一种基于智能视觉的方法，通过分析猪的姿态特征来实现实时疾病识别

《Engineering Applications of Artificial Intelligence》：An intelligent vision-based method for real-time pig disease identification through postural feature analysis

非接触式猪病监测模型优化研究，基于YOLOv10改进提出轻量化主干网络、时空通道重构卷积及大规模关键点注意力机制，实现97.66%检测精度，较基线提升3.9个百分点，尤其在非洲猪瘟检测中达98.9%，参数减少1.8百万，计算量降低1.5G FLOPs，适用于智能养殖系统。

　　

叶鑫|曹月|冯红|郭琪琪|王轩|刘振宇

山西农业大学农业工程学院，中国山西省太谷市，030801

摘要

猪群的健康状况对生产效率和经济可行性至关重要。通过整合能够指示疾病的姿态特征，一个能够适应复杂姿态变化的模型可以促进非接触式、低成本、实时的猪疾病监测。在基于YOLOv10深度学习模型的基础上，本研究提出了一个改进模型，该模型包含三个核心创新：轻量级主干网络、空间和通道重建卷积以及大规模关键点注意力机制。轻量级主干网络增强了微妙姿态特征的提取能力，注意力机制加强了了对关键疾病姿态的关注，而优化的特征融合结构提高了特征表示能力和对复杂姿态变化的鲁棒性。与基线模型相比，所提出的方法性能显著提升，平均精确度达到了97.66%，比基线模型提高了3.9个百分点。特别是非洲猪瘟的检测精确度从94.7%提高到了98.9%，调和平均得分达到了91.98%，提高了3.72个百分点。尽管在准确性方面取得了显著进步，但所提出的方法将参数数量减少了180万，计算复杂度降低了15亿次浮点运算，保持了高计算效率的同时没有牺牲检测性能。研究结果证明了所提出方法在实时猪疾病检测方面的实际应用潜力，并为未来在智能畜牧系统中的部署提供了可靠的技术基础。

引言

早期和准确的疾病检测在全球养猪业中至关重要，以最小化经济损失并减轻病原体的传播（Cowton等人，2018年）。传统方法，如人工监测和临床症状观察，已越来越无法有效和及时地管理疾病爆发。这些疾病不仅直接影响农场生产力，还可能引发大规模爆发，从而破坏整个猪肉生产供应链（Wu等人，2020年）。影响猪的最常见和最严重的疾病包括非洲猪瘟（ASF）、猪圆环病毒（SIV）、猪繁殖与呼吸综合征（PRRS）和猪细小病毒（PRV）（Pittman Ratterree等人，2024年）。这些疾病通常表现出明显的临床症状，导致猪的行为或姿态发生显著变化（Dundon等人，2024年）。例如，患有ASF的猪可能会出现持续躺卧、不愿站立、肢体无力、弓背等迹象，偶尔还会出现运动协调障碍（Salguero，2020年）。SIV感染的猪倾向于以俯卧姿势休息，活动减少，张口呼吸，头部频繁移动（Simon-Grifé等人，2012年）。PRRS是一种高度传染性疾病，受感染的猪可能会静止站立或采取蜷缩姿势以缓解呼吸困难（Albina，1997年；Gómez-Laguna等人，2013年）。PRV以其神经影响而闻名，表现为僵硬、步态不稳、运动协调障碍，在严重情况下还会出现抽搐和瘫痪，猪常常躺卧并表现出明显的震颤或痉挛（Tan等人，2022年）。

传统的疾病检测方法主要依赖于人工诊断和临床症状观察（Alarcon等人，2014年）。然而，这些人工方法通常耗时且劳动密集，高度依赖于操作条件和诊断人员的专业知识。血清学和病原体检测方法也涉及复杂的程序，需要人与动物之间的密切互动来收集血清和病原体样本，使得这些方法成本高昂且耗时（Brand等人，2024年；Zhu等人，2024年）。在大规模养殖场中，由于猪群数量庞大，个体疾病的早期迹象常常被忽视，导致疾病在后期才被发现，错过了及时干预的机会。因此，开发快速、准确且非侵入性的疾病监测技术已成为当前研究的重点。例如，Pacheco等人（2024年）引入了一种基于深度学习的母猪姿态分类器，该分类器利用颜色和深度图像来提高姿态识别精度。通过整合多模态数据，这种方法改进了畜牧管理中的自动化监测系统，实时姿态分析有助于早期发现健康或行为问题。de Paula等人（2024年）使用卷积神经网络进行母猪姿态检测，分析运动行为以有效识别运动异常，特别有助于早期发现跛行或其他移动问题。同样，Yue等人（2024年）开发了一种用于疾病监测和预防的早期预警工具，专门针对美国种猪的疾病爆发进行预防。该工具结合了多种数据源和预测模型，以提前识别潜在的疾病爆发。Matthews等人（2016年）通过使用计算机视觉和基于传感器的系统，监测了猪的活动、进食模式和社会互动，发现行为异常（如活动水平下降或食物摄入减少）可以作为疾病的早期指标。此外，Ahmed等人（2016年）利用ZigBee无线加速度传感器通过接收信号强度指示（RSSI）监测断奶仔猪的活动情况，通过RSSI信号的变化识别出感染仔猪的活动水平显著下降。这种传感器系统为早期疾病识别提供了有效工具，支持及时干预以降低疾病传播风险。Zetian等人（2005年）开发了一个名为Pig-Vet的在线工具，帮助农民和兽医识别和诊断常见的猪疾病。该系统允许用户输入观察到的症状，系统会快速提供潜在的疾病诊断及其相应的治疗建议。通过简化疾病管理流程，Pig-Vet为没有专业兽医知识的农场人员提供了实用的解决方案，支持更高效的养猪健康管理。

