基于YOLO系列算法的牦牛目标检测与盘点系统研究

2501_92218442

160人浏览 · 2026-07-08 13:37:21

2501_92218442 · 2026-07-08 13:37:21 发布

导读：

在高原牧区，传统牦牛养殖方式受限于资源竞争、疾病传播及管理困难等问题，智慧畜牧业逐渐成为提升养殖效率的关键。本研究面向成年牦牛与幼牦牛混圈混牧场景下的自动盘点需求，构建了规模约18,000张的自建数据集，并基于YOLOv11、YOLOv12引入SAConv、SCConv、ECA、DySample、PSA及Slide Loss等多种改进模块，通过系统的消融实验和热力图可视化全面评估了各改进策略的有效性。在此基础上结合K230嵌入式平台和上位机数据分析软件，实现了一套面向实际部署需求的智能盘点系统。实验结果表明，所提出的改进模型在自建数据集上取得了mAP50为0.994、mAP50-95为0.930的检测效果，并能稳定运行于−40℃~70℃的极端环境，为高原牧区智能化养殖管理提供了切实可行的技术方案。

作者信息：

李映钱：青海大学计算机技术与应用学院，青海西宁

论文详情

本研究通过优化摄像头安装高度与角度，结合分布式部署，获取了较高质量的牦牛图像数据。经过对采集视频的帧抽取与人工筛选，剔除画面模糊、不含目标等无效图像，构建了规模约 18,000 张的牦牛图像样本库。

为提升模型在多种环境条件下的泛化能力，本文在原始图像基础上采用了多层次的数据预处理与增强策略，主要包括：1) 几何变换增强，如随机旋转、水平翻转、随机裁剪与随机缩放等；2) 色彩扰动增强，在 HSV 颜色空间对图像亮度、饱和度和色调进行随机扰动；3) 样本混合增强，综合采用 Mosaic 与 Mixup 策略，将多张图像拼接或混合，进一步提升小目标占比、缓解类别样本不均衡问题。

图 2 为 YOLOv11/YOLOv12 网络结构示意图。

本文采用目标检测领域常用的精确率(Precision, P)、召回率(Recall, R)、mAP50 和 mAP50-95 作为评价指标。

为了全面分析改进的 YOLO 模型在牦牛目标检测任务中的实际性能，本研究以 YOLOv11n 为基线模型，逐步引入多种增强模块(如 SAConv、SCConv、ECA 模块)并构建了不同的模型变体。通过对这些模型进行系统的消融实验及性能对比，能够有效验证各模块对检测性能的贡献，同时揭示模型在不同类别目标上的表现差异。具体实验结果如表 1 所示。

根据实验结果与分析，本研究提出以下优化建议：

1) 数据层面：增加 Adultyak 样本数量，并通过随机旋转、颜色扰动、Mixup、CutMix 等增强策略缓解类别不平衡；对小目标进行专门的区域裁剪和过采样。

2) 模型架构：针对 Adultyak 引入更加细化的特征选择机制(如动态门控多分支)，并结合知识蒸馏与模型剪枝降低参数量与计算开销。

3) 适配性改进：在嵌入式设备上结合 INT8 量化和 TensorRT 优化推理速度，并增加自适应亮度和对比度调整模块以应对恶劣天气和夜间场景。

智能管理系统的整体运行流程主要分为图像采集与预处理、目标检测与推理、结果后处理与本地显示、数据远程传输和后端数据记录与分析五个核心模块，各模块通过标准化接口紧密耦合，构成一条从前端采集到后端决策的完整数据链路。

硬件平台是系统稳定运行的基础。本文系统的前端处理单元选型综合考虑了计算能力、功耗以及现场环境的温度适应范围等因素，采用嵌入式神经网络处理单元(K230)承担前端的模型推理任务，通过红外摄像头采集牧场大栏与通道区域的视频流。整套硬件方案能够在−40℃~70℃的极端环境下稳定运行，并通过串口或网络模块将检测结果上传至上位机进行后续分析。系统硬件平台与现场部署示意如图 4 所示。

为验证系统的整体性能，本文同时部署了 YOLOv12 模型，并与 YOLOv11 进行了对比评估。在 2771 张测试图像上，YOLOv12 模型共识别目标 3295 个(其中幼牦牛 1932 个，成年牦牛 1363 个)，较 YOLOv11略有提升。YOLOv12 模型在目标检测的准确率和稳定性方面表现更优，尤其是对目标漏检与多检的处理；其实时盘点效果如图 9 所示。