得見的動作上。行走距離增加，站立時間拉長，會爬上其他牛背，反過來被其他牛爬跨時也不閃躲，穩穩站著。畜牧現場把這種站立不動的姿勢稱為容許爬跨，英文叫standing heat。其他牛不理會這番騷動，仍把鼻子埋進飼槽繼續反芻。發情的牛卻會大幅減少進食與反芻時間。以每日平常反芻時間為基準，發情牛的反芻時間會整段減少約20%到40%。
身體內部也同步發生安靜的變化：陰道導電程度微幅改變，耳朵與身體深部溫度升降，平常很少發出的高亢叫聲反覆出現。隔壁豬舍的豬也各自發出不同訊號。母豬外陰部腫脹，公豬靠近施壓時也不退讓。這些動作持續不久，約在一天內達到高峰後便減弱。停止反芻、不斷起身走動的牛，正用身體寫下第一句話。
戴在頸部、耳朵或腳踝的加速度計，把這句話轉成數字。感測器一秒鐘記錄數次牛隻動作，數值逐日累積，再與平常活動量比較。活動量突然飆高與反芻時間下降兩條曲線重疊時，演算法便計算發情機率。若再加上室內定位設備，還能看牠在哪一欄踱步多久。隨機森林、支援向量機與LSTM等模型都能讀取這些資料。成績並不一致。2026年的回顧論文中，繁殖偵測系統的敏感度介於45%到98%，特異度介於70%到99%。
品種、感測器位置和發情確認標準不同，漏掉的牛與假警報數量也不同。它能減輕人們徹夜守候畜舍的負擔，卻還不是一頭也不漏的設備。
抓準人工授精時機，比察覺發情困難得多。每頭牛從開始發情到排卵所需的時間不同，精液狀態與胎次也會影響受胎率。演算法找出活動曲線形成峰頂的時刻，縮小發情開始時間的範圍，再連同過往繁殖紀錄製成人工授精員可看的資料。不過，它並不能精準指出一個適用於所有牛隻的兩小時窗口。警報時間是用來安排人工授精員檢查黏液、容許爬跨行為與個體履歷的先後次序。這些紀錄會再次輸入下一次發情預測。感測器與影像能填補彼此的空缺，最終時間仍在人員確認後決定。
相機不用項圈或耳標也能觀察群體行為。結合紅外線與深度學習的系統，能在人熟睡的夜裡記錄爬跨行為。有些神經網路先辨認牛軀幹的花紋、貼上身分標籤，再判定爬跨行為。前一步貼錯名字，後續判定也會算到錯的牛身上。IATEFF-YOLO專為在黑暗條件下尋找爬跨行為設計，研究人員也在測試整合兩個視角影像的方法。不過，2026年一項PLOS ONE研究只用3頭牛一天拍攝的17小時16分鐘影像測試，其中發情個體僅2頭。
另一項把YOLO系列神經網路與DeepSORT配對的2026年研究，也仍停留在學術會議摘要階段。影像只是非接觸式選項之一。綿羊與山羊還可使用加速度計、GPS、公畜標記及荷爾蒙檢測。以三維卷積神經網路找出母羊搖尾行為的研究，又增加了一項選擇。
分娩將近時，牛的身體會發出與發情不同的訊號。產前一兩天，牛在飼槽前停留的時間縮短，也可能脫離牛群尋找角落。反覆躺下、起身及抬尾的行為增多。貼在尾部的熱感測器記錄分娩前出現的表面溫度變化。這個數值不等同身體深部體溫，也會受風與季節影響，因此研究開始把姿勢與活動量一併解讀，而不是只看一條溫度曲線。
綜合體溫與姿勢變化的方法，正沿著感測器和影像兩條路徑改進。尾部溫度與加速度感測器，已分別針對產前24小時和6小時區間進行預測試驗。吊在天花板上的三維深度相機，逐格標示牛正在躺臥、站立或抬尾。隱馬可夫模型則追蹤這些狀態改變的順序。也有研究結合移動軌跡與姿勢，區分正常分娩和需要協助的案例，但仍未到能在現場精確確定分娩分鐘與難產與否的階段。Ushi-Waka與NiLIMo會偵測羊膜或小牛腳露出的畫面，並傳送手機通知。
Nikon宣稱NiLIMo的分娩偵測率達95%。產品警報可以減少夜間巡查，但巡查時間實際縮短多少分鐘、小牛存活率增加多少，仍需各農場的驗證資料。
只看數字，這項技術似乎無可挑剔，但走進真實畜舍便會撞上3道牆。
第一道是假警報。遭逢盛夏酷暑，或患有乳房炎、跛行的牛，也會停止反芻、焦躁走動。演算法有時無法把這些動作與發情或分娩訊號分開。炎熱午後，一頭牛為尋找一小片陰影而不停走動，項圈感測器可能把牠判成發情。冬季暴露在冷風中的牛，尾部表面溫度也會下降，感測器有時會把寒冷誤認為分娩訊號。跛行牛因疼痛反覆躺下起身，分娩監測演算法也可能把動作誤認成陣痛。
人工授精員因凌晨警報趕到現場，眼前卻不是發情牛，而是一頭瘸腿牛，那麼一管精液、當日出勤費和時間便全部白費。這種假警報連續幾天出現，管理者看到通知後不再起身，而會重新把棉被拉過頭。警報越常重複，農場主對系統的信任也一點一點變淡。
第二道是漏掉的訊號。初次懷胎的年輕母牛，與已分娩多次的經產牛，在發情和分娩前的動作大不相同。有些牛發情時外表幾乎不露痕跡，要用一套標準化演算法捕捉這種安靜發情並不容易。群體中位階較低的牛，可能受其他牛壓制，連爬跨行為也無法充分表現便退開。每頭牛表達發情的方式各異，是妨礙自動偵測的一大因素。錯過一次發情，就得等待將近3週才有下一次機會；期間牛隻無法受孕，只能繼續消耗飼料。泌乳期的每一天都化為飼料費，下一個擠乳期也同樣延後。
再加上乳量減少的損失，落在一頭牛身上的代價絕不小。無法擠乳的日子愈積愈多，有些農場主會開始衡量是否繼續飼養這頭牛。若漏掉分娩訊號，後果更沉重。母牛無人協助而獨自用力時，胎位一旦不正，母牛與小牛都會陷入危險；若警報沒有響起，清晨逝去，情況甚至會在無暇處置前便告終。
