保险研究杂志论文投稿须知？

保险研究杂志近十年出版发文量：

保险研究杂志投稿须知

　　1.所投稿件必须是未在公开出版物以及互联网上发表的论文。

　　2.本刊反对一稿多投、重复发表、剽窃、伪造、篡改、不当署名等学术不端行为，若发现上述情况，稿件将按退稿处理，并且视情节轻重在一定期限内不再受理该作者的任何稿件。

　　3.本刊稿件实行匿名评审制度，审稿进度可在投稿系统中查看。作者投稿后，若在3个月内没有收到编辑部对该论文的处理意见，向编辑部声明后可以另行处理该论文。

　　4.同意《保险研究》编辑部在不改变稿件基本观点和实质内容的前提下，在刊发前对稿件进行技术性和文字性的修改。

　　5.论文发表后，版权即属于《保险研究》编辑部所有。经本刊编辑部许可，在其他出版物上发表、转载的，须特别注明“本文首发于《保险研究》XXXX年第X期”。

　　6.合作作品，最多可以接受五个作者署名，且根据实际所起作用大小依次署名。

　　7.本刊不收取审稿费、版面费等任何费用。

进入期刊首页

1.基于深度学习的家蚕计数与体长测量研究

作者：刘莫尘,孙崇凯,李正浩,常 昊,尚明瑞,宋占华,刘贤军,孙廷举,闫银发

作者单位：山东农业大学,智能农业机器人山东省高等学校未来产业工程研究中心;山东省设施园艺智慧生产技术装备重点实验室（筹）;莒县海通茧丝绸有限公司; 山东广通蚕种集团

关键词：家蚕;深度学习;计数;体长;关键点检测

　　摘 要： 家蚕计数与体长测量是在家蚕养殖过程中的必要环节，传统家蚕计数及体长测量方法主要人工完成，易受主观 因素影响，较难实现对家蚕数量和家蚕体长的快速、准确监控。本文使用深度学习的方法实现了家蚕计数及家蚕体长 测量，以饲料育家蚕为研究对象，构建了家蚕关键点检测数据集，提出了YOLOv8-Pose-GE算法。该算法在YOLOv8- Pose的Backbone部分加入GAM注意力机制，可以放大全局交互，进行多层感知器的3D排列，提高模型特征提取能力 的同时减少信息损失；在Neck部分添加ECA注意力机制，具有实现全局空间信息聚合的部分和进行跨通道交互进行 建模的部分，可以提升模型对重要特征的感知能力，使模型更好的处理提取家蚕关键点特征。YOLOv8-Pose-GE的 mAP、P和R分别为94.7%、95.31%和87.98%，均优于其他常用的关键点检测算法。该算法同时兼顾了速度，其FPS达 到37.61 s −1 。本方法可以依靠YOLOv8-Pose-EG的head部分输出的坐标来对家蚕及家蚕关键点位置进行定位，并按顺 序依次用直线连接家蚕关键点，由连线长度得到家蚕体长，同时实现家蚕计数。本文对家蚕拍摄录像中随机截取10帧 图片进行计数实验，其MAE_L、MRE_L和MSD_L由分别为1.6头、3.6%和2.1头，说明模型具有较高的准确性的同时具 有较高的稳定性。本文对40头家蚕（1-5龄家蚕中各随机取8头）进行测量实验，由结果分析得，该算法具有家蚕龄期 越高，测量效果越好的特点，尤其5龄，MAE_L、MRE_L、MSD_L和PCC分别为12.29 px、1.87%、4.15px和0.977，总体误 差较小。该算法满足家蚕计数及体长测量的需要，为提高家蚕养殖的质量，加强家蚕品种选育提供技术支持。  

　　蚕业是中国文明的起点之一，是中华民族的 重要文化标识，然而近年受从业人员老龄化情况 加剧、比较效益下降等因素影响，我国蚕业发展 受到制约，因此如何促进蚕业发展，提高家蚕养 殖的质量，加强家蚕品种选育已然成为当前深度 学习研究与应用中亟待讨论的重要议题［1］ 。 家蚕计数与体长测量在家蚕养殖过程中不 可或缺。通过准确的计数，饲养者可以精确规划 饲养物资，合理调整饲养密度。家蚕体长是评估 其生长状况的重要指标，也可以为家蚕品种的选 育工作提供宝贵的参考数据。传统家蚕计数方 式主要依赖养殖人员手动计数，传统家蚕体长的 测量主要为养殖者的目测，无法实现对家蚕数量 和家蚕体长的快速、准确监控。因此，探索并应 用更为高效、精准的家蚕计数与体长测量方法， 对于提升家蚕养殖的质量，加强家蚕品种选育具 有重要意义。

