新闻网讯 近日，从计科学院传来好消息，该院研究生郭宇衡作为第一作者，在计算机与农业交叉领域顶级期刊《Computers and Electronics in Agriculture》（期刊近5年影响因子为10.7）发表题为“PB-DETR: multi-behaviour recognition of group-housed pigs with adaptive liquid neural network encoder and dynamic supervision”的研究论文，提出一种针对复杂养殖环境下群养生猪多行为识别难题的PB-DETR框架，为跨场景条件下的生猪行为自动识别提供了新的技术思路。
复杂养殖环境下的生猪行为视觉识别，是计算机视觉技术与现代畜牧业生产需求相结合的典型交叉研究问题。通过机器视觉与深度学习技术，可将传统依赖人工观察的生猪行为监测转化为自动化、连续化的视觉感知过程，为生猪健康预警、生产管理和养殖决策提供数据支撑。然而，真实规模化养殖环境中的光照变化、个体遮挡、圈舍背景差异以及生长阶段带来的尺度变化，使计算机视觉模型面临明显跨场景适应问题，同时也对人工智能技术在实际养殖生产中的稳定应用提出更高要求。
针对上述来源于实际养殖场景的视觉感知需求，研究团队将液体神经网络机制引入Transformer编码器，设计自适应液体时间常数增强模块，构建多尺度特征交互和动态质量感知优化策略，进而降低模型对固定背景信息的依赖，提升分类与定位任务之间的协同性。
团队构建了涵盖4个典型养殖环境的多场景数据集，共对9768幅图像进行标注，累计标注生猪行为框81016个，并基于该数据集开展跨场景测试。实验结果显示，基于PB-DETR框架构建的模型平均精度（mAP）达到0.893，参数量为14.58M（百万），计算量为49.12GFLOPs（十亿次浮点运算）；在不同养殖场景之间的测试中表现出较好稳定性。
“相关研究从真实养殖场景出发，针对背景差异和场景变化对识别稳定性的影响开展方法研究，在提升模型跨场景适应性方面进行了探索，可为规模化养殖环境中的生猪行为自动监测和智能化管理提供技术参考。”郭宇衡介绍。
该成果是计算机科学学院依托科研项目开展研究生科研训练、推进计算机视觉与智慧农业交叉形成的阶段性成果。研究得到国家自然科学基金面上项目资助。（计科学院供稿）
（审核 秦良斌 刘波涛 编辑 李胜杰）
