基于改进DeepLabCut模型的奶牛滑蹄检测方法.pdf

2024年9月第6卷第5期智慧农业（中英文）SmartAgricultureSept.2024Vol.6,No.5

基于改进DeepLabCut模型的奶牛滑蹄检测方法

年悦，赵凯旋，姬江涛*

（河南科技大学农业装备工程学院，河南洛阳471000，中国）

摘要：［［目的目的/意义意义］］为解决奶牛在行走过程中出现滑蹄姿态无法自动识别检测的问题，基于深度学习的方法对

奶牛身体关键点进行定位分析，实现对奶牛滑蹄姿态的自动检测。［［方法方法］］选取奶牛四蹄及头部作为奶牛身体关键

点，基于DeepLabCut（DLC）对奶牛四蹄及头部关键点进行定位，首先选取ResNet系列、MobileNet-V2系列、Ef⁃

ficientNet系列等10个网络模型替换DLC的主干网络，最终选取准确率最高的ResNet-50作为DLC的主干网络，随

后选择轻量级的卷积块注意力模块（ConvolutionalBlockAttentionModule,CBAM）嵌入ResNet-50的网络结构中，

完成对ResNet-50网络模型的改进。通过改进后的模型得到奶牛身体关键点坐标，绘制奶牛四蹄及头部运动曲线。

利用奶牛身体关键点运动曲线进行分析，提取奶牛滑蹄姿态的特征参数Feature1、奶牛滑蹄距离的特征参数Fea⁃

ture2。基于决策树对提取的奶牛滑蹄姿态特征参数进行模型的训练和验证。利用提取的奶牛滑蹄特征参数对奶

牛的滑蹄距离进行计算，同时人工对奶牛滑蹄距离进行标定，与预测的滑蹄距离进行比较。［［结果和讨论结果和讨论］］改进

后的ResNet-50网络相较于ResNet-50在验证集的定位准确率提高了9.7%，相较于YOLOv8s-pose的定位精准度

提高了1.06pixels，与手动标识的身体关键点之间的均方根误差（RootMeanSquareError,RMSE）仅为2.99pix⁃

els。采用10折交叉验证对奶牛滑蹄检测模型的效果进行评估，结果表明，该模型的平均准确率、精确度、召回率

和F分数分别为90.42%，0.943，0.949和0.941。基于特征参数Feature2计算的奶牛滑蹄距离与人工标定奶牛滑蹄

1

距离的RMSE仅为1.363pixels。［［结论结论］］融合CBAM模块改进的ResNet-50网络模型对奶牛身体关键点定位的准确

率较高，基于滑蹄判断特征参数Feature1和滑蹄距离检测特征参数Feature2建立的奶牛滑蹄判断模型和奶牛滑蹄距

离预测模型与人工检测的结果相比，都有较小的误差，这表明该方法有较好的准确性，可以为奶牛滑蹄自动检测

工作提供技术支持。

关键词：深度学习；奶牛滑蹄；ResNet-50；决策树；CBAM注意力机制；决策树

中图分类号：TP391文献标志码：A文章编号：SA202406014

引用格式：年悦,赵凯旋,姬江涛.基于改进DeepLabCut模型的奶牛滑蹄检测方法[J].智慧农业(中英文),2024,6(5):

153-163.DOI：10.12133/j.smartag.SA202406014

NIANYue,ZHAOKaixuan,JIJiangtao.CowHoofSlippageDetectingMethodBasedonEnhancedDeepLabCutModel

[J].SmartAgriculture,2024,6(5):153-163.DOI：10.12133/j.smartag.SA202406014(inChinesewithEnglishabstract)

0引言立、躺卧在硬度高的地面上，造成蹄部机械性损

伤，加之夏季牛舍潮湿，病原菌滋生，奶牛热应激

奶牛