　　随着深度学习的迅速发展，计算机视觉在各 个领域获得广泛应用。在计数领域中：陈洪锐等 在 YOLOv4 模型的基础上提出的 I-confidece 损 失来改善置信度损失，减少了分配给容易分类的 样本的损失权重 ，并更加关心学习困难的样 本［2］ ，但I-confidene损失需要考虑样本的难度和 置信度，这导致算法运行过程中的计算负担增 加；何锐敏等通过在Mask R-CNN模型框架中加 入像素重加权策略和边界框细调策略，得到准确 性更高的模型［3］ ，但是该模型在检测5龄家蚕时 效果不理想，泛化能力有待提高；赵春江等在 YOLOv7-tiny 网络基础上将高效层聚合网络中 的常规卷积替换为深度卷积减少模型参数量，同 时在特征融合模块引入CoordAtt注意力机制提 升模型对目标空间位置信息的感知能力［4］ ，但是 该模型过于强调轻量化处理，导致检测准确率不 高，效果差强人意。

　　体长测量领域：赵建敏等提出了一种基于 Kinect v4传感器的牛体尺测量方法来采集彩色 和深度图像，并结合目标检测、Canny边缘检测、 三点圆弧曲率等算法提取体征特征点进而计算 体尺数据［5］ ，结合多种方法的算法将增加计算复 杂性，导致模型的实时性能不高；张凯等利用Fiji 的骨架提取与分析功能，提取并分析出各龄幼虫 躯干长度，通过计算最长最短分支路径，实现幼 虫体长的估测［6］ ，但是在复杂背景或幼虫躯干与 背景对比度不高的情况下，骨架提取和边缘检测 可能难以准确区分幼虫躯干与背景，导致分析结 果不准确；王小品等提出了基于HRNet的多目标 生猪体尺关键点定位模型，通过移除HRNet中参 数冗余的第四阶段 ，并引入 Swin Transformer Block自注意力机制来更好的捕获关键点之间的 约束关系［7］ ，但是该方法只关注于站立的生猪， 然而生猪通常会出现爬跨、身体扭曲等不同的 姿态。

　　本文以饲料育的家蚕作为研究对象，构建了 家蚕关键点检测算法YOLOv8-Pose-GE，创新性 的将家蚕体长测量和家蚕计数结合在一起，该算 法可定位并按顺序依次用直线连接家蚕关键点，由连线长度得到家蚕体长，同时实现家蚕计数， 该算法泛化能力较强，在检测不同龄期、不同体 态家蚕时具有良好表现；同时兼顾检测速度，算 法的实时性能强。本文提出的算法还避免了因 人工计数及测量体长给家蚕带来的应激反应，为 家蚕养殖的质量提升，家蚕品种选育加强提供了 技术支持。

　　1　材料与方法

　　1.1　数据集采集与构建

　　家蚕图像采集地点在山东省青州市山东广 通蚕种有限公司，拍摄场景如图1所示。相机为 明创达 MCD-1073 型 POE 网络相机，清晰度为 3 840×2 160，焦距为3.6 mm；将网络相机放置于 蚕匾正上方进行拍摄，拍摄对象为同一蚕匾中1-5 龄的家蚕，家蚕品种为932，自家蚕收蚁后每24 h 进行拍摄，每次拍摄时间为30 min，共拍摄13 h。 拍摄小蚕（1-3龄）时拍摄相机高度设置为7.2 cm， 相机拍摄范围为长13.0 cm，宽7.0 cm的矩形，拍 摄大蚕（4-5龄）时，相机高度设置为15.2 cm，相机 拍摄范围为长243.0 cm，宽13.0 cm的矩形［8］ 。

　　使用Labelme制作家蚕关键点数据集，先使 用最小外接矩形框标注整头蚕，然后标注关键点 （选取4个点，分别为家蚕头部，第二胸节与第一 腹节连接处，第六腹节与第七腹节连接处和第十 腹节末端）；本文在家蚕重叠情况下，对上层不被 遮挡的家蚕进行标注，被遮挡的家蚕不进行标 注。标注界面如图2所示。在家蚕的1-5龄随机 选150张图像进行标注，数据集信息如表1所示， 按照 7∶2∶1 的比例划分为训练集、验证集和测 试集［9］ 。

