胡肄農，仇振升，劉建龍，潘海海，朱紅賓，柏宗春

摘要：數字孿生被視為智慧農業(yè)新的發(fā)展階段。通過建立農業(yè)生產的物理系統(tǒng)和數字空間，數字孿生技術實現(xiàn)了“連接-感知-決策-控制”一體化，可以通過更高水平的智能控制應對農業(yè)生產系統(tǒng)的復雜性。我國農業(yè)數字孿生系統(tǒng)發(fā)展相對較晚，相關研究與技術裝備整體處于探索和起步階段。本文基于奶牛養(yǎng)殖多維信息采集、數據分析和生產仿真模型的研究，面向飼喂管理、繁殖管理、健康管理和環(huán)境調控等關鍵生產場景，建立奶牛場在虛擬空間的數字化映像，構建了奶牛養(yǎng)殖數字孿生系統(tǒng)，實現(xiàn)了對養(yǎng)殖技術流程與生產裝備的數據驅動、實時反饋、模擬推演和以虛控實的智能管控，并在江蘇省某千頭規(guī)模奶牛場進行了具體應用和初步驗證。

關鍵詞：奶牛養(yǎng)殖；智慧養(yǎng)殖；數字孿生

0? 引言

近年來，我國奶牛養(yǎng)殖的牧場規(guī)模和生產水平穩(wěn)步提升，生產設施設備機械化、生產管控信息化發(fā)展較快。據農業(yè)農村部統(tǒng)計，截至“十三五”末，全國存欄百頭以上的規(guī)模奶牛場中，擠奶機械化率為100%，全混合日糧飼喂機械化率為95%，飼草料收獲加工、糞污處理和環(huán)境調控等環(huán)節(jié)普遍實現(xiàn)了機械化[1]。但是，與奶業(yè)發(fā)達國家相比，仍存在養(yǎng)殖技術智能化水平較低、國產關鍵成套養(yǎng)殖設備較少、生產數據整合和共享不足、數據分析和智能決策能力欠缺等差距，在基本實現(xiàn)信息化、機械化的基礎上，發(fā)展智慧養(yǎng)殖技術是我國奶牛養(yǎng)殖業(yè)轉型升級的目標和重大任務。

奶牛智慧養(yǎng)殖是基于信息通信、人工智能、生物信息等技術，針對奶牛養(yǎng)殖生產各關鍵環(huán)節(jié)，實施信息采集、數據分析、風險預警和優(yōu)化決策，對養(yǎng)殖環(huán)境和設施實施精準感知、調控和智能管理，對奶牛實施生理健康、生產性能的監(jiān)測與保障，從而實現(xiàn)各環(huán)節(jié)生產要素的優(yōu)化配置和精準調控，達到改善動物福利、提升產品質量、降低環(huán)境、疫病及食品安全風險，提高企業(yè)生產效率和經濟效益的現(xiàn)代化養(yǎng)殖模式。

奶牛智慧養(yǎng)殖技術和裝備的核心能力是“智慧”——包括獲取外界信息的感知能力、基于人類賦予的認知架構和運算模式的思維能力，以及與外界進行互動的行為決策能力[2]。感知能力如應用檢測和傳感技術，獲取動物的生理、行為、生長和生產相關指標參數，及養(yǎng)殖環(huán)境和生產設備信息；思維能力如應用人工智能實現(xiàn)基于圖像信息的個體身份識別、生理和行為分析，或基于聲音信息的情緒和健康分析，或針對養(yǎng)殖大數據的數據挖掘，及對養(yǎng)殖設施、裝備運行的數據監(jiān)測與分析等；決策能力如基于信息和算法模型，對養(yǎng)殖過程中設備、工藝、配方等進行輔助決策。“智慧”貫穿于智慧養(yǎng)殖全環(huán)節(jié)、全流程，其實現(xiàn)形式包括信息系統(tǒng)、智能設備、機器人，以及人機合作的生產決策系統(tǒng)。

