农业机械学报

作者：姜红花，李金鸿，法润萱，张桂国，毛文华，乔永亮

单位：山东农业大学;山东省高等学校智慧农业特色实验室,山东农业大学;山东省高等学校智慧农业特色实验室,山东农业大学,山东农业大学,中国农业机械化科学研究院集团有限公司,阿德莱德大学,

关键词：多任务学习;RGB-D;奶牛检测;生物视觉信息;体况评分;身份识别

基金：山东省重点研发计划项目(2022TZXD0018)

动物个体精细化管理与饲喂是现代牧业的关键需求，而在实际饲养环境中，基于传统机器视觉的奶牛体况评分和个体识别方法研究中仍存在模型鲁棒性低、可靠性较差、泛化性弱以及相互之间不能及时关联的问题。为此，提出了一种多任务学习模型，基于奶牛背部生物视觉特征来同步实现并优化奶牛体况评分和个体识别准确率。通过深度相机获取奶牛背部彩色图和深度图。改进YOLO v8s模型实现对奶牛背部区域自动定位和检测：在YOLO v8s网络中引入GSConv模块，减少网络参数同时也降低网络结构复杂性；采用加权交并比边界损失(Weighted Intersection over Union，WIoU)为边界框损失，提高模型识别准确率。在奶牛背部区域检测基础上，进一步提取奶牛背部区域生物视觉特征，基于奶牛体况评分和个体识别任务之间的共性特征，构建基于硬参数共享的多任务学习模型，同步实现牛只个体身份识别和体况得分评估。试验结果表明，本文模型对体况评分和个体身份识别的准确率为93.9%和92.2%，较单一任务模型分别提高1.9、4.5个百分点；识别用时为5.84ms，较单一任务模型同时完成两个任务所需时间减少6.37ms，实时性明显提高。本文模型实现了体况得分和个体编号的高效精准同步输出，可为奶牛规模化智慧养殖的个体精准化管理提供理论依据与技术支撑。

来源：2025年第11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11期