过氧化钙或生物炭-酶饲料添加剂对北欧红奶牛产奶量、肠道甲烷排放量及瘤胃微生物群的影响

《Journal of Dairy Science》：Effects of calcium peroxide or biochar-enzyme feed additives on milk production, enteric methane emissions, and ruminal microbiota in Nordic Red dairy cows

本研究基于改进的Pyramid Vision Transformer v2架构，提出MFPVT-YakHeifer模型，通过多阶段特征融合模块和深度可分离卷积注意力机制，显著提升牦牛犊姿态估计精度，mAP0.5达90.41%，优于其他基准模型。该模型成功部署于边缘计算设备，实现实时监控，未来将扩展数据集并优化轻量化设计。

　　本研究聚焦于提高牦牛幼崽姿态估计的准确性，旨在通过计算机视觉技术实现对牦牛行为的智能监测，为畜牧业的动物健康管理和行为分析提供了一种新的方法。牦牛作为青藏高原的重要物种，其生存环境恶劣，具有较高的养殖难度。在现代畜牧业发展背景下，传统的行为监测方式如佩戴式设备和声学传感器存在诸多局限，如设备可能干扰动物自然行为、电池更换频繁以及对环境噪声敏感等问题。因此，采用基于图像处理的视觉姿态估计方法成为一种有前景的替代方案。

在研究中，我们提出了一种名为MFPVT-YakHeifer的模型，该模型基于改进的金字塔视觉Transformer版本2（PVT v2）架构，结合了关键点检测模型。通过引入多阶段特征融合模块（MFFM）、深度可分离卷积块注意力模块（DS-CBAM）以及降低反卷积通道的LowerDeconv结构，我们显著提升了模型在复杂环境下的姿态估计能力。此外，我们还构建了一个专门用于牦牛幼崽姿态估计的YakPoseData数据集，该数据集包含19个关键身体关键点，涵盖多种行为模式、光照条件和部分肢体遮挡情况，为模型的训练和评估提供了丰富的数据支持。

为了验证模型的有效性，我们将其与几种现有的姿态估计模型进行了对比，包括ResNet、HRNet、CSPNeXt、ViTPose和PVT v2等。实验结果显示，MFPVT-YakHeifer在多个关键性能指标上表现优异，例如在IoU阈值为0.5时，mAP达到了90.41%，在IoU阈值为0.75时，mAP为64.37%，mAP为64.11%，以及mAR为91.95%。这些指标均优于其他模型，表明该模型在牦牛幼崽姿态估计任务中具有显著的优势。此外，我们还对模型的计算效率进行了评估，发现MFPVT-YakHeifer在保持较高精度的同时，具有较低的参数量和计算复杂度，更适合部署在边缘计算设备上，以实现低功耗和实时性。

本研究的数据采集和分析过程采用了多种方法，包括使用高分辨率摄像头对牦牛幼崽的日常活动进行连续记录，并通过Labelme工具进行关键点标注。数据集涵盖了多种光照条件、行为模式和遮挡情况，为模型训练提供了全面的样本支持。此外，我们还对模型的推理过程进行了优化，确保其在边缘计算设备上的实际应用可行性。通过在NVIDIA Jetson Nano平台上的部署测试，我们发现该模型能够在保持一定精度的前提下实现较快的推理速度，满足实际监控需求。

在结果分析部分，我们发现不同行为模式对姿态估计的准确性产生了显著影响。例如，在站立和行走等行为中，模型的检测精度较高，而在一些复杂行为如躺卧、排泄和交配过程中，模型的精度有所下降。这主要是由于这些行为中存在更多的遮挡和背景干扰，导致关键点识别困难。通过进一步分析，我们发现模型在关键部位如头部、膝盖和尾部的检测效果较好，而在身体中部和后腿区域的检测难度较高，这与牦牛毛发密集和肢体遮挡密切相关。

此外，我们还进行了消融实验，以评估各个模型组件对整体性能的贡献。实验结果显示，MFFM的引入显著提升了模型在高阈值下的平均精度，而DS-CBAM模块则在提升关键点识别能力方面发挥了重要作用。LowerDeconv结构的优化进一步减少了模型的计算负担，使得其在边缘设备上的部署更加高效。这些改进不仅提升了模型的性能，也使其在实际应用中更加可靠和实用。

本研究的成果为牦牛幼崽的行为监测提供了新的技术支持，有助于提高畜牧业的智能化水平。然而，模型仍存在一些局限性，例如对某些细粒度关键点的检测精度有待提升，以及在边缘设备上的推理速度还需进一步优化。未来的研究方向将包括开发更先进的检测机制以提高对复杂关键点和模糊目标的识别能力，设计轻量级架构以支持实时动物姿态估计，以及扩展YakPoseData数据集，涵盖更多品种、年龄和环境条件，以增强模型的泛化能力。通过这些改进，我们期望能够进一步提升牦牛幼崽姿态估计的准确性和实用性，为畜牧业的智能化发展做出更大贡献。