《Animals》：A Fine-Grained Pig Behavior Recognition Method Based on an Improved YOLOv8n Network
编辑推荐：
准确识别猪只行为对动物健康监测与精准畜牧养殖具有重要意义。然而，群养环境下细粒度行为识别面临个体遮挡、姿态变化大以及相似行为间视觉差异微小等挑战。本研究开发了一种基于改进YOLOv8n的模型EPP-YOLOv8n，用于细粒度猪只行为识别。在空间金字塔池化快速模
准确识别猪只行为对动物健康监测与精准畜牧养殖具有重要意义。然而，群养环境下细粒度行为识别面临个体遮挡、姿态变化大以及相似行为间视觉差异微小等挑战。本研究开发了一种基于改进YOLOv8n的模型EPP-YOLOv8n，用于细粒度猪只行为识别。在空间金字塔池化快速模块（SPPF）之后插入高效多尺度注意力模块（EMA）以增强行为相关特征提取。设计了行为因子化非对称检测头（BFA-Head），采用尺度自适应混合卷积以降低检测头复杂度，同时引入姿态与交互辅助监督以引导细粒度特征学习。在Backbone P5 C2f模块内部署部分通道混合卷积模块（P5-selective PLC-Mix）以减少冗余计算，随后进行任务感知结构化剪枝与恢复训练以进一步压缩模型。在训练集增强后包含2713幅图像和30695个标注实例的数据集上，EPP-YOLOv8n在交并比（IoU）阈值0.50至0.95范围内的平均精度均值（mAP@0.5:0.95）达到89.07%，精确率（P）为98.13%，召回率（R）为94.50%，分别较YOLOv8n提升2.05、1.52和1.64个百分点。参数量和十亿浮点运算次数（GFLOPs）分别降低14.59%和9.70%。结果表明，所提模型能够在降低模型复杂度的同时提升细粒度行为识别性能，为群养猪只自动化行为监测提供支持。
**研究背景与问题**
随着规模化与集约化养猪的发展，人工巡查和记录猪只行为耗时费力，且受观察频率、操作人员经验和主观判断影响。猪只姿态、采食、饮水和活动与健康状况及福利密切相关，因此利用机器视觉进行连续、非接触式行为监测已成为精准畜牧养殖的重要研究方向。早期猪只行为识别主要依赖背景减除、轮廓提取和手工视觉特征。随着深度学习发展，卷积神经网络成为猪只检测与行为识别的重要工具。Chen等系统综述了基于深度学习的猪只姿态检测方法；Riekert等利用二维图像检测猪只位置与姿态并探究深度学习用于长期连续监测的适用性；Alameer等开发了猪只姿态与饮水行为自动识别方法；Zhuang等开发了生长猪采食与饮水行为监测机器视觉系统；Ji等提出群养猪只位置检测与姿态识别方法；Luo等结合猪头位置与猪只—采食功能区空间关系自动识别并量化采食行为。这些研究推进了猪只行为监测自动化，但多聚焦于姿态或特定功能行为，由姿态与交互状态共同形成的细粒度复合行为仍较少探索。与一般姿态检测相比，细粒度复合行为识别具有更大的类间相似性和类内变异。例如standing_drinking、standing_eating和standing_idle共享相似的站立姿态，行为差异主要体现在头部位置及与饮水设备、料槽的局部交互上；而sitting_drinking、standing_drinking和lying_drinking共享饮水属性但整体姿态不同。Wei等系统综述了基于深度学习的细粒度视觉分析，指出类间差异小和类内变异大是细粒度识别的主要挑战。Hu等结合姿态估计与关键点特征判别区分采食行为与非营养性访问行为；Lagua等比较了猪只姿态行为、营养行为及其联合任务的检测性能，发现联合行为识别更具挑战性，需同时关注整体姿态与局部头—资源交互。此外，群养猪舍实际部署不仅要求高识别精度，还需可接受的模型复杂度与推理效率。Wang等在YOLO11n中引入协同注意力、加权特征融合和小波卷积并结合迁移学习提升复杂环境下猪只行为检测的准确性与效率；Chen等提出DWEC-YOLO改进特征提取与融合以检测群养猪只常见与攻击行为。这些研究表明网络架构优化可改善复杂猪舍环境下的行为识别，但实际适用性还与数据集代表性和评估协议密切相关。Bhujel等系统调查了精准畜牧养殖中的公开计算机视觉数据集，指出元数据不足和场景覆盖有限等局限；Li等开发了覆盖不同生产阶段的PigLife数据集并对多种目标检测与实例分割算法进行基准测试。因此，在复杂群养环境下进行细粒度复合行为识别，如何在保留整体姿态与局部交互判别信息的同时减少冗余计算仍具有研究价值。Gu和Chen在相关目标检测场景中证明训练阶段辅助引导可在不引入额外推理开销的情况下提升检测鲁棒性，因为辅助组件在训练后被移除。为此，本研究基于YOLOv8n开发了轻量级模型EPP-YOLOv8n用于群养猪只细粒度行为识别。
