摘要
针对群体养殖环境下猪只行为多样、场景复杂、扎堆等造成的行为识别精度低等问题,提出一种基于改进YOLO v8n的猪只行为识别方法。首先,引入GSConv模块构建GSConv和Conv交替的主干结构,在多尺度上捕捉猪只行为特征,丰富特征表示;其次,采用VoV-GSCSP代替颈部网络中的C2f模块,增强模型架构的复杂性与深度,同时优化计算效率;最后增加EMA注意力机制增强模型对猪只养殖场复杂环境下的行为识别能力,构建多尺度复杂环境识别模型YOLO v8n-GVE。在本研究中,改进的YOLO v8-GVE模型对猪只的不同行为如站立、睡觉、进食、饮水、趴卧行为的识别精度分别为99.6%、99.2%、99.9%、97.2%、99.6%,整体识别精度(mAP@0.5)为99.5%。与YOLO v5n、YOLO v9、YOLO v10模型相比,mAP@0.5:0.95分别高出15.9、6.7、5.7百分点,并在不同场景下均表现出良好的性能,为猪只精细化养殖管理提供了一种有效的技术途径。
出处
《江苏农业科学》
北大核心
2025年第20期135-144,共10页
Jiangsu Agricultural Sciences
基金
湖北省重点研发计划(编号:2020BBB063)
湖北省农机装备补短板核心技术应用攻关项目(编号:HBSNYT202208)。
