SDGTrack:在多种养殖场景中用于猪的多目标追踪方法
Tao Liu1, Dengfei Jie1, Junwei Zhuang1
1College of Mechanical and Electrical Engineering, Fujian Agriculture and Forestry University, Fuzhou 350002, China.
Animals : an open access journal from MDPI
|June 13, 2025
概括
SDGTrack通过改进的多对象跟踪 (MOT) 算法来增强养猪业. 这种方法促进了在各种环境中的通用化,使得更准确的猪个体识别和健康监测成为可能.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 动物科学动物科学
背景情况:
- 多对象跟踪 (MOT) 算法对于现代养殖中的猪识别和健康监测至关重要.
- 现有的MOT模型面临的挑战是,由于存在显著差异,它们对不同的养猪环境具有普遍性.
- 缺乏适应能力限制了当前猪管理系统的效率和智能.
研究的目的:
- 开发一种先进的MOT方法,SDGTrack,可以在各种养猪场景中提高概括性.
- 提高跟踪模型在养猪场内不同环境领域的适应性.
- 为各种环境中的智能猪监测提供坚实的技术基础.
主要方法:
- 提出了SDGTrack方法,整合了域名适应性和优化跟踪策略.
- 使用来自十个不同的养猪环境的公共和私人数据构建了一个全面的多场景数据集.
- 用白天场景进行训练,并使用剩余的白天/夜间场景进行验证.
主要成果:
- SDGTrack实现了多对象跟踪精度 (MOTA) 的80.9%,IDF1得分为85.1%.
- 与原来的CSTrack.com相比,该方法显著减少了ID开关 (IDSW) 的94.6%.
- 与CSTrack相比,显示了显著的改进,MOTA增加了16.7%,IDF1增加了33.3%.
结论:
- SDGTrack在新和多样化的养猪环境中展现出强大的跟踪能力.
- 该方法显著提高了群体猪追踪技术的普遍性.
- 为不同养殖环境的智能猪监测系统提供了坚实的基础.
