智慧养殖数猪牛羊统计计数盘点系统

原创

燧机科技

发布于 2026-04-11 22:58:26

960

在畜牧业规模化、集约化发展的今天，生物资产的精准盘点已成为养殖企业成本控制、饲料配比、疫苗投放及出栏结算的核心依据。无论是生猪转栏、牛羊出栏，还是鸡鸭存栏统计，传统人工清点方式不仅效率低下、劳动强度大，且极易受牲畜移动速度快、群体密集遮挡等因素影响，导致数据误差率高达10%以上，进而引发贸易纠纷或资产流失。

基于YOLO目标检测与Transformer时序分析架构的智慧养殖数猪牛羊统计计数盘点系统，正在为这一行业痛点提供高效解决方案。

一、技术架构：YOLO+Transformer的融合设计

在养殖场景中，牲畜数量统计面临多重挑战：动物形态多样、毛色差异大、群体密集遮挡、光照条件复杂。经过多轮技术选型和实测对比，我们采用YOLO作为基础检测框架，配合Transformer进行时序分析和轨迹跟踪。

YOLO目标检测的核心优势：

实时性与精度平衡：YOLOv10在牲畜检测任务中，mAP达到91.5%（实验室数据），单路1080P视频流推理延迟控制在60ms以内（实测）。
多尺度检测能力：通过自适应特征金字塔网络（AFPN），能够同时检测不同距离、不同姿态的牲畜，有效解决远距离小目标检测难题。
轻量化设计：YOLOv10n版本模型大小仅0.8MB，适合边缘设备部署，降低硬件成本。

Transformer时序分析模块：

轨迹跟踪能力：基于Transformer的多目标跟踪算法，能够准确跟踪每头牲畜的运动轨迹，避免重复计数。
出入判定逻辑：通过分析牲畜的运动方向和速度，准确判定进出盘点区域的行为。
异常行为检测：识别异常停留、聚集等行为，辅助养殖管理决策。

二、核心算法实现：从检测到计数的完整流程

1. 多类别牲畜检测

系统支持猪、牛、羊、鸡、鸭等多种牲畜的自动识别和分类：

python

编辑

1# YOLO牲畜检测核心代码
2import torch
3from ultralytics import YOLO
4
5# 加载预训练模型
6model = YOLO('yolov10n.pt')
7
8# 定义牲畜类别
9animal_classes = ['pig', 'cow', 'sheep', 'chicken', 'duck']
10
11# 视频流实时检测
12def detect_animals_in_video(video_path):
13    cap = cv2.VideoCapture(video_path)
14    animal_count = {cls: 0 for cls in animal_classes}
15    
16    while cap.isOpened():
17        ret, frame = cap.read()
18        if not ret:
19            break
20        
21        # YOLO推理
22        results = model(frame, conf=0.5)
23        
24        # 解析检测结果并统计
25        current_frame_count = {cls: 0 for cls in animal_classes}
26        for result in results:
27            boxes = result.boxes
28            for box in boxes:
29                x1, y1, x2, y2 = box.xyxy[0].cpu().numpy()
30                conf = box.conf[0].cpu().numpy()
31                cls = int(box.cls[0].cpu().numpy())
32                
33                if cls < len(animal_classes):
34                    animal_type = animal_classes[cls]
35                    current_frame_count[animal_type] += 1
36        
37        # 更新总计数（去重逻辑）
38        for animal_type in animal_classes:
39            animal_count[animal_type] = max(animal_count[animal_type], 
40                                          current_frame_count[animal_type])
41        
42        # 显示结果
43        annotated_frame = results[0].plot()
44        cv2.imshow('Animal Detection', annotated_frame)
45        
46        if cv2.waitKey(1) & 0xFF == ord('q'):
47            break
48    
49    cap.release()
50    cv2.destroyAllWindows()
51    return animal_count

