内蒙古作为奶业振兴“主战场”和确保乳品质量安全“主阵地”，奶牛存栏、牛奶产量、乳制品产量均居全国首位。跛行是影响奶牛健康的三大疾病之一，直接导致奶牛产奶量下降、缩短寿命，而传统人工检测方法存在耗时费力和主观性强等问题，因此开发自动智能检测具有重要意义。

近日，内蒙古科技大学褚燕华副教授在《农业工程学报》上发表了题为“基于头颈背部关键点的奶牛跛行检测”的研究论文。该研究通过分析跛行奶牛行走时头部起伏较大且背部弓起的特点，提出了一种基于深度学习的奶牛头、颈、背部6个关键点的跛行检测算法。这一算法不仅为养殖场提供高效的跛行检测手段，还对提升牧场养殖管理效率及智能化水平具有重要意义。该研究得到2024年亚洲博彩平台排名自然科学基金项目支持。

“传统方法如接触式和非接触式传感器在奶牛跛行检测中各有缺点，前者易损坏，后者易受环境干扰。而计算机视觉和深度学习技术的应用为这一问题提供了新的解决方案，能够快速准确地对奶牛跛行进行检测。”内蒙古科技大学副教授褚燕华表示，研究团队通过固定摄像头采集奶牛行走视频，利用YOLOv8n-seg实例分割算法识别奶牛，并结合DeepLabCut算法提取头、颈、肩、背部中心、腰和尾部6个关键点坐标。经过对比分析，团队最终选择了ResNet-152作为最优主干网络，并提出了FN-BiLSTM模型用于跛行检测。

通过试验结果表明，FN-BiLSTM算法在包含16头奶牛16段视频的测试集上，跛行识别的准确率达到了97.16%。这一成果不仅验证了算法的有效性，还为养殖场提供了可靠的技术支持。研究团队还通过对比不同模型的表现，进一步验证了结合实例分割与多关键点检测策略的优越性。

此外，研究团队详细分析了试验环境和技术细节，包括Ubuntu 18.04.6 LTS操作系统、Intel i9-9900K CPU、NVIDIA GeForce GTX 3090Ti GPU等硬件配置，以及YOLOv8n-seg模型在奶牛实例分割中的高精度表现（精确率99.97%、召回率100%、mAP 99.5%）。通过消融试验和对比试验，团队进一步验证了FN-BiLSTM模型在精确率、召回率和准确率上的显著优势。

此项研究不仅为奶牛跛行检测提供了新的技术路径，还为智能化养殖管理提供重要参考。未来，研究团队将进一步优化算法，扩大试验规模，推动该技术在养殖业中广泛应用。