胡肄农,仇振升,刘建龙,潘海海,朱红宾,柏宗春
摘要:数字孪生被视为智慧农业新的发展阶段。通过建立农业生产的物理系统和数字空间,数字孪生技术实现了“连接-感知-决策-控制”一体化,可以通过更高水平的智能控制应对农业生产系统的复杂性。我国农业数字孪生系统发展相对较晚,相关研究与技术装备整体处于探索和起步阶段。本文基于奶牛养殖多维信息采集、数据分析和生产仿真模型的研究,面向饲喂管理、繁殖管理、健康管理和环境调控等关键生产场景,建立奶牛场在虚拟空间的数字化映像,构建了奶牛养殖数字孪生系统,实现了对养殖技术流程与生产装备的数据驱动、实时反馈、模拟推演和以虚控实的智能管控,并在江苏省某千头规模奶牛场进行了具体应用和初步验证。
关键词:奶牛养殖;智慧养殖;数字孪生
0 引言
近年来,我国奶牛养殖的牧场规模和生产水平稳步提升,生产设施设备机械化、生产管控信息化发展较快。据农业农村部统计,截至“十三五”末,全国存栏百头以上的规模奶牛场中,挤奶机械化率为100%,全混合日粮饲喂机械化率为95%,饲草料收获加工、粪污处理和环境调控等环节普遍实现了机械化[1]。但是,与奶业发达国家相比,仍存在养殖技术智能化水平较低、国产关键成套养殖设备较少、生产数据整合和共享不足、数据分析和智能决策能力欠缺等差距,在基本实现信息化、机械化的基础上,发展智慧养殖技术是我国奶牛养殖业转型升级的目标和重大任务。
奶牛智慧养殖是基于信息通信、人工智能、生物信息等技术,针对奶牛养殖生产各关键环节,实施信息采集、数据分析、风险预警和优化决策,对养殖环境和设施实施精准感知、调控和智能管理,对奶牛实施生理健康、生产性能的监测与保障,从而实现各环节生产要素的优化配置和精准调控,达到改善动物福利、提升产品质量、降低环境、疫病及食品安全风险,提高企业生产效率和经济效益的现代化养殖模式。
奶牛智慧养殖技术和装备的核心能力是“智慧”——包括获取外界信息的感知能力、基于人类赋予的认知架构和运算模式的思维能力,以及与外界进行互动的行为决策能力[2]。感知能力如应用检测和传感技术,获取动物的生理、行为、生长和生产相关指标参数,及养殖环境和生产设备信息;思维能力如应用人工智能实现基于图像信息的个体身份识别、生理和行为分析,或基于声音信息的情绪和健康分析,或针对养殖大数据的数据挖掘,及对养殖设施、装备运行的数据监测与分析等;决策能力如基于信息和算法模型,对养殖过程中设备、工艺、配方等进行辅助决策。“智慧”贯穿于智慧养殖全环节、全流程,其实现形式包括信息系统、智能设备、机器人,以及人机合作的生产决策系统。
在农业领域,数字孪生被视为智慧农业的新阶段——农业数字孪生系统将有机整合、融合农业生产的物理实体和数字空间,实现“连接—感知—决策—控制”一体化,能够更好地感知和认知农业复杂系统并实现智慧管控[3]。数字孪生在畜牧业领域的应用,目前在国内外均处于探索和起步阶段,一些精准畜牧应用,初步具备数字孪生的基本特征和形式。瓦赫宁根大学动物科学系NEETHIRAJAN指出多种动物传感器可用于动物信息监测,如运动加速度传感器、热红外体温传感器、呼吸频率传感器、反刍传感器、瘤胃pH值传感器、微血管检测PPG传感器、体液免疫传感器等[4],并利用数字孪生技术为动物行为和情感进行建模和预测,实现动物情绪和异常行为预警[5];韩国电子和电信研究所针对猪舍的环境控制与能耗管理,建立物联网系统和环境模型,完成对数字孪生技术框架的验证[6];美国威斯康星大学麦迪逊分校开发实时采集、数据集成、数据驱动的持续决策引擎奶业大脑(The Dairy Brain),应用于奶牛的营养分析与管理、临床乳腺炎的早期风险检测,展示出基于数字孪生提供高级分析和创新决策的能力[7]。
针对奶牛智慧养殖对信息监测技术、智能作业装备和数据分析平台的需求,本研究团队通过奶牛养殖多维信息采集、数据分析和生产仿真模型的研究,构建奶牛养殖数字孪生系统,将奶牛场数字化映射到虚拟空间,面向饲喂管理、繁殖管理、健康管理和环境调控等关键生产场景,实现养殖技术流程与生产装备的数据驱动、实时反馈、模拟推演、以虚控实的智能管控,并通过在江苏省某千头奶牛场的实际应用进行初步验证。
1 奶牛场数字孪生系统架构与设计
