猪场每天产生大量录像。
真正的问题不是缺少视频，
而是缺少信息。
一段监控视频，原始状态下对管理者的价值是有限的——它太庞大，无法被浏览；它太密集，无法被分析；它太原始，无法直接得出结论。
PigVision 做的核心工作，是把这些原始视频转化为可以被管理者理解、比较和行动的信息。这个过程分为若干步骤，每一步都在减少噪声，提炼信号。
系统接入猪场现有摄像头网络，持续采集画面。猪舍环境对信号质量的干扰是真实且持续的——遮挡、光变、粉尘、多品牌混接——这一层的工作是保证原始数据流的完整性和时间连续性，使后续的分析有可靠的基础。
系统持续对画面内容进行分析，在个体层面和群体层面同步理解猪群的当前状态：谁在活动，谁在休息，群体的空间分布是否正常，采食饮水区域的活跃程度如何。这些判断全部在本地实时完成，不依赖网络。
每个猪舍的猪群都有自己的行为节律。系统积累的不是通用标准，而是这群猪的历史表现。判断某个行为是否异常，依据的是这群猪自身的基线，而不是固定参数——不同批次、不同季节、不同管理模式下，"正常"的范围本就不同。
系统不输出原始数据，也不频繁推送提示。只有当行为变化的幅度和持续时长共同超出判断标准，系统才向管理端输出提示：哪个猪舍、何种趋势、从什么时候开始出现。目的是让管理者的注意力，准确落在需要落的地方。
这条从视频到风险提示的处理链，做的是一件在人力上本来不可能完成的事：把每一秒、每一帧的原始画面，转化为可以被长期积累、横向比较、统计分析的结构化数据。
不是更多的视频。
而是更少、但更有用的信息：
某猪舍在过去12小时内的活动量持续低于历史均值，建议关注。
录像只是开始。管理价值，来自对变化的理解。
这套处理过程，全部在猪场本地完成——不依赖云端，不需要视频出场。下一篇解释这个架构选择背后的逻辑。