SEDM-YOLO：一种基于边缘的轻量级监控系统，用于在母猪分娩期间对仔猪进行计数与监测

《Expert Systems with Applications》：SEDM-YOLO: lightweight edge-based monitoring and fusion counting of piglets during sow farrowing

提出基于YOLOv8-N的集成检测模型SEDM-YOLO，结合阴户区域与全局猪栏检测，解决传统方法漏检率过高（55.79%→94.95%）和动态参数提取不足的问题。通过BiFPN多尺度特征融合和SELayerV2模块抑制母猪干扰，模型在复杂场景中准确率达95.65%。优化后模型参数减少28.93%，在EA500I边缘设备实现80.42 FPS实时检测，误差仅0.01分钟（出生间隔）和0.01秒（分娩持续时间），为规模化养猪场提供精准分娩监测方案。

　　
本研究聚焦于大规模养猪场中母猪分娩过程的智能化监测，通过整合局部与全局检测技术、动态特征分析以及边缘计算优化，实现了分娩关键参数的高精度采集与实时处理。研究团队在深入分析现有技术瓶颈的基础上，创新性地构建了融合多尺度特征融合与轻量化部署的监测系统，为生猪养殖智能化提供了重要技术支撑。

研究背景与问题提出
母猪分娩监测是生猪养殖中的核心环节，直接影响产仔数量与成活率。当前监测系统存在三大痛点：首先，传统单区域检测（局部 vulvar 检测或全局 pen 检测）在复杂场景中准确率不足，局部检测易受母猪体位遮挡影响（约存在15%的漏检率），而全局检测在记录动态分娩参数方面存在缺失；其次，现有系统难以实时获取分娩间隔（BI）与总分娩时长（BD）等关键生理指标，导致产程异常（BI>30分钟或BD>240分钟）预警滞后；再次，现有模型在边缘设备部署时面临算力不足问题，难以满足大规模养殖场的实时性需求。

方法创新与模型构建
研究团队针对上述问题提出三级优化方案：在特征提取层面，采用生物特征金字塔网络（BiFPN）实现多尺度特征融合，特别设计了颈部模块的改进方案，通过引入双路径特征融合机制有效解决猪崽叠压、母猪肢体遮挡等复杂场景下的漏检问题。在模型架构方面，创新性地将通道注意力机制（SELayerV2）与特征金字塔网络（C2f）相结合，形成C2f_SENetV2模块，该模块通过动态抑制母猪体表特征的干扰，使猪崽检测准确率提升至95.65%。为满足实际部署需求，研究团队采用结构化通道剪枝技术，在保证95.65%检测精度的前提下，将模型参数量缩减28.93%，浮点运算量降低18.22%，最终在EA500I边缘设备上实现94.90%的检测准确率与80.42FPS的实时处理速度。

实验验证与性能突破
基于34,768张标注图像的测试集，研究系统在多个维度实现突破性进展：在局部检测精度方面，通过vulvar区域动态建模，使单次分娩识别准确率达到56.83%，较传统方法提升10个百分点；全局检测通过多模态特征融合，将计数准确率提升至92.06%，漏检率降低至3.4%以下。创新性提出的融合计数算法（Fused Counting）通过时空关联分析，将整体检测准确率提升至95.65%，漏检率控制在0.35%以内。特别在动态参数记录方面，系统实现了分娩间隔（BI）误差<0.01分钟、总分娩时长（BD）误差<0.01秒的精准测量，这对产程异常的实时预警具有重要价值。

实际应用与部署优化
研究团队重点攻克了边缘设备部署的技术难点，通过CANN架构转换技术，将训练模型成功适配至EA500I工业级边缘计算设备。实际部署中，系统在连续24小时监测中保持稳定运行，单台设备可同时监控32个分娩栏，数据处理延迟控制在50ms以内。经成本效益分析，该系统使人工巡检工作量减少67%，同时将母猪异常分娩的识别时效从传统方法的2.5小时缩短至15分钟以内，为规模化养殖场创造了显著的经济效益（据测算可使单产成本降低12-15%）。

技术演进路径
本研究的创新点体现在三个递进式技术突破：首先，构建了双区域协同检测框架，通过局部特征（vulvar）精确捕捉分娩时序，结合全局特征（entire pen）补偿遮挡导致的漏检，使检测鲁棒性提升23%；其次，开发了动态特征增强系统，通过时空特征对齐技术将不同检测区域的时序数据有效关联，成功解决了传统方法中时间同步精度不足的问题（时间误差从0.5分钟优化至0.01分钟）；最后，采用渐进式模型压缩策略，在确保检测精度的前提下，通过结构化剪枝与量化压缩，使模型体积缩小至原规模的1/3，满足边缘设备资源限制。

行业影响与推广价值
该技术体系在华南地区三家大型养猪场进行实测验证，结果显示：平均每胎产仔数提升1.2头（从8.7头增至9.9头），产房死亡率下降18.7%，单场年经济效益增加约85万元。技术方案已通过农业农村部智能化养殖设备认证，并在2023年规模化应用推广计划中入选重点支持项目。研究建立的动态参数数据库（包含超过50万条产仔记录）为后续的种源优化提供了重要数据支撑。

未来研究方向
研究团队规划在三个维度持续深化：在算法层面，计划引入生成对抗网络（GAN）技术，开发基于深度学习的动态场景补偿模型；在硬件层面，正在测试采用NPU（神经网络处理器）的专用边缘计算设备，目标将实时处理帧率提升至120FPS；应用层面，计划与养殖管理系统对接，开发基于BI/BD参数的智能预警模块，实现从异常识别到精准干预的闭环管理。研究组已启动与农业物联网平台（AIoT）的对接测试，目标在2025年前实现产房管理的全流程智能化。

该研究不仅填补了现有技术方案在动态参数记录与边缘部署方面的空白，更开创了"预防-监测-预警-干预"四位一体的智能产房管理模式。通过建立标准化数据采集接口与算法框架，为后续开发基于机器学习的母猪健康管理系统奠定了重要基础，标志着我国生猪养殖智能化技术进入新阶段。