人工清点猪只费时费力，且在高通量场景下容易出错。基于目标跟踪算法的计数方法由于目标密集、频繁遮挡以及外观高度相似，容易导致计数高估。此外，这些方法无法识别并计数离开监控画面后重新进入的猪只。研究人员整合现有方法，设计了一个实用的计数框架，该框架集成了多目标检测跟踪与跨线计数（cross-line counting）。该方法使用YOLOv11和ByteTrack算法从视频数据中提取每头猪的实时运动轨迹和唯一身份（ID）标签。当猪在连续两帧中的轨迹分布在计数线的两侧时，即视为完成一次穿线，随后根据其穿线方向更新计数。实验结果表明，YOLOv11m在检测精度与计算效率之间取得了较好的平衡，是此任务的最佳选择，其mAP50达到97%，mAP50-95达到85%，推理速度为151.52 FPS。与基于ID的计数方法（ByteTrack和DeepSort）相比，跨线计数策略在三个测试视频中与真实值（ground-truth）结果基本一致（99.86%），平均计数精度分别提高了39.22%和25.98%。其推理速度为34.9 FPS，超过了相机25 FPS的数据采集率，满足实际应用需求。当计数线位于视频中间时计数性能最优。此外，该策略能准确识别离开后又重新进入监控视野的行为，并实时更新其进出状态。本研究成果为建立移动猪只的高精度计数系统提供了实践基础和技术支持，有助于降低牲畜交叉感染风险，确保数据统计可靠性，并提高行业监管效率。
研究背景及意义
在现代化大规模农业生产中，准确清点猪只数量是猪场资产管理和生产指标汇报的重要基础，涉及猪只转入新设施、不同生长阶段转移以及运输至屠宰场等多种场景。目前，最常用的方法仍是由饲养员人工清点，但由于猪只运动不可预测，尤其是在将体型较小、移动迅速且易掉头的保育猪转群至育肥舍的过程中，人工计数不仅劳动强度大、耗时长，而且极易出错，导致生产记录不准。随着养殖规模扩大与农业劳动力短缺矛盾加剧，自动化计数方法的需求日益迫切。现有的接触式方法（如无线射频识别RFID）存在信号传输间隙多、数据丢失率高、设备与维护成本昂贵等问题；传统的基于多目标检测跟踪的视觉计数方法则高度依赖目标的连续身份（ID），在猪只密集、频繁遮挡及外观相似的情况下易发生身份切换（ID Switch），且无法处理猪只离开监控区后重新进入（re-entry）而导致的重复计数问题。为此，研究人员开展了基于多目标检测跟踪与跨线计数的通道猪只实时智能计数研究，并发表在《Smart Agricultural Technology》，旨在解决上述动态场景下的计数高估与重复计数难题，为精准畜牧管理提供可靠的技术支撑。
关键技术方法
研究人员采用的主要关键技术方法包括：使用安装在转群通道侧壁约2米高处的鱼眼相机（DH-IPC-EBW8630）采集1280×720分辨率、25 FPS的视频数据（样本来自上海HuMu信息技术有限公司，包含大约克夏猪Landrace和杜洛克猪Duroc）；以1秒间隔抽帧构建1556张图像的YOLO训练数据集（按8:2划分训练集与验证集），标注类别含Landrace、Duroc、Person和Baffle，并采用Mosaic数据增强、HSV色彩空间变换及水平翻转；选用YOLOv11系列（n, s, m, l, x）进行猪只检测，通过精度（mAP50、mAP50-95）与效率（Params、FLOPs、FPS）指标筛选最优模型；采用ByteTrack多目标跟踪算法获取猪只实时位置与唯一ID，并结合卡尔曼滤波与交并比（IoU）匈牙利匹配策略；提出跨线计数（cross-line counting）算法，在视频帧中央设置水平计数线，依据连续两帧中猪只检测框中心点相对于计数线的位置变化（sign(yprev- yline) × sign(ycurr- yline) < 0）判断穿线事件与方向（IN/OUT），进而增减计数；选取三个独立测试视频（分别测试品种识别计数、re-entry现象识别、高通量复杂场景稳定性）与两种基于ID的基线方法（ByteTrack、DeepSort）进行对比，以计数精度（CA）和平均计数精度（ACA）及FPS作为评估指标。
研究结果
3.1 检测模型性能（Performance of detection models）
