在提出改善法国奶牛场卫生措施的建议之前和之后，使用ATP发光法监测初乳采集和分配设备的清洁度

《Journal of Dairy Science》：Monitoring colostrum harvesting and distribution equipment cleanliness with ATP luminometry before and after recommendations to improve hygiene practices in French dairy farms

本论文提出基于改进Pyramid Vision Transformer（PVT v2）的多阶段特征融合模型（MFPVT-YakHeifer），用于牦牛犊行为监测中的关键点检测与姿势估计。通过构建包含遮挡、复杂光照及不同行为模式的YakPoseData数据集（共1215张高质图像，3223个标注关键点），优化模型结构并引入深度可分离卷积注意力机制（DS-CBAM），在mAP0.5指标上达到90.41%，优于ResNet50、HRNet、CSPNeXt等基准模型，同时保持25.587M参数量与6.558G FLOP的低计算量。模型已部署于Jetson Nano边缘设备，推理时间248.10ms，满足实时监测需求。研究为高原牦牛智能化养殖提供技术支持，未来将扩展数据集并优化轻量化设计。

　　### 中文解读：基于改进金字塔视觉Transformer的牦牛母牛姿态估计模型

#### 研究背景与意义

牦牛是青藏高原特有的古老牛种，其全球种群主要分布在中国，占95%以上，且主要集中于海拔3000至5500米的高原地区。由于高原环境的极端性，如持续低温、低氧以及冬季牧草稀缺等，牦牛在生态系统和当地经济中扮演着不可或缺的角色。它们不仅为高原居民提供毛皮、奶制品、肉类等资源，还对高原生态系统的平衡起着重要作用。随着畜牧业的现代化发展，牦牛养殖方式逐渐从传统的放牧转向圈养管理和自动化技术的引入，为提高养殖效率和动物福利提供了新的思路。

动物行为监测是畜牧业管理中的关键环节，其中牦牛母牛的行为模式能够反映其健康状况和生理状态。例如，发情行为、跛行、体重增长情况以及健康问题的早期预警，都可以通过行为分析实现。然而，传统的动物行为监测方法通常依赖于佩戴设备，如加速度计、惯性测量单元（IMU）或声学传感器，这些设备存在一定的局限性，如对动物自然行为的干扰、频繁更换电池等。此外，声学传感器容易受到环境噪音的影响，影响监测效果。因此，图像处理技术，特别是基于计算机视觉的姿态估计方法，成为解决这些问题的有力工具。

姿态估计技术在动物行为研究中展现出巨大潜力。通过识别关键点和骨骼结构，可以实现对动物行为的精确分析。近年来，深度学习模型在动物姿态估计领域取得了显著进展，尤其在牛和猪等大型动物的管理中。然而，牦牛因其特殊的体表特征，如长而密的毛发、容易沾染泥污，以及复杂的背景干扰，使得姿态估计技术在实际应用中面临诸多挑战。因此，本研究提出了一种基于改进金字塔视觉Transformer（PVT v2）的牦牛母牛姿态估计模型，旨在提升在复杂环境下的检测精度和鲁棒性。

#### 研究方法与模型构建

本研究的实验对象为17头18个月大的牦牛母牛，实验在四川某畜牧场进行，时间为2022年7月15日至28日。母牛被分为3组，每组分别位于5米宽、8米长的围栏中，围栏内设有饮水槽和柔软的沙土与木屑垫料。饲料遵循中国农业部制定的NYT/815/2004标准，每天两次投喂混合饲料（TMR），分别在09:00和15:00进行，并随后进行围栏清洁。为了确保数据的完整性，视频数据被存储在远程网络录像机系统中，并定期备份至外部硬盘。

实验使用了三台DS-2CD3T47EWDV3-L摄像头（Hikvision Inc.，杭州），焦距为4毫米，以25帧/秒的速率记录分辨率为2560 × 1440像素的视频。摄像头布置在围栏的不同位置，以确保对牦牛母牛的全面覆盖。其中，第一台摄像头安装在围栏上方的横梁上，高度为4米；第二台摄像头靠近饲料槽，高度为3米；第三台摄像头则安装在与饲料槽相对的角落，同样高度为3米。整个实验装置的布局在图1中有所展示。

基于上述数据采集，研究人员构建了一个包含19个关键点的牦牛母牛姿态估计数据集（YakPoseData set）。该数据集覆盖了多种行为模式，包括站立、躺卧、进食、行走、交配和排泄行为，并包含了不同光照条件和部分肢体遮挡的图像。这些数据用于训练和评估不同的姿态估计模型，包括SimpleBaseline、ResNet、HRNet、CSPNeXt、ViTPose和PVT v2。为了增强模型的鲁棒性，研究团队还提出了一种新的模型——MFPVT-YakHeifer，其在光照条件变化、遮挡和复杂背景下的表现优于现有方法。

