基于视觉转换器的多摄像机多目标跟踪框架用于奶牛监控

活动和行为与奶牛健康和福祉相关，使得持续且准确的监控对于疾病识别和农场生产力至关重要。手动观察和频繁评估在活动监控方面既费力又不一致。本研究开发了一个独特的多摄像头、实时跟踪系统，用于室内养殖的Holstein Friesian奶牛。该技术使用最前沿的计算机视觉技术，包括实例分割和跟踪算法，以无缝且准确的方式监控奶牛活动。通过使用仿射变换对六个摄像头 feed 进行几何对齐，创建了集成的顶部 barn全景图。检测阶段使用在 overhead 牛数据集上训练的改进YOLO11-m模型，实现高准确率（[email protected] = 0.97，F1 = 0.95）。SAMURAI—an upgraded Segment Anything Model 2.1，生成像素级精确的奶牛掩码，用于实例分割，利用零样本学习和运动感知记忆。即使在遮挡和姿态变化的情况下，基于运动感知的线性卡尔曼滤波和基于IoU的数据关联也能可靠地识别随时间变化的奶牛。该系统在Deep SORT Realtime上显著优于多目标跟踪准确度（MOTA），分别为98.7%和99.3%，IDF1分数超过99%，身份转换几乎为零。该统一的多摄像机系统能够实时跟踪复杂室内环境中的奶牛。根据我们的数据，该系统减少了重叠摄像头之间的冗余检测，维持了奶牛在不同视点之间移动的连续性，旨在通过活动量化和行为分类提高早期疾病预测。