基于运动模糊感知的多尺度自适应级联框架在种猪耳标脱落检测中的应用研究

为解决种猪耳标脱落导致的精准育种管理难题，内蒙古农业大学团队提出Adapt-Cascade框架，集成WAAM（Weight-Adaptive Attention Module）、DA-DC（Density-Aware Dilated Convolution）和FGMS-RP（Feature-Guided Multi-Scale Region Proposal）技术，在Cascade Mask R-CNN基础上实现93.46%检测准确率（19.2 FPS），为智能化养殖提供高效解决方案。

　　

在现代化生猪养殖中，耳标作为个体身份识别的关键载体，其脱落问题可能引发种猪系谱混乱、育种数据失真等连锁反应。尤其在高密度饲养环境下，种猪频繁互动与运动导致耳标脱落率显著上升。传统人工巡检方式效率低下且易漏检，而现有计算机视觉技术又面临运动模糊、小目标（耳标仅占图像0.11%像素）和多尺度差异三大技术瓶颈。针对这一产业痛点，内蒙古农业大学计算机与信息工程学院的研究团队在《Scientific Reports》发表创新成果，提出名为Adapt-Cascade的检测框架，通过多模块协同创新实现了复杂场景下耳标脱落的高精度实时检测。

研究团队采用三项核心技术：首先开发WAAM模块，通过动态权重调整强化运动模糊特征提取；其次设计DA-DC卷积，根据特征密度自适应调节感受野以提升小目标检测能力；最后构建FGMS-RP策略，优化多尺度候选区域特征融合。实验数据来自内蒙古某大型养殖场，通过垂直俯视摄像头采集6544张包含不同光照（昼夜）和运动状态（静态/动态）的图像样本，构建包含14894头种猪和8348个耳标的标注数据集。

【模型架构】
Adapt-Cascade以ResNeXt-101为骨干网络，在Conv2-Conv5阶段嵌入WAAM模块，通过阈值动态调整机制（公式3-6）增强关键特征响应。Conv4-Conv5阶段采用DA-DC模块，根据公式8-10实现卷积核膨胀率的自适应调节。FGMS-RP策略通过公式11-12计算特征金字塔各层权重，实现多尺度特征优化融合。

【性能验证】
在包含运动模糊和夜间场景的验证集上，模型达到91.06% bbox mAP和89.68% segm mAP，较基线Cascade Mask R-CNN提升7.71%和8.50%。特别在昼夜运动组数据中，耳标检测mAP提升达12.43%。热力图分析（图9）显示模型能精准聚焦耳标区域，显著抑制背景干扰。

【典型应用】
如图10所示，模型在侧位小耳标（检测精度0.99）、运动模糊（图10c/f）及群体遮挡等复杂场景均表现稳健。但图11也揭示其在极端低照度（红外补光不均匀区域）和重度遮挡（耳标边缘碎片化）场景仍存在改进空间。

该研究创新性地将运动模糊适应与多尺度检测相结合，首次实现养殖现场耳标脱落的全天候自动化监测。相比现有SOTA方法（如EVA和CBNetV2），Adapt-Cascade在精度（+1.91% mAP）与效率（19.2 FPS）间取得更好平衡。研究团队指出，未来通过融合低照增强模块和三维姿态估计，可进一步突破现有局限，为畜禽智能化管理提供更完善的技术支撑。