基于EOD-EMDA的斜视角猪群个体识别与追踪方法：提升在线生猪交易精准度的创新解决方案

为解决生猪在线交易中个体识别与追踪的难题，南京航空航天大学团队开发了基于EOD检测器和EMDA追踪算法的斜视角猪群识别系统。研究通过集成CSAM和SPPELAN-DSC模块提升检测性能，结合动态ID分配(DA)和增强匹配(EM)策略优化追踪稳定性。实验显示EOD的mAP@50较YOLOv8n提升2.3%，EMDA在IDF1和MOTA等指标上超越主流算法，为智慧农业提供非侵入式实时监测方案。

　　

在生猪养殖业这个关乎国计民生的重要领域，一个长期困扰行业的难题始终未能得到有效解决——如何实现群养猪只的精准个体识别与追踪。传统的人工现场选猪方式不仅效率低下，更存在人畜交叉感染的风险。随着在线交易模式的兴起，批量采购无法满足消费者个性化选猪需求的问题日益凸显。更棘手的是，猪群密集活动时产生的遮挡、不规则运动轨迹以及斜视角监控带来的形变，使得现有计算机视觉技术难以稳定追踪个体身份。

针对这一系列挑战，南京航空航天大学的研究团队在《Smart Agricultural Technology》发表了一项突破性研究。该团队创新性地将改进的目标检测网络EOD(Enhanced Object Detection Network)与增强型追踪算法EMDA(Enhanced Matching Strategy and Dynamic ID Allocation Algorithm)相结合，开发出一套适用于斜视角监控场景的猪群智能追踪系统。研究结果表明，该系统不仅能实现97%以上的检测准确率，更能将个体猪只的身份切换次数控制在接近零的水平，为在线生猪交易提供了可靠的技术保障。

研究团队采用了三项核心技术方法：首先在YOLOv8n架构中嵌入通道-空间注意力模块(CSAM)和轻量化金字塔池化模块(SPPELAN-DSC)来增强特征提取能力；其次采用跨层上下文聚合模块(CACC)替代原网络颈部结构以提升遮挡场景表现；最后通过动态ID池管理(DA)和二次IOU匹配(EM)策略优化追踪稳定性。实验数据来自15个标准化猪舍的斜45度监控视频，共标注36,200个猪只样本。

【目标检测器优化】

通过对比YOLOv5n、YOLOv8n和EOD的mAP曲线发现，集成三大模块的EOD模型在训练初期就展现出显著优势，仅用5个epoch便达到0.9的mAP值。最终测试显示，EOD的mAP@50达到99.4%，较基准模型提升4.2个百分点，在密集遮挡的Pigpen27场景中保持98.1%的召回率。

【追踪算法创新】

EMDA算法在三个测试猪舍中均展现出压倒性优势：在Pigpen05的遮挡测试中，仅产生2次ID切换，而DeepSORT和ByteTrack分别出现5次和10次；最具挑战性的Pigpen27场景中更实现零ID切换。其独创的"丢失轨迹缓冲区"机制使ID数量始终与实际猪只数量保持一致，避免了传统算法中ID无序增长的问题。

【实际应用验证】

现场测试证实，该系统能在30fps视频流中稳定运行，FPS保持在78以上。斜45度视角下，即使面对80%重叠度的极端情况，EMDA仍能通过二次匹配恢复90%的短暂丢失目标，较传统单次匹配策略提升35%的追踪连续性。

这项研究的意义不仅在于技术指标的突破，更开创了农业电商场景下活体商品可视化追溯的新模式。通过将先进的计算机视觉技术适配到具体农业场景，研究团队成功解决了斜视角监控、密集遮挡、形态变异等实际难题。未来该技术可扩展至畜禽行为分析、疫病预警等领域，为智慧养殖提供可复用的技术框架。值得注意的是，研究也坦诚当前系统对完全重叠目标的识别局限，这为后续研究指明了改进方向——或许结合RFID或三维重建技术能带来新的突破。