ECL-YOLOv8: An improved YOLOv8-based algorithm for detecting cattle faces and muzzles in complex open pasture environments

方法

以YOLOv8为基础改进网络结构，自建多角度、多干扰条件的牧场牛脸与口鼻数据集。

发现

平均精度87.4%，较YOLOv8提升3.1个百分点，口鼻检测提升5.3个百分点，复杂背景鲁棒性更强

机会点

可研究模型轻量化与实时推理，并将牛脸口鼻检测接入个体识别与行为监测的端到端畜牧管理链路。

摘要 背景 一种高效可靠的牛脸和口鼻部检测方法可为自动化畜牧管理和智能检测提供支持。牛的脸部和口鼻部均包含具有显著个体间差异的视觉信息。基于计算机视觉的非接触式识别方法具有高效、低成本、动物福利友好等优势。然而，当前研究多局限于牛脸或口鼻部的特写镜头或人工选取的图像，鲜有考虑在开放牧场的复杂环境中识别面部或鼻部位置。本研究旨在通过在不同条件下进行多角度成像，包括不同距离、畜牧设施遮挡、牛只采食、面部泥污和曝光变化等，评估模型在复杂环境中的鲁棒性。因此，本研究以YOLOv8为基础，设计ECL-YOLOv8模型，用于在复杂开放牧场环境中同时检测牛脸和口鼻部。结果 在本研究自建数据集上的实验表明，ECL-YOLOv8模型的准确率为92.6%，召回率为81.7%，平均精度为87.4%。与YOLOv8相比，ECL-YOLOv8在准确率、召回率和平均精度上分别提升了1、4.2和3.1个百分点。其中，口鼻部检测的平均精度为82.4%，较基线提高了5.3个百分点。这些结果表明，ECL-YOLOv8在牧场复杂条件下具有更强的鲁棒性。结论 本研究探讨了在开放牧场复杂环境中准确识别牛脸和口鼻部的问题，并提出了一种基于改进YOLOv8架构的检测模型——ECL-YOLOv8。该模型有效提升了复杂牧场环境中牛脸和口鼻部的检测能力。特别是在口鼻部检测性能和对复杂背景的适应性方面，该模型表现出显著优势。未来工作将聚焦于提高推理效率和模型轻量化，以进一步支持实际部署，从而更好地服务于实际牧场中的实时监测和智能作业，并为智慧农业应用提供更可靠的技术支持。