一种基于改进的YOLOv8n的猪行为识别方法 郭建军（Jianjun Guo） 徐玉典（Yudian Xu） 林丽君（Lijun Lin） 张蓓蓓（Beibei Zhang） 周飘（Piao Zhou） 罗尚文（Shangwen Luo） 卓宇涵（Yuhan Zhuo） 季静宇（Jingyu Ji） 罗志杰（Zhijie Luo） 程光明（Guangming Cheng）

《Computers》：An Enhanced YOLOv8n-Based Approach for Pig Behavior Recognition Jianjun Guo, Yudian Xu, Lijun Lin, Beibei Zhang, Piao Zhou, Shangwen Luo, Yuhan Zhuo, Jingyu Ji, Zhijie Luo and Guangming Cheng

　　摘要 猪的行为统计数据可以反映它们的健康状况。传统方法依赖于人工观察从视频记录中提取行为信息，这一过程需要大量的时间和人力。为了克服室内集约化养殖环境中的这些限制，本研究介绍了一种有效的识别猪行为的方法，该方法采用了改进的YOLOv8n架构。该方法利用先进的物体检测算法自动识别猪的行为，包括站立、躺下、进食、打斗和咬尾巴等，这些行为都是通过饲养场的 overhead 视频片段来检测的。首先，使用摄像头收集每日猪的行为图像以构建猪行为数据集。为了提高检测准确性，在YOLOv8n网络的特征提取主干中嵌入了SE注意力机制，以增强其表示能力，从而加强模型捕捉整体上下文信息的能力并提高提取特征的表现力。在训练过程中使用了GIoU损失函数来降低计算成本并加速模型收敛。此外，将Ghost卷积集成到主干网络中显著降低了计算复杂性和参数总数。实验结果表明，优化后的YOLOv8n模型仅包含171万个参数，相比基线模型减少了42.93%。其浮点运算次数为50亿次，减少了38.27%，而平均精度（mAP@50）达到了96.8%，比原始模型高出2.6个百分点。与其他广泛使用的基于YOLO的物体检测框架相比，所提出的方法在保持更高准确性的同时，所需的计算资源和模型复杂性显著降低。

