基于YOLOv8计算机视觉的单峰骆驼应激行为检测与动物福利提升研究

本研究针对骆驼养殖中应激行为监测缺乏科学手段的问题，开发了基于YOLOv8架构的视频分析系统，成功识别"站立""坐卧"等6种行为模式，实现mAP50-95达92.4%的高精度检测。首次构建骆驼应激行为标注数据集，揭示训练强度与个体耐受性对行为的影响，为精准畜牧业（PLF）提供自动化监测方案。

　　

在传统骆驼养殖业中，应激行为的识别长期依赖人工观察，存在主观性强、效率低下等问题。随着畜牧业向智能化转型，如何通过技术手段实现动物福利的精准监测成为关键挑战。尤其对于具有重要经济价值的单峰骆驼，其独特的应激表现如"拉扯绳索（pulling on rope）"和"烦躁坐姿（distressed sitting）"尚未建立标准化评估体系。现有研究多集中于牛、猪等牲畜，而骆驼特异性监测工具的缺失导致早期应激干预困难，可能引发生产性能下降甚至死亡。

为突破这一技术瓶颈，来自阿联酋Marmoom农场的研究团队在《Ecological Informatics》发表创新成果。该研究通过部署多角度监控设备，采集骆驼在常规管理、采血和高强度训练等场景下的视频数据，首次应用YOLOv8深度学习架构开发应激行为自动识别系统。研究历时8天跟踪4头编号骆驼，构建包含43,705帧的标注数据集，采用C2f卷积模块优化特征提取，最终实现应激行为97.1%的检测精度，较传统方法提升显著。

关键技术方法包括：1) 使用Hikvision IP摄像头采集骆驼行为视频；2) 通过Roboflow Annotate工具标注6类行为（3种正常/3种应激）；3) 采用YOLOv8架构训练168层网络模型；4) 应用OpenCV处理视频流实现实时检测；5) 结合mAP₅₀和mAP_50-95多指标评估模型性能。

研究结果部分显示：

1. 模型性能验证：在10,821帧测试数据中，模型整体精度达0.971，其中"烦躁坐姿"识别准确率最高（98.6%），而"无控移动"因动作相似性出现9.1%误判。
2. 行为时间分析：骆驼ID46（红色绳索）表现出最高应激时长（599分钟），尤其在10月25日高强度训练后占全天27%时间，显著高于其他个体。
3. 环境因素影响：雾霾天气（10月6日）导致行为异常增加，但采血操作未显著改变应激时长，提示运动负荷比医疗操作更易引发应激。
4. 多角度监控优势：通过笼顶/围栏三机位部署，有效克服单视角遮挡问题，在部分镜头模糊时仍保持89%以上的检测稳定性。

讨论部分强调，该研究首次将YOLOv8应用于骆驼行为分析，其创新的C2f模块通过保留所有Bottleneck层输出，显著提升对小尺度动作（如耳部姿态）的捕捉能力。相比Al-Khateeb等人采用的YOLOv7方案，本研究的mAP_50-95提高5.8个百分点。开放共享的标注数据集填补了骆驼行为研究的资源空白，特别包含罕见但关键的"绳索拉扯"等应激指标。实践层面，该系统使养殖人员能通过实时警报及时调整训练计划，例如为低耐受个体（如ID46）延长恢复期。

该成果不仅推动动物福利监测进入智能化时代，其跨物种适应性更为野生动物保护、动物园管理等场景提供技术范式。未来通过整合生理指标（如皮质醇）和声学特征，有望建立多模态应激评估体系，最终实现《Menchetti et al. (2021)》提出的"良好饲养-健康-行为"三位一体监测目标。研究团队特别指出，在阿拉伯地区骆驼竞技文化背景下，这套非侵入式方案既能保障传统文化传承，又能显著降低因过度训练导致的动物损耗，具有重要社会经济价值。