基于DeepLabCut的肢体分解技术用于奶牛异常行为识别

《IEEE Access》：Abnormal Behavior Recognition of Dairy Cows via DeepLabCut-Based Limb Decomposition

　　

摘要：

及时识别奶牛的异常行为对于预警跛行、检测疾病以及评估其福利状况至关重要。然而，传统方法依赖整体特征，难以区分姿势相似的正常与异常行为。本文提出了一种基于DeepLabCut框架的分层方法，涵盖关键点检测、肢体分解以及异常行为识别。在由约4,000帧标注数据构成的18关键点牛只姿态数据集上，采用了两种场景分离的贝叶斯优化姿态网络——用于单头牛图像的ResNet101+BO，以及用于多头牛图像的自上而下的ResNet101+BO，这两种网络可作为骨架源，并能在推理时实现动态切换。这18个关键点被划分为五个功能性的肢体区域。通过提取几何特征（关节角度、标准化肢体长度及区域质心）和运动特征（速度、步态周期、肢体协调性及步态对称性），构建出40维的结构化特征向量。该异常行为检测框架结合统计阈值与机器学习技术，可自动检测跛行、步态异常以及进食异常。实验结果表明，使用极端梯度提升算法时，该方法的行为识别准确率为91.6%，异常步态检测的灵敏度为86.4%，特异性为93.1%。在真实的养殖视频中，该系统的跟踪成功率为96.5%，处理速度可达每秒28帧。这项研究将姿态估计与异常行为理解相结合，为奶牛的早期跛行预警及健康管理提供了自动化的技术路径。