基于ResNet系列网络的肉牛姿态识别实现与教学研究
郜静茹 · 赵永才 · 李慢 等 5 人
构建9类肉牛姿态数据集，用ResNet50实现姿态识别并探究网络深度影响。
自建9类肉牛姿态图像数据集，ResNet18/34/50，Adam与余弦退火，无
ResNet50测试准确率92.00%，精度随网络深度递增，站立与行走识别较难。
可探索数据增强、轻量化模型与复杂养殖场景下的肉牛多姿态实时识别。
构建9类肉牛姿态数据集并验证网络深度对识别精度的提升，方法扎实但属细分领域学术进展，公共影响有限。
摘要：精准识别肉牛姿态行为是规模化智能养殖的核心基础，可有效实现肉牛健康状态监测与养殖行为智能化管控。当前肉牛养殖姿态识别缺乏标准化数据集与简洁可靠的基线模型，且多数研究未探究无数据增强场景下网络深度对识别精度的影响，制约了算法落地应用。本文构建包含饮水、采食等9类肉牛常见姿态的图像数据集，各类别均选取500张样本并按8:1:1比例划分数据集。研究以ResNet50为骨干网络搭建分类模型，仅采用缩放与归一化基础预处理，搭配Adam优化器与余弦退火学习率策略完成模型训练。模型测试集总体准确率达92.00%，宏平均F1值为91.86%，饮水、躺卧、爬跨姿态识别效果优异，仅站立、行走姿态识别难度较高。实验表明，ResNet18、ResNet34、ResNet50识别精度随网络深度递增显著提升，测试集最高准确率可达92.00%。本研究明确了无数据增强条件下网络深度对肉牛姿态识别的提升作用，构建的数据集与实验基准可为复杂养殖场景下的识别算法优化提供重要支撑。 基金项目：安徽省教育厅优秀青年教师培育项目（YQYB2026117）；安徽省智慧农业技术与装备重点实验室开放基金（AEC2026016；AEC2025009）；安徽省教育厅自然科学研究项目（重大）（2024AH040217）；省级质量工程-教学研究项目（2023jyxm1009；2023xjzlts117；2023sdxx145）;基于人工智能下的家禽康养与疾病预警技术研究（S202413620055）；基于自监督学习与对抗增强的小样本信号的智能感知研究（2025SK019）；基于深度学习的生猪识别与康养研究（S202513620083）