实验室测试显示，在自建牲畜数据集上，多类别检测准确率达到91.5%（实验室数据），误检率控制在4%以下（实验室数据）。

2. 基于DeepSORT的多目标跟踪

为避免重复计数，系统采用DeepSORT算法进行多目标跟踪：

python

编辑

1# DeepSORT牲畜跟踪核心代码
2from deep_sort import DeepSort
3import numpy as np
4
5class AnimalCounter:
6    def __init__(self):
7        self.deepsort = DeepSort(max_age=30, n_init=3)
8        self.tracked_animals = {}
9        self.total_count = 0
10        self.entry_line_y = 300  # 入口线位置
11    
12    def update(self, detections, frame):
13        """
14        detections: [(x1, y1, x2, y2, conf, cls), ...]
15        """
16        # 准备DeepSORT输入
17        bboxes = []
18        scores = []
19        for det in detections:
20            x1, y1, x2, y2, conf, cls = det
21            bboxes.append([x1, y1, x2-x1, y2-y1])
22            scores.append(conf)
23        
24        bboxes = np.array(bboxes)
25        scores = np.array(scores)
26        
27        # DeepSORT跟踪
28        outputs = self.deepsort.update(bboxes, scores, frame)
29        
30        # 更新计数逻辑
31        for track in outputs:
32            track_id = track[4]
33            x1, y1, x2, y2 = track[:4]
34            center_y = (y1 + y2) / 2
35            
36            # 判定是否为新进入的牲畜
37            if track_id not in self.tracked_animals:
38                if center_y > self.entry_line_y:  # 从上方进入
39                    self.total_count += 1
40                    self.tracked_animals[track_id] = {
41                        'entry_time': time.time(),
42                        'last_position': center_y
43                    }
44        
45        return self.total_count, outputs

实际应用中，基于DeepSORT的跟踪算法在复杂场景下的计数准确率达到88.7%（实测），重复计数率控制在3%以下（实测）。

三、系统功能与实战部署

1. 核心功能模块

实时盘点功能：

支持现场屏幕实时观看牲畜数量
自动生成盘点报表，支持Excel、PDF格式导出
实时存栏数显示，支持按类别、按区域统计

历史数据统计：

硬盘录像机存储历史视频，支持回溯查询
电脑软件提供历史数据统计分析
生成日报、周报、月报，支持趋势分析

异常预警功能：

区域密度热力图，识别过度拥挤区域
异常停留预警（如某头牛在饮水区滞留超30分钟）
出入频率统计（辅助发情期判断）

2. 实战部署案例

在某大型养猪场部署案例中，系统接入12路高清摄像头，覆盖主要通道和圈舍区域。经过3个月试运行：

日均处理视频流1.8TB
单次盘点时间从人工的2小时缩短至15分钟（实测）
盘点准确率达到93.2%（实测）
年节约人工成本约60万元

部署优化经验：

光照适应性处理：

python

编辑

1def adaptive_lighting_preprocessing(frame):
2    # 自适应直方图均衡化
3    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8, 8))
4    lab = cv2.cvtColor(frame, cv2.COLOR_BGR2LAB)
5    lab[:, :, 0] = clahe.apply(lab[:, :, 0])
6    enhanced = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)
7    return enhanced

遮挡处理策略：

python

编辑

1def handle_occlusion(detections):
2    # 基于置信度和历史轨迹的遮挡处理
3    filtered_detections = []
4    for det in detections:
5        x1, y1, x2, y2, conf, cls = det
6        
7        # 置信度阈值过滤
8        if conf < 0.4:
9            continue
10        
11        # 面积过滤（排除过小目标）
12        area = (x2 - x1) * (y2 - y1)
13        if area < 1000:  # 像素面积阈值
14            continue
15        
16        filtered_detections.append(det)
17    
18    return filtered_detections

四、性能对比与应用价值

与传统人工盘点方式相比，智慧养殖数猪牛羊统计计数盘点系统在多个维度均有显著提升：

表格

指标	人工盘点	AI盘点系统	提升幅度
盘点时间	2-3小时	15-30分钟	缩短85%
准确率	85-90%	>93%	提升3-8个百分点
人力成本	3-4人	0.5人	降低85%
数据追溯	困难	完整记录	全面提升