在農業(yè)領域，數字孿生被視為智慧農業(yè)的新階段——農業(yè)數字孿生系統(tǒng)將有機整合、融合農業(yè)生產的物理實體和數字空間，實現(xiàn)“連接—感知—決策—控制”一體化，能夠更好地感知和認知農業(yè)復雜系統(tǒng)并實現(xiàn)智慧管控[3]。數字孿生在畜牧業(yè)領域的應用，目前在國內外均處于探索和起步階段，一些精準畜牧應用，初步具備數字孿生的基本特征和形式。瓦赫寧根大學動物科學系NEETHIRAJAN指出多種動物傳感器可用于動物信息監(jiān)測，如運動加速度傳感器、熱紅外體溫傳感器、呼吸頻率傳感器、反芻傳感器、瘤胃pH值傳感器、微血管檢測PPG傳感器、體液免疫傳感器等[4]，并利用數字孿生技術為動物行為和情感進行建模和預測，實現(xiàn)動物情緒和異常行為預警[5]；韓國電子和電信研究所針對豬舍的環(huán)境控制與能耗管理，建立物聯(lián)網系統(tǒng)和環(huán)境模型，完成對數字孿生技術框架的驗證[6]；美國威斯康星大學麥迪遜分校開發(fā)實時采集、數據集成、數據驅動的持續(xù)決策引擎奶業(yè)大腦（The Dairy Brain），應用于奶牛的營養(yǎng)分析與管理、臨床乳腺炎的早期風險檢測，展示出基于數字孿生提供高級分析和創(chuàng)新決策的能力[7]。

針對奶牛智慧養(yǎng)殖對信息監(jiān)測技術、智能作業(yè)裝備和數據分析平臺的需求，本研究團隊通過奶牛養(yǎng)殖多維信息采集、數據分析和生產仿真模型的研究，構建奶牛養(yǎng)殖數字孿生系統(tǒng)，將奶牛場數字化映射到虛擬空間，面向飼喂管理、繁殖管理、健康管理和環(huán)境調控等關鍵生產場景，實現(xiàn)養(yǎng)殖技術流程與生產裝備的數據驅動、實時反饋、模擬推演、以虛控實的智能管控，并通過在江蘇省某千頭奶牛場的實際應用進行初步驗證。

1? 奶牛場數字孿生系統(tǒng)架構與設計

參考系統(tǒng)架構設計范式[8]設計奶牛場數字孿生系統(tǒng)，分析數字孿生系統(tǒng)的組成架構，對數字孿生模型進行定義和描述，將物理實體抽象為概念模型；在此基礎上，應用物聯(lián)網和多源異構數據融合技術建立奶牛場數字化鏡像，基于孿生數據進行奶牛生產的智能化預測及決策，對生產設施與裝備的管控進行優(yōu)化。

奶牛養(yǎng)殖是一個涉及育種、繁殖、營養(yǎng)、疫病防控、環(huán)境調控、牛奶收集保鮮等多技術、多維度的復雜生產活動，基于數字孿生的奶牛智慧養(yǎng)殖系統(tǒng)，其架構可劃分為物理實體層、數字孿生模型層和系統(tǒng)功能層，如圖1所示。

物理實體層包括奶牛、養(yǎng)殖場、養(yǎng)殖設施設備、投入品和產品等各種生產要素，還包括養(yǎng)殖人員、生產工藝、管理制度等管理要素，各要素的屬性如養(yǎng)殖環(huán)境、投入品質量、人員素質等，是物理實體的客觀屬性，應用檢測、傳感、通訊、信息處理等先進技術，可對物理實體進行感知，并根據感知信息對物理實體進行調節(jié)、控制，在物理實體層實現(xiàn)控制閉環(huán)。

