基于轻量化YOLOv8n-seg模型与空间分组增强注意力机制的猪群实例分割与计数方法研究

为解决传统猪实例分割模型计算资源消耗高、难以部署在边缘设备的问题，研究人员提出基于YOLOv8n-seg改进的轻量化模型，通过Ghost模块替换、空间分组增强注意力机制（SGE）和共享细节增强卷积头（LSDECD）优化，实现95.7%的mAP@0.5精度，参数仅1.21M，计算量7 GFLOPs，推理速度达217.86 FPS，为集约化养猪场提供高效精准的计数方案。

　　

在集约化养猪场中，精准的猪只计数对饲料分配、健康监测至关重要，但现有实例分割模型如DeeplabV3+等存在计算资源消耗高、难以部署在边缘设备的问题。此外，猪群的高密度、遮挡和复杂光照条件进一步增加了分割难度。针对这些挑战，来自中国的研究团队在《Smart Agricultural Technology》发表研究，提出了一种基于YOLOv8n-seg改进的轻量化模型。

研究通过三大创新优化模型：首先，用Ghost模块替换C2f模块，减少冗余卷积操作；其次，在颈部网络引入空间分组增强注意力机制（SGE），提升遮挡场景下的特征融合能力；最后，设计轻量化共享细节增强卷积头（LSDECD），通过多角度卷积捕捉猪只细节。实验数据来自云南某养猪场，使用巡检机器人采集的1812张图像（含17,748头猪），以8:1:1划分训练集、测试集和验证集。

研究结果

1. 模型性能对比：改进后模型mAP@0.5达95.7%，参数仅1.21M，较原YOLOv8n-seg减少62.89%，推理速度提升至217.86 FPS，显著优于DeeplabV3+（88.15 FPS）和U-Net（28.49 FPS）。
2. 热图分析：EigenCAM热图显示改进模型更聚焦猪体区域，减少背景干扰。
3. 计数准确性：测试182张图像，准确计数比例达60.44%，平均绝对误差（MAE）降至0.69，优于基线模型的0.95。
4. 复杂场景表现：在栏杆遮挡、阴影模糊等挑战下，改进模型误检率降低，如将原模型误判为2头的粘连猪只正确识别为1头。

结论与意义
该研究通过轻量化设计和注意力机制优化，实现了精度与效率的平衡，为边缘设备部署提供了可行方案。未来可结合视频时序信息或热成像技术，进一步提升极端遮挡场景的鲁棒性。成果对推动智慧养殖的自动化管理具有重要应用价值。