基于改进YOLOv5与视频分析的奶牛群体体况自动评分系统开发与应用

针对大规模奶牛养殖中体况评分(BCS)人工评估效率低、主观性强的问题，本研究创新性地提出基于改进YOLOv5s的自动化评分系统。通过引入双路径网络(DPN)和深度可分离卷积(DWConv)优化模型，结合时空先验算法实现视频流中个体奶牛分割，最终达到94.3%精确度、92.5%召回率和91.8%平均精度(mAP)，为群体奶牛营养管理提供智能化解决方案。

　　

在现代化奶牛养殖业中，体况评分(Body Condition Scoring, BCS)是评估奶牛营养状况和健康水平的关键指标。传统人工评分方法依赖经验丰富的评估者通过视觉和触觉进行判断，不仅耗时耗力，且易受主观因素影响。随着养殖规模扩大，这种低效的评估方式已难以满足需求。尽管三维摄像头和机器学习技术已应用于BCS评估，但存在设备成本高、计算复杂等问题。因此，开发高效、准确的自动化BCS系统成为当前研究热点。

针对这一技术瓶颈，来自宁夏回族自治区吴忠市标准化核心生产基地的研究团队在《Artificial Intelligence in Agriculture》发表研究成果。该研究创新性地构建了基于改进YOLOv5的自动化评分系统，通过视频分析技术实现群体奶牛的BCS评估。系统采用双路径网络(DPN)和卷积块注意力模块(CBAM)增强特征提取能力，利用深度可分离卷积(DWConv)降低计算复杂度，最终开发出兼具高精度与实时性的解决方案。

关键技术方法包括：1) 使用200万像素摄像机采集1611张奶牛后躯图像，通过旋转、亮度调整等数据增强手段构建6444张样本的数据集；2) 在YOLOv5s框架中引入CDPN模块（C3-based Dual Path Network）优化特征提取；3) 采用时空先验算法实现视频流中个体奶牛分割；4) 基于双阈值分割策略建立BCS评分优化算法。

研究结果显示：

1. 模型性能提升：改进后的YOLOv5+DW-CDPN模型在测试集上达到94.3%精确度(P)、92.5%召回率(R)和91.8%平均精度(mAP)，较原YOLOv5s分别提升3.1%、2.7%和4.2%。计算量(GFLOPs)和参数量(Params)分别降低至13.8和5.9M，推理速度保持71FPS。

2. 复杂环境适应性：在光照变化和运动模糊条件下，改进模型表现出更强鲁棒性。当模糊等级为4级时仍保持86.6% mAP，显著优于Faster-RCNN等对比模型。

3. 视频应用效果：10组现场视频测试显示，系统实现94.2%个体检测率和87.1%整体评分准确率。通过分析检测框中心点Y值变化规律，成功解决同一奶牛在视频中的重复评分问题。

讨论部分指出，该研究首次将时空先验算法与改进YOLOv5相结合，有效解决了视频流BCS评估中的关键难题。相比三维图像方法，系统在保持精度的同时大幅降低硬件需求，模型体积仅5.9MB，更适合农场边缘设备部署。值得注意的是，3.5分样本易与相邻分数混淆，反映特征相似性带来的评分挑战。

这项研究为大规模奶牛养殖的智能化管理提供了实用化工具，通过实时监测群体BCS分布，有助于优化饲喂策略、提高产奶性能和繁殖效率。未来工作将整合多角度特征以提高评估全面性，并进一步优化遮挡场景下的检测稳定性。研究成果标志着计算机视觉技术在精准畜牧业应用的重要突破。