數字孿生層是物理實體層的虛擬映射，是基于模型和數據建立的物理實體的數字化鏡像。模型對實體進行多維度映射：幾何模型反映物理實體在空間或平面的幾何特征，如奶牛的身體結構、設備的外部和內部結構等；物理模型反映物理實體的客觀特征，如奶牛的體重、養(yǎng)殖舍的溫濕度和有害氣體濃度、飼料的營養(yǎng)成分等；機理模型反映物理實體的運行規(guī)律，如風機的轉速控制、養(yǎng)殖舍環(huán)境控制原理等；生理模型則反映生物體在微觀或宏觀層面，生理、生化乃至生命活動的相關規(guī)律。模型的實現(xiàn)方式包括關聯(lián)數據、數據模型、解析公式、經驗公式、信息系統(tǒng)、算法模型，乃至專家經驗等；數據既包括物理實體層的真實測量數據，也包括模型分析和仿真產生的數據，數據在模型內流通，是反映和控制物理實體、更新虛擬實體驅動模型、實現(xiàn)系統(tǒng)功能的基礎。

系統(tǒng)應用層是數字孿生系統(tǒng)的關鍵功能，由各類模型通過獨立或協(xié)同的方式形成“功能模塊”。通過模型化實例在數字孿生層進行業(yè)務部署，經過模型驗證后，將控制信號更新下發(fā)至物理實體層，完成諸如精準飼喂、智能環(huán)控、精準繁殖、疾病預警等業(yè)務功能。體現(xiàn)出由實向虛（孿生數據映射）、以虛控實（虛擬模型推演）和虛實共生（物理實體和虛擬實體同步進化）的特點。

2? 奶牛場數字孿生系統(tǒng)關鍵技術

建立數字孿生系統(tǒng)的關鍵技術包括以下內容：多領域多尺度融合建模、數據驅動與物理模型融合的虛擬實體評估、數據采集和傳輸、全壽命周期數據管理、VR和MR（虛擬現(xiàn)實和混合現(xiàn)實）技術及高性能計算等[9]。本文研究的奶牛智慧養(yǎng)殖技術裝備及其數字孿生系統(tǒng)的關鍵技術包括：①奶牛場數據孿生模型建立；②物理實體層到數據孿生層數據映射，即奶牛場數據采集技術：包括奶牛多維信息監(jiān)測裝備，以及基于視頻對奶牛識別、跟蹤與行為分析技術的研究；③數字孿生層數據驅動模型技術，包括流數據計算平臺建立及數據分析技術；④針對養(yǎng)殖設施、環(huán)境、奶牛、養(yǎng)殖工藝等生產要素，基于模型開展的參數仿真和優(yōu)化控制研究。

2.1? 數字孿生層模型建立

奶牛場數字孿生系統(tǒng)，既包括由多種生產要素組成的物理實體，又包括數字孿生模型與數據，從幾何、物理、機理和生理等多個維度，將物理實體在虛擬空間進行數字化映射。本研究提出的奶牛場數字孿生模型DF-DTM（Dairy Farm Digital Twin Model），將數字孿生奶牛場定義為幾何模型、信息模型和預測模型的集合，即DF-DTM = {GM， IM， PM}。

在DF-DTM模型中，GM（Geometric Model）用于呈現(xiàn)實體奶牛場在孿生空間的三維狀態(tài)，其中包括奶牛場物理實體的尺寸、形狀、材質。幾何模型GM可描述為GM = {MS， MM， MF}。其中：MS（Model Scale）為模型尺寸數據，MM（Model Material）為模型材質數據，MF（Model Feature）為模型形狀數據。

在DF-DTM模型中，IM（Information Model）采用統(tǒng)一模型語言表達物理奶牛場在孿生空間的特征，以描述物理對象的標識及其屬性信息，包括環(huán)境數據信息、設備的狀態(tài)信息以及層級從屬等方面的信息。IM具體描述為IM = {ID， NA， MT， CP， GL}。其中：ID（Identity）為孿生模型的唯一標識，NA（Name）為孿生模型的名稱，MT（Model Type）為模型類型，CP（Custom Property）為自定義屬性，GL（Geographic Location）為孿生模型的位置信息。

