一种基于周期一致生成对抗网络数据增强技术，用于复杂牛舍环境中围产期奶牛的目标检测与姿态估计方法

《Engineering Applications of Artificial Intelligence》：A method for target detection and pose estimation of perinatal dairy cows in complex barn environments based on cycle-consistent generative adversarial network data augmentation

　　摘要：对围产期奶牛进行持续且准确的监测是畜牧场管理中的关键环节。然而，在牛舍环境中，由于光照变化、背景干扰以及目标物频繁被遮挡，基于视觉的检测模型容易出现漏检和误检现象。为解决这一问题，本文提出了一种基于循环一致性生成对抗网络数据增强的围产期奶牛物体检测与姿态估计方法。首先，构建包含遮挡场景的围产期奶牛图像数据集；随后利用循环一致性生成对抗网络建立光照风格迁移机制，将正常光照条件下的特征分布映射到过曝条件下，从而补充极端光照条件下的稀缺样本。其次，开发了改进的物体检测模型，通过引入均匀背景解耦注意力机制来抑制背景特征干扰，结合轻量级颈部架构，并采用最小点距离交并集损失函数，提升了模型在复杂背景下的特征解耦能力和定位精度。最后，构建了基于状态空间模型的奶牛姿态估计网络，帮助模型从可见关键点推断出被遮挡的关键点。实验结果表明，改进后的物体检测模型精确率为97.6%，召回率为96.8%，平均精确率为99.1%；而基于状态空间模型的奶牛姿态估计网络正确识别关键点的比例为98.3%，平均精确率为93.1%，推理速度可达每秒50.20帧。上述结果证明了该方法在精准识别奶牛行为及健康预警方面的应用可行性。

引言：围产期（通常指产前21天至产后21天）是奶牛整个生产周期中最关键的阶段，与它们的健康状况、产奶量及繁殖能力密切相关。在产前阶段，围产期奶牛往往会表现出典型的行为变化，如采食量显著下降、活动频率增加，以及频繁卧倒和起身（Mirzaei等人，2023；Antanaitis等人，2023；Sepúlveda-Varas等人，2013）。准确监测这些行为对于保障奶牛的健康和泌乳能力至关重要。目前，基于传感器技术和计算机视觉的非接触式方法是检测奶牛的主要手段（Ferrero等人，2025；Yang等人，2025）。虽然基于接触式的设备具有实时性强、精度高的优势，但佩戴这类设备可能会给本就处于不适状态的围产期奶牛带来压力，进而干扰其自然行为（Mahato等人，2025）。相比之下，基于计算机视觉的技术无需物理接触，能够在不干扰奶牛正常活动的情况下对其身份进行全面识别（Zin等人，2016）。

在视觉检测方法中，与易受牛舍环境影响的直接图像分类方法相比，姿态估计具有一定的优势。姿态估计能够精准捕捉奶牛的关键点信息，自动分析产前频繁的卧立动作以及因不适导致的异常姿势变化。通过持续量化奶牛关键点的相对位置，可准确预测产犊时间，从而为养殖户提供早期预警，降低劳动力成本，减少潜在的经济损失。此外，骨骼表示法侧重于几何拓扑关系，能有效抑制复杂牛舍背景中的遮挡干扰，获得更稳定的行为特征表示。但在实际养殖环境中，这项技术仍面临诸多挑战，包括数据收集困难、光照变化及相似背景导致的特征提取问题，以及牛舍遮挡造成的关键点定位偏差。因此，相关领域已开展了大量研究。

在数据增强领域，生成对抗网络被广泛用于解决样本数量不足和多样性欠缺的问题。在农作物研究领域，Singh等人（2024）利用基于pix2pix GAN的结构，在复杂背景下实现了叶片图像的精准提取，并设计了LeafGAN数据增强模型，在健康叶片上合成病斑，从而扩充疾病样本数量。Wen等人（2025）则使用CycleGAN网络调整图像的饱和度、颜色、光照及模糊程度，进一步提升数据多样性。不过，上述针对农作物的方法往往侧重于生成局部病理纹理或颜色特征，难以直接应用于体型较大且存在严重遮挡的牲畜场景。在畜牧业研究中，Yu等人（2025）借助SAM和LAMA技术实现猪只与背景的精准分离，并引入加权处理策略应对前景与背景重叠或边界模糊的问题，从而提升猪只姿态的多样性。此外，Guo等人（2021）采用基于泊松融合的数据增强方法处理死鸡样本，使目标能自然融入新的背景图像中，生成视觉上一致且高度真实的合成样本。上述畜牧业研究在目标尺度转换和背景替换方面取得了一定进展，其核心思路主要是将目标与背景分开并重置，从而在一定程度上缓解数据收集难题。然而，光照变化作为一种全局物理效应，仅靠目标重置无法模拟，因为这种方法无法再现动物与背景之间光影的协同变化，导致增强后的样本依然存在因光照和相似背景引发的特征提取难题。