**主要关键技术方法**
研究人员从中国湖南省某大型猪场采集数据，覆盖多个猪栏的群养场景，原始视频采集于2023年11月—12月和2024年7月—9月两个时段，共21段源视频来自20个不同猪栏。数据集按源猪栏划分以避免信息泄漏，11段视频入训练集、5段入验证集、5段入测试集，三个子集的猪栏互不重叠。仅对训练集进行离线数据增强，增强后数据集包含2713幅图像和30695个标注实例。研究定义了12个检测类别，包括10个细粒度行为类和feeder、drinker两个功能设施类，行为类由姿态与交互状态组合而成。关键技术方法包括：在Backbone的SPPF模块后插入EMA模块增强高层语义特征；设计BFA-Head，在P3、P4、P5分类分支中以SA-MixConv替换第二个特征提取模块并引入姿态与交互辅助监督；在Backbone P5 C2f模块的Bottleneck.cv2中部署P5-selective PLC-Mix；基于网络区域敏感性分析进行任务感知结构化通道剪枝并辅以120轮恢复训练。训练在NVIDIA GeForce RTX 3060 Laptop GPU上进行，输入尺寸640×640，批大小16，采用AdamW优化器，标准模型训练120轮。
**研究结果**
**架构改进消融实验**：通过八种配置（E0–E7）的全因子消融实验得出，单独引入EMA（E1）将mAP@0.5:0.95从87.43%提升至88.48%且模型复杂度变化可忽略；单独引入BFA-Head（E2）使参数量和GFLOPs分别降低3.08%和6.57%，精确率提升0.89个百分点但mAP@0.5:0.95下降0.47个百分点；三模块完整配置（E7）在八种配置中取得最高召回率（96.74%）和mAP@0.5（98.66%），mAP@0.5:0.95为88.11%，较基线召回率和mAP@0.5:0.95分别提升3.76和0.68个百分点，参数量和GFLOPs分别降低6.16%和7.22%，表明各模块贡献不同，其组合涉及权衡而非全面改善。
**与其他目标检测模型比较**：通过与SSD300-VGG16、Faster R-CNN-R50-FPN、YOLOv5n、YOLOv7-tiny、YOLOX-Nano、RT-DETR-R18及YOLOv8n对比得出，未剪枝E7模型的召回率、mAP@0.5和mAP@0.5:0.95高于所有对比模型，参数量2.828 M、GFLOPs 7.613，较YOLOv8n分别降低约6.16%和7.22%，表明所提架构改进在结构化剪枝前实现了检测性能与计算复杂度的良好平衡。
**结构化剪枝与训练预算匹配评估**：通过不同候选区域在相同压缩率下的敏感性分析得出，Backbone P3压缩12.5%隐藏通道后mAP@0.5:0.95从86.59%骤降至40.66%，而Neck P5 Bottom-up仅下降2.35个百分点，故选择后者进行剪枝强度搜索。对不同隐藏宽度评估后选取88、80、72三种结构进行120轮恢复训练，h80取得最高mAP@0.5:0.95（88.64%）和召回率（95.35%），最终确定隐藏宽度为80（局部压缩比37.5%）。通过训练预算匹配对照实验得出，E7-Pruned较E7-Extended参数量降低8.98%、GFLOPs降低2.67%，mAP@0.5:0.95仅下降0.22个百分点，表明额外训练贡献了精度提升，而结构化剪枝主要降低模型复杂度且检测精度损失较小。
**最终测试性能与分类别结果**：在包含137幅图像和1544个标注实例的测试集上评估得出，EPP-YOLOv8n的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别为98.13%、94.50%、98.28%和89.07%，较YOLOv8n分别提升2.05、1.52、0.78和1.64个百分点；参数量从3.013 M降至2.574 M，GFLOPs从8.206降至7.410，分别降低14.59%和9.70%。分类别结果显示sitting_eating和lying_eating的精确率与召回率均达100.00%，feeder和drinker精确率分别为99.24%和99.08%；而lying_drinking召回率和AP@0.5:0.95分别为85.19%和82.17%，standing_idle和sitting_idle的AP@0.5:0.95分别为83.52%和88.33%，表明部分空闲行为和lying_drinking仍具挑战性。sitting_drinking和lying_eating测试实例仅15和20个，其召回率95% Wilson置信区间分别为70.18–98.81%和83.89–100.00%。
**混淆矩阵与错误类型分析**：基于置信度阈值0.774和IoU阈值0.50构建混淆矩阵得出，1544个真实实例中1483个成功匹配预测，包括1461个正确类别预测和22个类别混淆，另有61个真实目标未匹配，仅记录3个未匹配假阳性预测。