在DF-DTM模型中，PM（Prediction Model）用于描述數字空間中牛舍內設備運行機理的預測，包括對牛舍內設備的機理模型以及基于牛場環(huán)境數據的智能預測模型。PM具體描述為PM = {MPM， PPM}。MPM （Mechanism Prediction Model）為機理預測模型；PPM （Physiology Prediction Model）為生理預測模型。

奶牛場數字孿生系統(tǒng)模型及其結構，如圖2所示。

2.2? 物理實體層到數字孿生層數據映射

2.2.1? 奶牛生理傳感設備研究

研發(fā)具有生理傳感功能的耳標，集成三維加速度傳感器、溫度傳感器和無線模塊，采集奶牛體溫、活動量及定位數據，突破生理傳感系統(tǒng)的微型化、高精度等瓶頸問題[10]。

通過優(yōu)化耳標結構，使傳感器與皮膚充分接觸，提高測量準確度；三軸加速度傳感器數據緩存后自動喚醒嵌入式處理器，通過神經網絡推理方法，識別奶牛行走、躺臥、采食、反芻等特征數據，識別精度較高，計算量和功耗遠小于卡爾曼、高斯等濾波算法；識別數據通過自組網發(fā)送到現(xiàn)場基站，基站匯總數據后定時將數據發(fā)送給后臺服務。

基于耳標生理傳感設備，還可以將奶牛運動數據發(fā)送到后臺，如圖3所示。應用神經網絡學習算法進行數據挖掘，有助于提高耳標內嵌處理器推理性能。

2.2.2? 基于視頻的奶牛識別、跟蹤與行為分析技術

開展多目標奶牛檢測、奶牛多目標跟蹤與運動行為分析的理論和方法研究。主要包括多目標檢測、在線多目標跟蹤和基本運動行為識別三大模塊，如圖4所示。在多目標檢測、跟蹤的基礎上，獲取監(jiān)控視頻每頭奶牛運動視頻幀序列，結合基本運動行為識別算法和滑動窗口機制實現(xiàn)行為標簽的獲取，最終實現(xiàn)基于視頻分析的非結構化環(huán)境下在線多目標奶?；具\動行為識別。

（1）自然場景下的多目標奶牛檢測方法研究

基于改進的GrabCut算法進行高精度圖像分割，在高效目標檢測網絡YOLO網絡結構基礎上，通過引入SA注意力模塊和MSHA模塊高效目標檢測網絡，采用基于GMM分類的YOLO算法，實現(xiàn)高維度特征的篩選和局部、全局信息匯集；引入PANet+實現(xiàn)豐富尺度語義特征交互；采用CIOU Loss及加權DIOU- NMS實現(xiàn)對重疊目標回歸框的精確篩選，最終實現(xiàn)自然場景下奶牛目標準確、快速的檢測。

（2）基于濾波算法的在線多目標跟蹤方法研究

在EYOLOv5檢測的基礎上，提出基于特征度量的在線多目標跟蹤算法，在HOG特征中加入LBP特征和顏色特征。利用卡爾曼濾波對奶牛目標進行運動狀態(tài)的匹配和估計，作為奶牛基本運動行為識別的基礎。

（3）奶?；具\動行為識別方法研究

首先對行為視頻進行稀疏采樣得到16幀的幀集合，其次采用標準的3D卷積模塊進行下采樣及特征升維，然后送入沙漏型SandGlass-3D堆疊模塊實現(xiàn)時空特征的抽取，并在其中引入ECA模塊實現(xiàn)特征通道信息的篩選。最終送入3D池化層壓縮為一維特征，并送入Softmax模塊實現(xiàn)時空特征分類，以期實現(xiàn)基于視頻分析的奶?；具\動行為識別。