参考系统架构设计范式[8]设计奶牛场数字孪生系统,分析数字孪生系统的组成架构,对数字孪生模型进行定义和描述,将物理实体抽象为概念模型;在此基础上,应用物联网和多源异构数据融合技术建立奶牛场数字化镜像,基于孪生数据进行奶牛生产的智能化预测及决策,对生产设施与装备的管控进行优化。
奶牛养殖是一个涉及育种、繁殖、营养、疫病防控、环境调控、牛奶收集保鲜等多技术、多维度的复杂生产活动,基于数字孪生的奶牛智慧养殖系统,其架构可划分为物理实体层、数字孪生模型层和系统功能层,如图1所示。
物理實体层包括奶牛、养殖场、养殖设施设备、投入品和产品等各种生产要素,还包括养殖人员、生产工艺、管理制度等管理要素,各要素的属性如养殖环境、投入品质量、人员素质等,是物理实体的客观属性,应用检测、传感、通讯、信息处理等先进技术,可对物理实体进行感知,并根据感知信息对物理实体进行调节、控制,在物理实体层实现控制闭环。
数字孪生层是物理实体层的虚拟映射,是基于模型和数据建立的物理实体的数字化镜像。模型对实体进行多维度映射:几何模型反映物理实体在空间或平面的几何特征,如奶牛的身体结构、设备的外部和内部结构等;物理模型反映物理实体的客观特征,如奶牛的体重、养殖舍的温湿度和有害气体浓度、饲料的营养成分等;机理模型反映物理实体的运行规律,如风机的转速控制、养殖舍环境控制原理等;生理模型则反映生物体在微观或宏观层面,生理、生化乃至生命活动的相关规律。模型的实现方式包括关联数据、数据模型、解析公式、经验公式、信息系统、算法模型,乃至专家经验等;数据既包括物理实体层的真实测量数据,也包括模型分析和仿真产生的数据,数据在模型内流通,是反映和控制物理实体、更新虚拟实体驱动模型、实现系统功能的基础。
系统应用层是数字孪生系统的关键功能,由各类模型通过独立或协同的方式形成“功能模块”。通过模型化实例在数字孪生层进行业务部署,经过模型验证后,将控制信号更新下发至物理实体层,完成诸如精准饲喂、智能环控、精准繁殖、疾病预警等业务功能。体现出由实向虚(孪生数据映射)、以虚控实(虚拟模型推演)和虚实共生(物理实体和虚拟实体同步进化)的特点。
2 奶牛场数字孪生系统关键技术
建立数字孪生系统的关键技术包括以下内容:多领域多尺度融合建模、数据驱动与物理模型融合的虚拟实体评估、数据采集和传输、全寿命周期数据管理、VR和MR(虚拟现实和混合现实)技术及高性能计算等[9]。本文研究的奶牛智慧养殖技术装备及其数字孪生系统的关键技术包括:①奶牛场数据孪生模型建立;②物理实体层到数据孪生层数据映射,即奶牛场数据采集技术:包括奶牛多维信息监测装备,以及基于视频对奶牛识别、跟踪与行为分析技术的研究;③数字孪生层数据驱动模型技术,包括流数据计算平台建立及数据分析技术;④针对养殖设施、环境、奶牛、养殖工艺等生产要素,基于模型开展的参数仿真和优化控制研究。
2.1 数字孪生层模型建立
奶牛场数字孪生系统,既包括由多种生产要素组成的物理实体,又包括数字孪生模型与数据,从几何、物理、机理和生理等多个维度,将物理实体在虚拟空间进行数字化映射。本研究提出的奶牛场数字孪生模型DF-DTM(Dairy Farm Digital Twin Model),将数字孪生奶牛场定义为几何模型、信息模型和预测模型的集合,即DF-DTM = {GM, IM, PM}。
在DF-DTM模型中,GM(Geometric Model)用于呈现实体奶牛场在孪生空间的三维状态,其中包括奶牛场物理实体的尺寸、形状、材质。几何模型GM可描述为GM = {MS, MM, MF}。其中:MS(Model Scale)为模型尺寸数据,MM(Model Material)为模型材质数据,MF(Model Feature)为模型形状数据。
在DF-DTM模型中,IM(Information Model)采用统一模型语言表达物理奶牛场在孪生空间的特征,以描述物理对象的标识及其属性信息,包括环境数据信息、设备的状态信息以及层级从属等方面的信息。IM具体描述为IM = {ID, NA, MT, CP, GL}。其中:ID(Identity)为孪生模型的唯一标识,NA(Name)为孪生模型的名称,MT(Model Type)为模型类型,CP(Custom Property)为自定义属性,GL(Geographic Location)為孪生模型的位置信息。
