摘要
在养殖业中，及时而准确地监测生猪的健康状况，不仅是提升养殖效益的重要手段，更是确保动物福利的不可或缺之举。这项研究聚焦于解决现代畜牧业中的一个关键问题，即实现生猪健康状况的实时监测与识别，使得养殖过程更富科学性和关怀性。研究的核心目标是通过先进的目标检测技术，设计并提出三个专用模型（CReToNeXt-YOLOv5、ASPP-YOLOv5和EVIT-YOLOv8），以解决生猪基础面部表情、热应激面部表情和非洲猪瘟面部表情的识别问题。 首先，CReToNeXt-YOLOv5模型在基础面部表情识别方面表现卓越。通过将CIOU损失函数替换为EIOU损失函数，优化训练模型，使回归更精确。Coordinate Attention机制的整合提高了模型对复杂表达特征的敏感性。引入CReToNeXt模块是一项重大创新，增强了模型在细微表情辨别方面的能力。CReToNeXt-YOLOv5模型的平均精确度（mAP）达到89.4%，相对于YOLOv5实现了6.7%的显著改进，超过Faster R-CNN和YOLOv4分别64.14%和61.73%，相较于YOLOv8有10.1%的显著优势。 其次， ASPP-YOLOv5模型专注于生猪热应激面部表情的识别。通过Coordinate Attention机制和CReToNeXt模块的引入，ASPP-YOLOv5模型在提取和融合特征方面取得显著改进，提高了对热应激表情的识别能力。ASPP模块优秀地适应了生猪热应激表情的多尺度特征，增强了网络对不同尺度表情特征的感知能力，提升了对猪热应激表情的识别性能。模型在平均精度（mAP）上达到93.2%，相较于YOLOv5提高了7%，超过Faster R-CNN和YOLOv4模型分别48.15%和48.8%。 最后，EVIT-YOLOv8模型解决非洲猪瘟、猪丹毒和蓝耳病等传染病检测问题。引入EViT模块克服ViT的限制，结合Convolutional Block Attention Module （CBAM）模块提供更灵活和强大的图像特征表示能力。采用GIOU损失函数考虑更广泛的框间关系和尺度不变性，使模型更准确地捕捉面部表情特征。EVIT-YOLOv8模型表现出色，特别是在非洲猪瘟表情识别任务中，精度达到85.2%，相较于YOLOv5、YOLOv7、YOLOv8模型分别提高了6%、23.5%、7.3%。 通过将先进的目标检测技术与养殖业的健康管理需求相结合，这项研究为生猪健康状况面部表情识别领域带来了重要的进展。不仅有助于提高疾病检测的准确性，在疾病的早期诊断和防控方面发挥深远的影响，还能够为动物提供更加个性化的关怀和治疗。期望这些技术的成功应用不仅在养殖业内产生积极的影响，也为全球畜牧业的可持续发展贡献了新的科技力量。预计随着时间的推移，这些模型将不断改进，为养猪场提供更加先进、可靠的工具，从而有效解决养殖业面临的各种挑战。
NETL