（4）非結構環(huán)境下的奶?；具\動行為識別的軟件設計

采用PyQt5進行GUI設計，將奶牛多目標檢測、在線多目標跟蹤及基本運動行為識別算法集成為在線識別監(jiān)測系統(tǒng)，可同時實現(xiàn)多目標奶牛檢測、在線跟蹤及基本運動行為識別和實時監(jiān)測。

2.3? 數字孿生層數據驅動模型技術

2.3.1? 奶牛場數字孿生系統(tǒng)計算平臺

考慮數字孿生系統(tǒng)實時連續(xù)流處理和流分析的需求，采用流媒體平臺Kafka+機器學習/深度學習的技術方案，實現(xiàn)可擴展、可靠和開放的基礎架構，如圖5所示。

Kafka可在本地部署，也可以部署在阿里云上，或部署云原生Kubernetes提供的Kafka集群。計算平臺可滿足奶牛場數據采集、模型訓練+部署及實時管控的需求。使用HiveMQ作為開源MQTT代理從IoT設備中獲取數據，將數據實時采集到Apache Kafka集群中，使用Kafka Streams/KSQL進行預處理，使用TensorFlow及其TensorFlow I/O Kafka插件進行模型訓練和推理。利用來自HiveMQ和Confluent的企業(yè)組件提高操作性、擴展性和可視性。

2.3.2? 奶牛生理－行為表征信息與奶牛健康－生產性能的映射模型研究

針對具有復雜結構關系的奶牛多源信息參數，采用基于偏最小二乘路徑建模（Partial Least Squares Path Modeling，PLS-PM）方法解析模型中變量間復雜關系并做出因果關系預測，同時能識別模型中的潛變量。基于奶牛行為學及專家系統(tǒng)建立奶牛行為-生理表征映射關系，開發(fā)樣本數據庫。

在奶牛數字孿生體提供的孿生數據基礎上，分四個階段開展研究：首先對數據特征進行特征間相關性分析及主成分分析；接著通過聚類分析識別不同類別間相關變量組合模式；然后建立偏最小二乘法結構方程模型，識別并驗證潛變量，并利用機器學習方法對潛變量進行聚類分析，從而識別具有不同潛變量特征的表征指標分類，最后采用前瞻性觀察隊列對潛變量進行驗證，并分析表征指標對生產性能的影響因素。

2.4? 基于數字孿生的奶牛行為仿真分析決策系統(tǒng)研究

通過對奶牛生理、生長與行為監(jiān)測指標進行數字化表征、分類辨析和數據采集，收集奶牛養(yǎng)殖信息，如生理表征、行為表征和環(huán)境參數的監(jiān)測數據，奶牛健康、生長、繁殖、生產等性能指標和相關管理措施，以領域知識作為基礎進行場景感知，包括數據的降噪、預處理、特征提取和特征選擇等，然后將分析得到的有效特征作為該場景下優(yōu)選狀態(tài)，在未來出現(xiàn)相同場景時作為控制參數，在虛實空間循環(huán)交互過程中不斷迭代、升級。通過建立奶牛行為大數據深度挖掘模型，對多源異構數據進行智能化分析，進一步基于孿生數據完成應對未來情景的智能化決策，最后根據奶牛行為識別發(fā)出控制指令。

3? 奶牛智慧養(yǎng)殖數字孿生系統(tǒng)開發(fā)與應用

建立奶牛場數字孿生系統(tǒng)平臺，實現(xiàn)奶牛場三維可視化、物聯(lián)網數據接入、奶牛養(yǎng)殖業(yè)務場景及數據、圖表顯示等功能，面向飼喂管理、繁殖管理、健康管理和環(huán)境調控等關鍵生產場景，實現(xiàn)業(yè)務數字化，提高牧場養(yǎng)殖管理智能化水平。

3.1? 奶牛場數字孿生平臺開發(fā)