在DF-DTM模型中,PM(Prediction Model)用于描述数字空间中牛舍内设备运行机理的预测,包括对牛舍内设备的机理模型以及基于牛场环境数据的智能预测模型。PM具体描述为PM = {MPM, PPM}。MPM (Mechanism Prediction Model)为机理预测模型;PPM (Physiology Prediction Model)为生理预测模型。
奶牛场数字孪生系统模型及其结构,如图2所示。
2.2 物理实体层到数字孪生层数据映射
2.2.1 奶牛生理传感设备研究
研发具有生理传感功能的耳标,集成三维加速度传感器、温度传感器和无线模块,采集奶牛体温、活动量及定位数据,突破生理传感系统的微型化、高精度等瓶颈问题[10]。
通过优化耳标结构,使传感器与皮肤充分接触,提高测量准确度;三轴加速度传感器数据缓存后自动唤醒嵌入式处理器,通过神经网络推理方法,识别奶牛行走、躺卧、采食、反刍等特征数据,识别精度较高,计算量和功耗远小于卡尔曼、高斯等滤波算法;识别数据通过自组网发送到现场基站,基站汇总数据后定时将数据发送给后台服务。
基于耳标生理传感设备,还可以将奶牛运动数据发送到后台,如图3所示。应用神经网络学习算法进行数据挖掘,有助于提高耳标内嵌处理器推理性能。
2.2.2 基于视频的奶牛识别、跟踪与行为分析技术
开展多目标奶牛检测、奶牛多目标跟踪与运动行为分析的理论和方法研究。主要包括多目标检测、在线多目标跟踪和基本运动行为识别三大模块,如图4所示。在多目标检测、跟踪的基础上,获取监控视频每头奶牛运动视频帧序列,结合基本运动行为识别算法和滑动窗口机制实现行为标签的获取,最终实现基于视频分析的非结构化环境下在线多目标奶牛基本运动行为识别。
(1)自然场景下的多目标奶牛检测方法研究
基于改进的GrabCut算法进行高精度图像分割,在高效目标检测网络YOLO网络结构基础上,通过引入SA注意力模块和MSHA模块高效目标检测网络,采用基于GMM分类的YOLO算法,实现高维度特征的筛选和局部、全局信息汇集;引入PANet+实现丰富尺度语义特征交互;采用CIOU Loss及加权DIOU- NMS实现对重叠目标回归框的精确筛选,最终实现自然场景下奶牛目标准确、快速的检测。
(2)基于滤波算法的在线多目标跟踪方法研究
在EYOLOv5检测的基础上,提出基于特征度量的在线多目标跟踪算法,在HOG特征中加入LBP特征和颜色特征。利用卡尔曼滤波对奶牛目标进行运动状态的匹配和估计,作为奶牛基本运动行为识别的基础。
(3)奶牛基本运动行为识别方法研究
首先对行为视频进行稀疏采样得到16帧的帧集合,其次采用标准的3D卷积模块进行下采样及特征升维,然后送入沙漏型SandGlass-3D堆叠模块实现时空特征的抽取,并在其中引入ECA模块实现特征通道信息的筛选。最终送入3D池化层压缩为一维特征,并送入Softmax模块实现时空特征分类,以期实现基于视频分析的奶牛基本运动行为识别。
(4)非结构环境下的奶牛基本运动行为识别的软件设计
采用PyQt5进行GUI设计,将奶牛多目标检测、在线多目标跟踪及基本运动行为识别算法集成为在线识别监测系统,可同时实现多目标奶牛检测、在线跟踪及基本运动行为识别和实时监测。
2.3 数字孪生层数据驱动模型技术
2.3.1 奶牛场数字孪生系统计算平台
考虑数字孪生系统实时连续流处理和流分析的需求,采用流媒体平台Kafka+机器学习/深度学习的技术方案,实现可扩展、可靠和开放的基础架构,如图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。计算平台可满足奶牛场数据采集、模型训练+部署及实时管控的需求。使用HiveMQ作为开源MQTT代理从IoT设备中获取数据,将数据实时采集到Apache Kafka集群中,使用Kafka Streams/KSQL进行预处理,使用TensorFlow及其TensorFlow I/O Kafka插件进行模型训练和推理。利用来自HiveMQ和Confluent的企业组件提高操作性、扩展性和可视性。