1. 引言
在现代智能农业中，动物行为识别技术在提高农业效率和确保动物福利方面发挥着关键作用[1]。传统的动物行为监测主要依赖于畜牧人员的经验，他们通过观察动物的日常活动来确定潜在的疾病迹象。这种方法由于时间和劳动力的需求较高而效率低下，并且无法支持连续的实时监控。此外，在高密度养殖环境中，人类与动物之间的频繁接触增加了疾病传播的风险，对动物健康构成潜在威胁。一些农场采用了射频识别（RFID）技术，为猪配备智能耳标。这些耳标在喂食区域与RFID信号交互以检测喂食行为[2]。然而，这种侵入性方法不仅可能增加养殖成本，还可能给动物带来额外的压力。同时，一些研究已经识别出奶牛的行走、进食、休息和直立姿势等行为[3]。其他研究使用速度传感器收集了牛和羊的行为加速度数据，并利用机器学习算法[4,5]对五种不同行为进行分类：坐着、站立、行走、吃草和反刍。尽管如此，这些方法也有其局限性。相比之下，基于计算机视觉技术的非接触式行为识别为上述问题提供了有效的解决方案，并为智能畜牧业的发展提供了有力支持[6]。
根据相关研究，动物行为的变化与其健康状况密切相关[7,8]。当动物生病时，它们通常会表现出食物摄入量减少和活动水平降低[9]，并且可能会长时间躺下[10]。此外，当疾病影响到内部腹部器官时，许多动物会采取狗坐姿势来缓解腹腔压力。攀爬行为可能会增加皮肤擦伤的风险，并增加后肢的压力，可能导致跛行。动物的发情迹象通常可以通过个体之间的交配和跨栏行为来识别[11]。因此，通过监测动物行为，可以及早发现潜在的健康问题，从而有效改善整体动物福利。
随着技术的进步，国内外研究人员采用了各种方法来监测动物行为。Kashiha等人[12]在猪圈上方安装了CCD摄像头和水表来监测猪的饮水行为。通过图像轮廓分析，他们精确量化了猪头部和耳朵与饮水器之间的距离，以及猪在饮水器前停留的时间，从而准确识别饮水行为。Yang等人[13]使用Faster R-CNN定位猪圈内的每头猪，并将猪的头部与其身体关联起来。然后他们分析了喂食区域的像素占用情况，实现了99.6%的喂食行为识别准确率。Nasirahmadi等人[14]使用RGB摄像头通过背景减法提取猪的图像，并应用支持向量机（SVM）分类器来区分侧卧和胸卧姿势，分别实现了94.4%和94%的识别准确率。随后，Nasirahmadi等人[15]使用椭圆拟合方法跟踪猪，并通过识别主轴和次轴的交点来确定头部、尾巴和侧面的位置。通过计算头部与其他特征（如尾巴位置和椭圆轴长度）之间的欧几里得距离，成功识别了猪的交配行为。Wang等人[16]引入了一个高效的牛行为识别框架，该框架采用了YOLOv5s模型，并加入了注意力模块、反向残差块和受EfficientNetV2启发的深度可分离卷积。将这些元素整合到主干网络和特征增强阶段后，实现了87.7%的mAP。Shang等人[17]将改进的SE注意力机制与卷积块注意力模块（CBAM）结合，优化了MobileNetV3模型，并将其与轨迹识别算法集成，分析了牛的轨迹和行为，实现了95.17%的最大准确率。Guo等人[18]引入了一个改进版的YOLOv4框架，专门用于识别和分析肉鸽的行为模式。使用自适应空间特征融合（ASFF）模块，该模型在复杂环境中的检测准确性显著提高，mAP@50和mAP@75分别比原始YOLOv4提高了14.73%和14.97%。Ge等人[19]通过提出一种性能感知的全局通道剪枝算法，解决了猪姿势识别准确率低、模型复杂度高和检测速度慢的问题，优化了轻量级YOLOv5s模型。通过识别和消除冗余或贡献较低的连接并进行调整补偿，实现了更高效的模型。Guo等人[20]提出了一种资源高效的猪面部识别架构，称为RKNet-HAM，该架构结合了四阶龙格-库塔积分方法和混合注意力机制（HAM）来增强特征表示。通过关注低分辨率猪面部图像中的语义信息，该模型实现了99.26%的准确率和强大的泛化能力，模型大小仅为1.52 MB，适合在嵌入式设备上部署。基于此模型，Guo等人[21]开发了一个数字无人养猪系统，有效解决了传统养猪场生产效率低、手动清理粪便、设备笨重、功耗高和感知数据准确率低的问题，从而提高了养殖效率，降低了劳动力成本，并增加了经济效益。Chen等人[22]提出了一种结合视觉和传感器技术的多模态方法，针对不同场景使用不同的处理策略。使用这种多模态方法，猪行为识别的平均准确率达到了88.82%，显著优于单模态方法，大大提高了复杂环境中行为识别的准确性和可靠性。
最近，YOLO系列经历了快速的发展，不断推动实时物体检测的边界。例如，Wang等人[23]引入了带有可编程梯度信息（PGI）的YOLOv9，有效克服了深度网络中的数据丢失问题，并在MS COCO数据集上实现了更好的参数利用。随后，Wang等人[24]提出了YOLO10，该模型采用了无NMS（非最大值抑制）训练策略，并报告称与之前的版本相比，端到端推理延迟减少了近46%，同时没有牺牲准确性。最新的迭代版本YOLO11[25]和YOLO12[26]集成了C3k2块和C2PSA注意力模块等先进架构组件，进一步推动了标准基准测试中的准确性和速度边界。
尽管在动物行为识别方面取得了显著进展，但在实现实时监控和高精度识别方面仍存在重大挑战。为了进一步提高动物行为识别的准确性和效率，本研究提出了一种基于YOLOv8n模型的改进方法。通过结合先进的注意力机制和优化主干网络架构，所提出的方法旨在实现更精确的动物行为监测。预计该方法将在提高检测准确性的同时降低计算复杂性和模型参数数量，从而为智能畜牧业提供更强的技术支持。

2. 数据收集和预处理
2.1. 数据收集
实验数据收集于2023年8月，在广东省云浮市的一个现代化养猪场进行。为了确保模型能够适应现实世界的养殖挑战，使用安装在猪圈上方3.0米处的高清监控摄像头拍摄了长时间的视频记录。与在恒定光照条件下进行的研究不同，我们的数据收集涵盖了不同的时间段，包括正午强烈的自然阳光、清晨的低光照环境和阴天。猪圈的大小各不相同，通常每圈饲养8-20头体型相似的猪，形成了相对高密度的养殖环境，经常发生物理遮挡。这种多场景采集策略旨在构建一个具有增强环境多样性的猪行为数据集，从而提高模型在不同光照强度和复杂社会互动下的鲁棒性和泛化能力。图1展示了反映这些多样化采集条件的代表性图像。