奶牛場數字孿生平臺采用基于瀏覽器的解決方案實現(xiàn)，核心是北京優(yōu)锘公司開發(fā)的ThingJS物聯(lián)網可視化PaaS開發(fā)和運營平臺，ThingJS基于HTML5和WebGL技術，集成3D可視化界面，使用Javascript語言，在瀏覽器上即可進行開發(fā)調試和部署應用，支持從模型場景、數據結構、效果設置到數據對接全流程零代碼配置交付。

在物聯(lián)網數據接入方面，ThingJS提供的森數據DIX平臺，是一款高效的數據集成系統(tǒng)，支持主流的物聯(lián)網集成協(xié)議，如http（s）、Socket、OPC、JDBC、SNMP等，可支持JSON、XML、Text、Binary等數據格式，解決多源異構問題。單節(jié)點集成性能達到每秒萬級，并支持管理節(jié)點去中心化，節(jié)點橫向靈活擴展，解決高并發(fā)大吞吐量需求。

在視頻數據接入方面，森視頻LiveServer支持GB28181、RTSP協(xié)議下的視頻流轉換為H5視頻流功能，支持?？怠⒋笕A等各類廠家標準監(jiān)控攝像頭的接入，API可以對接業(yè)務數據、監(jiān)控視頻等功能。

奶牛場數字孿生模型的構建過程如圖6所示。

3.2? 智慧養(yǎng)殖技術裝備集成

奶牛場數字孿生系統(tǒng)實現(xiàn)奶牛場與虛擬牛場之間的實時數據連接和感知，如圖7所示，奶牛場各種設備如擠奶機、TMR飼喂系統(tǒng)、精準環(huán)控系統(tǒng)和稱重分群系統(tǒng)，以及奶牛生理監(jiān)測設備等產生的動態(tài)數據，匯總、存儲到孿生數據層，形成領域內或者跨領域應用數據庫，驅動虛擬實體層的分析模型，挖掘領域數據間的關聯(lián)、分布規(guī)則等數據特征，對生產管理做出預測、預警和決策判斷，幫助養(yǎng)殖人員更加高效地管理牧場。

3.3? 奶牛場數字孿生系統(tǒng)應用驗證

為驗證本文技術路線及成果的可行性，在江蘇某規(guī)模養(yǎng)殖場開展應用。該牧場目前奶牛存欄1483頭，其中成母牛873頭，建有現(xiàn)代化的牛舍、擠奶廳以及飼料庫房、消毒區(qū)、辦公區(qū)、糞污處理區(qū)等等，區(qū)劃明確、布局合理。該牧場已建立TMR飼喂監(jiān)測、奶牛發(fā)情監(jiān)測、擠奶廳智能管理系統(tǒng)，已建立生奶速冷和全程冷鏈儲運體系，在該牧場已經開展的示范成果包括：

（1）在奶牛個體生理、行為表征信息采集方面，一方面研發(fā)了奶牛生理傳感耳標，應用于奶牛發(fā)情、反芻監(jiān)測，數據采集和分析性能接近行業(yè)主流應用的進口產品；另一方面研發(fā)奶牛行為機器視覺系統(tǒng)，突破實際養(yǎng)殖環(huán)境下奶牛目標檢測、連續(xù)跟蹤和行為分類精度等技術瓶頸，奶牛舍內目標檢測和行為分類的精度均達到90%以上。

（2）研究畜牧數字孿生的技術框架和支撐平臺，構建具有數據融合、三維可視化、人機交互、模型分析、模擬仿真功能的奶牛數字孿生體，針對奶牛養(yǎng)殖關鍵場景應用——精準飼喂、精準繁殖、精準健康和精準環(huán)境，研究關鍵技術設備的集成應用問題。

