近日，学院研究生郭宇衡作为第一作者，在计算机与农业交叉领域顶级期刊《Computers and Electronics in Agriculture》发表题为“PB-DETR: multi-behaviour recognition of group-housed pigs with adaptive liquid neural network encoder and dynamic supervision”的研究论文，提出一种针对复杂养殖环境下群养生猪多行为识别难题的PB-DETR框架，为跨场景条件下的生猪行为自动识别提供了新的技术思路。长江大学为第一署名单位，长江大学智慧农业交叉创新研究中心主任、计科学院詹炜教授为通讯作者。

复杂养殖环境下生猪视觉识别模型，旨在利用机器视觉+深度学习，在高密度养殖环境下，自动识别生猪的各类行为，进而实现生猪健康预警和猪场精细化管理。然而在群养环境中，光照变化、个体遮挡、圈舍背景差异和生长阶段带来的尺度变化，会影响视觉识别模型在不同场景中的应用稳定性。

针对以上难题，研究团队将液体神经网络机制引入Transformer编码器，设计自适应液体时间常数增强模块，构建多尺度特征交互和动态质量感知优化策略，进而降低模型对固定背景信息的依赖，提升分类与定位任务之间的协同性。

研究团队构建了涵盖4个典型养殖环境的多场景数据集，并开展跨场景测试。实验结果显示，基于PB-DETR框架构建的模型平均精度（mAP）达到0.893，参数量为14.58M（百万），计算量为49.12GFLOPs（十亿次浮点运算）；在不同养殖场景之间的测试中表现出较好稳定性。

“相关研究从真实养殖场景出发，针对背景差异和场景变化对识别稳定性的影响开展方法研究，在提升模型跨场景适应性方面进行了探索，可为规模化养殖环境中的生猪行为自动监测和智能化管理提供技术参考。”郭宇衡介绍。

该成果是计算机科学学院依托科研项目开展研究生科研训练、推进计算机视觉与智慧农业交叉形成的阶段性成果。研究得到国家自然科学基金面上项目资助。

（审核 张晨露  编辑 陈媛 ）