News & Featured Articles

中国农业科学院吴建寨团队提出：奶牛关键点检测与运动特征分析，为早期跛行识别带来新方法

• 奶牛不会说话，但它们走路的方式，其实一直在“透露”健康状态。

  在规模化牧场里，跛行是最常见、也最容易被低估的问题之一。它不仅影响奶牛采食、产奶和繁殖表现，还会带来持续的福利风险。难点在于，很多跛行并不是一眼就能看出来，尤其是轻度跛行，往往隐藏在步幅、抬蹄、点头、拱背这些细微动作变化里。也正因为如此，如何让机器像有经验的兽医一样“看懂奶牛走路”，成为智能养殖中的关键问题。

  近期，中国农业科学院农业信息研究所吴建寨团队完成的题为“Multi-scale keypoints detection and motion features extraction in dairy cows using ResNet101-ASPP network”的研究在Journal of Integrative Agriculture（《农业科学学报（英文）》，JIA）2026年5期发表。

  团队提出了一种ResNet101-ASPP奶牛关键点检测网络，不仅提升了复杂牧场环境下的关键点识别能力，还进一步从关键点轨迹中同步提取7类运动特征，用于区分健康、轻度跛行和重度跛行奶牛，为自动化跛行识别提供了新思路。

  为什么“看奶牛走路”这么难？

  实验室里的姿态估计，和真实牧场里的奶牛监测，完全不是一个难度级别。真实养殖场景中，奶牛会被栏杆遮挡、被同伴遮挡，也会因为拍摄距离不同、个体大小不同、光照变化和背景干扰，导致关键点检测变得困难。一旦关键点定位不准，后续的步态分析、运动特征提取，甚至跛行判断都会受到影响。传统依赖传感器的方法虽然能记录运动信息，但成本较高，还可能给奶牛带来额外应激；而只提取单一运动特征的方法，又很难完整反映跛行这种“全身代偿”现象。

  研究团队是怎么做的？

  为了让模型更接近真实应用场景，研究团队在奶牛场采集了267段视频、涉及108头奶牛，在剔除静止、奔跑和画面不清晰样本后，最终得到238段有效视频。拍摄条件覆盖5 m、7 m和9 m三种距离，同时包含不同光照和复杂背景。研究人员围绕奶牛的肢体、头部和脊柱，共设置了16个关键点，并选取2,385帧图像进行标注与模型训练。这样的数据设计，目的就是让模型不仅能“学会识别”，还要“经得起真实场景考验”。

  这项工作的关键创新在哪里？

  这项研究不是简单把现有姿态估计模型直接搬到奶牛身上，而是针对牧场环境中的遮挡和尺度变化，专门做了结构优化。团队以DeepLabCut为基础，先比较了多个骨干网络，最终选择表现最优的ResNet101作为主干，再把ASPP（空洞空间金字塔池化）模块引入浅层残差模块中，用不同膨胀率的并行空洞卷积来扩大感受野、增强多尺度特征提取能力。换句话说，就是让模型在面对“远处的小奶牛、近处的大奶牛、被遮挡的关键点”时，依然能尽量看得清、看得准。与此同时，团队还对关键点轨迹进行了平滑处理，进一步减少轨迹跳变带来的噪声干扰。

  

  更重要的是，研究没有停留在“把关键点找出来”这一步，而是进一步把关键点轨迹转化为可解释的运动学信息。基于16个关键点的连续轨迹，团队同步提取了7类运动特征：步态相关的步态跟随性、步态对称性、步进高度平衡性、运动速度差异性，头部相关的头部摆动幅度、头颈部斜率，以及脊背相关的背部曲率。也就是说，系统不只是“看见奶牛在走”，而是在分析它“怎么走、哪里不对、异常表现更像轻度还是重度”。

  结果怎么样？

  在骨干网络比较中，ResNet101明显优于MobileNet_v2_1.0、EfficientNet-b0和ResNet50，被选作后续改进的基线网络。引入ASPP后，改进模型的表现有了较大提升：训练误差和测试误差分别达到2.98像素和6.98像素；在5 m、7 m、9 m三种尺度下，预测置信度分别达到84.17%、96.79%和85.60%。与基线ResNet101相比，ResNet101-ASPP在三种尺度下的置信度分别提升2.35%、1.65%和2.50%，对遮挡关键点尤其是小尺度关键点的识别也更稳定。

  

  这些特征，真的能帮助识别跛行吗？

  答案是肯定的，而且不是靠某一个指标“单打独斗”。研究团队进一步分析了不同跛行等级奶牛的特征分布后发现，大多数运动特征都随着跛行程度加重而呈现上升趋势。尤其是步态跟随性、步态对称性和头颈部斜率，对区分健康奶牛和跛行奶牛具有较强价值；而在识别轻度跛行时，头部摆动幅度也体现出较好的辅助作用；当跛行发展到较重程度时，步进高度平衡性、运动速度差异性和背部曲率的变化则更加明显。研究也提示：单一特征不足以稳定识别跛行，尤其是轻度跛行，多特征联合才更有潜力。

  

  从本质上看，这项研究做的事情，是把奶牛“走路的样子”拆解成可以被量化、被比较、被自动分析的数据语言。它让跛行识别从经验判断走向客观表征，也让智能养殖中的视觉监测，从“能看见奶牛”进一步走向“能读懂奶牛”。论文最后指出，这一框架为奶牛自动化跛行检测和行为分析提供了实用基础，未来还需要在轻量化部署和降低个体差异影响方面继续推进。对智慧牧场而言，这无疑是非常值得期待的一步。

  中国农业科学院农业信息研究所吴建寨研究员为论文通讯作者，在读博士吴赛赛和韩书庆副研究员为共同第一作者。该研究获得国家自然科学基金、中央公益性科学机构基础研究基金、中国农业科学院科技创新项目等项目的资助。

  Cite the article:

  Saisai Wu, Shuqing Han, Jing Zhang, Guodong Cheng, Yali Wang, Kai Zhang, Mingming Han, Jianzhai Wu. 2026. Multi-scale keypoints detection and motion features extraction in dairy cows using ResNet101-ASPP network. Journal of Integrative Agriculture, 25(5): 2028-2040.

  https://doi.org/10.1016/j.jia.2024.07.023    

Pubdate： 2026-05-22    Viewed： 18