基于改进YOLOv8的猪只行为识别研究OA

针对传统人工巡检猪只行为存在的效率低、漏检率高等问题,该研究提出改进的CSW-YOLOv8模型。首先,通过引入卷积与注意力融合模块CAFM,融合卷积的局部特征提取能力和注意力机制的全局信息聚焦能力,提升模型的特征表达和处理能力,有效提取不同猪只行为信息;其次,改进SPPFCSPC金字塔池化模块,利用多尺度池化层提升猪只行为与群体动态的检测效率;最后,采用动态WIOU损失函数,抑制了冗余特征对检测网络的影响,强化网络对猪只行为多尺度特征的获取能力。改进后模型的平均精度(mAP50)达94%,对站立、躺卧、进食行为的识别准确率均值分别为92.4%、97.5%、92.3%,较YOLOv8分别提升8.2%、0.7%、1.4%,该模型为养殖场智能监测与疾病预警提供技术支撑。