背景：绵羊和山羊是全球畜牧系统的重要组成部分，支撑着小农生计，并为肉类、奶类和纤维生产做出重大贡献。然而，许多小反刍动物生产系统仍为粗放型，受限于有限的基础设施、劳动力可用性以及持续动物监测的挑战。人工智能（AI）通过自动化数据分析、早期检测生产与健康相关变化以及改进决策支持，为精准畜牧业管理提供了新机遇。本系统综述旨在描述当前AI在绵羊和山羊生产中的应用，总结所有主要应用领域报告的性能结果，并识别影响实际实施的障碍。结果：研究人员对Web of Science、Scopus和PubMed进行了系统检索，确定了2020年1月至2025年12月间发表的同行评审研究。从筛选的11,035条记录中，有92项研究符合纳入标准，并以叙述性方式进行综合；由于研究间存在显著的方法学异质性，未进行荟萃分析。AI应用涵盖六个领域：行为与活动识别（26.1%，n=24；平均准确率92.4%，范围66.7–100%）、个体动物识别（19.6%，n=18；平均准确率97.3%，范围93.3–99.9%）、健康、福利与疾病检测（19.6%，n=18；平均准确率89.7%，范围62.0–99.0%）、生长与体尺测量（9.8%，n=9；平均R2 =0.86）、基因组学与分子生物学（8.7%，n=8；平均准确率97.8%），以及生产、技术与环境应用（16.3%，n=15；平均准确率93.1%）。卷积神经网络（CNN）、基于YOLO的模型和随机森林（Random Forest）算法是最常用的方法。该综述期间发表量显著增长，仅2025年就占28.3%。不到一半的纳入研究使用了完全独立的外部验证。关键实施障碍包括数据集多样性有限、类别不平衡、环境复杂性和硬件限制。结论：当前证据表明，AI在增强小反刍动物生产方面具有强大潜力，特别是在受控条件下进行自动化监测和生物特征识别。然而，向可持续的实际应用转化仍受限于方法学不一致、跨农场和品种的验证有限，以及对粗放生产环境的代表性不足。未来进展需要标准化的公共数据集、透明的领域适当指标报告、严格的独立验证，以及在实际农场条件下的部署导向评估。
**背景**
小反刍动物（绵羊和山羊）在全球农业系统中占据核心地位，支持小农生计并贡献于肉类、奶类和纤维生产。然而，生产系统多为粗放型，受限于基础设施薄弱、劳动力短缺和持续监测困难。人工智能（AI）作为精准畜牧业（PLF）的核心技术，通过自动化数据分析、早期检测生产与健康变化以及改进决策支持，为解决上述问题提供了新途径。本综述基于系统叙述性综述框架，旨在系统梳理当前AI在绵羊和山羊生产中的应用，总结各领域性能结果，并识别实施障碍。
**方法**
研究遵循PRISMA 2020声明，制定了预先注册的综述方案（OSF，DOI: 10.17605/OSF.IO/VFPQK）。系统检索Web of Science、Scopus和PubMed数据库，纳入2020年1月至2025年12月间发表的同行评审英文原创研究。双概念布尔策略结合AI相关术语（如“Artificial Intelligence”、“Machine Learning”、“Deep Learning”）与畜牧相关术语（如“Sheep”、“Goat”、“Precision Livestock Farming”）。经过去重（1,648条）、物种特异性筛选、非原创文献排除（522条）及结构化筛选，最终纳入92项研究。数据提取涵盖六个主题领域：行为与活动识别、个体动物识别、健康、福利与疾病、生长与体尺测量、基因组学与分子生物学，以及生产、技术与环境。采用域特异性质量评估工具（八维度，0-16分）评估方法学质量，类别为低质量（≤7）、中等质量（8-12）和高质量（≥13）。由于研究间高度异质性，采用叙述性综合而非荟萃分析。
**结果**
**研究选择与文献概览**：92项研究中，行为与活动识别占比最高（26.1%，n=24），其次为个体识别（19.6%，n=18）、健康、福利与疾病（19.6%，n=18）、生产、技术与环境（16.3%，n=15）、生长与体尺测量（9.8%，n=9）及基因组学与分子生物学（8.7%，n=8）。中国贡献最多（43.5%，n=40），其次为土耳其和澳大利亚（各7.6%）。多数研究为中等质量（65.2%），高质量占29.3%。
**AI在行为与活动识别中的应用**：该领域平均准确率92.4%（范围66.7%-100%）。多模态传感器融合（如惯性测量单元（IMU）与视觉系统）结合深度学习架构（如CNN、长短期记忆网络（LSTM）、时空图卷积网络）在受控环境中实现>95%准确率。轻量级模型（如决策树、随机森林）在边缘计算场景中达到约90%准确率。关键事件检测（如产羔、发情）表现突出，但数据集规模小且缺乏外部验证。公开数据集（如Mauny等[48]的羊行为数据集）促进了算法比较。
**AI在个体识别中的应用**：平均准确率97.3%（范围93.3%-99.9%），以面部识别为主导。卷积神经网络（CNN）结合MTCNN和FaceNet实现>95%准确率，Transformer架构（如ViT-Sheep）达97.9%。其他模态包括声学识别（95.8%，结合可解释AI（XAI）方法）和视网膜识别（99%）。