《Biosystems Engineering》：Teat-Track: A real time tracking method for piglet teat counting
编辑推荐：
乳头自动计数 多目标跟踪 轻量级检测 实时部署 育种优化
黄文杰|吴珍芳|尹玲|黄琼|张素敏|莫德琳|蔡庚元
中国广东省广州市，猪禽育种产业国家重点实验室，510640
摘要
母猪的乳腺特征显著影响产奶量和仔猪存活率，因此是育种选择中的关键指标。然而，由于腹部图像中的遮挡、染色和光照不均匀等因素，手动计数成年母猪的乳头通常效率低下且不可靠。由于仔猪的乳头模式从出生到成熟相对稳定，本研究提出了一种基于跟踪的实用方法，用于自动计数和评估仔猪的乳头形态。在仔猪护理平台上获取了腹部视频，并使用轻量级物体检测模型来定位和估计乳头数量。为了提高准确性，实施了一种称为“Teat-Track”的三阶段轨迹关联策略。该方法借鉴了ByteTrack的技术，解决了由于脐带遮挡和运动模糊导致的漏检问题。这种方法减少了检测波动并提高了计数稳定性。实验结果显示，计数准确率为92.2%，置信区间为[86.4%，98.0%]，平均每段视频的计数时间为1.83秒（范围从0.8秒到4.6秒）。平均每帧处理时间为11.4毫秒，证实了其适用于实时部署。此外，还从高置信度帧中提取了乳头间距的标准差和成对乳头的比例等形态特征。这些指标为初步表型评估提供了基础，为早期育种计划中的自动特征记录提供了实际支持。
引言
选择繁殖特征在猪育种中起着关键作用（Chen等人，2021年）。在这些特征中，乳头数量直接关系到母猪的泌乳能力（Zhou等人，2022年），并显著影响断奶仔猪的存活率（Ye等人，2018年；Zhou等人，2019年）。作为一种中等遗传特征，许多研究表明母猪的乳头数量与其后代之间存在正相关（Chen等人，2022年；Ocepek等人，2016年；Tan等人，2017年）。此外，母猪乳头上乳头的分布也会显著影响仔猪的断奶前体重和存活率（Zhang等人，2016年）。乳头形态，包括功能性乳头的总数、它们的双侧分布、配对比例以及相邻乳头之间的间距，对于评估泌乳潜力和优化育种策略至关重要（Balzani等人，2016年；Ocepek等人，2016年）。这些特征影响仔猪的哺乳效率和存活率，因此需要系统和准确的评估。
然而，传统的人工观察（图1（a）耗时且容易出错，同时也限制了对乳头分布模式的系统记录，阻碍了基于空间特征的进一步分析。现有的获取成年母猪腹部图像或视频的方法面临操作挑战。鉴于仔猪生长过程中乳头数量的稳定性，本研究采用早期乳头计数作为实用的育种参数。尽管如此，新生仔猪由于乳头发育不完全和形态不明显，带来了额外的挑战。
计算机视觉技术在农业中的应用迅速扩展，特别是在牲畜管理领域，准确的定量测量可以提高生产效率、优化育种成本并改善经济成果（Li等人，2024年；Lu等人，2024年；Pacheco等人，2024年；Saleem等人，2021年；Shen等人，2023年；Wang等人，2024年）。
基于计算机视觉的计数方法包括传统的图像处理技术和深度学习方法。传统的图像处理技术包括将图像分割成包含目标的块，并使用边缘检测来拟合轮廓（Liu等人，2019年；Lu等人，2018年）。虽然这些方法对大目标有效，但它们对光照和遮挡非常敏感，因此不太适合像仔猪乳头这样的小对象。
深度学习引入了更先进和适应性更强的自动计数解决方案。研究人员探索了端到端模型，利用直接回归（Farjon等人，2021年；Liu等人，2018年）、密度估计（Saleh等人，2024年；Zheng等人，2023年）和物体检测（Rothschild等人，2023年；Valente等人，2020年）。直接回归计算效率高且易于实现，但缺乏提供精确乳头位置信息的能力，限制了其通用性。密度估计在无需显式物体检测的密集场景中非常有效，但在低密度环境中（如仔猪乳头计数）可靠性较低。物体检测，特别是SSD和Mask R-CNN等模型，在复杂环境中具有强大的检测能力和实时性能。然而，在高度密集或重叠的场景中，由于遮挡和环境变化，它有时会出现漏计数的情况。
最近的研究探索了改进的YOLOv5模型，使用滑动计数窗口进行仔猪乳头计数（Li等人，2024年）。然而，这些方法使用固定的计数模式，缺乏对动态条件的适应性，且不评估视频帧的质量，难以保留用于形态分析的最佳图像。
为了解决这些限制，本研究结合了多目标跟踪和单帧物体检测，利用时间视频信息来完善和验证计数结果。这种方法在具有挑战性的视觉条件下提高了鲁棒性，并允许选择保留关键乳头位置特征的代表性帧。通过实现基本形态指标的自动提取，假设该方法将有助于提高仔猪乳头计数的效率，并为育种应用中更一致的表型数据收集提供初步支持。
数据收集
实验数据来自广东省清远文斯猪科技有限公司的育种场。研究对象是24小时大的兰德瑞斯和杜洛克仔猪。工作人员将仔猪放在架子上（图1（b）），并使用手机拍摄仔猪腹部的视频，确保稳定的拍摄距离和角度。共记录了564头仔猪，每头仔猪对应一个单独的视频。视频的分辨率为1080×1920像素，每帧
结果与分析
本节介绍了评估Teat-Track系统性能和有效性的关键评价内容。主要关注点包括系统的计数准确性、形态分析能力以及在各种条件下的整体可靠性。通过一系列实验来衡量系统检测和跟踪仔猪乳头的精度，以及其提供有意义形态学见解的能力
讨论
通过Teat-Track实现了对仔猪乳头的稳定跟踪，提高了计数可靠性，并能够提取用于形态分析的高质量帧。通过利用双重置信度检测的互补优势，三阶段策略有效缓解了由于瞬时遮挡、假阳性或突然移动引起的计数波动，确保在动态农场环境中的计数一致性。
然而，仍存在某些挑战。实验误差
结论
本研究介绍了一种高效且直接的方法，用于自动计数和评估仔猪乳头形态，利用了多目标跟踪技术。该方法设计用于新生儿护理期间，将仔猪放置在护理车上的指定摄像区域内，自动进行乳头计数和形态分析。结果以及相应的仔猪信息被存档，以便高效收集和管理乳头数据
作者贡献声明
黄文杰：撰写——原始草案、可视化、验证、软件、方法论、调查、数据管理。吴珍芳：资源、项目管理、方法论、调查。尹玲：撰写——审稿与编辑、验证、监督、资源、项目管理。黄琼：监督、项目管理、资金获取。张素敏：验证、方法论、正式分析。莫德琳：验证、监督。蔡庚元：资源、项目
数据声明
由于商业保密原因（广东省清远文斯猪科技有限公司），本研究生成和分析的数据集不对外公开，但可根据合理请求向相应作者获取。
生成式AI声明
在准备这项工作时，作者使用了生成式AI来润色语言并提高手稿的可读性。使用该工具后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本项工作得到了中国国家重点农业科学技术项目（NK20221101）、中国国家重点研发计划（2023YFD1300202）和中国国家自然科学基金（32172780）的支持。
