"猪脸识别"不是噱头：一家养猪场用AI视觉一年省下120万人工费，怎么做到的？

导读： 养殖业人力成本连年涨，年轻人不愿进猪场，传统养猪场面临"用工荒"。AI视觉识别+自动饲喂+环境智控的组合拳，正在悄悄改写这个行业的成本结构。我们和某大型养殖企业的技术负责人聊了聊，以下是真实复盘。

一、先说说背景

问：你们是什么时候开始考虑用AI改造养殖场的？

2023年底。说实话是被逼的。我们公司在河南有3个大型育肥场，存栏量加起来8万头左右。以前每个场配40-50个饲养员，加上技术员、场长，光人工一年就要花掉将近600万。2023年招人越来越难，年轻人宁愿送外卖也不愿意进场。好不容易招来的，培训两三个月刚上手，人又走了。离职率一年40%多。

问：所以就想到了AI？

也不是一拍脑袋就决定的。我们当时调研了好几个方向：自动化喂料系统、环境监控、智能环控……后来发现市面上单点的产品很多，但能打通的不多。最后是在一个行业展会上看到了一家做AI视觉的农业科技公司，他们用摄像头识别猪只个体，能追踪每头猪的进食、饮水、运动量。

说实话，当时第一反应也是——这不就是"猪脸识别"的噱头吗？但认真研究之后发现，背后逻辑其实是计算机视觉在工业场景的成熟应用移植到了养殖场，技术上没什么玄乎的。

二、技术方案怎么搭的

问：具体用了哪些技术？给我们讲讲技术架构。

整体分四层：

感知层：每个圈舍安装4-6个海康威视的防爆高清摄像头，覆盖无死角。摄像头采集的视频流直接通过千兆局域网传到边缘计算盒子（用的是英伟达Jetson Orin NX，16GB显存版本）。

AI识别层：边缘盒子本地跑YOLOv8模型做目标检测，每帧识别猪只个体ID、进食时长、走动频率、躺卧姿态。关键的是——所有推理在边缘完成，视频流不上云。这解决了养殖场网络不稳定和隐私顾虑。

数据层：结构化数据通过4G聚合路由定时同步到腾讯云轻量服务器，用TDengine时序数据库存储。每头猪一天产生大约200条行为记录。

应用层：Web端和微信小程序双端展示。场长手机上就能看到每圈猪的实时健康指数（基于采食量变化曲线）。采食量下降超过15%自动报警，技术员过去一看——大概率是发烧或者肠胃问题，早发现早处理。

补充一句：这套方案不是我们自研的，是找了一家做软件外包开发的公司帮我们做的系统集成和定制。我们自己没有AI团队，硬件采购、模型微调、平台开发全部外包，前后花了4个月上线。

问：为什么不直接用大厂的方案？

大厂方案报价让我们倒吸一口凉气。报价基本在每头猪80-120元/年的SaaS费，我们8万头猪一年就是640万到960万——比人工还贵。外包定制一次性的成本大概在180万（含硬件），后续每年运维20万左右。这笔账我们算得很清楚。

三、落地效果到底怎么样

问：说点真实数据，别光讲概念。

行，直接上2025全年数据：

最直接的是人工。原来每场45人三班倒，现在只要18人，年人工成本从580万降到420万。注意我们不是简单裁人，而是把岗位结构变了：原来的"脏活累活"被摄像头+自动饲喂线替代了，留下的18人主要是技术员和设备维护。

问：死亡率下降3.3个百分点什么概念？

我们存栏8万头，死亡率从8.5%降到5.2%，少死了将近2600头猪。按当前生猪出栏价一头2000块算，就是520万的减损收益。加上人工省下的160万，一年综合收益接近700万。而整个项目投入才180万，不到4个月回本。

四、踩过的坑

问：肯定有翻车的地方吧？说说踩坑经历。

太多了。第一个坑是摄像头安装角度。第一批装的时候按监控安防的思路装——俯视+广角，结果猪站起来的时候模型能识别，躺下后身体被遮挡严重，漏检率跑到40%以上。后来调整到圈舍正上方垂直安装，配合补光灯才解决。

第二个坑是模型泛化。我们一开始用通用的猪只检测模型，本地猪品种（长白猪）和训练数据里的（杜洛克）体型差异大，识别精度只有78%。后来用自己场里的数据做了微调（大概标了2万张图），精度上到96%。

第三个坑——网络断了。养殖场在郊区，4G信号时好时坏。边缘计算虽然不依赖网络做推理，但数据传不上云，大屏不更新，场长觉得系统挂了。后来加了双4G聚合路由+本地缓存，断网时数据先存本地，恢复后自动补传。

这些坑能快速填上，很大程度上是因为外包团队有AI项目定制经验，类似的工业视觉项目做过好几个，模型部署和边缘推理的坑他们已经踩过一遍了。如果是我们自己从头摸索，估计半年都搞不定。

五、给同行的一些实在建议

问：如果现在有个养殖场的老板想搞智能化，你会给什么建议？

第一，别想着一口吃成胖子。先拿一两个圈舍做试点，跑通流程、验证ROI再说。我们第一个月就在一个育肥舍做了试点，验证可行后才铺开到全场。

第二，选外包公司要看成体系的案例。做AI视觉的公司很多，但有养殖场落地经验的没几家。问清楚他们以前做过什么场景的部署，模型迭代流程是什么样的。可以去了解下他们的行业经验，看看是不是真正懂产业落地。

第三，控制好数据量。不要一开始就想着上大数据平台、上数据中台，先把摄像头采集、边缘推理、报警推送这条链路跑通，数据是后面的事。

第四，别被"云"忽悠。养殖场网络条件差，真正实用的方案一定是边缘为主、云端为辅。所有关键推理必须在现场完成。

如果你也在考虑用AI技术改造传统养殖或农业场景，欢迎来智岳科技聊聊，我们可以根据你的实际环境和预算给出客观可行的方案建议。