（3）奶牛場數據集成，整合自建和第三方數據源，包括：奶牛場信息系統(tǒng)；奶牛體況評分和自動稱重系統(tǒng)數據；基于耳標實時采集奶牛體溫、運動量、反芻時間等數據；奶牛自動檢測、連續(xù)跟蹤、行為分析的機器視覺系統(tǒng)數據；場區(qū)車輛位置和活動監(jiān)測數據；牛舍環(huán)境數據和控制系統(tǒng)參數。

已建成的牧場數字孿生系統(tǒng)實現(xiàn)可視化和數據整合功能，如圖8所示。

4? 結語

目前，數字孿生系統(tǒng)在國內外農業(yè)領域的研究和應用，均處于起步和上升階段。在應用實踐方面，國外傾向于將數字孿生視為物聯(lián)網數據采集與系統(tǒng)仿真的組合，采用ANSYS、達索、PTC、Matlab、IBM、GE、西門子、微軟等廠商提供的解決方案；國內傾向于以三維可視化為基礎，集成物聯(lián)網數據采集和機器學習模型，阿里云、騰訊、安世亞太等廠商提供相應解決方案。在理論研究方面，主要處于全要素信息抽象階段，尚未對專業(yè)領域中數字孿生模型的構建過程進行研究[11]。農業(yè)數字孿生系統(tǒng)主要實現(xiàn)對生產場景的再現(xiàn)，對環(huán)境、設施和設備的可視化管理，以及對動植物的可視化觀測和部分表型參數采集。

區(qū)別于工業(yè)界以數字孿生車間為代表的數字孿生模型[12]，農業(yè)數字孿生的對象還包括農業(yè)系統(tǒng)和生物，前者是具有海量參數的復雜巨系統(tǒng)，后者則具有微觀和精細的生命機理，相關參數的信息采集較難實現(xiàn)自動化。雖然對農業(yè)模型和仿真的研究已進行數十年[13]，對奶牛營養(yǎng)、泌乳等機理模型的研究也比較深入[14]，但目前農業(yè)數字孿生模型研究的核心難題，仍是對復雜巨系統(tǒng)和生命過程機理的數據采集和模型建立。

本文研究建立的奶牛場數字孿生系統(tǒng)，目前已完成三維可視化平臺的選型和建立、物聯(lián)網數據接口與數據整合、流數據計算平臺建立、奶牛生理參數監(jiān)測設備、基于視頻的奶牛檢測和行為識別、奶牛場環(huán)境與設施監(jiān)測與控制等技術工作，初步實現(xiàn)奶牛場關鍵生產要素從物理世界向虛擬空間的數字化映射。

針對上述農業(yè)數字孿生系統(tǒng)的核心難題，在后續(xù)研究中，將基于流數據計算平臺，研究數據驅動、場景識別的奶牛養(yǎng)殖數據分析與生產仿真模型，包括奶牛生理－行為表征信息與奶牛健康－生產性能的映射模型，以及奶牛營養(yǎng)－繁殖－保?。h(huán)境管理影響健康－生產性能的仿真模型；對奶牛生產管理進行優(yōu)化。

參考文獻

[1] 暴夢川.《2021中國奶業(yè)質量報告》發(fā)布[N].消費日報， 2021-07-22（A02）.

[2] 胡肄農.智慧奶業(yè)關鍵技術與發(fā)展建議[J].中國畜牧雜志， 2023，59（4）：318-322.

[3] 顧生浩，盧憲菊，王勇健，等.數字孿生系統(tǒng)在農業(yè)生產中的應用探討[J].中國農業(yè)科技導報，2021，23（10）：82-89.

[4] NEETHIRAJAN S， KEMP B. Digital livestock farming[J/OL]. Sensing and Bio-Sensing Research，2021，32：100408. https：//doi.org/ 10.1016/j.sbsr. 2021.100408.

[5] NEETHIRAJAN S， KEMP B. Digital twins in livestock farming[J]. Animals （Basel），2021，11（4）：1008. DOI： 10.3390/ani11041008.

