《Scientific Data》:SowPostureDS: A Multi-Class Image Dataset for YOLO-Based Detection of Sow Postures in diverse Farrowing Systems
编辑推荐:
对母猪姿态进行准确检测能够为动物活动提供有价值的信息,而动物活动是健康、福利和生产性能的关键指示指标。尽管基于可穿戴传感器的活动监测已成为奶牛等部分畜种的标准方法,但由于实际应用挑战,其在养猪生产中的应用仍较为有限。计算机视觉(CV)和人工智能(AI)的进展提
对母猪姿态进行准确检测能够为动物活动提供有价值的信息,而动物活动是健康、福利和生产性能的关键指示指标。尽管基于可穿戴传感器的活动监测已成为奶牛等部分畜种的标准方法,但由于实际应用挑战,其在养猪生产中的应用仍较为有限。计算机视觉(CV)和人工智能(AI)的进展提供了一种替代方案,使得对猪行为的非侵入式监测成为可能。然而,开发稳健的CV模型需要大规模且具有多样性的数据集,以覆盖饲养环境和视觉条件的变异性。为解决这一限制,研究人员提出了SowPostureDS,这是一个由14,400张带标注母猪图像构成的数据集,来源于不同分娩系统。图像从长期视频记录中提取,并依据一致方案人工标注为4种姿态类别。该数据集反映了圈舍设计、光照条件以及仔猪存在情况的异质性,为构建在多样化环境中具有更高稳健性的CV模型提供了有价值的资源。一个应用案例表明了该数据集的适用性:在SowPostureDS上训练的模型能够达到较高准确率,并且可通过仅需极少附加数据的迁移学习(transfer learning)有效适配未见环境。
该文发表于《Scientific Data》,主要发布并验证了一个面向母猪姿态识别的开放数据集SowPostureDS,旨在为精准畜牧业中的非接触式行为监测提供标准化数据基础。研究背景在于,动物活动监测是精准畜牧系统的重要组成部分,活动模式可反映健康状态、福利水平与生产性能。对母猪而言,活动变化及姿态改变与分娩事件、健康障碍及福利受损密切相关。当前在反刍动物中,计步器和加速度计等可穿戴设备已广泛用于发情识别或跛行检测,但在猪生产中,同类方法推广有限,原因主要包括育肥周期较短、设备固定和维护困难,以及佩戴装置可能丢失、损坏或干扰自然行为。因此,基于摄像机的计算机视觉(CV)监测被视为更具应用前景的替代路径。
既有研究已尝试利用运动模式分析、像素级动态变化或特征跟踪算法估计猪只活动,但传统CV方法难以稳定处理多只外观相似个体的追踪任务,且基于像素变化的活动估计容易受光照变化和视频质量波动影响。为克服上述问题,深度学习(DL)中的目标检测与姿态分类方法开始用于直接识别母猪在图像中的位置及其姿态类别,从而为活动强度和行为状态提供更具可解释性的表征。然而,现有相关研究多依赖单一环境数据集,且公开可用资源稀缺,限制了模型在跨场景条件下的泛化能力。研究人员因此构建SowPostureDS,以提升母猪姿态检测模型在不同分娩环境中的稳健性、可迁移性和可复用性,并推动符合FAIR原则的数据共享。
在方法层面,研究人员整合了3个德国公开资助研究项目的数据来源,分别对应3种不同环境(Env A–C),样本来自德国不同农场与研究设施的长期视频记录;从人工筛选视频中按母猪活动水平以可变时间间隔抽帧,使用LabelMe 5.2.1进行边界框标注,并依据统一标准将姿态划分为lying lateral、lying、sitting和standing四类;剔除无法明确判定的过渡姿态图像;随后将.json标注转换为YOLO.txt格式,形成每个环境4,800张、总计14,400张的平衡数据集。研究还通过10%平衡子集计算观察者间一致性,Cohen’s Kappa系数为0.96。技术验证中采用Ultralytics YOLOv11x架构,并结合留一环境验证、未见环境测试和迁移学习评估数据集效用。
研究结果部分可概括如下。
Background & Summary
研究人员系统阐述了母猪活动与姿态监测在健康、福利和繁殖管理中的重要价值,并指出猪生产领域在可穿戴监测上的现实障碍,论证了基于CV与AI的非侵入式监测方案的必要性。文章进一步指出,构建鲁棒模型的核心瓶颈并非算法本身,而是缺乏覆盖多种圈舍结构、照明条件和仔猪干扰情形的异质性公开数据集。因此,SowPostureDS的建立具有明确的问题导向:通过多环境、平衡分类和开放共享的数据资源,支撑更具泛化能力的母猪姿态检测模型开发。
Methods
研究人员说明了数据集构建流程。3个环境在栏舍类型、摄像视角、采集时期和记录批次上存在明显差异,夜间均采用红外(IR)照明。为确保数据具有代表性,所选视频需覆盖不同个体、不同栏位、4种姿态、昼夜条件以及仔猪出现与否等情形。图像标注时,每张图仅对目标栏内母猪设置一个边界框,邻栏部分可见个体不纳入标注。姿态判定依据母猪躯体相对地面的空间位置及肢体支撑状态,尤其强调对lying与sitting这类视觉相近姿态的区分。所有标注由两名训练有素的观察者完成并交叉审核,高一致性验证了标注协议的可靠性。研究还明确未设置独立“过渡姿态”类别,其原因在于过渡姿态视觉异质性过高,不利于形成稳定训练模式。