2.2. 数据集构建和分析
为了建立一个具有强大泛化能力的高质量数据集，并严格消除数据泄露的风险，本研究实施了严格的数据采集和预处理流程：
(1) 视频级分割策略：为了评估模型在未见数据上的真实泛化性能，将20个源视频按照8:1:1的比例预先划分为训练集、验证集和测试集。这确保了测试集包含完全新的场景和训练期间从未遇到的猪个体。
(2) 多频率帧采样：鉴于连续帧之间的高时空相关性，我们采用了特定类别的时间采样策略来平衡数据集：
- 通用采样：对于常见的行为（站立和躺下），使用5秒的稀疏采样间隔以减少冗余；
- 针对罕见行为的采样：为了减少攻击性互动的自然稀缺性，包含打斗和咬尾巴的片段以1.5秒的更高频率进行采样。这种有针对性的方法成功增加了罕见行为的实例数量，使模型能够学习到嘴对尾和头对头的细微形态特征。最终得到了2500张高质量图像。
(3) 训练集增强：在每个训练周期中，对训练图像应用了随机变换，包括水平翻转、旋转、亮度调整和混合。这确保了模型在每次迭代中遇到随机多样的样本。图2展示了增强过程的一个代表性结果。
(4) 注释和质量控制：使用LabelImg手动对图像进行了注释。为了确保科学严谨性和观察者间的可靠性，实施了两阶段验证协议。三名受过训练的研究人员根据严格的形态学标准进行了初步标注。然后进行了交叉审查，由不同的注释者交换数据集以识别和纠正差异。使用LabelImg工具手动对提取的图像进行了注释，涵盖了五种不同的行为：站立、躺下、进食、打斗和咬尾巴。表1提供了猪行为分类标准及其相关数据集分布的概述。

3. 研究方法
3.1. YOLO物体检测算法
物体检测模型通常可以分为两类：一类是一阶段模型，另一类是两阶段模型。一阶段模型直接从整个图像中一次性预测物体类别和位置。这种方法减少了训练时间和模型复杂性，提供了快速的检测速度，尽管通常会牺牲准确性。一阶段模型的著名例子包括YOLO系列、SSD和RetinaNet。相比之下，两阶段模型首先生成候选物体区域，然后对其进行细化以产生最终检测结果。虽然这种方法提高了准确性，但通常会导致检测速度变慢。众所周知的两阶段模型包括R-CNN、Fast R-CNN和Mask R-CNN。YOLOv8n是由Ultralytics团队在2023年发布的一个对象检测模型[27]，由于其快速且准确的对象识别能力而受到了广泛关注。基于YOLOv5架构[28]，YOLOv8n融入了多种改进，并整合了多个对象检测器的优势。YOLOv8n的结构图如图3所示。图3. YOLOv8n网络模型结构。主干网络架构作为模型的核心框架，负责从输入图像中提取有意义的特征表示。在YOLOv8n中，该组件主要采用了类似CSPDarknet的架构，与YOLOv5中的架构相似[29]，并在不同的网络阶段之间引入了跨阶段连接。一方面，通过直接将部分特征图连接到更深层，模型增强了信息传输能力；另一方面，提高了特征的重用效率。如图3所示，模型在堆叠卷积层（Conv）和C2f模块之间交替进行特征提取。位于主干网络的末端，空间金字塔池化-快速（SPPF）模块利用不同尺度的池化有效地捕获空间特征，从而显著提高了模型识别不同大小对象的能力。位于主干网络和检测头之间的中间融合模块合并并优化了多尺度特征。它对主干网络生成的特征图进行上采样以增加空间分辨率，然后通过顺序连接和C2f层聚合多尺度信息，从而得到更丰富、更具信息量的特征表示。检测头位于模型的顶部，执行最终的对象识别和定位。从主干网络和颈部提取的特征被传输到检测头，在那里解码对象特征并生成检测结果。与YOLOv5的耦合检测头设计不同，YOLOv8n采用了主流的分离检测头架构[30]，从基于锚点的模式转变为无锚点模式[31]。它不依赖于预定义的锚点框，而是直接在特征图上预测对象的位置和类别。这种无锚点方法减少了对手动调整的超参数的依赖，使得模型更加简洁且训练效率更高。此外，该模型还整合了分布式焦点损失（DFL）[32]的概念，该机制专注于难点样本，以解决分类任务中的长尾分布问题。在各种YOLO迭代中，YOLOv8n目前在牲畜监测方面提供了精度和效率之间的最佳平衡。然而，Ultralytics生态系统向YOLO11及未来架构的持续发展表明，正朝着自注意力机制和无NMS训练的方向转变。尽管这些进步为该领域提供了明确的路线图，但YOLOv8n仍然是资源受限的边缘设备（如养猪场）部署的最稳定基线。

