基于关键点优化的仔猪多目标追踪与活动量化方法PKL-Track研究

为解决复杂养殖环境下仔猪高精度追踪与活动量化难题，研究人员提出基于改进YOLOv11s-Pose模型和BoT-SORT算法的PKL-Track方法。通过优化关键点回归与检测头结构，实现98.5%目标检测精度和5.0 ms/帧的实时性能；结合关键点与L2距离匹配策略，使HOTA达84.3%，群体活动量化误差仅2.36%。该研究为精准畜牧业健康监测提供关键技术支撑。

　　

在现代化畜牧业中，仔猪的健康监测直接关系到养殖效益与动物福利。然而，拥挤的猪舍环境、频繁的遮挡行为以及高度相似的仔猪外观，给传统计算机视觉追踪技术带来巨大挑战。现有方法如基于Re-ID特征或IoU关联的算法，往往因依赖外观特征而计算复杂，难以兼顾实时性与准确性；而单纯依靠轨迹估算的活动量化方法，又易因ID切换或轨迹丢失产生显著误差。这些技术瓶颈严重制约了精准畜牧业中行为分析的可靠性。

针对上述问题，江苏大学的研究团队在《Computers and Electronics in Agriculture》发表了一项创新研究。该团队开发了名为PKL-Track（Piglet Keypoints and L2 Distance Tracking）的仔猪追踪与活动量化系统。研究通过融合改进的YOLOv11s-Pose检测模型与优化版BoT-SORT追踪算法，在31个产房的视频数据集上验证，不仅实现了毫秒级实时检测，更将群体活动量化误差控制在2.36%以内。这项技术突破为早期疾病预警和饲养管理优化提供了全新解决方案。

研究主要采用三项关键技术：首先，改进YOLOv11s-Pose模型，通过共享骨干网络同时输出目标框和17个关键点，并简化检测头提升效率；其次，在BoT-SORT框架中引入关键点匹配代价（Keypoint Matching Cost, KMC）与归一化欧氏距离（Normalized Euclidean Distance, NED）优化关联策略；最后，基于追踪结果构建活动指数模型（Activity Index, AI），通过关键点位移加权计算群体活动量。实验数据来自中国镇江某商业猪场31个结构相同的产房，涵盖5-12头仔猪的多样化群体场景。

【Animals and Housing】
研究选取标准化产房环境下的仔猪群体，通过固定摄像头采集视频数据。产房尺寸1.9 m×2.55 m的设计确保数据涵盖不同密度下的交互行为，环境温度控制在22-26℃以排除极端条件干扰。

【Overview of piglet tracking and activity quantification】
提出的PKL-Track系统采用两阶段架构：第一阶段通过轻量化YOLOv11s-Pose实现98.0%的关键点检测精度；第二阶段改进BoT-SORT的运动预测模块，将外观特征维度从512降至128，使ID切换减少37.2%。

【Experimental platform and training settings】
在RTX 3090平台采用AdamW优化器训练模型，初始学习率0.01，batch size设为16。关键点回归采用Wing loss函数，温度系数λ=0.5以平衡不同尺度特征学习。

【Main characteristics of the proposed method】
创新性体现在三方面：1) 检测阶段通过相对位置约束（Relative Position Constraint, RPC）提升关键点定位精度，使鼻尖关键点AP达98.7%；2) 追踪阶段融合运动/外观/关键点三维特征，在遮挡场景下MOTA提升12.5%；3) 活动量化引入速度-位移双权重模型，误差较传统方法降低68.3%。

【Conclusion】
研究证实：1) 改进YOLOv11s-Pose较原模型提升1.8% mAP，参数量减少23.7%；2) PKL-Track在5帧间隔下IDF1达91.5%，优于SORT系列算法；3) 群体活动指数与人工评估相关系数R²=0.982。该技术已应用于实际养殖场的健康监测系统，每日可处理超过20万帧视频数据。

讨论部分指出，该方法突破传统检测-追踪分离架构的局限，通过关键点信息流贯穿系统实现协同优化。特别值得注意的是，针对仔猪快速移动导致的运动模糊问题，研究团队在数据增强阶段引入运动模糊合成技术，使模型在动态场景下的鲁棒性显著提升。未来工作将探索三维姿态估计与追踪的融合，进一步满足复杂行为分析需求。这项研究不仅为畜牧业智能化提供标杆案例，其提出的多模态匹配策略对其它动物追踪研究也具有普适参考价值。