MFPVT-YakHeifer模型的核心在于其多阶段特征融合模块（MFFM）和深度可分离卷积块注意力模块（DS-CBAM）。MFFM通过两个互补的子模块（Aligned Feature Fusion Module和Top-Down Aggregation Module）来增强特征融合能力，从而提高姿态估计的准确性。DS-CBAM则通过优化注意力机制，提升模型对关键特征的识别能力。此外，研究团队还对热图头部结构进行了改进，采用了LowerDeconv技术，降低了卷积通道数，以提升模型的轻量化程度。

#### 模型性能与评估

为了全面评估模型的性能，研究团队采用了一系列标准指标，包括平均精度（mAP）、平均召回率（mAR）、浮点运算次数（FLOP）、参数数量（Params）和推理时间。在IoU阈值为0.5时，MFPVT-YakHeifer模型的mAP达到90.41%，在0.75时为64.37%，在0.5时的mAR为91.95%。这些结果均优于其他4种基准模型，显示出该模型在牦牛母牛姿态估计中的优势。

在计算效率方面，MFPVT-YakHeifer模型的参数数量为25.587M，FLOP为6.558G，相较于其他模型，如HRNet-w48（63.596M参数，15.750G FLOP）和ViTPose（85.925M参数，16.852G FLOP），具有更优的轻量化表现。同时，该模型在Jetson Nano边缘计算设备上的推理时间为248.10毫秒，满足实时监控的需求。

此外，研究团队还进行了消融实验，分析了不同模块对模型性能的影响。结果显示，MFFM模块在高IoU阈值下的mAP提升了2.95%，而DS-CBAM模块进一步提升了mAP0.75的精度。这些改进表明，多阶段特征融合和注意力机制的引入有效提升了模型在复杂环境下的表现。

#### 模型在不同行为模式中的表现

研究团队进一步评估了MFPVT-YakHeifer模型在不同行为模式下的检测效果。结果显示，在站立和行走等行为中，模型的检测精度较高，mAP0.5分别达到95.01%和93.60%。而在更具挑战性的行为，如交配和排泄行为中，模型的mAP0.5分别为81.82%和74.23%，优于其他模型。这些结果表明，MFPVT-YakHeifer模型在复杂行为模式下的表现更为稳健，能够更准确地捕捉关键点信息。

在具体关键点的检测上，模型在头部、膝盖和尾部等区域表现出较高的精度，而在躯干和后腿区域则相对较低。这一现象与牦牛毛发覆盖和环境干扰有关，因为这些区域的特征在图像中更容易被遮挡或混淆。然而，MFPVT-YakHeifer模型通过多尺度特征融合和注意力机制，成功提升了这些区域的检测精度。

#### 模型部署与应用前景

为验证模型在实际畜牧场中的可行性，研究团队将其部署在NVIDIA Jetson Nano开发套件上。该设备配备了四核ARM Cortex-A57 CPU和NVIDIA Maxwell 128-Core GPU，能够在资源受限的环境下运行。实验结果显示，模型在Jetson Nano上的推理时间为248.10毫秒，能够满足实时监测的需求。此外，研究团队还尝试了模型在不同格式下的部署，如PyTorch和TensorRT，结果显示在8位整数量化后，模型的精度略有下降，但计算效率和内存占用明显提升，有利于在边缘设备上的应用。

尽管模型在边缘设备上表现出良好的性能，但仍存在一些局限性。例如，对于某些细粒度特征（如髋部和腿部关键点）的检测精度仍有提升空间，尤其是在毛发遮挡严重的区域。此外，当前数据集的样本多样性有限，可能影响模型在大规模应用中的泛化能力。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的识别能力，设计更轻量化的模型以适应边缘设备的实时需求，以及扩展数据集，涵盖更多牦牛品种、年龄和环境条件，以增强模型的适用性。

#### 结论与展望

本研究提出了一种基于改进金字塔视觉Transformer的牦牛母牛姿态估计模型，该模型在多种行为模式下的检测精度显著优于现有方法，且在边缘设备上的部署表现良好。通过引入多阶段特征融合模块和深度可分离卷积块注意力模块，模型在复杂环境中的表现得到了显著提升。此外，通过降低热图头部的卷积通道数，模型在保持高精度的同时实现了轻量化，为实际应用提供了有力支持。

未来，研究团队计划进一步优化模型的推理速度，以适应更大规模的畜牧场需求。同时，他们还将扩展数据集，使其涵盖更广泛的牦牛品种、年龄和环境条件，从而提升模型的泛化能力。此外，研究团队还希望将该模型应用于下游的行为识别任务，如健康监测、繁殖管理等，以实现更全面的动物行为分析。通过这些努力，MFPVT-YakHeifer模型有望成为牦牛养殖中的重要工具，为提升养殖效率和动物福利提供技术支持。