3.2 基于YOLOv8n的改进型猪行为识别方法
尽管YOLOv8n作为一种广泛采用的对象检测算法，集成了多种先进的优化策略，但其特征提取过程在复杂环境中仍可能受到噪声的影响，导致特征表示不够理想。这一限制可能导致猪行为识别中出现误报或漏检。为了克服这一限制，本研究引入了一种基于YOLOv8n的增强型检测框架，提高了模型的鲁棒性和特征提取精度，从而显著提升了猪行为分析的识别性能。

3.2.1 SE注意力机制
卷积神经网络（CNN）的一个关键组成部分是卷积操作，它使模型能够在每一层的局部感受野中捕获空间和通道特征，从而构建丰富的特征表示。注意力机制减少了背景噪声的干扰，使神经网络能够更加关注目标对象的重要特征区域，这使其在对象识别等任务中得到广泛应用[33,34,35]。传统的注意力机制主要关注确定不同空间域或特征图中目标的重要性权重[36,37]，往往忽略了通道维度的关注。这种限制限制了全局特征的全面提取，并增加了计算复杂性。为了解决这个问题，引入了一种增强的挤压-激励（SE）注意力机制。通过增强特征提取，这种方法提高了猪行为识别的准确性和效率。在模型架构方面，SE模块被集成到YOLOv8n框架中。SE模块学习动态的通道权重，使网络能够根据任务的具体相关性自适应地重新调整每个特征通道的重要性。这种策略使模型能够更有效地关注信息量较大的通道，从而提高特征区分能力。因此，模型在捕获更全面的全局特征的同时，表现出更好的整体性能和预测准确性。值得注意的是，这种机制甚至允许早期层访问更广泛的感受野。此外，引入SE模块仅略微增加了模型的复杂性和计算成本，提供了准确性和效率之间的良好平衡，并确保了在不同应用场景下的可扩展性。图4展示了SE模块的架构[38]。图4. 挤压-激励模块。SE模块的主要步骤如下：
挤压：对输入特征图应用全局平均池化，将每个通道的空间维度减少到一个标量。该操作产生一个通道描述符，编码每个通道的全局空间上下文，如方程（1）所示。Fsq?(·)=1H×W3∑WJ=1Ftr?(i,j) （1）
在这个上下文中，Fsq表示压缩后的特征，Ftr表示输入特征图，H和W分别表示其高度和宽度。
Fex?(·)=σ?(W2δ?(W1Fsq?(·))) （2）
在这个上下文中，Fex表示激励后的特征，W1和W2指的是两个全连接层的权重。δ和σ分别表示ReLU和Sigmoid激活函数。
重新校准：然后将计算出的权重应用于初始特征图，实现对每个通道的选择性调制，如方程（3）所示。Fscale?(·)=Ftr?(·)?Fex?(·) （3）
这里，Fscale表示重新校准后的特征，?表示元素级乘法。这种方法使网络能够强调信息量较大的特征，同时减弱不太相关的特征。SE模块的集成增强了模型优先处理显著信息的能力，从而提高了检测准确性。此外，SE模块仅引入了最小的计算开销，不会显著增加模型复杂性[39,40]。