Ethics approval
该数据集完全基于商业化饲养条件下的非侵入式视频采集,不涉及实验性处理、取样、治疗或安乐死操作。动物管理遵循德国动物福利法规(TierSchNutztV),项目方案经相应动物福利官员审查批准。这部分结果表明数据采集过程符合伦理规范,也增强了数据用于后续研究与方法比较的可接受性。
Data Records
研究人员公开了SowPostureDS在Christian-Albrechts-University Kiel数据仓储中的存储方式与文件结构。数据集以“SowPostureDS.zip”压缩包形式提供,采用YOLO目标检测结构,包含images/与labels/两个主文件夹,图像统一为1280 × 800像素的.jpg格式,标注文件为对应YOLO.txt格式。每个标注文件仅含1个对象,记录
五个字段,除类别编号外,其余值归一化到[0, 1]区间。该规范化结构有利于研究者直接用于YOLO系模型训练与复现。
Data Overview
研究结果显示,该数据集总计包含14,400张标注图像,来自3个环境,每个环境4,800张,每种姿态在各环境中均为1,200张,实现了类别均衡分布。文章还从图像亮度、对比度和RGB通道像素强度分布等层面表征了数据集的视觉属性,表明该数据集确实涵盖了不同环境和昼夜条件下的显著视觉变异。边界框中心点的归一化空间热图则揭示了不同栏舍约束条件下母猪空间位置分布的差异。这些描述说明SowPostureDS不仅在类别上平衡,也在环境和视觉条件上具有多样性,是其支撑泛化建模的重要基础。
Technical Validation
这是论文最核心的验证部分。首先,研究人员以全部数据构建训练集、验证集和测试集,按7:2:1比例划分,分别为10,080张、2,880张和1,440张,使用Ultralytics YOLOv11x模型训练250个epoch。结果表明,在包含3个环境的域内评估中,Precision、Recall和mAP均超过0.955,说明仅依赖SowPostureDS便可训练出高性能母猪姿态检测模型。训练曲线进一步显示,在早期epoch中性能快速提升,随后稳定于较高水平,表明训练过程稳定。
其次,为评估跨环境域偏移(domain shift)的影响,研究人员实施留一环境(LOO)验证,即用其中2个环境训练、在剩余1个环境测试。所有组合中性能均低于域内基线结果,说明不同饲养环境之间确实存在显著域差异,单一或有限环境数据不足以充分覆盖整体变异性,也表明没有任何单一环境能够代表完整数据集中的全部复杂性。
再次,研究人员使用一个先前未见的新环境Env D进行跨域测试。Env D来自德国Bad Sassendorf,额外构建了500张标注图像,每类姿态125张。以在Env A–C上训练的基线模型直接测试Env D时,性能虽优于部分LOO情形,但仍低于域内基线,表明多环境联合训练能够提升跨域鲁棒性,但仍无法完全消除新环境带来的分布差异。
最后,研究人员采用迁移学习(transfer learning)评估模型适应新环境的能力。从Env D中随机选取40张图像(每类10张)加入训练过程,按7:2:1划分为训练、验证和测试子集后,在相同条件下重新训练模型,并用其余460张图像评估。结果显示,迁移学习后Precision、Recall和mAP均显著提高,接近域内基线水平。从类别层面看,standing姿态在未适配跨域测试中表现相对较弱,但经迁移学习后提升最为明显;lying lateral与lying也取得显著增益;sitting虽有所改善,但仍相对较难识别。混淆矩阵分析表明,错误主要发生在视觉相近类别间,尤其是sitting易与standing和lying混淆。迁移学习显著减少了类间混淆,使预测更集中于对角线位置,体现出更好的类别可分性。与此同时,部分姿态的背景漏检有所增加,说明模型在新环境适配后对不确定样本的拒识更为谨慎,减少了错误归类。
Usage Notes
研究人员指出,若实际应用场景仅需检测图像中央栏位中的母猪,可对图像边缘进行遮罩或变暗处理,以减少邻栏母猪在边缘区域引发的误检。尽管文中验证模型未使用此预处理且已取得良好性能,但该建议为后续部署优化提供了实用方向。
综合来看,SowPostureDS的主要结论是:该数据集为母猪姿态检测提供了一个结构规范、类别平衡、环境多样且公开可得的数据资源;基于该数据集训练的YOLO模型在多环境条件下能够实现高精度检测;将多个环境联合纳入训练可提高模型对未见场景的泛化能力;当面临新的饲养环境时,仅需极少量附加样本即可通过迁移学习显著提升模型性能。这些结果说明,SowPostureDS不仅可用于姿态检测,还为基于视觉的活动识别、福利评估和繁殖管理研究奠定了数据基础,并通过开放共享降低了精准养猪研究与应用的进入门槛。
研究结论可译为:SowPostureDS为在分娩环境中开发稳健的母猪姿态检测计算机视觉模型提供了支撑。该数据集覆盖多个异质化环境,能够训练出在已知环境中表现优异、并可借助少量新环境样本通过迁移学习有效适配未知环境的模型。作为符合FAIR原则的开放数据资源,其有助于提升动物科学研究数据的透明性、可重复性与可获取性,并推动猪生产中基于摄像机的实用化监测方案发展。