农业机械学报

作者：杨秋妹，黄森鹏，肖德琴，惠向阳，黄一桂，李文刚

单位：华南农业大学;农业农村部华南热带智慧农业技术重点实验室,华南农业大学;农业农村部华南热带智慧农业技术重点实验室,华南农业大学;农业农村部华南热带智慧农业技术重点实验室,华南农业大学;农业农村部华南热带智慧农业技术重点实验室,华南农业大学;农业农村部华南热带智慧农业技术重点实验室,华南农业大学;农业农村部华南热带智慧农业技术重点实验室,

关键词：猪只;跛行;关键点检测;YOLO v8n-pose;步行特征

基金：广东省重点领域研发计划项目（2023B0202140001）和国家重点研发计划项目（2021YFD2000802）

猪只跛行问题为猪场的生产和管理带来了挑战，因此准确检测猪只跛行情况至关重要。目前猪场主要依赖人工观察和记录，效率低耗时长，且可能存在主观误差。鉴于此，提出一种基于关键点和步行特征的猪只跛行检测方法。首先，定义并确定了猪只的关键点信息，关键点包括猪只的腿、膝盖、背部等重要部位。基于关键点，采用改进YOLO v8n-pose模型进行检测。该模型在YOLO v8n-pose的基础上，在颈部引入BiFPN双向特征金字塔网络进行多尺度特征融合，同时在骨干网络中引入RepGhost网络，以降低特征提取网络的参数量和浮点运算量。然后利用检测出的关键点坐标计算猪只的步长、膝盖弯曲程度和背部曲率等步行特征，并将这些特征输入到K最近邻算法进行跛行与非跛行的分类。实验结果表明，改进YOLO v8n-pose模型平均精度均值（mAP）达到92.4%，比原始YOLO v8n-pose模型提高4.2个百分点。与其他关键点检测模型（HRNet-w32、Lite-HRNet、ResNet50、ViPNAS和Hourglass）相比，mAP分别提高10.2、11.6、14.2、11.8、12.5个百分点。K近邻算法在猪只跛行测试集上的检测精度为81.7%，比BP算法、Decision Tree算法和SVM算法分别提高1.5、11.3、6.5个百分点。以上结果表明，本文提出的猪只跛行检测方法可行，能够为猪场检测提供技术支持。

来源：2025年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第5期