3.2.2 C3Ghost卷积模块
YOLOv8n中使用的C3卷积模块结合了深度可分离卷积层和膨胀卷积层，从而减少了参数数量和计算负担。然而，这种结构可能会降低特征图的分辨率，从而影响细粒度信息的提取，并降低特征融合的效果。这些限制可能会阻碍模型训练并影响整体稳定性。为了缓解这些缺点，本研究引入了Han等人提出的GhostNet中的Ghost模块[41]。Ghost模块是一种新颖的轻量级卷积结构，通过线性变换内在特征图来减少参数和计算量，同时保持或提高检测准确性。因此，标准C3模块被C3Ghost变体替代，以提升性能。传统的卷积结构如图5所示。Y=Xf+b （4）
其中X表示输入特征图，f表示大小为k × k、具有c个通道的卷积核，b表示偏置，Y表示通过卷积操作获得的输出特征图。图5. 传统卷积。GhostConv模块如图6所示。图6. GhostConv模块。Ghost模块首先使用1 × 1卷积核将输入特征图的通道数量减半。然后通过分组卷积操作生成Ghost特征图。最后，将Ghost特征图与原始特征图合并，生成增强后的特征图。通过这种方式，C3Ghost模块可以在保持模型性能的同时显著降低计算成本和参数数量，从而提高模型的效率和实用性。GhostConv的公式如下：
Y′=X′f′ （5）
yi,j=Φi,j?(y′i) （i∈[1,m2],j∈[1,s]）

3.2.3 GIoU损失函数
交并比（IoU）是对象检测任务中广泛采用的指标，通常用于评估预测边界框与真实边界框之间的重叠程度。然而，当两个边界框不相交时，IoU分数为0，这限制了模型的学习能力。YOLOv8n模型使用完整IoU（CIoU）作为其损失函数。虽然CIoU通过包括非重叠区域之间的距离来提高IoU，从而更准确地捕捉重叠程度，但它需要复杂的计算来评估边界框的纵横比。这种复杂性增加了训练期间的计算成本，减慢了模型收敛速度，并且没有解决样本难度平衡的问题。因此，本文引入了广义交并比（GIoU）损失函数来替代CIoU函数。GIoU于2019年提出，通过考虑非重叠区域来改进IoU，使其能够更全面地评估预测边界框与真实边界框之间的重叠程度。GIoU损失函数的公式如下：
GIoU=IoU?最小凸包面积?并集面积
这里，交集面积指的是两个边界框之间的重叠区域，并集面积表示两个边界框覆盖的总面积，最小凸包面积表示完全包围两个边界框的最小凸多边形的面积。通过引入GIoU损失函数，模型可以更有效地优化边界框定位，特别是在处理形状不规则或大小变化较大的对象时表现出更好的鲁棒性。与CIoU损失相比，GIoU提供了一个更全面的评估指标，提高了模型的检测准确性和泛化能力，同时降低了计算复杂性并加速了收敛速度。

3.3 基于YOLOv8n的改进型猪行为识别模型
在这项工作中，YOLOv8n模型中的原始CIoU损失函数被GIoU损失函数替代，显著加快了收敛速度并大幅降低了计算成本，同时保持了相当的准确性。此外，YOLOv8n的主干特征提取网络还加入了挤压-激励（SE）注意力机制。该机制动态调整通道特定的权重，使网络能够更有效地关注信息量较大的通道，从而加强特征区分能力。尽管这种调整导致参数数量略有增加，但它有助于提高检测性能。为了进一步减轻模型负担，主干网络中的传统C3模块被C3Ghost模块替代，标准Conv模块被GhostConv模块替代。C3Ghost架构减少了卷积次数，并用更少的参数生成了更丰富的特征表示，从而保持了模型准确性。图7展示了改进后的YOLOv8n网络结构。

4. 实验结果与分析
4.1 实验环境
实验在运行Windows 11的系统上进行，配备了第12代Intel Core i5-12400F CPU和NVIDIA GeForce RTX 4060显卡。使用CUDA版本11.8进行GPU加速。深度学习任务使用PyTorch 1.12.1实现，编程环境为Python版本3.9.7。输入图像的分辨率为1280 × 720像素。训练时使用了16的批量大小，模型训练了100个周期。使用的优化器是自适应矩估计（Adam）优化器。为了确保严格的公平比较，所有基线模型和比较实验都在相同的实验协议下从头开始实现和训练。这包括使用相同的数据集划分、输入分辨率、数据增强策略、优化器设置和总训练周期。

