仲恺农业工程学院冯大春博士等:基于深度学习的肉鸽摄食行为跟踪计数方法

针对当前目标跟踪算法难以对笼养肉鸽摄食行为进行准确识别并精准统计其摄食次数难点，该研究提出一种基于深度学习的肉鸽摄食行为跟踪计数方法：Mask-SCBF(SPD-Conv-BiFormer)-SORT。主要包含分割掩码转换、跟踪算法和摄食次数计算3个模块。其中，基于自适应过滤机制的分割掩码转换框架设计，保证摄食肉鸽目标完整分割同时提高分割结果的精度和鲁棒性；随后提出一种基于SCBF-YOLOv8检测器的目标跟踪算法SCBF-SORT，以增强目标尺寸适应性；最后在目标跟踪轨迹基础上构建摄食次数精准计数的方法。

结果表明提出的Mask-SCBF-SORT算法相较于基线跟踪算法BoT-SORT，在多目标跟踪准确度（MOTA）、IDF1得分（IDF1）、高阶跟踪精度（HOTA）、多目标跟踪精度（MOTP）四项指标上分别提升了7.52%、5.36%、14.39%和6.41%，最终在摄食次数计算方面，所提算法的准确率达到了94.82%。该方法有效提升了复杂背景下肉鸽摄食行为的跟踪效果，可满足实际养殖中快速统计的需求。