基于YOLOv8-BS融合背景减除算法的牛只静态与动态行为识别新方法及数据集构建

研究人员针对现有牛只行为监测方法在开放环境中对移动行为识别精度不足的问题，开发了融合YOLOv8与OpenCV背景减除(BS)模块的YOLOv8-BS模型。通过构建包含92,592帧平衡行为样本的新数据集，实现了站立、行走、采食、躺卧四类行为的精准检测，其中行走行为识别精度提升20%，F1值达73%。该研究为开放牧场动物福利监测提供了非侵入性技术方案。

　　

在现代化畜牧业管理中，准确监测牛群行为对提升动物福利和预防疾病至关重要。传统传感器监测方法虽然有效，但存在成本高、可能引起动物应激等问题。更棘手的是，现有计算机视觉技术在开放牧场环境下表现欠佳——封闭牛舍场景开发的算法难以应对复杂背景干扰，而多数研究使用的单行为帧图像数据集无法反映真实场景中多行为并发的复杂性。尤其对于"站立"与"行走"这类姿态相似的行为，现有模型识别准确率普遍低于70%，严重制约了技术在牧场实践中的应用价值。

针对这些技术瓶颈，美国农业部农业研究服务局(USDA-ARS)联合新墨西哥州立大学的研究团队在《Smart Agricultural Technology》发表创新成果。研究团队创新性地将YOLOv8目标检测框架与OpenCV背景减除(Background Subtraction, BS)模块相结合，开发出YOLOv8-BS融合算法。为填补研究数据空白，团队使用GoPro Hero 7摄像机在70×30米开放围栏中采集了104段视频，构建包含92,592帧标注图像的平衡数据集，涵盖站立、行走(移动超一个体长)、采食(低头觅食)和躺卧四类明确界定的行为。

关键技术方法包括：1) 通过CVAT工具半自动标注构建多行为并发数据集；2) 采用YOLOv8n/YOLOv8x等不同复杂度架构进行基准测试；3) 集成OpenCV的BackgroundSubtractorMOG2算法实现运动检测；4) 设置50%交并比(IoU)阈值优化行为分类；5) 开发计数-时长双维度统计模块。所有实验均通过NMSU动物伦理审查(协议#2301000148)。

【数据收集与清洗】
在Jornada实验牧场，研究人员设置2米高固定摄像机，记录10头拉腊穆里克里奥罗牛在自然光照下的行为。通过严格筛选获得104段30秒视频片段，确保每段包含≥3种行为，最终构建20个行为平衡的视频组(15组训练/5组测试)。

【数据标注】
采用计算机视觉标注工具(CVAT)进行半自动标注，通过边界框插值技术提升效率。特别规定"行走"需连续移动超一个体长，短暂移动归为"站立"，混合行为优先标注主导行为(如边走边吃标为"采食")。

【模型性能】
YOLOv8x-BS在测试集表现最优：躺卧识别达100%精确度/98%召回率；站立89%/88%；采食86%/86%；行走74%/72%。相比基线YOLOv8，行走检测F1值提升18%。消融实验显示，背景减除模块使行走识别精确度提升20%。

【参数优化】
系统测试发现：300帧历史长度与25像素方差的背景建模参数最佳；50%的IoU阈值在准确率与召回率间取得平衡；长宽比0.75-2的过滤器有效排除阴影干扰。

该研究通过融合时空特征分析与姿态检测的创新思路，首次在开放环境中实现牛群多行为同步监测。所构建的数据集特别强调了真实场景下的行为并发性，其92,592帧规模远超同类研究(如Zheng等人2,865帧数据集)。尽管在行走检测上仍有提升空间(主要源于间歇性运动与背景吸收的冲突)，但YOLOv8-BS框架展现出的模块化优势，为后续集成光流法或三维卷积网络留下接口。实践层面，这项非侵入性技术可大幅降低牧场监控成本，其每帧22FPS的处理速度已接近实时分析需求。未来通过引入多视角摄像系统与深度运动分割网络，有望进一步突破现有技术瓶颈，为智慧牧业发展提供核心支撑。