4.2 评估指标
本研究使用了几种评估指标来评估算法的识别性能，包括精确度（Precision）、召回率（Recall）、参数数量（Params）、mAP@50、浮点运算次数（FLOPs）和每秒帧数（FPS）。
精确度表示正确预测的阳性实例与模型标记为阳性的总实例数之比。精确度越高，算法的准确性越高。召回率是正确识别的阳性样本占所有阳性样本的比例，表明模型捕捉真实阳性的能力。召回率越高，覆盖范围越广。mAP@50是对象检测中常用的评估指标，当IoU阈值设置为0.5时报告mAP。较高的mAP反映了更好的检测性能。Params作为模型结构复杂性的指标。参数数量减少通常表示模型更加紧凑，需要更少的计算资源。FLOPs表示推理所需的总浮点运算次数，是评估计算复杂性的重要指标。FPS（每秒帧数）衡量的是推理速度，即每秒处理的帧数。FPS不仅受算法效率的影响，还受到所使用硬件的性能影响。4.3 实验结果分析 4.3.1 消融研究结果与分析为了评估不同注意力机制对识别算法性能的影响，使用了几种常用的注意力模块进行了一系列对比实验。实验结果如表2所示。表2. 不同相关注意力方法的比较。从表中可以看出，SE注意力机制相比其他注意力机制实现了最高的mAP@50。原始YOLOv8n模型以及集成SE模块后的模型注意力可视化结果如图8b所示。结果表明，在引入SE注意力机制后，模型更有效地关注了猪的躯干区域，同时减少了对图像无关区域的关注。这表明模型能够更高效地集中于目标区域，降低了背景噪声对识别结果的影响。因此，这验证了集成SE模块的有效性，从而提高了模型的可靠性和可解释性。图8. 改进后的YOLOv8n与原始模型可视化热图结果的比较。为了评估每种提出的增强措施及其对整体模型性能的影响，系统地进行了消融研究。相应的结果总结在表3中。表3. 消融实验结果。考虑到现实世界农业环境中计算能力的限制，将几种优化措施集成到了YOLOv8n模型中。首先，采用了GIoU损失函数来替代原始损失函数。虽然这种修改没有改变模型的参数数量或推理FLOPs，但它显著改善了训练过程中的优化效果。GIoU损失函数通过简化梯度计算并加速收敛，提高了模型的定位精度和泛化能力，从而提升了整体检测性能。图9中的损失函数收敛曲线实证了这一优化效果。图9. 训练阶段损失函数的收敛曲线。引入SE注意力机制后，精度、召回率和mAP都有所提高，而模型的参数数量仅略有增加。这种改进得益于SE模块引导网络提取相关目标信息的能力，从而增强了模型识别细微特征的能力。用C3Ghost模块替换主干网络中的C3卷积模块，减少了参数数量和FLOPs，同时提高了精度、召回率和mAP。消融实验结果显示，单独引入SE注意力机制时，mAP略有下降；然而，模型5和模型7的mAP有所提高。这可能是由于注意力机制能够关注具有更高权重的关键信息，并在学习过程中动态调整注意力权重。总之，消融实验表明，结合GIoU损失函数、SE注意力机制和C3Ghost卷积模块可以有效优化YOLOv8n模型，在降低模型复杂性和提高识别精度之间取得了平衡。与原始YOLOv8n模型相比，改进版本参数数量减少了42.93%。FLOPs减少到初始值的61.73%，同时实现了96.40%的精度、96.1%的召回率和96.8%的mAP，从而实现了轻量级优化，而不会影响检测性能。4.3.2 不同模型之间的实验结果比较为了比较改进后的YOLOv8n模型与其他模型的性能，选择了主流的一阶段目标检测算法，包括YOLOv5n、YOLOv8n、YOLOv9n、YOLOv10n、YOLOv11n以及最新提出的YOLOv12n模型进行对比实验。实验结果如表4所示。表4. 不同模型的实验结果比较。如表4所示，YOLOv5n网络模型的AP最低，同时参数数量和浮点运算最多。尽管YOLOv9n模型的mAP达到了95.8%，但其帧率相对较低，限制了其在高实时场景中的应用。YOLOv10n和YOLOv11n模型在帧率方面表现优异，但仍不及改进后的YOLOv8n。虽然YOLOv12n在准确率（96.1%）和速度（120.53 FPS）之间取得了平衡，但其参数数量比改进后的YOLOv8n高47.6%；其计算成本（5.80 × 10^9 FLOPs）也高出16%。这表明它仍然不如改进后的模型轻量级。实验结果表明，优化后的YOLOv8n模型在保持轻量级架构的同时实现了更高的识别精度。鉴于其较低的参数数量和减少的FLOPs，该模型在资源受限的边缘设备上具有显著的实时部署潜力。不同日常行为的猪的识别结果可以反馈模型识别猪特征的能力。YOLO模型在猪行为识别任务上的性能差异反映了它们识别目标特征能力的不同。本研究比较了YOLOv5n、YOLOv8n、YOLOv9n、YOLOv10n、YOLOv11n和YOLOv12n模型在识别五种猪行为（躺下、进食、打架和咬尾巴）方面的mAP值。结果如表5所示。表5. 不同行为识别方法的平均准确率比较。根据表5中的实验结果，本研究开发的模型在识别猪行为方面具有显著优势，特别是在检测躺下和咬尾巴行为时，准确率分别达到了98.5%和96.8%。虽然检测站立行为的准确率为91.0%，但低于其他行为，这可能是由于从某些角度难以区分站立和躺下姿势导致的混淆。该模型能够根据空间接近度和方向有效识别攻击性互动的关键时刻。然而，这种基于帧的方法的局限性在于它无法区分短暂的偶然接触和持续的攻击性行为，因为它缺乏时间上下文信息。与现有的YOLOv5n、YOLOv8n和YOLOv9n模型相比，所提出的模型在所有五种行为上的平均精度都有显著提高，最大提高了4.4个百分点，最小提高了1.3个百分点。