生猪是我国养殖业的主要畜种。猪长得好不好，关键因素之一在于既要看它吃得好不好，还要看它吃得省不省，也就是精准营养。现行我国饲料配方制定尚未全盘考虑品种、性别、饲养模式、养殖环境、生长阶段、日粮类型、母体效应等多种影响因素。生猪各生长阶段的营养需要量设定，多为特定生理阶段下的群体需要平均值，无法准确衔接猪特定发育阶段及生理状态下的营养需求，导致饲料资源浪费、畜禽生长潜能受限。

明确不同遗传背景、不同生长阶段、不同养殖模式、不同养殖环境条件下的猪生长曲线及动态营养需求，其核心是构建不同生产条件下的猪生长曲线模型，而生猪体重数据的准确获取是关键。目前，生猪体重多通过磅秤获得，但这种方式易诱发严重应激，影响其后续生长，且很难实现高频率的体重数据采集。人工称重一次后，生猪至少2-3天内生长速度受到影响。

机器视觉技术和深度学习等相关算法的应用和发展，为生猪体重数据无应激采集提供了新的途径。利用机器视觉技术对生猪进行体重信息采集，既可减少人为采集生猪体重信息造成的误差，也可消除传统机械秤称重给生猪造成的应激反应，更便于饲养管理人员对生猪体重实时监管，助力实现生猪生长速度的定制化生产。

我国在基于机器视觉技术的生猪体重估测上走在全球前列。比如，北京小龙潜行科技有限公司多年的研发已经蹚出了一条从设备研制到数据采集、数据整理、算法模型构建、平台服务的科技创新之路，同时市场上也存在多家跟跑者。

中国科学院亚热带农业生态研究所（以下简称“亚热带生态所”）已与北京小龙潜行科技有限公司、唐人神集团股份有限公司、广东广垦畜牧工程研究院有限公司等开展院企合作，使用生猪AI估重滑轨巡检设备，在唐人神集团股份有限公司和广东广垦畜牧集团股份有限公司完成覆盖2万头以上规模的生长育肥猪的现场使用验证，平均准确率大于95%。

然而，目前国际上还没有一个关于生猪体重信息影像数据采集过程的规范。如何保障生猪图像数据采集的统一性，是基于机器视觉技术的生猪体重估测应用推广的迫切需要，要对生猪图像采集设备配置、安装方式、数据整理流程、模型构建过程等细节做统一规范，以支撑跨区域的生猪体重长期、实时监测，并进行横向对比。因此，亟待建立健全行业标准，制定生猪体重信息影像数据采集技术规范。

如何制定这一技术规范？简单来说，在设备方面，需要在实现猪只个体识别的基础上，具有支持无应激、非接触方式测定猪只体重的功能；同时采集数据的设备要适应养殖场实际生产环境。采集方式方面，设备数据采集拍摄面应与地面保持水平，采用固定式安装或者动态巡检的方式运行并采集数据，基于猪只个体识别的基础上，采用无应激、非接触方式完成数据采集；各类设备需遵守同样的数据格式。

同时，采集到的数据应有效安全存储，采集全流程必须保证数据和系统的安全；为保证系统数据的可靠性，需要从技术架构上考虑数据的备份和容灾方案；通过各类终端采集到的生猪相关原始数据，一般不得跨域。验证数据时需确保猪只样本数量充足，猪只体重范围合理；在设备安装调测完成后，采集设备需对猪只样本进行连续2周的数据采集，并通过AI 算法服务器生成体重数据。

长远来看，制定生猪体重信息影像数据采集技术规范，可获取不同遗传背景、不同生长阶段、不同养殖模式、不同养殖环境条件下的猪生长曲线及动态营养需求，助力实现生猪生长速度的定制化生产，获得最佳生产成绩 ；实现生猪动态精准营养，提升饲料转化率，助力生猪动态精准营养，缓解人畜争粮现象，助力国家粮食安全战略实施；减少生猪养殖固、液、气态废弃物产生，减缓生猪养殖对环境的压力，推进生猪生态养殖。

（作者印遇龙系中国工程院院士、亚热带生态所研究员，黄瑞林系亚热带生态所研究员，本报记者王昊昊整理。）