2.3.2 奶牛生理-行为表征信息与奶牛健康-生产性能的映射模型研究
针对具有复杂结构关系的奶牛多源信息参数,采用基于偏最小二乘路径建模(Partial Least Squares Path Modeling,PLS-PM)方法解析模型中变量间复杂关系并做出因果关系预测,同时能识别模型中的潜变量。基于奶牛行为学及专家系统建立奶牛行为-生理表征映射关系,开发样本数据库。
在奶牛数字孪生体提供的孪生数据基础上,分四个阶段开展研究:首先对数据特征进行特征间相关性分析及主成分分析;接着通过聚类分析识别不同类别间相关变量组合模式;然后建立偏最小二乘法结构方程模型,识别并验证潜变量,并利用机器学习方法对潜变量进行聚类分析,从而识别具有不同潜变量特征的表征指标分类,最后采用前瞻性观察队列对潜变量进行验证,并分析表征指标对生产性能的影响因素。
2.4 基于数字孪生的奶牛行为仿真分析决策系统研究
通过对奶牛生理、生长与行为监测指标进行数字化表征、分类辨析和数据采集,收集奶牛养殖信息,如生理表征、行为表征和环境参数的监测数据,奶牛健康、生长、繁殖、生产等性能指标和相关管理措施,以领域知识作为基础进行场景感知,包括数据的降噪、预处理、特征提取和特征选择等,然后将分析得到的有效特征作为该场景下优选状态,在未来出现相同场景时作为控制参数,在虚实空间循环交互过程中不断迭代、升级。通过建立奶牛行为大数据深度挖掘模型,对多源异构数据进行智能化分析,进一步基于孪生数据完成应对未来情景的智能化决策,最后根据奶牛行为识别发出控制指令。
3 奶牛智慧养殖数字孪生系统开发与应用
建立奶牛场数字孪生系统平台,实现奶牛场三维可视化、物联网数据接入、奶牛养殖业务场景及数据、图表显示等功能,面向饲喂管理、繁殖管理、健康管理和环境调控等关键生产场景,实现业务数字化,提高牧场养殖管理智能化水平。
3.1 奶牛场数字孪生平台开发
奶牛场数字孪生平台采用基于浏览器的解决方案实现,核心是北京优锘公司开发的ThingJS物联网可视化PaaS开发和运营平台,ThingJS基于HTML5和WebGL技术,集成3D可视化界面,使用Javascript语言,在浏览器上即可进行开发调试和部署应用,支持从模型场景、数据结构、效果设置到数据对接全流程零代码配置交付。
在物聯网数据接入方面,ThingJS提供的森数据DIX平台,是一款高效的数据集成系统,支持主流的物联网集成协议,如http(s)、Socket、OPC、JDBC、SNMP等,可支持JSON、XML、Text、Binary等数据格式,解决多源异构问题。单节点集成性能达到每秒万级,并支持管理节点去中心化,节点横向灵活扩展,解决高并发大吞吐量需求。
在视频数据接入方面,森视频LiveServer支持GB28181、RTSP协议下的视频流转换为H5视频流功能,支持海康、大华等各类厂家标准监控摄像头的接入,API可以对接业务数据、监控视频等功能。
奶牛场数字孪生模型的构建过程如图6所示。
3.2 智慧养殖技术装备集成
奶牛场数字孪生系统实现奶牛场与虚拟牛场之间的实时数据连接和感知,如图7所示,奶牛场各种设备如挤奶机、TMR饲喂系统、精准环控系统和称重分群系统,以及奶牛生理监测设备等产生的动态数据,汇总、存储到孪生数据层,形成领域内或者跨领域应用数据库,驱动虚拟实体层的分析模型,挖掘领域数据间的关联、分布规则等数据特征,对生产管理做出预测、预警和决策判断,帮助养殖人员更加高效地管理牧场。
3.3 奶牛场数字孪生系统应用验证
为验证本文技术路线及成果的可行性,在江苏某规模养殖场开展应用。该牧场目前奶牛存栏1483头,其中成母牛873头,建有现代化的牛舍、挤奶厅以及饲料库房、消毒区、办公区、粪污处理区等等,区划明确、布局合理。该牧场已建立TMR饲喂监测、奶牛发情监测、挤奶厅智能管理系统,已建立生奶速冷和全程冷链储运体系,在该牧场已经开展的示范成果包括:
(1)在奶牛个体生理、行为表征信息采集方面,一方面研发了奶牛生理传感耳标,应用于奶牛发情、反刍监测,数据采集和分析性能接近行业主流应用的进口产品;另一方面研发奶牛行为机器视觉系统,突破实际养殖环境下奶牛目标检测、连续跟踪和行为分类精度等技术瓶颈,奶牛舍内目标检测和行为分类的精度均达到90%以上。
