基于改进FairMOT的实时群养生猪智能跟踪

为解决群养生猪多目标跟踪中的挑战,如猪只外观相似、互相遮挡和动态交互等导致的身份识别错误、跟踪不连续问题,提出一种改进型FairMOT模型。该模型在主干网络中嵌入EMA注意力机制,优化下采样阶段的特征图,增强猪只位置特征的表达能力。同时,引入区分特征学习网络,通过加强不同猪只之间外观特征的细粒度差异,提高个体间的区分度。此外,模型采用特征匹配、IoU匹配和遮挡恢复匹配的三阶段策略,以增强跟踪的准确性。测试结果显示,改进FairMOT在高阶跟踪精度HOTA、多目标跟踪准确率MOTA、多目标定位精度MOTP、识别F1得分等关键指标上表现卓越,在自制数据集的平均得分分别达到85.87%、96.53%、96.07%和94.82%,明显优于原始FairMOT和其他五种跟踪器。且在不同光照和遮挡条件下,其展现出高准确性和稳定性,证明在复杂环境中的有效性和实用性。