咳声警哨 · 生猪呼吸道疾病预警

缘起＃

生猪呼吸道疾病是养殖业最头疼的问题之一：传染快，而早期症状极其隐蔽。等养殖员「听见」猪咳，往往已经传开了。

但猪舍里其实一直有信号——咳嗽声、活动量、体温、温湿度。咳声警哨做的就是把这些本来就在发生的信号收集起来，变成一个可以提前行动的预警系统。

架构与做法＃

四类数据，一条链路：

1. 声音：拾音设备持续采集猪舍音频，基于 Wav2Vec2 的声学模型识别咳嗽事件——不仅判断「有没有咳」，还区分咳嗽的声学特征（干咳 / 湿咳、频次、时段分布）。
2. 行为与环境：活动量、体温、猪舍温湿度并行采集，作为健康指数的辅助维度。
3. 融合：四类数据汇成呼吸道健康指数，按严重程度输出四级预警（正常 / 关注 / 警告 / 危急）。
4. 决策：大模型 Agent 结合兽医知识库做 RAG 检索，对预警给出处置建议——不是替代兽医，而是把知识库里的处置规范第一时间送到养殖员面前。

健康指数的设计思路是「任何单维度都不足以报警」：声音异常单独出现可能只是猪舍吵闹，体温升高单独出现可能只是天热——只有多维度交叉印证，才升级预警级别。这有效压住了误报率，而误报率恰恰是预警系统的生命线。

踩过的坑＃

• 猪舍的声学环境远比想象中恶劣。风机、水泵、猪的争抢声都会混进来。音频模型必须用真实猪舍的噪声数据做增强训练，干净数据训出来的模型在现场完全不可用。
• 咳嗽事件的「计数」比「识别」更难。连声咳嗽是几次？不同栏位串音怎么办？最终靠事件聚合策略解决：声学检测只负责「这一段像咳嗽」，计数与分级交给上层的时间窗聚合逻辑。
• RAG 的价值在「引用」。养殖员对 AI 建议天然持怀疑态度，每条处置建议都附上知识库出处之后，信任度完全不一样。可溯源的 AI 建议才是可用的 AI 建议。

结果与反思＃

系统实现了从「人找病」到「数据找病」的转变：多模态健康指数让呼吸道问题在人工可感知之前就浮出水面，四级预警给了养殖员分级的响应节奏。

这个项目对我最大的触动在于：最好的监测系统是安静的。它大部分时候什么都不说，说的每一句都值得停下来听。