利用牛奶光谱和机器学习预测荷斯坦奶牛的产后疾病——基于诊断日期的回顾性评估

《Journal of Dairy Science》：Predicting postpartum diseases in Holstein cows using milk spectra and machine learning—Retrospective assessment from diagnosis date

本研究提出基于改进金字塔视觉Transformer（PVT v2）的多阶段特征注意力牦牛犊姿态估计模型（MFPVT-YakHeifer），通过构建涵盖复杂光照、遮挡场景的YakPoseData数据集，在19个关键点检测中实现90.41% mAP@0.5，较次优模型提升1-3个百分点，并优化模型参数至25.587M，部署于Jetson Nano边缘设备实现248ms/帧实时推理。

　　本研究聚焦于牦牛幼崽行为识别与健康监测，提出了一种基于改进的金字塔视觉Transformer（PVT v2）架构的多阶段特征注意力牦牛幼崽姿态估计模型（MFPVT-YakHeifer）。该模型通过优化多尺度特征融合机制，提升了在复杂环境下的姿态识别性能，为智能化畜牧业提供了新的技术手段。以下将从背景、方法、结果及未来展望等方面对本研究进行深入解读。

### 牦牛幼崽的重要性与行为监测需求

牦牛（*Bos grunniens*）是青藏高原特有的牲畜，不仅在生态平衡中发挥重要作用，还为当地居民提供了重要的生活资源，包括奶制品、肉类、毛皮和燃料等。由于其栖息地的特殊性，牦牛常常面临极端环境条件，如持续低温、低氧以及冬季草料短缺等问题。这些因素对牦牛的健康和繁殖状态产生了显著影响，使得行为监测成为评估其健康状况和管理效率的重要手段。

传统的牦牛行为监测主要依赖于可穿戴设备（如加速度计和惯性测量单元IMU）或声学传感器，但这些方法存在明显的局限性。一方面，设备可能对牦牛造成干扰，影响其自然行为；另一方面，频繁更换电池和设备维护增加了管理成本。此外，声学传感器在嘈杂环境中易受干扰，难以准确捕捉牦牛的行为特征。因此，图像处理技术成为替代传统方法的有力工具，尤其是在高精度和非侵入性监测方面展现出巨大潜力。

图像姿态估计方法通过关键点和骨骼结构来表征动物的肢体形态，已被广泛应用于人类姿态识别领域。近年来，该技术逐步扩展至动物行为研究，尤其在奶牛和猪的健康监测中取得了良好效果。例如，通过分析奶牛的躺卧和行走姿态，可以有效评估其关节健康和亚临床跛行；而通过监测牦牛的排泄行为，可以评估其消化系统功能和代谢异常。然而，牦牛具有独特的体型特征，如长而密的毛发和泥泞的体表，这些特征在复杂背景下降低了关键点识别的精度，成为研究难点。

### 方法设计与模型优化

本研究提出了一种基于PVT v2架构的改进模型MFPVT-YakHeifer，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）以及轻量化反卷积结构（LowerDeconv），显著提升了牦牛幼崽姿态估计的性能。PVT v2作为一种分层的视觉Transformer模型，通过结合Transformer的注意力机制与卷积神经网络结构，能够有效捕捉长距离的空间依赖关系，为姿态识别提供了良好的基础。

为了应对牦牛毛发覆盖和背景干扰的问题，MFFM通过多阶段特征融合，提升了模型对多尺度特征的处理能力，从而增强了关键点识别的鲁棒性。DS-CBAM则通过引入通道注意力和空间注意力机制，提高了模型对关键特征的区分能力。LowerDeconv通过减少反卷积阶段的通道维度，降低了模型的计算复杂度，使得模型在保持高精度的同时具备更强的轻量化特性，更适合部署在边缘计算设备上。

此外，研究还构建了一个包含19个关键点的牦牛幼崽姿态检测数据集YakPoseData，涵盖多种行为类型、光照条件和部分肢体遮挡场景。数据集的多样性确保了模型在实际应用中的广泛适用性，同时也为后续研究提供了宝贵的数据支持。数据集的构建过程包括对牦牛幼崽的持续视频采集、多角度图像标注以及不同环境条件下的数据采集，最终形成了一个高质量、多场景的基准数据集。