　　1.2　评价指标

　　1.2.1　关键点检测模型评价指标

　　本文选取均值 平均精度mAP（mean Average Precision-key point）、 准确率P（Precision）、召回率R（Recall）和每秒帧 数 FPS（ Frames Per Second）作为关键点检测算 法的评价指标。

　　mAP 获取过程如下：首先计算目标关键点 相似性OKS（Object Keypoint Similarity）的值，可 以进一步获取 AP（Average Precision）也就是平 均准确率，通过 AP 得到 mAP。目标识别方面， 选取P（Precision）和R（Recall）为评价指标［10］ 。

　　OKS的计算公式为：

　　dpi 为检测中第 i 个关键点与目标中对应关 键点的欧拉距离；SP为p点的尺度因子；Vpi为关 键点可见性，0为未标注，1为标注被遮挡，2为标 注并可见；σi 为 i 类型关键点的归一化因子；当 Vpi > 0，δ = 1，否则δ = 0。

　　AP的计算公式为：

　　当OKS > T，β = OKS，否则β = 0。

　　P和R为目标识别方面评价指标，其计算公 式为：

　　TP（True Positive）为被预测为正类的正样 本；FP（False Positive）为被预测为正类的负样 本；TN（True Negative）为被预测为负类的负样 本 ；FN（ False Negative）为被预测为负类的正 样本。

　　FPS（Frames Per Second）在深度学习模型的 性能评估中，用来衡量模型在算法实际应用中的 处理速度，其计算公式为：

　　2.2　计 数 评 价 指 标　 选 用 平 均 绝 对 误 差 MAE_C（Mean Absolute Error_Count） 、平均相对 误差MRE_C（Mean Relative Error_Count）和平均 标 准 差 SDM_C（Standard Deviation of the Mean_Count）为家蚕计数的评价指标。

　　MAE_C衡量的是算法检测到家蚕的数量与 实际家蚕的数量之间的平均绝对差异，即误差的 平均大小，而不考虑误差的方向，它提供了一个 直观的度量，表示模型预测结果的精确度，其对 异常值的敏感度较低，在面对极端值时更加稳 健。这个值越小，说明预测值与实际值越接近， 预测效果越好。其公式如下：

　　ai为检测家蚕数量；bi为真实家蚕数量；m为 测量图片数量。

　　MRE_C评价算法检测到家蚕的数量与实际 家蚕的数量之间的差异程度，它考虑了误差相对 于实际家蚕的数量的大小，以百分比形式展示了 误差的占比，方便直观的理解，其越小，说明误差 相对于实际家蚕的数量来说占比越小，预测效 果，越好其公式如下：

　　SDM_C是一个度量数据集中数值分散程度 的统计量，它描述各个图片计数的误差相对于平 均误差的离散程度，是衡量算法稳定性的重要指 标，该值越小，算法稳定性越高，其计算公式 如下：

　　1.2.3　体长测量评价指标

　　选用平均绝对误差 MAE_L（ Mean Absolute Error_Length）、平均相 对误差MRE_L（Mean Relative Error_Length）、平 均 标 准 差 SDM_L （Standard Deviation of the Mean_Length）和皮尔逊相关系数 PCC（ Pearson Correlation Coefficient）作为家蚕体长测量的评 价指标［11］ 。

　　MAE_L衡量的是算法测量家蚕长度与实际 家蚕长度之间的平均绝对差异，其公式如下：

　　xi为测量像素长度；yi为真实像素长度；n为 测量家蚕头数。

　　MRE_L用于衡量算法测量家蚕长度与真实 家蚕长度之间差异程度的指标，它考虑了家蚕体 长测量的误差相对于实际家蚕体长的大小。其 公式如下：

　　SDM_L描述各头家蚕体长测量的误差相对 于平均误差的离散程度，其计算公式如下：

　　PCC可以衡量算法测量家蚕长度与真实家 蚕体长之间的相关性，其值域为−1到1之间。其 中，1表示完全的正向线性关系，−1表示完全的 负向线性关系，而0则表示无线性关系。本实验中测量值和真实值之间是正相关（即一个值增加 时，另一个值也增加），皮尔逊相关系数越接近1 越好。PCC计算公式如下：

　　总体来说，平均绝对误差和平均相对误差 直接衡量预测误差的大小，侧重于直接表现模 型的性能。平均标准差反映据的离散程度，衡 量模型稳定性；皮尔逊相关系数衡量预测值与 实际值之间的线性相关程度，反映模型预测的 趋势是否与实际一致；二者侧重于从侧面反映 模型性能。