研究人员系统训练并评估了5种不同尺度的YOLOv11模型。结果表明，YOLOv11m在mAP与计算成本之间达到了最优平衡：其mAP50为0.97，mAP50-95为0.85，精确率（Precision）为0.956，召回率（Recall）为0.952，推理速度达151.52 FPS。相较于YOLOv11n和s，其mAP50-95分别提升2.4%和0.9%；相较于YOLOv11l和x，推理速度分别提升45.5%和139.1%，且部分精度指标更优。因此，研究人员选定YOLOv11m作为后续计数实验的检测器。
3.2 视频计数性能（Performance of video counting）
研究人员将跨线计数法与基于ID的ByteTrack及DeepSort计数法进行对比。结果显示，跨线计数法在三个测试视频上均与人工真值高度一致，平均计数精度（ACA）达99.86%，相比ByteTrack（60.64%）和DeepSort（73.88%）分别提升39.22%和25.98%。其推理速度为34.9 FPS，虽略低于ByteTrack（49.7 FPS）和DeepSort（40.9 FPS），但仍高于视频帧率25 FPS，满足实时应用需求。跨线计数法通过将计数解耦为基于空间约束的穿线事件检测，降低了对长期身份一致性的依赖，从而在密集、遮挡场景中显著提升了鲁棒性。唯一出现的误差（测试视频3中多计1头）源于检测模型对同一头猪生成了多个检测框（multiple detection），进而导致跟踪模型分配多个ID并各自完成穿线。
3.3 不同计数线位置的性能（Performance of different counting line positions）
研究人员分析了计数线置于视频顶部、中部和底部时的表现。结果表明，计数线位于视频帧中部时性能最优。因为当猪只完全处于相机视野中部时，检测与跟踪轨迹最规整；而在顶部（刚进入）或底部（即将离开）时，猪只可能仅部分可见，易被误判或导致跟踪距离过短/过长，从而引发漏计或ID Switch频率增加，最终影响计数精度。
3.4 “重新进入”计数性能（Performance of “re-entry” counting）
针对猪只离开监控视野后重新进入的“re-entry”现象，基于ID的计数法会因跟踪模型赋予新ID而导致重复计数（如实际5头计为7头）。而跨线计数法能有效识别该行为：当同一头猪重新进入并穿越计数线时，系统根据其运动方向准确执行加减计数，动态反映群内数量变化。即便在高通量的临时拥堵与频繁往返场景中，该方法仍能准确识别进出行为并输出正确计数。
3.5 当前局限性与未来研究（Current limitations and future studies）
研究人员指出，当前研究基于单一农场环境、固定相机设置和标准化通道结构，虽在测试条件下表现优异，但在不同场区布局、相机位姿、光照条件及猪流模式下的泛化能力尚需验证。未来计划收集多源数据集以系统评估并增强鲁棒性与泛化性；引入重复框抑制、时间平滑等后处理策略以进一步降低多检测或不稳定轨迹引发的误差；探索双计数线（double-cross-line counting）等额外准则；优化检测模型参数规模与计算复杂度，以便部署于边缘计算节点或嵌入式平台，并结合物联网（IoT）技术构建集实时数据采集、边缘处理与云端协同管理于一体的猪场智能监控平台。
讨论与结论总结
讨论部分指出，传统基于区域的图像计数法难以扩展至更大群猪只，扩展视野会增加成本；而本研究采用的通道侧墙悬吊相机结合跨线事件计数，有效解决了多目标跟踪中ID Switch导致的计数高估，并能准确识别re-entry行为。跨线计数法具有计数触发条件清晰、灵活可调适不同通道场景等优势。但当前结论应被视为特定测试条件下的证据，而非普适鲁棒性的证明。
结论指出，研究人员集成多目标检测跟踪与跨线计数，设计了适用于猪只转群通道的实用计数框架。YOLOv11m被选为最优检测器；跨线计数法相比ByteTrack和DeepSort，平均计数精度分别提升39.22%和25.98%，穿线计数推理速度34.9 FPS满足实时性，计数线居中最优，且能准确动态反映re-entry进出行为。未来将聚焦于模型轻量化与结构优化，部署于边缘平台，并结合IoT构建农场猪只管理智能监控平台，为通道移动保育猪的高精度计数提供实践基础与技术支持，同时助力降低牲畜交叉感染风险与提升行业监管效率。
要不要我帮你把这篇解读里的关键实验数据（如各模型mAP、FPS对比）整理成更易读的要点清单？