### 实验结果与性能评估

在模型性能评估方面，MFPVT-YakHeifer在多个关键指标上均优于其他基准模型。具体而言，模型在IoU阈值为0.5时的mAP达到90.41%，在IoU阈值为0.75时的mAP为64.37%，在IoU阈值为0.5时的mAR为91.95%。这些指标均优于其他4种基准模型，显示出模型在关键点识别和姿态估计方面的优越性。

在计算效率方面，MFPVT-YakHeifer的参数量为25.587M，计算复杂度为6.558G FLOP，相较于其他模型如HRNet-w48（63.596M参数）和ViTPose（85.925M参数）具有显著的轻量化优势。同时，模型在NVIDIA Jetson Nano平台上的推理速度达到248.10 ms/帧，满足了实时监测的需求。尽管在边缘设备部署过程中，模型的精度略有下降，但其总体表现仍足以支持实际应用。

在不同行为模式下的检测效果方面，MFPVT-YakHeifer在站立和行走行为中表现尤为出色，mAP0.5分别为95.01%和93.60%。而在更具挑战性的行为模式如排泄和交配过程中，模型也展现出良好的识别能力，分别达到74.23%和81.82%的mAP0.5。这些结果表明，MFPVT-YakHeifer不仅在常见行为模式中表现优异，还能有效应对复杂行为的识别难题。

### 模型的部署与应用前景

本研究不仅关注模型的性能提升，还强调了其在实际畜牧场景中的部署可行性。通过将模型部署在NVIDIA Jetson Nano等边缘计算设备上，研究人员验证了其在资源受限环境下的适用性。边缘部署使得模型能够实现实时分析和快速响应，为牦牛幼崽的行为监测、健康评估和繁殖管理提供了新的技术路径。

在实际应用中，模型可以用于实时监测牦牛幼崽的健康状态，例如识别跛行、评估繁殖行为、监测排泄异常等。这些信息对于牧场管理者而言具有重要价值，有助于及时采取干预措施，提高养殖效率和动物福利。此外，模型的轻量化特性也为其在远程牧场和网络基础设施薄弱的地区提供了可行的解决方案。

### 模型的局限性与未来方向

尽管MFPVT-YakHeifer在多个方面展现出优异的性能，但仍存在一些局限性。首先，模型在识别牦牛幼崽细小关键点（如髋部和腿部）时仍存在一定困难，尤其是在毛发遮挡严重的情况下。这提示未来的研究可以进一步优化特征提取模块，以提高对关键部位的识别精度。其次，模型在边缘设备上的推理速度仍有提升空间，尤其是在大规模部署和长时间运行时，模型的实时性需要进一步优化。此外，当前数据集的样本多样性有限，未能涵盖不同品种、年龄和环境条件下的牦牛幼崽，这可能影响模型在实际应用中的泛化能力。

因此，未来的研究方向包括：开发更先进的检测机制，以提高对细粒度特征和模糊目标的识别能力；设计更轻量化的模型架构，以适应更广泛的实时动物姿态估计需求；以及扩展YakPoseData数据集，增加牦牛幼崽的品种、年龄和环境条件的多样性，从而提升模型的泛化能力和实际应用价值。

### 结论

综上所述，MFPVT-YakHeifer模型在牦牛幼崽姿态估计任务中表现出色，其多阶段特征融合机制和轻量化设计显著提升了检测精度和计算效率。该模型不仅适用于牧场环境，还能有效应对复杂光照和遮挡条件下的姿态识别问题。随着畜牧业向智能化、自动化方向发展，基于视觉姿态估计的监测技术将成为提升动物健康管理和养殖效率的重要手段。未来，进一步优化模型结构、扩展数据集和提升计算效率将是推动该技术广泛应用的关键。通过不断改进和创新，MFPVT-YakHeifer有望成为牦牛幼崽行为监测领域的重要工具，为实现智能化养殖提供坚实的技术支撑。