编辑推荐：
在畜牧养殖中，传统放牧监测方法存在诸多弊端，为优化草原资源利用，研究人员开展基于机器视觉的放牧山羊群检测与追踪研究。提出 BiAF-YOLOv7 算法，其在山羊群数据集上表现优异，结合 DeepSORT 可有效追踪羊群，为精准畜牧提供创新方法。
在现代畜牧业蓬勃发展的当下，动物福利备受关注，而精准掌握家畜的行为和健康状况成为提升动物福利的关键。传统的牧场监测方式，像人工观察和 GPS 设备追踪，暴露出诸多问题。人工观察不仅耗费大量人力和时间，而且效率低下，难以实现大规模、实时的监测；GPS 设备虽能定位，但给动物佩戴设备可能引发应激反应，干扰它们的自然活动模式，同时维护成本高，反馈实时性差。随着科技进步，机器视觉技术逐渐兴起，在室内畜牧监测中已得到广泛应用，然而在复杂的户外牧场环境下，如何精准检测和追踪家畜，依旧是个亟待攻克的难题。
为了解决这些棘手的问题，内蒙古大学电子信息工程学院以及内蒙古自治区草原家畜生殖调控与繁育重点实验室的研究人员，开展了一项极具意义的研究。他们提出了基于机器视觉的放牧山羊群检测算法 BiAF-YOLOv7，相关成果发表在《Scientific Reports》上。这一研究成果意义非凡，它有效提升了山羊群检测和追踪的准确性，为牧场管理提供了更高效、精准的方法，助力实现草原 - 动物的平衡发展，推动了精准畜牧业的进步。
研究人员在本次研究中主要运用了以下关键技术方法：
- 数据采集与处理：在内蒙古伊伟白绒山羊有限公司的牧场部署 14 台摄像头，记录山羊活动，通过 Python 程序按 30s 间隔提取视频帧，经筛选、标注后，运用数据增强技术扩充数据集，划分为训练集（70%）、验证集（20%）和测试集（10%） 。
- 算法改进：以 YOLOv7-tiny 模型为基础，对其进行多方面优化。改进有效长距离聚合网络（ELAN）模块，构建双向高效层聚合网络（Bi-ELAN）；引入改进的卷积块注意力模块（AF-CBAM）；将 SPPCSPC 模块替换为 SPPFCSPC 模块；利用 K-Means 聚类算法优化锚框。
- 模型评估：采用精度（Precision，P）、召回率（Recall，R）、F1 分数（F1-Score）和平均精度均值（mAP）等指标评估模型性能，并进行对比实验和消融实验 。
实验结果
- 检测算法实验结果：研究人员选取了 SSD、Faster R-CNN、YOLOv5l、YOLOv7、YOLOv7-tiny 和 YOLOv8s 这几种主流目标检测算法，与新提出的 BiAF-YOLOv7 算法，在山羊目标检测数据集上进行分析对比。结果显示，BiAF-YOLOv7 算法表现卓越，其精度达到 94.5% ，召回率为 96.7%，F1 分数是 94.8%，mAP@0.5 为 96.0%，mAP@0.5:0.95 为 59.7%。在单图像检测速度方面，BiAF-YOLOv7 算法为 42.3ms，虽比 YOLOv7-tiny 算法慢 4.1ms，但比 YOLOv7 算法快很多。与 YOLOv8 相比，BiAF-YOLOv7 在 mAP@0.5 和召回率上分别高出 1.5% 和 2.3%，充分彰显了其在放牧场景中检测精度的优势。从 P-R 曲线来看，BiAF-YOLOv7 算法曲线的包络基本涵盖了其他六种算法的曲线，表明该算法性能更优。
- 检测算法消融实验结果：为探究改进方法各步骤的有效性，研究人员进行了消融实验。实验结果表明，每一步改进都对模型性能提升有积极作用。例如，将 ELAN 改进为 Bi-ELAN 后，模型精度提升 1.6%，召回率增加 0.5% ，F1 分数提高 0.6%，mAP 值上升 1.2%；加入 AF-CBAM 注意力模块后，精度提高 1.6% ，F1 分数提升 2.3%，mAP 值增加 1.7%；替换为 SPPFCSPC 模块后，精度和召回率分别提高 0.9% 和 2.3% ；采用 K-Means 聚类锚框后，精度提升 1.7%，召回率提高 2.6%，F1 分数和 mAP 值均增加 1.7% 。这一系列数据充分说明，BiAF-YOLOv7 算法在精度、召回率、F1 分数和 mAP 值这四个指标上表现出色，且每一步改进都切实有效。
- 结合 DeepSORT 算法的跟踪实验结果：研究人员将 BiAF-YOLOv7 算法与 DeepSORT 跟踪算法相结合，在低光、目标变形和遮挡等复杂场景下进行测试。结果显示，在低光环境中，即使山羊不明显，该算法组合也能稳定检测和跟踪羊群，保持 ID 一致；当目标形状发生变化时，检测和跟踪框能及时调整适应；在遇到遮挡情况时，BiAF-YOLOv7-DeepSORT 算法表现更优，ID 跳变次数明显少于 YOLOv7-tiny-DeepSORT 算法。综合来看，BiAF-YOLOv7-DeepSORT 算法在目标检测准确性和跟踪稳定性上优势显著，IDF1 分数从 90.43% 提升到 93.07%，有力证明了其在跟踪目标身份一致性方面的改进 。
研究结论与讨论
本研究成功实现并评估了 BiAF-YOLOv7 算法，有效解决了光照、遮挡等因素导致的羊群跟踪精度不足的问题。与基础模型相比，BiAF-YOLOv7 模型在精度、召回率、F1 分数和 mAP 上分别提升了 5.8%、4.5%、5.7% 和 6.1%，充分体现了该算法在特征融合和小目标监测能力提升方面的显著效果 。这使得牧场管理者能够精准掌握山羊的实时位置和行为状态，提高了牧场管理效率，为精准畜牧业提供了便捷有效的方法。
与以往研究相比，BiAF-YOLOv7 算法在复杂环境下表现更优。例如，Vayssade J. 等人的算法在复杂环境中表现不稳定，而 BiAF-YOLOv7 算法能有效应对多目标混合的牧场场景；Bonneau M. 等人的研究对小目标和复杂环境下的目标行为分析不足，BiAF-YOLOv7 算法通过双向特征聚合和多尺度信息流优化，显著增强了在复杂环境中的鲁棒性 。不过，本研究也存在一定局限性，模型在极端天气条件下的鲁棒性有待进一步验证。未来研究可利用剩余 13 台摄像头扩展监测范围，深入分析山羊的具体行为，结合 hyperspectral imaging 评估植被动态，为实现可持续的草原 - 动物平衡提供更多创新思路。
