Automated dairy cattle lameness assessment using a 38-keypoint whole-body YOLOv8 pose framework
А В Греченева · Maxim Baknin · Sergey Vladimirovich Akchurin 等 4 人
构建38关键点全身YOLOv8姿态框架，实现奶牛跛行自动评估并与Sprecher评分比对。
YOLOv8l-pose，12000张449头荷斯坦牛图像，120视频盲评验证。
模型[email protected]达83.11%，AI评分与共识Sprecher评分显著相关，AUC达0.875。
可扩展至多牧场外部验证，并结合时序行为与多模态数据提升跛行早期预警泛化性。
基于12000张标注图像与120头独立验证视频的38关键点YOLOv8姿态估计框架，为奶牛跛行无接触客观评估提供技术可行性证据，方法新颖、数据扎实，但阈值内推、缺乏外部验证，属细分领域技术进展。
背景与目的：跛行是奶牛重要的健康、福利和生产问题，而传统的视觉运动评分具有间歇性且易受观察者差异影响。无标记计算机视觉可能有助于在常规农场条件下实现客观且可重复的运动监测。本研究旨在开发一个38关键点全身姿态估计框架，用于自动化奶牛跛行评估，并评估其与盲法Sprecher运动评分的一致性。材料与方法：使用来自449头荷斯坦奶牛的12,000张标注图像，开发了You Only Look Once第8版（YOLOv8）-pose框架。38个解剖关键点代表头部、脊柱、骨盆、前肢、后肢和蹄部。评估了四种模型和输入分辨率配置。从检测到的关键点中提取关节角度时间序列、变异系数和全身不对称特征。为进行独立临床验证，由三名评估者使用五分制Sprecher量表对120头牛的视频进行盲法评估，这些动物在个体层面与449头模型开发队列无重叠。确定了观察者间可靠性、共识评分、秩相关、组间差异和探索性受试者工作特征分析。结果：2560×2560像素下的YOLOv8l-pose表现最佳，在交并比阈值为0.5时姿态平均精度为83.11%，在0.5–0.95阈值范围内的平均精度为37.39%，召回率为91.74%。三名评估者对87.5%的视频给出了相同的Sprecher评分。两两二次加权Cohen κ范围为0.843至0.926，Fleiss κ为0.779，单次测量和平均测量的组内相关系数分别为0.883和0.958。连续人工智能（AI）评分与共识Sprecher评分显著相关（Spearman ρ = 0.234，p = 0.010），且各共识组之间的评分分布不同（Kruskal–Wallis H = 13.09，p = 0.0014）。使用在同一分层验证队列内部推导并评估的阈值（未经外部验证），对共识Sprecher评分≥3进行探索性判别时，曲线下面积为0.875；在AI阈值为2.9时，敏感性和特异性分别为62.5%和98.2%。结论：38关键点全身模型表现