(2)研究畜牧数字孪生的技术框架和支撑平台,构建具有数据融合、三维可视化、人机交互、模型分析、模拟仿真功能的奶牛数字孪生体,针对奶牛养殖关键场景应用——精准饲喂、精准繁殖、精准健康和精准环境,研究关键技术设备的集成应用问题。
(3)奶牛场数据集成,整合自建和第三方数据源,包括:奶牛场信息系统;奶牛体况评分和自动称重系统数据;基于耳标实时采集奶牛体温、运动量、反刍时间等数据;奶牛自动检测、连续跟踪、行为分析的机器视觉系统数据;场区车辆位置和活动监测数据;牛舍环境数据和控制系统参数。
已建成的牧场数字孪生系统实现可视化和数据整合功能,如图8所示。
4 结语
目前,数字孪生系统在国内外农业领域的研究和应用,均处于起步和上升阶段。在应用实践方面,国外倾向于将数字孪生视为物联网数据采集与系统仿真的组合,采用ANSYS、达索、PTC、Matlab、IBM、GE、西门子、微软等厂商提供的解决方案;国内倾向于以三维可视化为基础,集成物联网数据采集和机器学习模型,阿里云、腾讯、安世亚太等厂商提供相应解决方案。在理论研究方面,主要处于全要素信息抽象阶段,尚未对专业领域中数字孪生模型的构建过程进行研究[11]。农业数字孪生系统主要实现对生产场景的再现,对环境、设施和设备的可视化管理,以及对动植物的可视化观测和部分表型参数采集。
区别于工业界以数字孪生车间为代表的数字孪生模型[12],农业数字孪生的对象还包括农业系统和生物,前者是具有海量参数的复杂巨系统,后者则具有微观和精细的生命机理,相关参数的信息采集较难实现自动化。虽然对农业模型和仿真的研究已进行数十年[13],对奶牛营养、泌乳等机理模型的研究也比较深入[14],但目前农业数字孪生模型研究的核心难题,仍是对复杂巨系统和生命过程机理的数据采集和模型建立。
本文研究建立的奶牛场数字孪生系统,目前已完成三维可视化平台的选型和建立、物联网数据接口与数据整合、流数据计算平台建立、奶牛生理参数监测设备、基于视频的奶牛检测和行为识别、奶牛场环境与设施监测与控制等技术工作,初步实现奶牛场关键生产要素从物理世界向虚拟空间的数字化映射。
针对上述农业数字孪生系统的核心难题,在后续研究中,将基于流数据计算平台,研究数据驱动、场景识别的奶牛养殖数据分析与生产仿真模型,包括奶牛生理-行为表征信息与奶牛健康-生产性能的映射模型,以及奶牛营养-繁殖-保健-环境管理影响健康-生产性能的仿真模型;对奶牛生产管理进行优化。
参考文献
[1] 暴梦川.《2021中国奶业质量报告》发布[N].消费日报, 2021-07-22(A02).
[2] 胡肄农.智慧奶业关键技术与发展建议[J].中国畜牧杂志, 2023,59(4):318-322.
[3] 顾生浩,卢宪菊,王勇健,等.数字孪生系统在农业生产中的应用探讨[J].中国农业科技导报,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,刘检华,邹方,等.数字孪生驱动的装配工艺设计现状及关键实现技术研究[J].机械工程学报,2019,55(17):110-132.
[10] 胡肄农,柏宗春,还红华.加快智慧奶业建设,推进江苏奶业现代化[J].江苏农业科学,2022,50(22):65-69.
[11] 施佳宏,刘晓军,刘庭煜,等.面向生产线仿真的数字孪生逻辑模型构建方法[J].计算机集成制造系统,2022,28(2):442-454.
[12] 陶飞,刘蔚然,张萌,等.数字孪生五维模型及十大领域应用[J].计算机集成制造系统,2019,25(1):1-18.
[13] 高亮之.农业模型学[M].北京:气象出版社,2019.
[14] 易渺,杨琴,熊本海.反刍动物营养代谢调控的数学模型化[J].动物营养学报,2013,25(5):943-950.
引用格式:胡肄農,仇振升,刘建龙,潘海海,朱红宾.柏宗春奶牛智慧养殖技术装备及其数字孪生系统构建[J].农业大数据学报,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