学术前沿 | 河北农业大学郭雷风研究员:基于改进YOLOv8的奶牛行为识别方法与应用

DOI:10.13733/j.jcam.issn.2095‑5553.2026.05.031

官网阅读（全文，免费）

为高效准确地识别奶牛行为，提出一种改进YOLOv8的奶牛行为识别模型。使用EfficientNet框架替换骨干网络，增强模型特征提取能力；在颈部网络构建C2F—MLCA模块，增强提取信道和空间信息的能力，并融合局部和全局特征；使用共享卷积构建新的L—Head检测头，有效降低复杂度；使用Inner—IoU损失函数结合辅助边框动态调整，克服CIoU的局限性，提高模型的性能；采用信道剪枝来消除冗余参数，压缩模型结构，降低复杂度。改进YOLOv8s模型mAP相较于原模型提高2.2%，参数量减少74.7%，计算量减少59.8%，模型大小减少73.1%；相比于Faster R—CNN、YOLOv5s、YOLOv7和YOLOv8s模型，mAP分别提高8.7%、2.6%、0.1%和2.2%。应用模型统计分析奶牛日常行为比例与持续时间，突出监测奶牛行为对环境检测和评估奶牛状况的重要性，为奶牛自动化管理提供参考。

奶牛；行为识别；深度学习；目标检测

奶牛行为蕴含丰富的信息，精准识别奶牛行为不仅能显著提升养殖效益，还能改善奶牛福利。传统人工识别奶牛行为的方法难以满足现代养殖场的动态需求。因此，引入信息技术代替人工识别，可以自动、精准地获取行为数据，为自动化养殖提供基础。目前，畜牧行为识别主要分为传感器接触式识别和机器视觉非接触式识别两种方法。传感器接触式识别将传感器固定在畜牧身体上，容易引起应激反应，同时传感器的磨损会影响精度、缩短使用寿命并增加成本。随着计算机视觉技术的发展，因其非接触性和低成本优势，广泛应用于牲畜行为识别领域。非接触式行为识别技术解决了传感器成本高和易老化的问题，但仍面临识别行为类别少、精度低以及部分模型复杂的问题。

本文基于真实牛场数据，提出一种改进YOLOv8s的奶牛行为识别模型，实现高精度、低复杂度的多行为识别，为非接触式奶牛行为识别提供一种有效的方法。

1) 提出一种基于改进YOLOv8s的奶牛行为识别方法。模型融合EfficientNet框架和C2F—MLCA模块，显著增强信息提取与融合的能力。同时，引入具有辅助边框的Inner—IoU，提高检测性能。此外，构建共享卷积检测头，减少参数量。最后应用信道剪枝技术，有效消除冗余参数。模型在提高精度的同时，降低复杂度。

2) 改进YOLOv8s模型的参数量、计算量、模型大小、mAP分别为2.2 M、9.7 G、4.7 MB、96.4%，mAP相较于原模型提高2.2个百分点，参数量减少74.7%，计算量减少59.8%，模型大小减少73.1%，证明模型的有效性和实用性。

3) 通过统计奶牛的行为占比与持续时间，揭示人为因素和环境变化对奶牛行为的影响。强调识别和统计奶牛行为对于检测环境变化和准确评估奶牛健康状况的重要性。模型为检测奶牛健康和提高养殖管理水平提供新的工具。

联系我们