Detection of mounting behavior and mounted ewes in group-housed environments using HSM-YOLO algorithm
Yanchao Wang · Ming Gao · Zhixin Hua 等 6 人
提出HSM-YOLO算法，在群养环境下检测羊爬跨行为及被爬跨母羊，用于发情监测。
基于YOLOv11n改进，引入DWSConv、C3k2_BiRep、EMA和In
F1达88.1%、mAP达90.2%，参数量2.2M，较基线提升且更轻量，检测速度47.9 FPS。
可延伸至多物种发情行为细粒度识别与轻量化边缘部署，结合时序信息提升监测实时性。
提出HSM-YOLO算法实现羊只爬跨行为与受体母羊检测，为自动化发情监测提供高效方案，方法新颖、指标扎实，具行业参考价值。
检测羊只的爬跨行为及被爬跨母羊对于绵羊发情监测至关重要。然而，由于非性爬跨行为与性爬跨行为之间的相似性以及群养环境的复杂性，现有方法存在检测效率低和误检率高的问题。为解决这些挑战，本研究将爬跨行为细粒度分类为性爬跨和非性爬跨两类，并进一步提出了一种基于YOLOv11n架构的改进检测算法——湖羊爬跨-YOLO（HSM-YOLO），用于检测绵羊爬跨行为及相应的被爬跨母羊。HSM-YOLO算法采用深度可分离卷积（DWSConv）以降低模型复杂度。为提高行为特征提取和姿态判别能力，该算法进一步集成了C3k2_RepViTBlock-RepBottleneck（C3k2_BiRep）模块、高效多尺度注意力（EMA）模块以及Inner-SIoU损失函数。为评估所提算法的性能，在多场景数据集上进行了对比实验。实验结果表明，HSM-YOLO模型的F1分数达到88.1%，平均精度均值（mAP）达到90.2%，参数量为2.2M，浮点运算量为5.4G。与基线YOLOv11n模型相比，HSM-YOLO的F1分数提高了5.8%，mAP提高了5.7%，同时降低了模型参数量和计算复杂度。在RTX 4090上部署测试时，系统平均检测速度达到47.9帧每秒（FPS）。此外，尽管在四种不同成像场景下检测性能存在较大差异，HSM-YOLO始终展现出优越的检测精度。这些结果证实，HSM-YOLO为复杂多变场景下检测绵羊爬跨行为和被爬跨母羊提供了一种鲁棒且高效的解决方案，为自动化发情监测系统的开发奠定了基础。