基于改进DeepSORT的生猪跟踪及运动量评价研究.pdf
摘要
随着现代农业技术的发展，自动化养殖系统越发成为农业生产的关注焦点。有效
地监测生猪在养殖过程中的行为模式，及时识别其异常状态，对于早期诊断疾病、实
施干预措施至关重要。本研究利用先进的深度学习和视觉分析技术，探究了真实养殖
场景中对于群体生猪的多目标识别、追踪与运动量评价方法。具体的研究内容包括：
（1）优化生猪目标检测模型。通过对现有的YOLOv7模型进行调整，本文提出
了一种改进的生猪检测方法。核心改进包括：使用ShuffleNetV2作为主干网络，加入
CA注意力机制以及BiFPN特征融合技术。这套方法增强了模型对于小目标和多干扰
环境下目标的学习能力，显著提高了生猪检测的准确性，实验证明相比YOLOv7模
型平均精度提升了4.3个百分点。
（2）改良生猪多目标跟踪算法。结合改进后的YOLOv7检测模型，对DeepSORT
算法进行了优化，以提高生猪实时多目标跟踪的准确性和稳定性。改进措施包括对跟
踪算法的轨迹生成和匹配过程进行优化，引入二次IOU匹配减少ID错配。经过对多
段视频的测试，改进算法在主要性能指标上较DeepSORT算法都得到了显著提升，
其中MOTA提升了约8%，MOTP提升了约9%，并且IDS次数减少了65次。
（3）生猪运动量评价系统的实现。运用结合前期检测跟踪所得数据以及摄像机
成像原理，对生猪运动量进行统计，并采用行为锚定评级法对数据进行评估。参考相
关文献，形成了一套针对生猪运动量的评价表以及健康状况的评分系统。此外，系统
的用户界面是通过PyQt5工具设计完成的，整合了生猪识别、追踪以及运动量评价三
大功能模块。
关键词：运动量评价；YOLOv7；DeepSORT；单目视觉
II
目录
第一章绪论1
1.1研究背景和意义1
1.2国内外研究现状2
1.2.1生猪识别研究现状2
1.2.2生猪跟踪研究现状3
1.2.3生猪运动量评价研究现状4
1.3研究内容与章节安排5
第二章生猪识别与跟踪相关基础理论6
2.1YOLOv7模型6
2.2DeepSORT算法原理7
2.2.1算法流程7
2.2.2状态估计8
2.2.3匹配问题9
2.2.4级联匹配11
2.3本章小结12
第三章基于改进DeepSORT的生猪识别及跟踪13
3.1生猪数据集构建13
3.1.1生猪猪脸和姿态的定义13
3.1.2数据的采集与筛选14
3.1.3生猪数据集标注15
3.2DeepSORT算法改进17
3.2.1检测器改进17
3.2.2轨迹生成与匹配过程的改进24
3.3模型训练25
3.3.1改进YOLOv7模型训练25
3.3.2loss与map曲线对比分析25
3.4结果与分析26
3.4.1评价指标26
3.4.2识别实验结果与分析28
3.4.3跟踪实验结果与分析31
V
3.5