基于视频和BCE-YOLO模型的奶牛采食行为检测

摘要

【目的】动物采食行为是一个重要的动物福利评价指标，本研究旨在解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题，实现对奶牛采食行为的自动监控。【方法】本文提出了一种基于改进BCEYOLO模型的识别方法，该方法通过添加BiFormer、CoT、EMA 3个增强模块，提高YOLOv8模型特征提取的能力，进一步与优于Staple、SiameseRPN算法的Deep SORT算法结合，实现对奶牛采食时头部轨迹的跟踪。在奶牛采食过程的俯视和正视视频中提取11 288张图像，按照6∶1比例分为训练集和测试集，构建采食数据集。【结果】改进的BCE-YOLO模型在前方和上方拍摄的数据集上精确度分别为77.73%、76.32%，召回率分别为82.57%、86.33%，平均精确度均值分别为83.70%、76.81%；相较于YOLOv8模型，整体性能提升6～8个百分点。Deep SORT算法相比于Staple、SiameseRPN算法，综合性能提高1～4个百分点；并且改进的BCE-YOLO模型与Deep SORT目标跟踪算法结合良好，能对奶牛采食行为进行准确跟踪且有效地抑制了奶牛ID(Identity document)的变更。【结论】本文提出的方法能有效解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题，为智能畜牧与精确养殖提供重要参考。

关键词

奶牛 / 采食行为识别 / 优化YOLOv8模型 / Deep SORT