基于猪体语义分割的精准姿态识别方法：PR-SegFormer与YOLOv8-cls-MCM模型在智能养殖中的应用

针对生猪养殖中姿态识别存在的标注成本高、复杂环境下检测困难等问题，研究人员提出基于语义分割的猪体姿态识别方法。通过构建PR-SegFormer模型（融合PSA模块和RSASPP模块）实现81.93% mIoU的分割精度，结合改进的YOLOv8-cls-MCM分类模型（MobileNetV3+CA+Mish）使姿态识别准确率达93.16%，参数量减少40%。该研究为畜禽健康监测提供了高效技术方案。

　　

在智能化畜牧业快速发展的背景下，猪只行为监测技术成为提升养殖效率的关键。然而传统姿态识别方法面临三大痛点：依赖人工标注骨骼关键点导致成本高昂，复杂环境下目标检测精度不足，以及多猪粘连场景下的识别失效。这些瓶颈严重制约了自动化健康监测系统的落地应用。

针对这些挑战，重庆师范大学计算机与信息科学学院的研究团队在《Smart Agricultural Technology》发表创新成果。该研究首次提出"分割-识别"双阶段解决方案：通过语义分割精准提取猪体局部特征，再基于轻量化分类网络实现姿态判定。这种方法巧妙规避了传统方法对关键点标注的依赖，为养殖场实时监测提供了新范式。

研究团队运用三项核心技术：首先采用Labelme标注系统构建包含4617张图像的猪体部位分割数据集（含头、躯干、四肢等4类标签）；其次开发PR-SegFormer模型，集成极化自注意力（Polarized Self-Attention, PSA）增强细粒度特征提取，改进的RSASPP模块（Reduced SE Atrous Spatial Pyramid Pooling）提升多尺度上下文感知；最后优化YOLOv8-cls分类器，采用MobileNetV3主干网、坐标注意力（Coordinate Attention, CA）机制和Mish激活函数，在降低40%参数量的同时提升分类性能。

研究结果部分，在语义分割任务中：

• 模型架构验证：消融实验显示PSA和RSASPP模块分别带来1.23%和3.03%的mIoU提升，组合使用后达到81.93%的最优性能

• 横向对比：PR-SegFormer以81.93% mIoU超越Mask2Former（74.47%）、DeepLabV3+（71.38%）等主流模型，对猪头部的分割精度达87.51%

• 计算效率：在104.45G FLOPs的计算成本下实现587 FPS实时处理

在姿态识别任务中：

• 模型优化：引入MobileNetV3使参数量降至2.9M，CA机制将Top-1准确率提升至93.16%

• 性能对比：较基线YOLOv8-cls提升2.39个百分点，显著优于ResNet50（90.39%）等传统架构

• 实际应用：在粘连、遮挡等复杂场景下仍保持92.94%的召回率

讨论部分指出，该研究的核心突破在于将语义分割的像素级定位能力与分类网络的高效推断相结合。相比OpenPose等关键点检测方法，这种方案减少了对标注数据的依赖，更适合养殖场大规模部署。值得注意的是，模型对猪尾部分割精度（48.17% IoU）仍有提升空间，这主要由于尾部在图像中占比过小。未来研究将扩展数据集多样性，并探索群体猪只的交互行为识别。

这项工作的现实意义在于：首次实现从"像素到姿态"的端到端识别流程，为养殖场数字化管理提供可靠技术支撑。通过部署该技术，养殖者可实时获取猪只行为数据，早期发现疾病征兆，优化动物福利评估，最终推动畜牧业可持续发展。研究团队已将该系统应用于重庆荣昌国家生猪技术创新中心的实际养殖监测，验证了其在真实场景中的有效性。