精準畜牧養殖 (PLF) 旨在透過運用先進技術改善牲畜的健康和福利，並提升養殖成果。電腦視覺與機器學習和深度學習人工智慧方法的最新進展相結合，為實現精準畜牧養殖 (PLF) 的全天候牲畜監測理念提供了一種可能的解決方案，有助於及早發現動物健康和福利問題。但大量牲畜品種在大型戶外棲息地飼養，對電腦視覺來說是一大挑戰。從統整的文獻來看，使用深度學習模型來克服這些挑戰是一個明顯的趨勢。

圖一、對畜牧業研究做出貢獻的國家及其主要研究方法

表一、使用深度學習模型進行野生動物和牲畜監測任務的研究摘要。如果可以/能夠計算，則報告標註、精確度、召回率和 F1 分數指標。不然的話，提供已報告的績效指標

研究人員使用預先訓練的模型，並透過遷移學習進一步利用本地資料集進行改進的方式，比傳統的電腦視覺方法和其他機器學習方法有了顯著的改進動物監測相關任務。在許多情況下基於視覺的在戶外環境中監測牲畜的方法可以相當可靠地檢測和計數動物。但需要對檢測動物狀態和行為進行更多研究，以實現牲畜健康的目標和福利監測。

參考文獻：
Scott, S. D., Abbas, Z., Ellid, F., Dykhne, E. H., Islam, M. M., Ayad, W., Kacmorova, K., Tulpan, D., & Gong, M. (2024). Systematic literature review of vision-based approaches to outdoor livestock monitoring with lessons from wildlife studies. https://doi.org/10.48550/arXiv.2410.05041