背景
随着畜牧养殖逐渐走向规模化，养殖场管理的复杂程度也在不断提升，目前的大多数规模化养殖场主要依靠纸张、手机App 和电脑记录牲畜的数量、行为等相关信息，信息录入过程依赖于人工的手动记录。手工记录信息的方式，极可能造成无意的错漏，还会导致不可避免的大量信息传输滞后。
例如，规模化的母猪养殖需要对母猪生理状态进行检测，如体温、运动状态、激素水平，通过变化规模了解母猪是否处于发情期。目前普遍采用多次人工查情，增加配种次数的方式，尽可能提高配种成功率，但是耗时耗力，且人工判断完全靠经验，不够精准。
单靠“人工”已经力不从心了，但“人工智能”深度学习则为规模化养殖场提供了解决方案。
案例介绍
智能繁育减少空怀期
睿畜科技团队积极利用深度学习技术，为养殖企业建立科学化个体化的人工智能养殖管理系统——天蓬系统，24 小时无间断地对养殖场内所有牲畜的身份、状态和移动轨迹进行实时自动化监测，实时预测它们的生理状态，并通过后期建立GPU集群处理多路视频，来完成大规模的视频解析和AI计算，为其发情做精准预报，提高配种成功率，减少空怀期。
智能用料提高料肉比
除此之外，对于肉猪用料管理方面，利用深度学习技术做轮廓识别，从肉猪断奶到出栏，能进行实时体型体重估算，并绘制其生长曲线、吃料情况（靠近料槽的次数以及停留的时间），帮助养殖场合理用料，提高料肉比，带来更多的收益。
更强的算力支持，更少的人力投入
对于天蓬系统，深度学习多目标检测任务模型的训练、测试和调用都需要耗费大量的计算资源，必须利用加速器快速实现AI计算，缩短模型迭代周期，高效地更新算法。前测试CPU四核十二线程跑满处理1080P，用于检测猪只的深度卷积神经网络模型检测平均速度为0.4fps，而测试单个GPU训练Caffe、Keras、TensorFlow 等开源框架下的深度学习模型的速度消耗的时间能减少到1/20，单帧检测速度提升到了普通运算的8倍，进而能够实时、科学地给养殖企业提供有力的分析支持。
从人力成本方面，以年出栏20万头猪的养殖场为例，至少需要配备70多个员工来负责猪的日常生产，而有了天蓬，仅需原来1/3的人力即可高效完成同样的工作。
可见，人工智能养殖能够实现规模化养殖，为企业带来多方面的效益。不仅能够帮助其确保牲畜健康生长，实现牲畜养殖溯源，精细化个体养殖管理，还能减少人工投入，提高整体养殖效率。但睿畜科技的思考并未止于此，如何进一步联合政府监管部门、保险公司、饲料公司、药企，做到信息互联互通，带动中国万亿养猪业实现智能化升级，也是睿畜科技下一步的研究发展方向。
© 2019 NVIDIA Corporation. All rights reserved.