基于自上而下深度神经网络的多目标奶牛姿态估计与跛行检测研究

本文提出一种融合轻量化目标检测(YOLOv8n改进)、多尺度特征融合(PAFPN)和运动轨迹分析的奶牛姿态估计框架，通过优化Partial Convolution(PConv)和Slim-neck模块使模型mAP达95.8%，结合7项运动特征(步态对称性/头部摆动幅度等)的随机森林分类器，在418头奶牛数据集中实现跛行检测准确率93.8%(灵敏度94.4%/特异度97.5%)，为精细化牧场管理提供新方案。

　　

Highlight亮点

• 轻量化实时目标检测算法设计：通过优化YOLOv8n的主干网络和卷积结构(PConv+Slim-neck模块)，有效解决多目标姿态估计中的推理速度瓶颈。

• 多尺度特征融合模块PAFPN：在RTMPose框架中引入双向路径融合模型，显著提升复杂场景下被遮挡关键点的定位精度。

• 基于多运动特征的跛行分类：整合姿态估计与轨迹追踪技术，提取7项差异化运动特征，突破单特征表征局限，实现跛行综合评估。

Conclusions结论

本研究提出的自上而下解决方案，通过改进目标检测和姿态估计算法，成功实现奶牛关键点的精准检测与追踪，并同步完成运动特征提取和跛行诊断。实验表明：改进后的YOLOv8n模型推理速度提升23%，结合PAFPN多尺度融合的RTMPose模型mAP达95.8%；通过分析步态对称性、背部曲率等7项运动特征构建的随机森林分类器，在418头奶牛测试中展现出优异性能（准确率93.8%）。该技术为牧场智能化管理提供了可靠的技术支撑。