[6] JO S K， PARK D H， PARK H， et al. Energy planning of pigsty using digital twin[C]//2019 International Conference on Information and Communication Technology Convergence（ICTC）. IEEE， 2019： 723-725.

[7] CABRERA V E， BARRIENTOS-Blanco J A， DELGADO H， et al. Symposium review： Real-time continuous decision making using big data on dairy farms[J]. Journal of Dairy Science，2020，103（4）：3856-3866. DOI：10.3168/jds. 2019-17145.

[8] TEKINERDOGAN B， VERDOUW C. Systems architecture design pattern catalog for developing digital twins. Sensors （Basel）， 2020， 20（18）： 5103. doi：10.3390/s20185103.

[9] 郭飛燕，劉檢華，鄒方，等.數字孿生驅動的裝配工藝設計現(xiàn)狀及關鍵實現(xiàn)技術研究[J].機械工程學報，2019，55（17）：110-132.

[10] 胡肄農，柏宗春，還紅華.加快智慧奶業(yè)建設，推進江蘇奶業(yè)現(xiàn)代化[J].江蘇農業(yè)科學，2022，50（22）：65-69.

[11] 施佳宏，劉曉軍，劉庭煜，等.面向生產線仿真的數字孿生邏輯模型構建方法[J].計算機集成制造系統(tǒng)，2022，28（2）：442-454.

[12] 陶飛，劉蔚然，張萌，等.數字孿生五維模型及十大領域應用[J].計算機集成制造系統(tǒng)，2019，25（1）：1-18.

[13] 高亮之.農業(yè)模型學[M].北京：氣象出版社，2019.

[14] 易渺，楊琴，熊本海.反芻動物營養(yǎng)代謝調控的數學模型化[J].動物營養(yǎng)學報，2013，25（5）：943-950.

引用格式：胡肄農，仇振升，劉建龍，潘海海，朱紅賓.柏宗春奶牛智慧養(yǎng)殖技術裝備及其數字孿生系統(tǒng)構建[J].農業(yè)大數據學報，2024，6（1）： 117-126. DOI： 10. 19788/j.issn.2096-6369.000003.

CITATION： HU YiNong， QIU ZhenSheng， LIU JianLong， PAN HaiHai， ZHU HongBin， BAI ZongChun. Construction of a Digital Twin System for Smart Dairy Farming Technologies and Equipment[J]. Journal of Agricultural Big Data， 2024，6（1）： 117-126. DOI： 10.19788/j.issn.2096-6369.000003.

Construction of a Digital Twin System for Smart Dairy Farming Technologies and Equipment

HU YiNong1*， QIU ZhenSheng1， LIU JianLong1， PAN HaiHai2， ZHU HongBin3， BAI ZongChun1

1. Institute of Agricultural Facilities and Equipment， Jiangsu Academy of Agricultural Sciences， Nanjing 210014， China; 2. Wuxi FOFIA Technology Co. Ltd. Wuxi 214135， Jiangsu， China; 3. Shanghai Kepaiteng Information Technology Co. Ltd.， Shanghai 200072， China

Abstract： Digital twin has been recognized as a new development stage of smart agriculture. By establishing physical systems and digital spaces for agricultural production， digital twin technology has achieved the integration of "connection - perception - decision - control"， which can address the complexity of agricultural production systems through higher levels of intelligent control. The development of China's agricultural digital twin system is relatively late， and the overall research and technical equipment are in the exploratory and initial stage. In this article， on the basis of research on multidimensional information acquisition， data analysis， and production simulation models for dairy farming， a digital image of dairy farms in virtual space is established， which is targeting key production scenarios such as feeding management， breeding management， health management， and environmental regulation， and a digital twin system for dairy farming is constructed， implementing the data-driven， real-time feedback， simulation deduction， and intelligent control through virtual control of breeding technology processes and production equipment. And the digital twin system has been conducted specific application and preliminary verification on a 1000-herd scale dairy farm in Jiangsu Province.

Keywords： dairy farming; smart farming; digital twin