　　1.3　 基 于 改 进 YOLOv8-Pose 的 家 蚕 关 键 点 检测

　　本文使用 YOLOv8-Pose 作为基础网络 ， 其主要组成部分为 Inputs、Backbone、Neck 和 Head。Backbone 部分主要进行特征提取，其结 构参照 ELAN，这可使模型可以传播与融合在 不同层次的特征，从而实现更好的特征表达， 显著提升模型的检测性能、加快模型的收敛； Neck 部分负责进行多尺度特征融合；head 部分 主要输出最终检测结果，包括图片中每头家蚕 的位置和每头家蚕关键点坐标。本文构建的家 蚕关键点检测算法命名为 YOLOv8-Pose-GE， 主要在基础网络的 Backbone 部分加入 GAM （Global Attention Mechanism）注意力机制加强 模型的全局感知能力［12］，在 Neck 部分添加 ECA（Efficient Channel Attention）注意力机制， 提升模型对重要特征的感知能力。head部分将 原网络输出的最终检测结果进行整合，使用红色 矩形框标注家蚕，按顺序依次用直线连接家蚕关 键点，在连线附近显示家蚕体长，在图像左上角 显示图像中家蚕数量。YOLOv8-Pose-GE 整体 网络结构如图3所示。

　　1.3.1　GAM 注意力机制　考虑到家蚕在各龄期 长度变化较大的特点，在模型的 Backbone 部分 加入GAM（ Global Attention Mechanism） 注意力 机制，该机制拥有通道注意以及卷积空间注意子 模块，可以放大全局交互，提高模型特征提取能 力，而且该机制可以进行多层感知器的3D排列， 可以减少信息损失［13］ 。整体过程如图4所示，其 公式为：

 

　　输入特征图 F1 首先经过通道注意力模块， 该模块可以突出重要特征的通道，然后与输入特 征图 F1 进行元素间的乘法得到 F2，随后通过空 间注意力模块，该模块可以对特征图进行空间信 息特征的捕捉，保留更多信息的同时帮助模型识 别 重 要 区 域 ，然 后 再 与 F2 结 合 得 到 输 出 特 征图F3 ［14］ 。

　　1.3.2　ECA 注意力机制　考虑到家蚕会呈现伸 直、弯曲等不同体态。在 Neck 部分添加 ECA （Efficient Channel Attention）注意力机制，其具有 实现全局空间信息聚合的部分和进行跨通道交 互进行建模的部分，可以提升模型对重要特征的 感知能力，使模型更好的处理提取家蚕关键点特 征，其网络结构如图5 ［15］ 。

　　ECA注意力机制首先对输入的特征图进行 全局平均池化（GAP），得到每个通道的全局平均 值，然后根据卷积核k来对池化后的特征进行处 理进行一维卷积，这减少了计算量，提高了模型 的性能，最终经过σ得到用于调整输入特征图权 重，帮助模型更好提取特征图中的重要信息［16］ 。 其公式如下：

　　其中，X 是输入特征图，H 和 W 为特征图的高度 和宽度，γ 和 b 是超参数，|·| odd 表示取最近的奇 函数，C 为通道数，k 为自适应核大小，σ 表示 Sigmoid 激活函数，Conv1Dk表示核大小为k的一 维卷积操作。

　　2　实验结果分析

　　2.1　家蚕关键点检测分析

　　2.1.1　模型训练环境与参数

　　训练和测试平台为 惠普 Z820，CPU 为 Inter Xeon E5-2620，GPU 为 GeForce RTX2080 Ti，训练迭代周期为 500，批量 大小为16，初始学习率为0.01，动量因子为0.937。 数据集按照7∶2∶1的比例划分为训练集、验证集 和测试集［12］ 。

　　2.1.2　对比实验检测结果分析

　　为了验证改进的 YOLOv8-Pose-GE检测模型的有效性，本节在同 一家蚕目标检测数据集上分别使用 YOLOv5- Pose、YOLOv7-Pose 和 YOLOv8-Pose 与其进行 对比，使用P、R、mAP和FPS作为模型的评价指 标［17］ 。各模型训练结果如表2所示。

　　图 6 展示了所有关键点检测模型的训练损 失变化曲线，由图得随着训练轮数的不断增加， 模型的损失快速减少，逐渐趋于平稳，并最终都 能够实现收敛，其中改进后的YOLOv8-Pose-GE 收敛速度较快且最终损失值最低，为0.039。

　　图7为所有关键点检测模型的mAP曲线，由 图得可知所有模型的mAP都在随着训练轮数的 增加不断提高并最终收敛；改进后的 YOLOv8- Pose-GE 模型的mAP值能够以最快的速度升高， 同时最终收敛精度达到最高的94.7%。

