因應肉品及乳品需求增加，畜牧業大規模集約化養殖逐步擴張，傳統僅靠大量飼養人員照顧，可能因為人力不足或人員疲憊導致沒有發現動物行為異常。因此，文獻提出了一個AI 增強型監測框架，充分利用了精準畜牧養殖領域成熟的 AI 模型，並利用YOLOv8進行初始資料預處理，從而降低雜訊並簡化數據，從而能夠精確計算運動和體況評分等指標，並進行詳細的行為分析，用於評估營養和飼養條件如何影響行為。

在乳牛姿態估計與運動特徵，利用YOLOv8-pose模型使用 COCO（Common Objects in Context）資料集 進行預訓練，再以NWAFU 資料集進行Fine-tuning，在測試集上獲得𝑚⁢𝐴⁢𝑃⁢50=0.972的結果。

圖一﹑訓練集圖像上的姿勢關鍵點和註釋範例的有序列表

在豬的活動追蹤與身體部位分割利用YOLOv8 實例分割模型用於識別每頭豬的 ROI，包括其身體、尾巴、嘴巴和耳朵，得到𝑚⁢𝐴⁢𝑃⁢50=0.922的結果，可用於觀察豬隻行為是否出現異常。

圖二﹑豬隻互動流程。 （A）推理註釋；（B）1 號豬欄第 1 週的每日互動分佈：每頭豬每小時的總互動時間（分鐘）；（C）基於身體部位分割的互動分類；（D）互動定量分析範例

結果顯示，可擴展的深度學習和邊緣運算解決方案可以透過自動化福利評估和實現及時的數據驅動介入來支持精準畜牧業，協助產業進行轉型。

參考文獻:
Michielon, A., et al. (2024). "Mind the Step: An Artificial Intelligence-Based Monitoring Platform for Animal Welfare." Sensors, 24(24), 8042.