文件大小：2.48M
在现代畜牧业中，自动化识别羊只围产期行为能及时发现潜在的健康问题和生产异常，从而有效保障羊只健康、降低出生羊羔死亡率、提升繁殖效益。针对羊只围产期部分行为特征的高度相似以及羊只生产环境中存在复杂光照条件和背景干扰等问题，该研究提出了一种改进YOLOv8n-Pose关键点检测模型与BP神经网络相结合的羊只围产期行为识别方法。首先，为提升关键点检测的精度，新增P2检测层，显著增强模型对小尺度特征的捕获能力，为复杂行为的关键点定位提供更精细的支持。其次，针对复杂环境中的特征表达问题，引入多尺度注意力模块（multi-scale attention block, MAB），以动态权重机制强化模型对全局与局部特征的交互建模能力，提升在复杂光照环境下的稳健性和泛化性能。此外，考虑到模型参数量较大导致部署困难，采用基于L1范数的剪枝策略，对优化后的模型进行参数压缩与冗余移除，既有效降低了计算复杂度，又保证了高效性与模型性能的平衡。最后，基于改进模型精准提取12个关键点坐标信息后，结合5个关节角度、2对关键点相对位置以及关键点识别个数，构建包含32个行为特征向量的多维数据集，并将其作为输入传递至BP神经网络进行羊只围产期行为分类。试验结果表明，在自建羊只围产期数据集上，改进的YOLOv8n-Pose模型检测羊只关键点较原模型平均精度值mAP50提升4.6个百分点，m AP50:95提升6.7个百分点。BP神经网络对羊只围产期行为进行分类，其F1分数达到95.7%。研究结果验证基于关键点的识别方法在复杂的围产期行为识别中具有明显优势，为畜牧业智能化管理提供有效的技术支持。
