基于机器视觉的母猪发情静立反射监测方法研究

《Agriculture》：Monitoring of Sows’ Standing Reflex During Estrus Based on Machine Vision

　　

摘要：监测母猪发情对于提高猪场生产管理效率至关重要。静立反射作为发情的明确标志和人工授精的最佳时机指标，一直缺乏高效可靠的监测方法。本研究开发了一种基于机器视觉的方法，用于自动检测栏位内多头母猪的静立反射。具体而言，研究人员提出了一种基于运动模式分析的检测策略：首先计算每头母猪的交并比（Intersection over Union, IoU）序列，随后利用卷积-双向长短期记忆-注意力（Convolutional–BiLSTM–Attention, CBA）网络对静立反射与非静立反射序列进行分类。此外，在采用改进型YOLOv8进行分割的同时，将躺卧目标排除在时序分类之外。共采集了1484张图像用于实例分割，并从视频中提取了445条IoU序列用于时序分类。实验结果表明，改进型YOLOv8在区分躺卧与站立姿态时的误分类率为3%，表明其能有效识别这两种状态。此外，分割的平均精度均值（mean Average Precision, mAP）达到98.2%，每张图像的检测延迟为7.8毫秒，证明了模型在提取目标轮廓方面的高效能力。CBA模型的准确率达到96.6±2.7%。所提出的方法能够实现对母猪静立反射的精确监测，有助于更精准地控制配种时间。

一、研究背景与问题

母猪发情的准确识别是实现精准人工授精、提高受胎率和产仔数的关键。传统依赖人工观察的方法在规模化养殖中面临效率低、漏检率高的问题。现有技术如传感器、声音分析和机器视觉虽取得一定进展，但仍存在局限：接触式传感器可能引起动物应激，声音分析易受环境噪声干扰，而基于外阴外观的视觉方法难以确定最佳输精时机。爬跨行为虽可作为发情指标，但在限位栏饲养模式下无法发生。静立反射是母猪发情期接受交配的直接行为信号，表现为长时间保持静止不动、身体僵直，且不受空间限制，因此是判断最佳授精时机的理想指标。然而，由于静立反射持续时间短且难以捕捉，目前尚缺乏高效可靠的自动化监测方法。

二、研究内容与结论

针对上述问题，研究人员提出了一种基于机器视觉的限位栏母猪静立反射自动检测方法。该方法通过分析母猪轮廓的时空变化模式，实现了对多头母猪静立反射行为的实时监测。实验结果表明，该方法的误分类率仅为3%，分割平均精度均值（mAP）达98.2%，时序分类准确率达96.6±2.7%，验证了其在复杂养殖环境下准确识别静立反射的有效性。这一研究成果为限位栏母猪发情监测提供了非接触、自动化的解决方案，有望提升配种管理的精准度与效率。

三、关键技术方法

研究人员采用了以下三项关键技术方法：

1. 1.
   改进型YOLOv8实例分割：研究人员在浙江省衢州市天物猪育种有限公司的妊娠舍内采集数据，使用海康威视DS-2CD3347WDV3-L摄像头（安装高度4.7米，分辨率2560×1440像素，帧率25 fps）覆盖约60个限位栏（每个宽0.6米、长2.3米）。共提取1484张图像用于分割任务，标注站立与躺卧两类姿态。研究人员采用层自适应幅度剪枝（Layer-Adaptive Magnitude-based Pruning, LAMP）方法对YOLOv8进行剪枝压缩，在保持分割精度的同时降低计算开销。
2. 2.
   锚点帧机制与交并比（IoU）序列计算：研究人员设计了后处理算法，通过贪心匹配将分割轮廓分配到对应栏位，并以锚点帧为基准每隔10帧计算同一母猪目标的掩膜IoU值，从而生成表征运动变化的时序信号。当IoU低于预设阈值（0.85）时更新锚点帧，躺卧母猪则跳过IoU计算。
3. 3.
   卷积-双向长短期记忆-注意力（CBA）时序分类网络：研究人员从35段包含静立反射的视频中提取145条阳性IoU序列和300条阴性序列（各含90个数据点），输入由三层1D卷积、双向长短期记忆网络（BiLSTM）和四头自注意力机制组成的CBA模型，实现静立反射与非静立反射的二分类。

四、研究结果

4.1 分割结果：改进后的YOLOv8在测试集上取得了98.2%的mAP、91.6%的Mask AP_50-95、95.0%的精确率和95.8%的召回率，参数量仅0.3 M，浮点运算量（FLOPs）为4.7 G，每张图像推理延迟7.8毫秒。两种姿态的召回率均为97%，相互误分类率仅为3%。与YOLACT++、Mask R-CNN和SOLOv2相比，剪枝后的YOLOv8在更高精度的同时实现了显著的轻量化优势。

4.2 分类结果：经10折交叉验证，CBA模型准确率达96.6%，宏平均F1分数为95.9%，曲线下面积（AUC）为99.5%，参数量仅0.233 M。具体性能为召回率0.9548±0.0476、精确率0.9681±0.0377、特异性0.9548±0.0476、假阳性率0.0452±0.0476。消融实验表明，CNN、BiLSTM和注意力机制的协同组合有效提升了各项指标并降低了标准差。与直接处理原始视频帧的三维动作识别网络（SlowFast、C3D、TSN）相比，将静态行为抽象为IoU序列的方法在小样本条件下表现更优且计算效率更高。

五、讨论与结论

讨论部分要点：

• •
  剪枝率选择：实验表明当剪枝率不超过0.5时mAP保持稳定，超过后快速下降，因此选择0.5剪枝率以平衡精度与速度。
• •
  锚点帧机制：与连续帧计算相比，锚点帧机制将CBA测试准确率提升了3.6%，因其能放大非静立反射状态下的运动特征。
• •
  遮挡影响：边缘目标易被相邻个体遮挡导致IoU计算偏差，可通过提高摄像头安装高度、优化视角或使用广角镜头缓解。
• •
  光流法对比：光流法易受相邻栏位猪只或人员活动的干扰，且每帧对计算耗时360.4毫秒，难以满足实时性需求。
• •
  不同发情检测方法适用性：手动观察和背压测试劳动强度大；接触式传感器可能造成动物应激；声音分析受环境噪声限制；外阴外观法难以确定最佳授精时机；爬跨行为不适用于限位栏。静立反射作为直接的行为信号，结合IoU时序方案，适合固定摄像头和限位栏场景。
• •
  局限性：数据集规模较小，属于概念验证性质；排除了明显遮挡的视频片段；未测量受胎率等繁殖性能指标，需前瞻性验证。

研究结论翻译：

本研究聚焦于限位栏内的多头母猪目标，探索了静立反射的行为模式，并提出了一种基于轮廓变化时序测量的创新检测策略。通过剪枝YOLOv8，研究人员在保持分割精度的同时提高了检测速度。经过后处理，计算了不同母猪栏位中目标的IoU，实现了站立与非站立行为的时序分类。所提出的方法为监测母猪静立反射提供了一种高效可靠的自动化途径，可支持限位栏养殖场的及时发情检测和授精调度。