A CEDNet-based Algorithm for Cattle Detection and Counting in Complex Farming Environment in UAV Imagery

在现代农业广袤开阔的景观中，管理大型牛群是一项需要时刻保持警惕的任务。农民需要准确知道他们有多少头牲畜、它们在哪里以及它们的行为如何，以确保牛群的健康和农场的效率。几十年来，这意味着要在田间步行巡视，或者依赖昂贵且耗费人力的计数方法。今天，技术提供了一个全新的视角：无人驾驶飞行器，即无人机，它们可以飞越牧场，捕捉下方牲畜的高分辨率图像。这些图像提供了从地面无法获得的鸟瞰视角，但也给计算机带来了独特的挑战。当无人机俯瞰密集的牛群时，动物经常会发生重叠、互相遮挡，或者与泥泞的地面及阴影融为一体。标准的计算机程序通常通过在物体周围画框来识别物体，但在这些混乱的场景中往往表现不佳。它们可能会漏掉躲在另一头牛后面的牛，或者会被挤在一起的众多动物所迷惑。此外，教计算机识别这些动物通常需要人类花费大量时间，在成千上万张照片中为每一头牛绘制精确的方框或轮廓，这个过程缓慢、昂贵且难以规模化。

为了解决这些问题，来自成都信息工程大学和西南民族大学的研究小组开发了一种利用无人机图像统计牛只数量的新方法。他们创建了一种名为 C2Net 的专门计算机算法，该算法专为处理农场实际工作中混乱且拥挤的现实情况而设计。这种新方法不再要求人类在每头动物周围绘制复杂的方框，而只需用一个简单的点来标记每头牛的中心。这种在数据准备方式上的微小改变，极大地降低了训练系统所需的时间和成本。研究人员构建了一个庞大的新图像集，称为 HerdSet7K，其中包含近 7,000 张处于各种环境下的牛只照片，从开阔的草地到拥挤的喂食圈。该数据集包含了牛只紧密相连甚至形成一个整体块状的场景，也包含了分布较散的场景，使计算机能够学习如何在动物彼此接触或部分遮挡的情况下区分个体。

该新系统的核心在于一种教计算机感知距离和空间的高明方法。该算法并非仅仅寻找牛的形状，而是生成一张显示图像中每个点距离最近的牛有多远的地图。在牛群密集分布的区域，这张地图会为每头动物生成清晰且互不重叠的区域，从而使计算机能够精准定位每头牛的中心，而不会被人群所迷惑。研究人员称这种技术为“焦距反距离变换”（focal inverse distance transform），它就像一个向导，帮助计算机即使在视觉融合的情况下也能分离出单个动物。通过使用这种技术，该系统可以在保持高精度计数的同时，还能追踪每头牛的位置，而这一能力对于监测进食习惯或检测牛是否受伤或发生打斗至关重要。

当研究人员将他们的系统与其他领先的计算机视觉模型进行对比测试时，结果显示在困难条件下具有明显的优势。在地面泥泞、光照不足或牛群密集聚集的场景中，传统模型往往会失败，出现漏计或计数错误的情况。然而，新的 C2Net 系统保持了其准确性。在涉及数百张图像的测试中，该系统的计数误差率明显低于竞争对手，与实际数量相比，平均每张图像的误差约为 20 头牛。更重要的是，即使在其他系统无法处理的最拥挤的圈舍中，它也能以高度确定的程度定位单头牛。该系统还证明了其高效性，足以在小型便携式计算机上运行，这意味着它有可能在无人机或农业机器人上进行实时处理，而无需庞大且昂贵的服务器。

这项研究表明，以一种既高度准确又切合实际农业需求的方式实现牲畜监测自动化是可能的。通过将重点从复杂、耗时的标注转向简单的点标记，研究人员降低了创建这些智能系统的门槛。这种新方法不仅是在计数，它还提供了一份可靠的牛群分布图，可以帮助农民在资源分配和动物福利方面做出更好的决策。团队已将其数据集和算法代码向公众开放，希望这种开放的方式能加速未来农业中更智能、更高效工具的发展。最终，这项工作为解决一个持久性的问题提供了切实可行的方案，将拥挤牧场中混乱的视觉噪声转化为对农民而言清晰且具有参考价值的数据。