在智利的杂交奶牛中引入杂种优势效应，可以提升对其产奶能力和功能性状的遗传评估效果

《Journal of Dairy Science》：Incorporating heterosis effects enhances genetic evaluations for milk production and functional traits in Chilean crossbred dairy cows

本研究基于改进的PVT v2架构，提出MFPVT-YakHeifer多阶段特征注意力牦牛犊姿势估计模型，通过YakPoseData数据集（含19个关键点）在复杂环境下验证，模型在IoU 0.5时mAP达90.41%，优于ResNet、HRNet等基准模型，并成功部署于边缘设备。

　　在高原地区，牦牛是重要的畜牧业资源，不仅对生态环境具有重要影响，还对当地经济和生活有着深远的意义。随着现代农业技术的发展，特别是人工智能和智能感知技术的广泛应用，牦牛行为监测技术正逐步从传统的设备依赖转向图像识别与深度学习模型的使用。为了提高牦牛母牛行为监测的准确性和实时性，本研究提出了一种基于改进型金字塔视觉Transformer（PVT v2）架构的多阶段特征注意力机制的动态牦牛母牛姿态估计模型（MFPVT-YakHeifer）。该模型通过多阶段特征融合模块、深度可分离卷积块注意力模块（DS-CBAM）以及降低反卷积通道结构的优化策略，有效提升了模型在复杂环境下的姿态估计能力。

本研究使用了一个专门设计的YakPoseData集，涵盖了多种行为模式、不同光照条件和部分肢体遮挡情况下的牦牛母牛图像。该数据集包含了19个关键身体关键点，如鼻尖、眼睛、耳朵、肩部、髋部、膝盖和脚踝等，为模型训练和评估提供了丰富的数据支持。数据集的构建过程中，考虑了自然光照、夜间微光和极端天气等多种环境因素，确保模型能够在实际应用中保持较高的鲁棒性。数据集被分为训练集和测试集，比例为70%和30%，以保证模型训练的多样性和泛化能力。

为了实现更高效的牦牛母牛姿态估计，本研究采用了基于PVT v2的模型架构，并通过引入多阶段特征融合模块（MFFM）来增强模型对多尺度特征的提取能力。MFFM包含两个互补的子模块：对齐特征融合模块（AFFM）和自上而下聚合模块（TDAM）。AFFM通过双线性插值进行特征对齐，保留了细节信息，而TDAM则在卷积和归一化之后进行插值，简化了处理流程。这些模块的结合，使得模型能够在不同分辨率的特征图之间建立更有效的连接，从而提升姿态估计的准确性。

为了进一步优化模型的特征提取能力，本研究引入了深度可分离卷积块注意力模块（DS-CBAM），该模块通过通道注意力和空间注意力的结合，增强了模型对关键特征的识别能力。DS-CBAM能够选择性地关注有信息量的通道和空间区域，从而提升模型在高阈值下的性能。此外，为了减少计算资源的消耗，模型在反卷积层采用了降低通道数的策略，即从传统的[256, 256, 256]配置调整为[64, 48, 32]的结构，这种优化策略使得模型在保持较高准确率的同时，也具备更好的计算效率。

模型的训练和评估使用了统一的超参数设置，并在相同的YakPoseData集上进行。训练过程中采用了Adam优化器，初始学习率为5e-4，输入图像被调整为256 × 192像素的尺寸。实验平台基于PyTorch 2.0.0和Python 3.9.19构建，利用CUDA 11.8加速训练过程。模型的性能评估涵盖了多个标准指标，包括平均精度（mAP）、平均召回率（mAR）、浮点运算（FLOP）、参数数量（Params）和推理时间。评估结果显示，MFPVT-YakHeifer模型在多个指标上均优于其他基准模型，例如mAP0.5达到90.41%，mAP0.75达到64.37%，mAR0.5达到91.95%。

在具体关键点的检测上，MFPVT-YakHeifer模型表现出色，特别是在尾部、前左腿根部和后左腿根部等关键部位，其检测精度分别达到了87.68%、84.02%和77.78%。这些结果表明，该模型在处理复杂遮挡和背景干扰方面具有较强的鲁棒性。此外，在不同行为模式的检测中，MFPVT-YakHeifer模型也表现出显著优势，例如在站立和行走行为中的平均精度（mAP0.5）达到了95.01%，而在较为复杂的姿态如交配和排泄行为中，其检测精度分别提升了8%和16%。

模型的部署方面，研究团队将MFPVT-YakHeifer模型应用在边缘计算设备上，例如NVIDIA Jetson Nano开发套件。该设备配备了四核ARM Cortex-A57 CPU和NVIDIA Maxwell 128核GPU，具备较强的计算能力。实验结果显示，模型在Jetson Nano上的推理速度为每帧248.10毫秒，满足实时监控的需求。虽然在边缘设备上进行量化处理时，模型的精度略有下降，但其整体性能仍然足够支持实际应用。

在模型的优化和改进过程中，研究团队还进行了消融实验，以评估各个组件对模型性能的影响。实验结果表明，MFFM的引入显著提升了模型在高阈值下的平均精度，而DS-CBAM的使用进一步增强了模型的特征区分能力。通过降低反卷积层的通道数，模型在保持较高精度的同时，也实现了更轻量的结构设计，这有助于在边缘设备上的部署和应用。

本研究的成果不仅为牦牛母牛的行为监测提供了新的解决方案，也为畜牧业智能化发展提供了技术支持。未来的工作将聚焦于动物数据集的扩展、实时视频分析的实现以及边缘部署的计算效率优化。通过引入更多样化的数据，如不同品种、年龄和环境条件下的牦牛母牛图像，可以进一步提升模型的泛化能力和适用范围。同时，针对实际应用场景中的挑战，如复杂遮挡和光照变化，研究团队将继续探索更先进的检测机制和轻量化的模型架构，以实现更高效、更准确的牦牛母牛姿态估计。

综上所述，MFPVT-YakHeifer模型在提升牦牛母牛姿态估计的准确性和实时性方面取得了显著进展。该模型不仅在关键点检测上表现出色，还在边缘设备上的部署和应用中展现出良好的性能。随着畜牧业智能化的不断推进，这样的技术将为提升牦牛养殖效率、改善动物福利和健康监测提供有力支持。