简要概述
精准的畜牧业养殖对于提升动物福利、优化农场管理以及提高生产效率至关重要。近年来，自动识别牛只行为的技术已成为实现持续且智能化的牲畜监测的重要手段。然而，夜间农场环境中的视频往往存在照明条件差、行为区域模糊以及运动信息不足等问题，这使得准确识别牛只行为变得十分困难。在本研究中，我们提出了一种基于时空增强与动态特征融合的新型夜间牛只行为识别方法。实验结果表明，该方法具有准确、稳健且能适应不同照明条件的特点，有望为实际夜间农场环境中的牛只行为自动监测提供解决方案。
摘要
牛只的行为能够为其健康状况提供重要信息。近年来，基于深度卷积网络的方法在牛只行为识别领域取得了显著成果。不过，这些方法在低光或黑暗环境下的稳定性仍有待提升，这限制了它们在真实农场环境中的应用。为解决这一问题，本研究在黑暗环境中构建了一个名为“黑暗环境下的牛只行为” 的真实数据集，该数据集是在实际夜间农场条件下收集的。该数据集包含来自30头牛的1097段视频片段，涵盖了奔跑、进食、饮水、梳理毛发、交配和争斗等6种行为类型。基于此数据集，我们提出了一种基于时空暗场增强与动态特征融合的新型神经网络架构，用于在黑暗环境中识别牛只行为。首先，设计了一个时空暗场增强模块，旨在在保留运动特征的同时提升黑暗环境下的视频质量；其次，引入了动态特征融合模块，以便自适应地整合不同分支的特征，从而获得更具区分度的特征表示。此外，还采用了联合损失函数来同时优化暗场增强与行为识别效果。在所构建的数据集上的实验结果显示，该方法的加权平均精确度为88.47%，加权平均召回率为80.18%，准确率为83.80%，加权平均F1值为84.12%。与其他先进方法相比，该方法在识别夜间牛只行为方面表现出优异的性能。这些研究成果将为精准农业中的智能牲畜行为识别与监测提供有力支持。