第三道是設備耐用度。分娩時流出的羊水、血液與糞便會直接覆蓋尾部感測器和相機鏡頭。牛在狹窄產欄中磨蹭柱子，辛苦貼好的感測器可能整個脫落。泥巴和飼料殘渣乾結在鏡頭上，影像變得霧濛濛；接連數日，系統就像半閉著眼睛看守畜舍。電池耗盡，或無線訊號到不了角落欄位時，也會有整天收不到數值的情況。冬日清晨鏡頭結上白霜，同樣的問題再次發生。昂貴設備偏偏在最需要時失靈。重新購買脫落或故障感測器的費用也不低，一次飼養多頭牛的農家，支出更會像雪球般膨脹。
因此，研究的下一步持續轉向個人化模型，讓模型自行學習每頭牛的過往紀錄，依個體調整判定基準；也轉向不用感測器、不觸碰身體便可觀察的影像辨識。把初產牛與經產牛分開重畫基準線、分別設定夏冬正常範圍的嘗試也在進行。降低設備價格、簡化安裝，同樣是必須並行解決的課題。各家公司設備無法互相交換不同訊號，只能各自運作，也有待處理。人們在清晨巡視畜舍的腳步已經減少，但離腳步完全消失，仍有幾步之遙。
資料來源與參考文獻
Arıkan, İ., Ayav, T., Seçkin, A. Ç., & Soygazi, F. (2023). Estrus detection and dairy cow identification with cascade deep learning for augmented reality-ready livestock farming. Sensors, 23(24), 9795. https://doi.org/10.3390/s23249795
Benaissa, S., Tuyttens, F. A. M., Plets, D., et al. (2020). Calving and estrus detection in dairy cattle using a combination of indoor localization and accelerometer sensors. Computers and Electronics in Agriculture, 168, 105153. https://doi.org/10.1016/j.compag.2019.105153
Clayton, C., Hartley, E., Hudson, C., & McGee, M. (2026). Automated detection and tracking of estrus behaviors in dairy cows using YOLOv10s and DeepSORT. Journal of Animal Science, 104(Supplement_2), skag057.080. https://academic.oup.com/jas/article/104/Supplement_2/skag057.080/8571649
Hanpinitsak, P., Katanyukul, T., Tonmitr, N., Suntara, C., Tanusilp, S., & Phuphaphud, A. (2026). Artificial intelligence-based dairy cattle behavior recognition for estrus detection via ensemble fusion of two camera views. PLoS ONE, 21(1), e0340999. https://doi.org/10.1371/journal.pone.0340999
Higaki, S., Matsui, Y., Sasaki, Y., et al. (2022). Prediction of 24-h and 6-h periods before calving using a multimodal tail-attached device equipped with a thermistor and 3-axis accelerometer through supervised machine learning. Animals, 12(16), 2095. https://doi.org/10.3390/ani12162095
Khin, M. P., Tin, P., Horii, Y., & Zin, T. T. (2024). Predictive modeling of cattle calving time emphasizing abnormal and normal cases by using posture analysis. Scientific Reports, 14, 31871. https://doi.org/10.1038/s41598-024-83279-6
Kshirsagar, R., Kalbande, K., Yerunkar, P., Lokhande, A., Mondal, K., Jagtap, H., & Chunarkar, R. (2026). IoT-enabled estrus detection in dairy cattle using machine learning technique. International Journal of Information Engineering and Electronic Business, 18(2), 121-139. https://doi.org/10.5815/ijieeb.2026.02.08
