基于注意力机制增强YOLO-Chicken算法与BoT-SORT的禽类实时追踪系统研究

针对规模化禽类养殖中环境敏感性与人工监管效率低下的问题，研究人员开发了基于注意力机制增强的YOLO-Chicken检测算法与BoT-SORT追踪系统。实验表明，该模型精度较YOLOv8提升1.35%，显著优于Faster R-CNN等经典算法，结合GUI界面实现禽群行为实时监测与异常预警，为智慧养殖提供高效解决方案。

　　

随着全球禽肉需求激增，规模化养殖成为主流，但高密度环境易引发禽群应激、疾病传播等问题。传统人工巡检效率低下且主观性强，而现有传感器监测方案成本高昂且可能干扰动物行为。计算机视觉(CV)技术虽在动物检测中应用广泛，但针对禽类实时追踪的精度与速度仍待突破。辽宁省高校创新团队的研究人员首次将YOLOv8模型引入养殖场场景，提出融合注意力机制的YOLO-Chicken算法，结合BoT-SORT多目标追踪技术，构建了端到端的禽类智能监测系统。

关键技术包括：1)改进YOLOv8的特征提取网络与损失函数；2)引入注意力机制优化特征融合；3)采用BoT-SORT算法实现个体追踪；4)基于Jetson Xavier嵌入式系统部署模型；5)开发含实时统计与预警功能的图形界面(GUI)。实验数据来自实际养殖场监控视频。

YOLO-v8网络改进
通过增强多尺度特征融合能力，YOLO-Chicken在保持实时性的同时，检测精度(mAP)超越原模型1.35个百分点，对比Faster R-CNN等算法展现出显著速度优势。

材料与方法
系统采用"检测-追踪-可视化"三级架构，首次实现养殖场场景下禽群运动轨迹的像素级解析，异常行为识别延迟低于200ms。

实验配置
在Jetson Xavier嵌入式设备上的测试显示，模型推理速度达45FPS，满足实时性需求。消融实验证实注意力模块对遮挡场景的检测精度提升贡献率达62%。

结论与意义
该研究开创性地将先进目标检测(YOLO)与多目标追踪(BoT-SORT)技术应用于禽类健康监测，解决了规模化养殖中个体行为量化难题。系统可自动识别踩踏、伤病等异常状态，死亡率预测准确率达89%，较人工巡检效率提升20倍。中国留学基金委资助的Daqi Jiang等研究者特别指出，该技术的推广将助力养殖业向数字化、智能化转型，相关方法论对畜牧医学中的动物行为学研究具有普适参考价值。论文发表于农业电子领域顶级期刊《Computers and Electronics in Agriculture》，为智慧农业提供了可落地的技术范式。