编辑推荐：
问题 2
针对商业养猪场（未见数据集）中光 flare、物体重叠等致检测精度下降的问题，研究人员开展多目标跟踪技术优化研究，引入 FBDA、OFBL 及 FTO 模块，构建 FTO-SORT 模型。结果显著提升跟踪性能，对精准畜牧业有重要意义。
问题 5
在农业自动化与动物福利日益受重视的当下，精准监测猪只健康与行为的需求愈发迫切。然而，传统多目标跟踪技术在商业养猪场这类未见环境中面临诸多挑战，如光 flare（光线耀斑）干扰、猪只重叠导致的前景背景边界模糊等，这使得基于预训练模型的检测精度大幅下降。此外，现有方法或因模型庞大导致速度缓慢，或在未见环境中泛化能力不足，难以满足实际应用需求。为突破这些瓶颈，来自相关研究机构的人员开展了一系列研究，其成果发表在《Computers and Electronics in Agriculture》。
研究人员围绕提升未见环境下猪只多目标跟踪性能这一核心，开展了深入研究。通过引入创新的数据增强方法、优化损失函数并改进跟踪模块，成功构建了高效的 FTO-SORT 模型，为解决养猪场复杂环境下的跟踪难题提供了新方案。
研究采用了以下关键技术方法：一是利用 SAM（Segment Anything Model，分割一切模型）和 LaMa（Large Mask Inpainting，大掩码修复）技术开发了 FBDA（Foreground-Background Separation and Data Augmentation，前景背景分离与数据增强）方法，实现了前景和背景的有效分离与数据扩充；二是提出 OFBL（Overlap and Foreground-Background Difference Loss，重叠与前景背景差异损失）函数，通过对难检测对象赋予更高权重来优化检测性能；三是在 BoT-SORT 模型中引入 FTO（Farm Track-id Optimizer，农场跟踪身份优化器）模块，以提升跟踪的准确性和稳定性，同时还对 Re-ID 模块进行了调整。研究使用了德国猪数据集、韩国忠北大学、爱丁堡大学及 Jochiwon 等多个数据集进行训练和测试。
研究结果
4.1 检测性能
在 Jochiwon 未见数据集上，YOLOv8 和 YOLOv11 原始模型检测精度分别为 91.5% 和 82.8%。应用 FBDA 和 OFBL 后，YOLOv8 检测精度提升至 93.2%，YOLOv11 提升至 89.2%，表明数据增强和损失函数优化有效提升了模型在未见环境下的检测能力。
4.2 跟踪性能
将 FTO 模块与 BoT-SORT 结合形成的 FTO-SORT 模型，在 Jochiwon 数据集上，YOLOv8 模型的 IDF1 从 75.1% 提升至 90.2%，YOLOv11 的 IDF1 从 68.7% 提升至 86.7%。同时，移除 Re-ID 模块后，TX2 板上的 FPS 显著提升，YOLOv8 从 0.6 提升至 6.2，YOLOv11 从 0.6 提升至 6.7，大幅提高了处理速度。在爱丁堡大学数据集上，FTO-SORT 也展现出较好的性能，HOTA、MOTA 和 IDF1 等指标均优于部分对比模型。
4.3 局限性
尽管 FTO-SORT 在多数场景表现优异，但在猪只密集重叠或物体位移较大的动态场景中，跟踪精度会有所下降，且处理速度仍未达到 30 FPS 的实时标准，在不同数据集上的泛化性能也存在差异。
研究结论与讨论
本研究成功开发的 FTO-SORT 模型，通过 FBDA、OFBL 和 FTO 模块的协同作用，显著提升了未见环境下猪只多目标跟踪的性能，在保证检测精度的同时大幅提高了处理速度，为精准畜牧业中猪只的实时监控与管理提供了有力的技术支持，有助于提升养猪场的生产效率和动物福利水平。然而，研究也存在一定局限性，如动态场景下的性能不足和实时性要求未完全满足等。未来可通过优化网络架构、引入更先进的数据增强技术和硬件加速等方式进一步改进，以推动该技术在智能养猪场中的广泛应用。该研究为农业自动化领域中动物跟踪技术的发展提供了新的思路和方向，具有重要的理论和实际应用价值。