具体来说，本研究提出的模型在识别进食和躺下行为方面优于YOLOv9n和YOLOv10n。此外，YOLOv12n模型在检测躺下、进食和咬尾巴行为方面表现强劲，准确率分别为97.2%、94.0%和94.2%。然而，改进后的YOLOv8n模型仍然具有很强的竞争力，在所有行为上都表现出显著改进，特别是在检测躺下和咬尾巴行为方面，准确率分别为98.5%和96.8%。总之，本研究提出的模型在识别多种猪行为方面优于现有模型，特别是在检测躺下、进食和打架行为方面。其整体高准确率凸显了其在类似标准化室内环境中的实际应用潜力。4.3.3 识别结果分析不同目标检测模型在猪行为上的识别结果如图10所示。如图10所示，在各种光照条件和复杂场景（如拥挤和遮挡）下，改进后的猪行为识别算法表现异常出色。它在识别猪行为方面显著优于其他目标检测模型，识别结果具有高置信度且没有漏检。YOLOv5n模型的检测结果相对较低，不适合用于猪目标检测。YOLOv9n在检测进食行为方面表现不佳，在比较实验中排名最后。此外，其帧率是所有模型中最慢的，无法满足实时检测需求。YOLO11n在识别猪站立行为方面表现不佳，精度不足。YOLOv8n和YOLO11n网络模型在猪行为识别方面的整体性能也低于改进后的YOLOv8n模型。YOLOv12n的mAP达到了96.1%，与改进后的YOLOv8n相当，两者都表现出相当的鲁棒性。然而，在计算效率方面，YOLOv12n的实时帧率为120.53 FPS，略低于改进后的YOLOv8n的126.20 FPS。同时，其参数数量和FLOPs分别比改进后的YOLOv8n高出47.6%和16.0%。图10. 不同环境条件和YOLO架构下的猪行为检测结果对比可视化。注意：(a–g) 分别显示了(a) YOLOv5n、(b) YOLOv8n、(c) YOLOv9n、(d) YOLO10n、(e) YOLO11n、(f) YOLO12n以及(g) 提出的改进型YOLOv8n的识别结果。检测结果按行为分类，不同颜色的边界框代表特定类别：站立（粉色）、躺下（红色）、进食（橙色）和咬尾巴（黄色）。复合图的左侧标注了具体的实验变体，包括明亮光照、昏暗光照、拥挤场景和遮挡。为了评估改进后的YOLOv8n模型的泛化能力和鲁棒性，在一个包含818个实例的完全独立测试集上进行了性能验证。为了消除潜在的数据泄露，实施了严格的基于视频的分割策略，确保同一视频序列中的帧不会同时出现在训练集和测试集中。如图11所示，该模型在这个未见数据集上实现了94.8%的稳健mAP，证实了其在实际场景中的可靠性能。对归一化混淆矩阵（图11）的详细分析显示：图11. 改进型YOLOv8n模型在独立测试集上的混淆矩阵。稳健的静态行为识别：尽管数据划分严格，模型对常见静态行为的识别精度仍然很高。“躺下”和“进食”行为的准确率分别为0.97和0.95，表明模型有效捕捉了这些行为的独特形态特征。形态混淆分析：对类间错误率的详细检查显示，“站立”和“躺下”之间存在轻微混淆，有7%的“站立”实例被误分类为“躺下”。这主要是由于在过渡时刻（如猪起身或躺下时）从上方视角拍摄时，两种姿势的形态相似性造成的。在交互行为检测中的韧性：所提出的模型对复杂和稀疏行为表现出强大的泛化能力。“打架”和“咬尾巴”的准确率分别为0.93和0.97。“打架”和“进食”之间的偶尔混淆（4%）通常发生在靠近喂食器的密集群体场景中，那里激烈的竞争模仿了攻击性互动的视觉模式。这些发现为在未来的研究中整合时间特征以进一步区分这些动态互动提供了有价值的见解。总之，对比分析表明，基于改进型YOLOv8n的模型为帧级猪行为识别提供了稳健且高效的解决方案。通过在检测精度和计算效率之间取得卓越平衡，该模型以其最小的参数数量和FLOPs脱颖而出，同时在多种行为上保持了高平均精度。我们的结果表明，该模型对部分遮挡具有很强的抵抗力，显著减少了漏检的发生。虽然当前的推理速度是在桌面级硬件上验证的，但其轻量级架构突显了其在资源受限的室内密集养猪环境中的未来部署潜力。5. 结论(1)为了解决现实世界农业应用中计算资源有限和实时性能的需求，通过集成GhostNet架构和SE注意力机制模块对YOLOv8n模型进行了改进。此外，边界框损失函数从CIoU修改为GIoU，降低了模型的计算复杂性。因此，所提出的基于YOLOv8n的猪行为识别模型参数数量减少了42.93%，浮点运算减少了38.27%。平均精度为96.8%，比原始YOLOv8n提高了2.6个百分点，从而在轻量级设计和提高识别精度之间取得了平衡。(2)改进后的猪行为识别模型在检测精度方面优于先进的网络架构，包括YOLOv9n、YOLOv10n、YOLOv11n和YOLOv12n。与广泛使用的目标检测模型相比，该方法在识别猪行为方面表现出强大的性能，即使在拥挤的猪圈和光线不足的环境中也是如此。虽然在NVIDIA RTX 4060 GPU上的推理速度为126.26 FPS，但其小型架构（仅1.7 MB）使其成为边缘设备实时部署的理想候选者。尽管如此，需要注意的是，本研究中报告的性能指标是基于单次训练得出的。由于计算资源的限制以及我们主要关注实际应用中的架构优化，我们没有包括基于多个随机种子的方差或置信区间。为了确保比较结果的可靠性，所有模型都保持了完全相同的实验环境，包括硬件配置、超参数设置和数据划分。虽然这种方法可能会涉及一些小的随机变异性，但在不同行为类别中观察到的一致性改进表明所提出的修改是有效的，未来的研究将纳入多次运行的统计验证，以进一步量化模型的随机稳定性。

