农业机械学报

作者：郑芳，夏传宇，杜小勇，周勇，田芳，李国亮

单位：华中农业大学,华中农业大学,华中农业大学,甘肃省金昌市畜牧兽医总站,华中农业大学,华中农业大学,

关键词：群养羊只;目标跟踪;时间距离匹配模块;ID延时分配;YOLO v9c;改进ByteTrack

基金：国家自然科学基金项目(31872978)和国家重点研发计划青年科学家项目(2021YFD1300800)

基于视频的群养羊只跟踪对于规模化、智能化、无人化养殖具有重要作用。然而，由于羊群存在严重的遮挡、重叠及移动速度过快等问题，在复杂场景下对多只羊只进行精确跟踪较为困难。针对上述问题，为提高跟踪技术对群养羊只的适应性，本文提出一种基于YOLO v9c与改进ByteTrack相结合的羊只多目标跟踪方法。在目标检测方面，将羊只的行为划分为站立、躺卧和进食3种状态。在多目标跟踪方面，对ByteTrack做了两点改进：引入时间距离匹配模块（Time and distance matching module，TDMM），将未匹配成功的高分框与未匹配轨迹按照丢失轨迹的丢失时长与欧氏距离相结合形成身份关联系数矩阵，再次进行匹配;引入ID延时分配机制，除第1帧外，将ID分配模块移至第3次匹配并加入条件，防止ID过早分配。试验结果表明，HOTA为72.051%，MOTA为88.326%，IDF1为88.237%，IDSW为8。与ByteTrack相比MOTA提高0.242个百分点，HOTA提高2.21个百分点，IDF1提高5.734个百分点，ID跳变次数降低了约46.67%。与算法Bot-SORT和OC-SORT相比，HOTA和IDF1有明显上升，并且ID跳变次数大幅降低。多羊只复杂场景情况下测试结果表明，基于改进ByteTrack算法具有良好的多目标跟踪性能，可以有效提高对群养羊只跟踪的准确性和可靠性。该算法在与YOLO v9c目标检测算法结合对群养羊只进行多目标跟踪并保存跟踪结果时，平均帧率为47.1f/s相较于Bot-SORT算法（34.2f/s）提高约37.7%。该算法能够实时可靠地监测羊只，为羊只养殖场管理者及时发现羊只行为异常以及监测羊只健康状况提供了有效的技术手段。

来源：2025年第10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10期