內蒙古作為奶業振興“主戰場”和確保乳品質量安全“主陣地”，奶牛存欄、牛奶產量、乳制品產量均居全國首位。跛行是影響奶牛健康的三大疾病之一，直接導致奶牛產奶量下降、縮短壽命，而傳統人工檢測方法存在耗時費力和主觀性強等問題，因此開發自動智能檢測具有重要意義。

近日，內蒙古科技大學褚燕華副教授在《農業工程學報》上發表了題為“基于頭頸背部關鍵點的奶牛跛行檢測”的研究論文。該研究通過分析跛行奶牛行走時頭部起伏較大且背部弓起的特點，提出了一種基于深度學習的奶牛頭、頸、背部6個關鍵點的跛行檢測算法。這一算法不僅為養殖場提供高效的跛行檢測手段，還對提升牧場養殖管理效率及智能化水平具有重要意義。該研究得到2024年內蒙古自治區自然科學基金項目支持。

“傳統方法如接觸式和非接觸式傳感器在奶牛跛行檢測中各有缺點，前者易損壞，后者易受環境干擾。而計算機視覺和深度學習技術的應用為這一問題提供了新的解決方案，能夠快速準確地對奶牛跛行進行檢測。”內蒙古科技大學副教授褚燕華表示，研究團隊通過固定攝像頭采集奶牛行走視頻，利用YOLOv8n-seg實例分割算法識別奶牛，并結合DeepLabCut算法提取頭、頸、肩、背部中心、腰和尾部6個關鍵點坐標。經過對比分析，團隊最終選擇了ResNet-152作為最優主干網絡，并提出了FN-BiLSTM模型用于跛行檢測。

通過試驗結果表明，FN-BiLSTM算法在包含16頭奶牛16段視頻的測試集上，跛行識別的準確率達到了97.16%。這一成果不僅驗證了算法的有效性，還為養殖場提供了可靠的技術支持。研究團隊還通過對比不同模型的表現，進一步驗證了結合實例分割與多關鍵點檢測策略的優越性。

此外，研究團隊詳細分析了試驗環境和技術細節，包括Ubuntu 18.04.6 LTS操作系統、Intel i9-9900K CPU、NVIDIA GeForce GTX 3090Ti GPU等硬件配置，以及YOLOv8n-seg模型在奶牛實例分割中的高精度表現（精確率99.97%、召回率100%、mAP 99.5%）。通過消融試驗和對比試驗，團隊進一步驗證了FN-BiLSTM模型在精確率、召回率和準確率上的顯著優勢。

此項研究不僅為奶牛跛行檢測提供了新的技術路徑，還為智能化養殖管理提供重要參考。未來，研究團隊將進一步優化算法，擴大試驗規模，推動該技術在養殖業中廣泛應用。