基于深度OC-SORT的群养猪行为追踪与分析：提升动物福利与养殖效率的新策略

本文提出一种基于Deep OC-SORT的群养猪行为追踪方法，通过引入YOLOv8-SE（SEAttention）检测模型，结合CLIP-ReID与TIC模块，有效解决斜视角下猪只粘连与遮挡问题。实验显示该方法在mAP@0.5达98.9%，HOTA为69.4%，并首次量化揭示猪只日常行为规律（睡眠63%-70%），为动物健康监测与福利优化提供关键技术支撑。

　　

¹Highlight²

本研究基于Deep OC-SORT框架开发了群养猪行为追踪系统，通过改进的YOLOv8-SE检测器（集成SEAttention机制）显著提升粘连目标识别能力，结合CLIP-ReID重识别模块与追踪ID校正（TIC）技术，在复杂养殖场景下实现稳定个体追踪。

³Discussion⁴

多目标追踪（MOT）技术近年来已广泛应用于畜禽行为分析。相较于传统方法（如FairMOT、JDE），本研究通过引入语义感知的重识别模块（CLIP-ReID），在遮挡频繁的斜视角场景中仍保持较高追踪连续性，为长期行为规律挖掘提供新思路。

⁵Conclusion⁶

本文提出的Deep OC-SORT改进方案有效克服了群养猪斜视角监控中的技术难点，追踪指标HOTA（69.4%）与MOTA（93.0%）表明其优越性。基于24小时连续追踪数据，首次精确量化猪只行为时间分配（如睡眠占比63%-70%），为智能化养殖与动物福利研究奠定基础。