但多数研究采用闭集识别范式，未考虑新个体引入问题，且跨品种和农场的外部验证有限。
**AI在健康、福利与疾病检测中的应用**：平均准确率89.7%（范围62.0%-99.0%），较低值（62.0%）为特异性值。个体层面：可穿戴传感器结合机器学习（如随机森林、支持向量机（SVM））检测跛行和寄生虫感染的准确率超过80%。现场层面：智能手机图像分析实现寄生虫卵计数，与实验室方法等效。分子层面：循环miRNA谱区分疼痛状态准确率达99%。群体层面：机器学习预测乳腺炎患病率（96.3%准确率）和流行病学风险（Kappa=0.82）。性能差异源于疾病复杂性、数据质量和验证不足。
**AI在生长、体尺测量中的应用**：回归指标（R
2 ，平均0.86；平均绝对百分比误差（MAPE）<6%）。3D成像系统（如KinectV2）实现体尺测量误差<4%。集成树模型（如随机森林、XGBoost）结合环境变量预测体重（R
2 达0.81）。多组学模型（如神经网络GBLUP）结合瘤胃微生物组提高甲烷排放预测准确性（R
2 从0.09至0.30）。但受限于单一品种和姿态变异。
**AI在基因组学与分子生物学中的应用**：平均准确率97.8%（范围95.6%-98.9%）。深度学习应用于单细胞RNA测序（98.89%准确率）和基因网络分析。多组学整合（如甲基化、转录组）结合随机森林识别疾病生物标志物（如F17感染）。神经网络特征选择（如多层感知器（MLP）结合Boruta）鉴定双被毛形成关键基因。但数据基础设施要求高，可扩展性有限。
**AI在生产、技术与环境中的应用**：平均准确率93.1%，涵盖肽运输预测（0.89准确率）、产奶量预测（相关系数0.96）、无人机（UAV）羊群检测（召回率98%）、卫星图像分割（平均交并比（mIoU）提升1.8%）和放牧影响评估（随机森林模型）。轻量级系统（如两阶段机器学习）实现产羔检测（马修斯相关系数（MCC）达0.93）。决策支持系统减少饲料成本5.5%。
**方法学格局与质量评估**：卷积神经网络（CNN）是跨领域最广泛使用的方法（20项研究），YOLO集中用于行为和识别，随机森林主导健康领域。高质量研究（29.3%）多采用独立外部验证，而实验设计（D6）是整体最弱维度（均值0.98）。验证策略与质量显著相关：独立验证研究77.8%为高质量，无数据分离研究均为低质量。
**系统性实施障碍**：技术层面：数据异构性、硬件限制（如电池寿命）、缺乏标准化公共数据集。方法学层面：验证不充分、指标报告不统一（如整体准确率忽略类别不平衡）、研究间可比性差。社会经济层面：高初始成本、环境兼容性（如光照变化）、模型可解释性不足（特别是健康应用）。风险方面：过拟合、数据泄露（个体级无分层交叉验证）导致准确率高估。
**讨论**
**主要发现与主题综合**：文献增长迅速（2025年达28.3%），但研究分布不均。行为识别和个体识别占主导，性能较高但多在受控条件下。健康、生长、基因组等领域变异性大，转化成熟度低。跨领域发现表明，AI在小反刍动物生产中已具备基础监测能力，但在复杂现实场景中面临挑战。
**行为与活动识别**：从运动感知向结构化行为推断演进，多模态融合和轻量级架构是趋势。关键事件检测（如产羔）性能优，但类不平衡和环境噪声仍是挑战。
**个体识别**：非侵入式生物特征识别（面部为主）准确度高，但需向开放集、跨品种和长期鲁棒性发展。声学和视网膜模态提供补充，但需权衡部署成本。
**健康、福利与疾病检测**：多尺度（个体、分子、群体）方法整合，但间接推断和生物复杂性导致性能波动。需强调敏感性、特异性等指标，避免整体准确率误导。
**生长与体尺测量**：从静态形态测量向上下文感知预测框架转变，环境协变量整合显著提升预测性能。
**基因组学与环境应用**：前沿领域，整合多组学与遥感数据，但数据基础设施要求高，可重复性需加强。
**实施障碍与转化约束**：数据碎片化、方法学不一致（如缺乏外部验证）、经济可及性和可解释性不足是主要瓶颈。高质量示例（如独立验证、类不平衡处理）表明方法学严谨性可行但未普遍采用。
**局限性**：语言限制（仅英文）、数据库覆盖有限、协议部分前瞻性注册、异质性导致无法荟萃分析、主题分类主观性、质量评估工具未外部验证、快速技术发展可能导致遗漏。
**未来研究方向**：行为识别需建立标准化多模态基准数据集；个体识别应优先跨品种和农场验证；健康检测需整合多尺度数据并采用成本感知部署；生长测量需结合姿态校正和环境变量；基因组学应开发可重复的组学处理管道；环境应用需长期景观尺度建模。跨领域优先事项：标准化数据生态系统、严格外部验证、部署导向设计（边缘设备）、可解释AI（XAI）框架。
**结论**
本综述综合92项研究，首次提供AI在小反刍动物生产中跨领域结构化概述。行为识别（平均准确率92.4%）和个体识别（平均准确率97.3%）在受控条件下接近概念验证成熟度，但健康、基因组和粗放环境部署仍不成熟。实现可扩展的现实影响需：标准化公共数据集、独立跨农场和品种验证、透明指标报告、部署导向评估。未来进展取决于从孤立实验原型向可互操作、可扩展、适应上下文的畜牧智能系统转变。
打赏