(3) 本研究提出的改进版YOLOv8n模型在猪行为识别的检测准确性和计算效率方面取得了显著提升。然而，仍存在一些局限性。其中一个挑战是模型难以从某些角度区分站立和躺卧行为，因为这两种行为的视觉特征相似。虽然该模型在检测大规模行为时表现良好，但在识别小规模特征时存在困难。此外，本研究使用的数据集仅限于一个具有相似体型猪的设施，这种狭窄的采集范围限制了模型在不同环境下的性能评估。虽然该模型在特定环境内的表现稳健，但需要在未见过的猪圈中、在不同光照条件下、针对不同年龄组的猪以及在不同农场进行测试，以全面验证其泛化能力。因此，为了更广泛的实际应用，必须进一步调整模型以适应复杂的环境变化。

(4) 未来的研究将聚焦于几个关键方向，以进一步提升模型的性能和适用性。首先，将探索多模态数据融合，通过整合音频和温度等额外来源来扩展感知能力。其次，将整合最新迭代中的架构创新，如YOLO12中的以注意力为中心的C2PSA模块、YOLO11中引入的无NMS训练协议以及YOLO26 [42] 中的性能基准测试框架，以更好地解决高密度环境中的行为重叠问题。第三，将通过序列分析捕捉猪行为的时间动态，采用时间卷积网络或循环神经网络等方法来区分过渡性姿势。第四，将继续优化模型的权重，以便在资源受限的边缘设备上高效部署。此外，还将研究将这种方法扩展到其他牲畜物种的潜力，以推进智能农业技术的发展。最后，将优先考虑实际应用因素，包括用户反馈和实时系统集成，以提高系统的运行效率。