Li, D., Dai, B., Li, Y., et al. (2024). IATEFF-YOLO: Focus on cow mounting detection during nighttime. Biosystems Engineering, 246, 54-66. https://doi.org/10.1016/j.biosystemseng.2024.07.017
Mg, W. H. E., Zin, T. T., Tin, P., Aikawa, M., Honkawa, K., & Horii, Y. (2025). Automated cattle monitoring system for calving time prediction using trajectory data embedded time series analysis. IEEE Open Journal of the Industrial Electronics Society, 6, 216-234. https://doi.org/10.1109/OJIES.2025.3533663
Mg, W. H. E., Tin, P., Aikawa, M., Honkawa, K., Horii, Y., & Zin, T. T. (2026). Signal-based feature analysis of behavioral trajectories for predicting calving time and classifying assistance needs. Computers and Electronics in Agriculture, 243, 111301. https://doi.org/10.1016/j.compag.2025.111301
Sani, M. I., van der Voort, M., Tekinerdogan, B., & Hogeveen, H. (2026). Application of precision livestock farming: Challenges and opportunities. Animal Bioscience, 39(4), 250895. https://doi.org/10.5713/ab.250895
Sankarganesh, D., Krishna Prasad, P. D. S. Y., Sujit, S., Thiraviam, A. I. G., & Ambrose, D. J. (2026). Estrus detection in dairy cattle: An updated review on strategies and technologies. Frontiers in Veterinary Science, 13, 1807199. https://doi.org/10.3389/fvets.2026.1807199
Shi, J., Chen, X., Zhang, Y., Gong, P., Xiong, Y., Shen, M., Norton, T., Gu, X., & Lu, M. (2025). Detection of estrous ewes' tail-wagging behavior in group-housed environments using Temporal-Boost 3D convolution. Computers and Electronics in Agriculture, 234, 110283. https://doi.org/10.1016/j.compag.2025.110283
Slebioda, L., Zawieja, B., Grodkowski, G., Sakowski, T., Baars, T., & Szwaczkowski, T. (2026). Prediction of calving time based on sensor measurements of behaviour in cattle. Animal, 20(5), 101808. https://doi.org/10.1016/j.animal.2026.101808
Sumi, K., Maw, S. Z., Zin, T. T., Tin, P., Kobayashi, I., & Horii, Y. (2021). Activity-integrated hidden Markov model to predict calving time. Animals, 11(2), 385. https://doi.org/10.3390/ani11020385
Wojewodzic, D., Gołębiewski, M., & Grodkowski, G. (2025). Methods of observing the signs of approaching calving in cows: A review. Animals, 15(7), 1018. https://doi.org/10.3390/ani15071018