在现代畜牧业中，猪的健康状况直接影响生产效率和经济盈利能力。基于图像的动物健康监测方法受到了越来越多的关注（Nie等人，2023年）。然而，许多现有方法针对特定场景和特定疾病进行了优化，导致在多样化的养殖环境和不同类型的疾病中的泛化能力较差。这一限制使得这些模型难以适应现实世界农场复杂多变的条件。因此，开发一种高效、准确且具有泛化能力的疾病识别技术至关重要。本研究提出了一种基于YOLOv10-StarScLS模型的创新疾病识别方法，旨在通过深入分析猪的姿态特征来提高疾病检测的准确性和实时性能。具体而言，我们的贡献包括：通过整合StarNet主干网络，增强了模型捕捉微妙姿态变化的能力，从而提高了早期疾病症状的识别率。此外，通过整合LSKA注意力机制并融合C2f和ScConv模块，优化了特征选择过程，使模型能够在复杂环境中有效区分关键姿态特征和背景噪声。这些创新不仅解决了现有文献中关于猪疾病识别的重要空白，还为智能农业系统的发展提供了理论基础和技术支持。我们期望本研究的结果能为畜牧业的数字化转型提供实用的技术路径，最终促进其可持续发展。

数据收集

猪姿态数据的收集

本研究的数据收集时间为2024年6月20日至2024年8月20日，在中国山西省忻州市皮关村区的福国生态养殖合作社进行（北纬39.4428°，东经111.5006°）。该合作社主要饲养当地常见的猪品种，包括长白猪、大白猪及其杂交品种。由于养猪场的严格生物安全和常规管理要求，数据收集受到诸多实际限制

相同类型对象检测模型的比较

在本实验中，分别训练和评估了五种基于分类的对象检测算法——YOLOv10、YOLOv8、YOLOv9、RT-DETR和SSD。为了公平比较，所有对比模型使用了相同的数据集划分、实验环境和主要训练设置，包括训练周期数、批量大小、优化器和评估协议。采用这种统一的实验设计以确保模型之间的一致性和可比性。

测试方法和数据获取

随着计算机视觉技术在农业中的日益集成，评估模型在实际养殖条件下的鲁棒性和有效性已成为一个重要的研究课题。为了进一步评估所提出方法的实际应用性，在中国山西省忻州市的一个养猪场进行了额外的现场验证。验证场景与原始数据收集的条件不同，包括

结论

本研究利用中国山西省忻州市皮关村区福国生态养殖合作社的猪数据，应用了一种感知哈希算法进行数据过滤，并对基线算法进行了比较分析，得出以下结论：

(1)

YOLOv10模型的性能：基于YOLOv10的猪疾病识别模型在测试集上的准确率为93.76%，参数数量为864万，计算负载为6.5G。其相对较低的

CRediT作者贡献声明

叶鑫：撰写——原始草稿、软件、方法论、数据整理。曹月：验证、软件、方法论、数据整理。冯红：概念构思。郭琪琪：概念构思。王轩：形式分析。刘振宇：资源支持。

数据可用性声明

研究数据是保密的，作者没有权限分享数据。

资助

本工作得到了山西省归国留学人员研究基金[资助编号：2023-092]和山西省重点研发项目[资助编号：202302010101002]的支持。

利益冲突声明

本文作者声明与本研究工作没有利益冲突。这包括财务利益、咨询、专利以及任何其他相关的利益冲突。

作者确认本手稿尚未在其他地方提交或发表。所有作者均已阅读并批准最终手稿，并同意将其提交给《工程应用人工智能》期刊。