ECL-YOLOv8: An improved YOLOv8-based algorithm for detecting cattle faces and muzzles in complex open pasture environments
本研究提出了一种改进的基于 YOLOv8 的模型 ECL-YOLOv8，与基准算法相比，该模型显著增强了在复杂开放牧场环境下同时检测牛脸和口鼻部的鲁棒性与准确性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代牧场广袤开阔的景观中，管理牛群不仅需要牧羊人般的敏锐眼光，更需要一套能够将每一头牲畜都视为独特个体的系统。几十年来，农场主一直依赖物理标签、耳标或烙印来追踪他们的牛只，这些方法往往会让动物感到不适，或者存在标签脱落的风险。近年来，一种更温和、更高效的方法出现了：利用动物自身的脸部和鼻子作为天然的身份证。正如人类的指纹对每个人都是独一无二的一样，牛口鼻部的纹路和毛孔模式也具有该特定动物所特有的辨识度，这提供了一种永久且非侵入性的识别方式。然而，尽管计算机在受控的、类似摄影棚的环境下已经非常擅长进行人脸识别，但牧场的真实世界却要混乱得多。牛群在泥泞中觅食，站在围栏后，以不同的距离移动，并面临不断变化的光照，所有这些都会干扰标准的计算机视觉系统。
为了解决这个问题，来自山西农业大学的研究团队开发了一种全新的计算机程序，专门设计用于在这些混乱的现实条件下寻找并识别牛只。他们基于一个名为 YOLOv8 的现有强大工具构建了该系统，YOLOv8 是一种以速度和图像目标检测能力闻名的人工智能类型。研究人员意识到，虽然这个工具的标准版本可以找到一头牛，但当动物距离较远、部分被遮挡或身上沾满污垢时，它往往难以精准定位面部和口鼻部的细节。为了解决这一问题，他们创建了一个升级版本，称之为 ECL-YOLOv8。这个新模型就像一组专门的透镜和滤镜，帮助计算机聚焦于图像的正确部分。它采用了一种技术，能够同时从多个尺度观察牛的面部，确保无论动物是在近处还是远处，都不会错过微小的细节。它还包含一个灵活的机制，可以调整其视角，以应对牛在咀嚼、转头或处于奇怪姿势时面部形态的变化。最后，它为口鼻部增加了一层清晰度，帮助系统忽略背景噪声（如围栏或泥土），从而精准锁定鼻部的独特纹理。
团队通过在山西省一家肉牛场拍摄的大量照片对他们的新系统进行了测试。这些图像并非完美的影棚照；它们捕捉到了各种困难情境下的牛，包括远距离视图、被农用设备部分遮挡的动物，以及脸上抹着泥巴的情况。当他们将新的 ECL-YOLOv8 模型与未经修改的原始版本进行对比时，结果显而易见。升级后的系统在 92.6% 的案例中成功识别出了牛的面部和口鼻部，这是一个显著的提升。更重要的是，它在寻找口鼻部（这是一个更小且更难发现的目标）方面表现得更加出色。与标准版本相比，新模型将口鼻部检测的准确率提高了 5.3 个百分点，并且在所有尝试中成功找到了口鼻部，比原版提高了 4.2 个百分点。这意味着即使在动物移动或光线较差的情况下，该系统也极不容易漏掉某头牛或将其与其他牛混淆。
研究人员还将他们的工作与几种其他流行的计算机视觉模型进行了对比，以观察其在竞争中的表现。他们的新模型在几乎所有类别中都优于这些系统，特别是在处理牧场复杂且混乱的现实情况方面。虽然该系统运行所需的计算能力比最简单的版本稍高，但这种权衡换来了更可靠的结果。该研究得出结论，这种方法为智能农业的未来提供了一个稳健的解决方案，即自动化系统可以在不干扰动物的情况下监测牛群。通过实现对野外放牧牛只的准确识别，这项技术为自动化的健康检查、体重监测以及更好的整体牛群管理铺平了道路，同时让动物能在其自然环境中保持冷静且不受干扰。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。