《Journal of Dairy Science》：Automated detection of asymmetrical udders in dairy goats using a camera and deep-learning model YOLOv12
编辑推荐：
本研究针对大型奶山羊养殖场中乳房不对称（乳腺炎重要临床标志）人工检测效率低下的问题，开发了一种基于YOLOv12深度学习模型的计算机视觉自动检测系统。研究通过采集4,321张标注图像进行模型训练，在测试集上取得了mAP50为0.891的优异性能。该技术为实现奶山羊乳房健康自动化监测提供了可靠解决方案，对提升动物福利和乳品质量安全具有重要意义。
随着全球对高品质山羊奶制品需求的持续增长，奶山羊养殖业正朝着规模化、集约化方向迅速发展。以荷兰为例，单个农场的平均养殖规模从2000年的366只激增至2023年的1,265只。然而，这种大规模养殖模式也带来了新的挑战——养殖人员难以对每只动物进行日常健康检查。其中，乳腺炎（mastitis）作为奶山羊最常见的疾病之一，不仅严重影响产奶量和动物福利，还会导致乳品安全问题。根据欧盟法规（853/2004），患乳腺炎山羊的乳汁禁止进入生产环节。
在临床实践中，兽医发现乳房不对称（udder asymmetry）是乳腺炎的一个重要指示标志。这种不对称可能源于急性炎症导致的单侧乳房肿胀，也可能是慢性炎症后结缔组织增生造成的乳房萎缩。尽管经验丰富的观察者能够识别这种不对称，但在拥有成百上千只动物的养殖场中，人工逐一检查不仅劳动强度大、成本高，还存在观察者间变异性的问题，使得不同农场或不同时间点的数据难以比较。因此，开发一种标准化、自动化的检测方法迫在眉睫。
在这一背景下，乌得勒支大学的研究团队开展了一项创新性研究，旨在利用计算机视觉和深度学习技术实现奶山羊乳房不对称的自动检测。他们的研究成果发表在《Journal of Dairy Science》上，为奶山羊健康管理提供了新的技术手段。
研究团队采用了几个关键技术方法：在荷兰一家典型奶山羊养殖场的旋转式挤奶厅中，使用智能手机摄像头（iPhone SE 2020）在三个不同时间点（2024年6月、11月和2025年3月）采集视频数据；由两位经验丰富的奶山羊兽医现场对1,633个乳房进行不对称评分（对称、左不对称、右不对称）作为金标准；从视频中提取并筛选出4,321张高质量图像进行标注，同时加入373张背景图像；采用YOLOv12-n（tiny版本）深度学习架构进行模型训练，并进行300次超参数优化迭代；使用平均精度均值（mean average precision，mAP）等指标在独立测试集上评估模型性能，并通过1,000次自助抽样法计算95%置信区间。
Inter-rater Agreement
两位兽医评估者间的一致性通过Cohen's kappa系数进行量化。结果显示，三天记录日的kappa值分别为0.62、0.54和0.75，总体kappa值为0.65，表明评估者间具有高度一致性。这一结果为后续模型训练提供了可靠的标注基础。
Model Performance on the Unseen Test Subdataset
经过训练和优化后的Udder_Asymmetry_Model在测试集上表现出色。整体mAP50（交集并集比阈值为0.5时的平均精度均值）达到0.891（95% CI：0.869–0.912），mAP50–95（交集并集比阈值从0.5到0.95的平均精度均值）为0.766（95% CI：0.747–0.789）。模型对所有三个类别都展现了均衡的性能：对称类别的mAP50为0.857，左不对称类别为0.930，右不对称类别为0.886。在置信度阈值为0.5的设置下，模型对单张图像的推理时间约为80毫秒，满足实时检测的需求。混淆矩阵分析显示，模型最难区分的是右不对称案例和对称乳房，这主要是由于山羊身体弯曲姿势导致的乳房轻微旋转或不对称性过于细微。
DISCUSSION
本研究成功开发并验证了首个用于自动检测奶山羊乳房不对称的深度学习模型。Udder_Asymmetry_Model的性能与已在其他农业动物计算机视觉应用中报道的模型性能相当，例如山羊身份识别（mAP50= 0.838）或行为监测（mAP50= 0.975）模型。与使用红外热成像技术检测奶牛乳腺炎的研究（mAP50= 0.857）相比，本研究仅使用普通可见光摄像头，更具实用性和推广价值。
研究的一个重要优势在于数据收集和标注质量。通过在同一农场三个不同季节采集数据，并邀请两位资深兽医现场评分，确保了数据的一致性和标注的准确性。同时，采用最先进的YOLOv12架构并进行系统的超参数优化，进一步提升了模型性能。
然而，研究也存在一些局限性。首先，模型仅在旋转式挤奶厅环境下验证，在其他类型挤奶厅（如并列式或鱼骨式）中的适用性仍需进一步评估。其次，标注策略可能使模型对不对称检测过于敏感，因为只要有一位专家发现不对称，该样本就被标注为不对称类别。此外，研究未根据不对称严重程度进行细分，未来可考虑增加轻度、中度、重度等更多类别。
值得注意的是，乳房不对称并非总是由乳腺炎引起。乳房形态在一定程度上具有遗传性，因此不能将所有不对称案例都归因于乳腺炎。这也提示，该技术更适合作为群体水平的健康监测工具，而非个体诊断工具。
CONCLUSIONS
本研究证实了基于YOLOv12深度学习模型的计算机视觉系统能够准确、自动地检测奶山羊乳房不对称。该技术解决方案只需简单摄像头即可实现实时监测，为奶山羊乳房健康管理提供了有力工具。通过自动化监测乳房不对称，养殖者可以更早地发现（既往）乳腺炎病例，及时采取干预措施，从而改善动物健康、提升动物福利并保障乳品质量安全。这一技术符合农业5.0（Agriculture 5.0）的发展理念，将人工智能与畜牧业深度融合，推动养殖业向更智能、更可持续的方向发展。未来的研究方向包括在不同类型农场和不同山羊品种中验证模型性能，并将其集成到农场管理系统中，为养殖者提供直观、实用的决策支持。
