[目的/意义] 针对现有规模化猪场生猪计数需求场景多，人工计数效率低、成本高等问题，提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法。 [方法] 首先，利用智能手机拍摄养殖场猪只视频，对视频抽帧进一步生成图像数据集。其次，通过改进卷积块注意力模块（Convolutional Block Attention Module, CBAM）中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题，提出高效全局注意力模块，并将该模块引入基于回归分析的单阶段实例分割网络YOLO（You Only Look Once）v8中对获取的生猪图像进行分割，构建新的识别模型YOLOv8x-Ours，以实现高精度的生猪计数。最后，基于微信公众平台开发微信小程序，并嵌入综合表现最优的生猪计数模型，实现使用智能手机拍摄图像进行生猪快速计数。 [结果和讨论] 在测试集上的试验结果表明，与现有实例分割模型相比，引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精度（AP_{（50∶95）}），平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和R²分别为1.727、2.168和0.949，表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试图像总数量的93.8%，相比两阶段实例分割算法Mask R-CNN（Region Convolutional Neural Network）提升7.6%；单幅图像平均处理时间仅为64 ms，是Mask R-CNN的1/8。 [结论] 该方法经济高效，为规模化猪场的生猪计数提供了一种技术方案。

[目的/意义] 牛的体尺参数是反映牛身体发育状况的关键指标，也是牛选育过程的关键因素。为解决规模化肉牛牧场复杂环境对肉牛体尺的测量需求，设计了一种图像采集装置以及体尺自动测量算法。 [方法] 首先搭建肉牛行走通道，当肉牛通过通道后进入限制装置，用英特尔双目深度相机D455对牛只右侧图像进行RGB与深度图的采集。其次，为避免复杂环境背景的影响，提出一种改进后的实例分割网络Mask2former来对牛只二维图进行前景轮廓提取，对轮廓进行区间划分，利用计算曲率分析方法找到所需体尺测点。然后，将原始深度图转换为点云数据，对点云进行点云滤波、分割和深度图牛只区域的空值填充，以保留牛体区域的点云完整，从而找到所需测点并返回到二维数据中。最后，将二维像素点投影到三维点云中，利用相机参数计算出投影点的世界坐标，从而进行体尺的自动化计算，最终提取肉牛体高、十字部高、体斜长和管围4种体尺参数。［结果与讨论］改进的实例分割网络与Mask R-CNN、PointRend、Queryinst等模型相比具有更好的分割结果。采用本研究测得的这4种体尺平均相对误差分别为4.32%、3.71%、5.58%和6.25%。 [结论] 本研究开发的肉牛图像采集装置及相应的图像处理方法可以满足该牧场对肉牛体尺无接触自动测量误差小于8%的精度要求，为非接触式肉牛体尺自动化测量提供了理论与实践指导。

[目的/意义] 准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节。传统的人工测量方法耗时长、工作量大，且会对马匹造成一定应激反应。因此，实现准确且高效的体尺参数自动测量对于制定蒙古马早期育种计划至关重要。 [方法] 选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据，以YOLOv8n-pose为基础，通过在C2f模块中引入可变形卷积（Deformable Convolution v2, DCNv2），同时添加洗牌注意力机制（Shuffle Attention, SA）模块和优化损失函数（SCYLLA-IoU Loss, SIoU）的方法，利用余弦退火法动态调整学习率，提出一种名为DSS-YOLO（DCNv2-SA-SIoU-YOLO）的模型用于蒙古马体尺关键点的检测。其次，将RGB图中的二维关键点坐标与深度图中对应深度值相结合，得到关键点三维坐标，并实现蒙古马点云信息的转换。利用直通滤波、随机抽样一致性（Random Sample Consensus, RANSAC）、统计离群值滤波、主成分分析法（Principal Component Analysis, PCA）完成点云处理与分析。最终根据关键点坐标自动计算体高、体斜长、臀高、胸围和臀围5项体尺参数。 [结果和讨论] DSS-YOLO的平均关键点检测精度为92.5%；d_DSS为7.2个像素；参数量和运算量分别仅为3.48 M和9.1 G。体尺参数自动测量结果与人工测量值相比，各项体尺参数的整体平均绝对误差为3.77 cm；平均相对误差为2.29%。 [结论] 研究结果可为蒙古马运动性能相关遗传参数的确定提供技术支撑。

[目的/意义] 大规模肉羊畜舍人工消毒存在费时费力、覆盖不全和消毒不彻底的问题，为保持畜舍卫生和肉羊健康，本研究提出一种羊场自动导航喷药机器人。 [方法] 从硬件、语义分割模型和控制算法3个方面设计了自动导航喷药机器人。硬件部分包括履带底盘、摄像头和折叠式喷药装置。语义分割模型部分通过引入压缩通道网络注意力（Squeeze-and-Excitation Network, SENet）和基于场景改进的十字交叉注意力（Criss-Cross Attention，CCA）模块，提出一种双注意力ENet语义分割模型（Double Attention ENet, DAENet）。在控制算法方面，针对机器人在面对岔路时无法控制行进方向的问题，利用模拟真实道路的方法，在羊舍外的道路上绘出车道线，提出了道路中心点识别和车道线中心点识别两种算法来计算机器人行进过程中的导航点。为了实现上述两种算法，使用了两台摄像头并设计了摄像头切换算法，依靠此算法实现两台摄像头的切换，并控制喷药装置的开关；提出了一种偏移量与速度计算算法控制机器人履带左右轮速度，实现对于机器人行走的控制。 [结果和讨论] DAENet模型在图像分割任务中的平均交并比（Mean Intersection over Union, mIoU）达到了0.945 3；摄像头切换算法测试结果表明摄像头的切换时间在15 s以内，机器人能正确、快速地带动喷药装置的开关；中心点与偏移量计算算法测试的结果表明，在处理多帧视频流时，算法平均处理一帧图片所用的时间为0.04~0.055 s，帧率为20~24 f/s，满足实际工作的实时性要求；羊场实地的整体测试结果表明，机器人完成了两个羊舍的自动导航和消毒任务，并且未碰撞路边料槽，行进轨迹偏移量未超过0.3 m。在0.2 m/s的行进速度下，药箱里的药液能够满足两个羊舍的消毒任务。机器人处理图像的平均帧率为22.4 f/s，对于信息处理的准确性和实时性能够满足实验指标要求。喷药覆盖圈舍地面超过90%，满足实验指标要求。 [结论] 本研究提出的羊舍自动导航喷药机器人以语义分割模型DAENet为基础，中心点识别算法为核心，通过与硬件设计和控制算法的相互配合，能够在确保安全性和实时性的前提下，实现在羊舍内的自动导航和全覆盖喷药。