在物体检测与姿态估计方面，开发抗遮挡模型是实现精准定位奶牛关键身体部位的核心。姿态估计模型利用深度神经网络追踪骨骼运动，这一技术在步态分析、应激状态检测及活动监测等领域具有重要价值（Rahman等人，2025）。Zhao等人（2025）基于HRNet-48笼养鸭子姿态估计方法，定义了包括鸭嘴和头部在内的8个关键点，能够精准识别不同年龄鸭子的多种姿态。Hua等人（2023）使用YOLO-Pose提取奶牛的关键点，又开发了PoseC3D用于奶牛动作识别，发现其效果优于GCN方法，随后将二者结合，实现了对奶牛卧倒、行走、站立和奔跑四种基本动作的识别。此外，Hu等人（2025）提出了Pig-HRNet姿态估计网络，通过结合姿态估计与关键特征识别，实现了对猪只进食行为、非营养性访问行为和非进食行为的精准识别。但在严重遮挡的饲养环境中，目标之间的重叠度很高，这类方法难以精准检测被遮挡的部分，容易导致姿态信息丢失，影响后续行为分析的可靠性。相比之下，自上而下的方法首先定位图像中的所有单个目标，再分别为每个目标独立估计关键点，因此在复杂遮挡环境下更为稳定。基于这一思路，Kang等人（2026）和R. Li等人（2024）采用了将物体检测与HRNet及Lite-HRNet相结合的方法，实现奶牛关键点的检测。Fan等人（2023）和Wu等人（2025）通过优化HRNet和RTMPose结构，提升了模型在复杂环境中的稳定性。不过，现有的自上而下方法仍存在一些问题。在目标检测阶段，奶牛的毛色、阴影以及牛舍中的深色地面和栏杆在颜色空间上具有高度相似性，导致检测模型容易产生误检和漏检。在姿态估计阶段，室内固定的栏杆遮挡以及奶牛之间的相互遮挡会导致局部关键点长期不可见，而现有的HRNet结构由于缺乏全局上下文建模能力，难以根据可见部分推断出被遮挡的关键点，这严重影响了后续行为分析的可靠性。为解决上述问题，本文提出了一种基于CycleGAN数据增强的围产期奶牛物体检测与姿态估计方法。首先，为解决围产期奶牛数据收集的难题，引入数据增强技术扩充数据集。其次，为应对均匀背景干扰，对物体检测模型进行优化，提升其特征提取能力。最后，为克服实际牛舍环境中的遮挡问题，对HRNet模型进行改进，增强其对单个奶牛及环境遮挡的抵御能力。本文的主要贡献如下：•利用CycleGAN进行数据集域适应，将正常光照条件下的图像转换为强光风格，以模拟复杂的光照变化，从而构建新的数据集，该数据集用于训练物体检测和姿态估计模型。•设计均匀背景解耦注意力模块，通过多分支并行架构，在通道维度上增强目标的区分度，在空间维度上分离目标与背景的纹理，从而提升在均匀背景下的特征提取能力。•提出YOLOv11-HSD奶牛物体检测模型，该模型整合了HBDA模块、Slim-Neck架构以及MPDIoU损失函数，提升了模型在复杂背景下的特征解耦能力和定位精度。•构建基于状态空间模型的奶牛姿态估计网络（Cow-HRNet），该网络能够同时提取局部区域特征和全局上下文信息，引导模型依据可见部分的上下文信息有效推断被遮挡的关键点。

数据收集与预处理：本部分主要包括三个内容：数据获取、数据集构建以及数据集预处理。通过获取并在真实牛舍环境中标注奶牛图像，并结合针对性的数据增强策略，构建出高质量的数据集。

整体框架：本文提出的整体技术框架如图5所示，共分为三个阶段：数据增强、物体检测和姿态估计。在数据增强阶段，利用CycleGAN模型对不同光照条件下的图像进行跨域风格迁移，从而提升数据集的多样性。在物体检测阶段，以YOLOv11（Khanam和Hussain，2024）作为基础检测框架，通过设计均匀背景...

结果与讨论：本部分展示了基于CycleGAN数据增强的围产期奶牛物体检测与姿态估计方法的实验结果。为评估该方法在牲畜检测领域的实际应用潜力，从模块设计、性能基准测试以及场景适应性三个维度进行了系统评估。

讨论：本文提出了基于CycleGAN数据的围产期奶牛目标检测与姿态估计方法，该方法在高度均匀的牛舍背景及复杂遮挡环境中表现出良好性能。分析表明，YOLOv11-HSD检测精度的提升主要得益于HBDA模块所采用的多分支并行架构，该架构能够在通道维度上增强目标的区分度，在空间维度上分离目标与背景的纹理...

结论：本文提出了一种基于CycleGAN数据增强的围产期奶牛物体检测与姿态估计方法。通过改进该检测方法，可在一定程度上缓解因牛舍背景与部分遮挡区域颜色相似而带来的识别难题。该方法由三部分组成。首先，开发了一种基于CycleGAN的数据增强方法，有效扩充了数据集，新增图像数量达513张。

CRediT作者贡献声明：Xinran Zhang：撰写——初稿、可视化、验证、软件、方法论、正式分析。Weiming Li：数据整理。Hewei Meng：监督、资源协调、资金获取。Huijie Peng：撰写——审稿与编辑、监督、资源协调、项目管理、方法论、研究、资金获取、概念构思。Yaping Li：撰写——审稿与编辑、监督、资源协调、项目管理、方法论、研究、资金获取。

利益冲突声明：作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢：本研究得到了“棉花生产技术现代化省部共建创新中心”的支持，项目编号为KFKT202511。

Xinran Zhang|Weiming Li|Hewei Meng|Huijie Peng|Yaping Li
中国石河子大学机电工程学院，石河子832003