此篇來自韓國的研究提出一套智慧監控框架，旨在解決傳統養殖場在監測牲畜行為時的痛點。有別於傳統智慧養殖場多專注於環境控制，此框架利用既有的CCTV監控系統，透過人工智慧模型RT-DETR來偵測牛隻的異常行為與狀況，避免為動物佩戴感應器所帶來的不適和高成本。

圖一﹑資料範例和註解

YOLOv5 和 YOLOv8 等在牲畜識別和行為偵測方面表現出色，但它們共同的限制在於需要進行非極大值抑制（Non-Maximum Suppression, NMS）的後處理步驟。NMS 雖然能篩選出最佳偵測框，但可能會影響整體偵測速度。

圖二﹑RT-DETR模型概覽

而RT-DETR模型的優勢在於採用端到端的Transformer架構，使用雙部圖匹配直接預測一對一的物件集合，而不需要NMS這種後處理步驟。RT-DETR包含混合編碼器，處理從CNN網路提取的多尺度特徵圖，包含AIFI（僅在S5階段進行尺度內交互）和CCFF（優化的跨尺度融合模組）。

圖三﹑每個學習和驗證階段的RT-DETR模型表現

圖四﹑RT-DETR模型的驗證結果

為了實現即時監控，研究人員評估了多種深度學習模型，並特別著重於比較RT-DETR模型與兩個知名的YOLO系列模型：YOLOv5 和 YOLOv8。

圖五﹑精度曲線和召回率曲線的結果

圖六﹑mAP50 和 mAP50-95 曲線的結果

透過對牛隻異常行為的檢測實驗，結果顯示RT-DETR模型在實驗中達到了0.995的mAP@50，並在分類損失方面表現最佳（訓練：0.0781，驗證：0.2049），明顯優於YOLOv5和YOLOv8，證明了其在準確性方面的卓越表現，為智慧養殖場的即時監控提供了更高效且精準的解決方案。

RT-DETR模型的智慧牲畜監控框架利用畜牧場現有的閉路電視監控系統，無需安裝額外設備，花費成本較低，具有高度實用性。期許研究團隊未來增強模型，開發友善使用的介面，協助飼養人員即時發現動物的異常行為，達到早期發現早期治療，降低因疾病未及時治療，導致牛隻被淘汰的可能性，協助酪農場更加省時省力的飼養管理。

宣傳時間：
今天是台灣智慧農漁週的最後一天，13:00-15:00在臺北南港展覽館一館1樓會議室B有場菲律賓數位農業與物流的投資機會的講座，且有眾多廠商攤位，包含智慧畜牧場環控系統跟設備，也有優質農/漁產品，歡迎來現場看看台灣的農林漁牧產業如何與AI結合。

參考文獻:
Shin, M.; Hwang, S.; Kim, B. AI-Based Smart Monitoring Framework for Livestock Farms. Appl. Sci. 2025, 15, 5638. https://doi.org/10.3390/app15105638.