文献类型： 中文期刊

作者： 晏川博 ¹ ; 宫平 ² ; 郑文新 ¹ ; 陈新文 ² ; 郭雷风 ³ ;

作者机构： 1.新疆农业大学计算机与信息工程学院

2.新疆维吾尔自治区畜牧科学院

3.中国农业科学院农业信息研究所

关键词： 羊爬跨行为;SIDS-YOLOv11;行为检测;发情监测;复杂场景

期刊名称： 中国农业科学

ISSN： 0578-1752

年卷期： 2025 年 58 卷 018 期

页码： 3783-3798

收录情况： 北大核心 ; CSCD

摘要： 【目的】羊爬跨行为是反映母羊发情状态的重要行为学指标之一，在种羊繁殖管理与发情监测中具有重要意义。传统人工监测方法存在主观性强、效率低、漏检率高等问题，难以满足大规模智慧养殖的需求。为解决复杂环境下羊只爬跨行为识别困难、图像光照变化剧烈、个体遮挡重叠等挑战，拟构建一种具备高精度与强鲁棒性的自动识别模型，实现爬跨行为的快速检测与精准定位，为智能化羊群繁殖管理提供技术支撑。【方法】采集山东省嘉祥种羊场2024年4月15日至5月15日期间24只母羊在圈舍内日常活动视频数据，通过人工标注获取爬跨与非爬跨行为样本图像共4 700张，构建平衡行为识别数据集。在YOLOv11模型基础上，提出改进型SIDS-YOLOv11检测模型，分别引入SCINet低光照图像增强模块提升低光照图像质量，iAFF特征融合模块优化多尺度语义信息表达，DySample动态上采样机制增强边缘细节恢复能力，以及SEAM空间注意力机制提升遮挡目标辨识度。训练过程中采用CIoU损失函数进行边框回归优化，辅以多种数据增强策略提升模型鲁棒性与泛化能力。【结果】改进模型SIDS-YOLOv11在验证集上取得mAP@0.5值为0.942,Precision为0.956,Recall为0.854,mAP@0.5-0.95为0.703，分别较YOLOv11原始模型提升3.5%、4.7%、1.7%和1.5%。热力图可视化结果表明，改进模型在低光照和遮挡场景下仍能准确关注目标区域，模型改进后的热力图更加集中，减少了背景噪声干扰，特征提取能力逐步增强，显著提升了识别准确率与定位稳定性。对比YOLOv8n、YOLOv6、Faster R-CNN与SSD等主流目标检测算法，SIDS-YOLOv11在精度与推理速度之间取得更优平衡，通过对低光照、高遮挡视频的测试，进一步验证了SIDS-YOLOv11在复杂场景下羊爬跨行为检测任务的性能优势，且在复杂场景下保持63%以上检测精度，表现出良好的实用性与适应性。【结论】SIDS-YOLOv11模型有效融合图像增强、特征表达与注意力机制，显著提升了复杂环境下羊爬跨行为的识别能力。其在遮挡重叠、低光照等不利条件下依然具备稳定的检测性能，可为智慧羊场中发情监测、行为分析与繁殖管理提供高效的视觉识别解决方案，具有良好的推广应用价值。