主要类别混淆为side_lying→lying_idle（4例）、sitting_idle→standing_idle（3例）、lying_idle→side_lying（3例）和standing_drinking→standing_idle（2例）；lying_drinking、standing_idle、sitting_drinking和sitting_idle的未匹配率分别为11.11%、7.41%、6.67%和5.41%，表明姿态相似或交互状态差异微弱的细粒度行为识别仍较困难。
**代表性场景检测结果可视化比较**：通过YOLOv8n与EPP-YOLOv8n在多种姿态与局部交互场景、拥挤遮挡场景及视觉相似行为场景下的定性比较得出，在一头猪卧于料槽附近但未采食的场景中，基线YOLOv8n产生额外的lying_eating低置信度预测（0.27），而EPP-YOLOv8n预测为lying_idle（0.85），与该示例观察到的行为一致，表明改进模型可减少与采食设备空间邻近相关的行为混淆。
**实例级Grad-CAM可解释性分析**：通过选取standing_drinking、sitting_eating和lying_idle三种代表性行为生成实例级Grad-CAM可视化并与基线比较得出，standing_drinking中基线模型响应分散于周围猪只和采食设备，而EPP-YOLOv8n在目标区域内响应比例更高；sitting_eating中改进模型在目标猪头部和身体周围显示更明显响应；lying_idle中两模型响应模式不同，EPP-YOLOv8n在部分区域显示更局部化响应同时保留与邻近猪只相关的激活。
**讨论与结论**
讨论部分指出，本研究利用EMA、BFA-Head、P5-selective PLC-Mix和结构化剪枝改进YOLOv8n，在增强细粒度行为特征表示的同时降低模型复杂度，在当前测试集上实现了检测性能与模型复杂度的良好平衡。消融结果表明，在配备EMA的配置中加入BFA-Head使参数量和GFLOPs分别降低3.09%和6.55%，精确率提升0.72个百分点，而召回率和mAP@0.5:0.95分别下降2.77和0.62个百分点，证明了BFA-Head的轻量化效果及相关的检测性能权衡。分类别结果显示lying_drinking和部分空闲行为仍较难识别，混淆矩阵揭示了side_lying与lying_idle、sitting_idle与standing_idle之间的混淆，这些行为整体姿态相似，差异主要体现在局部身体外观或与功能设施的交互上，遮挡和局部视觉信息不足可能进一步增加识别难度。Grad-CAM可视化揭示了两种模型特征响应分布的差异，改进模型在所选standing_drinking和sitting_eating示例中呈现更局部化的目标区域响应。
结论部分翻译如下：为解决群养猪舍中个体遮挡、细粒度行为间视觉差异有限以及控制模型计算复杂度的需求，本研究提出了基于改进YOLOv8n的细粒度猪只行为识别方法EPP-YOLOv8n。首先，在Backbone的SPPF模块后插入高效多尺度注意力模块（EMA）以增强高层语义特征表示。其次，设计了BFA-Head，在分类分支中采用SA-MixConv并引入姿态与交互辅助监督以强化细粒度复合行为判别信息的学习。第三，在Backbone P5 C2f模块中引入P5-selective PLC-Mix以减少冗余计算同时保留高层语义特征表示。最后，基于网络区域敏感性分析进行结构化通道剪枝，将Neck P5 Bottom-up中C2f模块的隐藏通道从128降至80，随后进行120轮恢复训练获得最终模型。在包含2713幅图像和30695个标注实例的数据集上进行实验，EPP-YOLOv8n在测试集上的精确率、召回率、mAP@0.5和mAP@0.5:0.95分别为98.13%、94.50%、98.28%和89.07%，较原始YOLOv8n分别提升2.05、1.52、0.78和1.64个百分点；参数量从3.013 M降至2.574 M，GFLOPs从8.206降至7.410，分别降低14.59%和9.70%。消融和剪枝敏感性分析进一步表明改进模块对检测性能和模型复杂度影响不同，最终模型在当前测试集上实现了二者的良好平衡。本研究存在若干局限：首先，数据主要采集自单一猪场，模型对其他猪场和饲养条件的泛化性尚未充分验证；其次，部分行为类别测试实例较少，可能影响其性能估计的可靠性。未来工作将扩展多猪场数据采集并在不同饲养和光照条件下用独立采集的数据评估模型，还将探索基于连续视频的行为分析和时序特征建模以改善视觉相似行为的区分，并研究边缘设备部署，重点关注实际养殖环境中的推理速度、资源消耗和运行稳定性。