　　2.1.3　消融实验检测结果分析

　　YOLOv8-PoseGE较原网络模型进行了两处改进，为了对所提 出 的 改 进 方 法 的 有 效 性 进 行 评 价 ，本 节 以 YOLOv8-Pose原模型为基础模型，利用精准率、 召回率和平均精度均值作为评价指标，通过消融 实验进行验证。实验结果如表3所示，表中“√” 表示使用此改进策略，“×”表示未使用此改进 策略。

　　家蚕体长变化较大，会呈现伸直、不同方向和程度的蜷曲弯曲等体态。

需要加强原网 络的特征提取能力和对重要特征的感知能力。 原网络在模型的 Backbone 部分加入 GAM 注 意力机制后，通过减少信息损失和放大全局交 互的方法显著提升了模型的特征提取能力，同 时在模型的 Neck 部分加入 ECA 注意力机制 后，模型可以调整不同通道的输出权重，使得 网络更加关注对当前任务有利的特征，提升模 型对重要特征的感知能力。相较于原网络，加 入这两种模块的 YOLOv8-Pose-GE 的 mAP 达 到了 94.7%。

　　本模型对 1-5 龄蚕的检测效果如图 8 所 示，改进后的网络比原网络漏检明显减少，关 键点检测的 mAP 值也有所提高。以关键点偏 移量（实际家蚕关键点坐标与网络输出的关键 点坐标的像素距离差值的平均值）来衡量关 键点检测效果，图 8 中原网络对 1-5 龄期蚕体 的 关 键 点 偏 移 量 分 别 为 8.24 px、10.05 px、 20.14 px、24.74 px 和 34.04 px；而 改 进 后 的 网 络 各 龄 期 关 键 点 偏 移 量 分 别 为 5.31 px、 8.12 px、14.31 px、17.58 px 和 26.96 px，偏移 量较原网络减小，改进提高了模型的对关键点 检测的准确性。

　　本模型在检测家蚕分布较为稀疏的情况下 效果较好，但是在面对较为家蚕分布较为密集 的情况下，效果将会下降，如图 9 所示，图中被 紫色椭圆标注的家蚕的第一个关键点偏移较 大。推测为模型在目标密集情况下的特征提取 能力不足，下一步将优化模型特征提取结构， 提升其对目标的特征提取能力。虽然该模型在 家蚕分布较为密集的情况下存在个别关键点偏 移较大的现象，但是整体检测效果较好且无漏 检 情 况 ，能 够 为 家 蚕 体 长 测 量 的 提 供 可 靠 支持。

　　2.2　家蚕计数及体长测量结果分析

　　YOLOv8-Pose-GE 在检测时会使用红色矩 形框标注图像中的家蚕，并按顺序依次用直线连 接家蚕关键点并计算像素长度，根据实际拍摄范 围和图片分辨率获取的比例尺得到真实体长，然 后在家蚕关键点连线附近显示家蚕的真实体长， 同时在图像左上角显示图像中家蚕数量，如图9 所示（以3龄家蚕为例）。

　　2.2.1　家蚕计数结果分析

　　由于不同龄期家蚕饲 养密度不同，实际拍摄时出现在画面中家蚕数量 差异较大，故不再单独分析各个龄期计数结果， 而是从家蚕拍摄录像中随机截10帧图片进行计 数结果分析，结果如图11所示。

　　模型的MAE_C为1.6，表明模型预测值与真 实值之间的平均差异为1.6个单位，这一误差水 平在可接受范围内，表明了模型具有一定的准确 性。同时模型的MRE_C为3.6%，这表明模型

预测误差相对于真实值的比例较小，证实了模型具 有较高的相对准确性。此外，模型的SDM_C为 2.1，反映了模型测量值与实际值之间差异的离 散程度，这一值相对较低，表明模型具有较好的 一致性和稳定性。由图 11 得，模型在检测图片 中家蚕数量较少即家蚕分布稀疏（如图 11 中的 1，2）的情况下，计数效果较好，而在检测图片中 家蚕数量较多即家蚕分布密集（如图11中的9， 10）的情况下，计数效果相对较差，后期考虑通过 增加家蚕分布密集图片的标注数量进行改善。 总体而言，模型的MAE_C、MRE_C和SDM_C数 据整体较好，在计数任务中表现出了较高的性 能，能够在家蚕养殖中为饲养人员提供可靠的技 术支持。

　　2.2.2　家蚕体长检测结果分析

　　在对家蚕的实际 体长进行测量时，若直接触碰家蚕，家蚕会因应 激反应而收缩身体，这将影响测量的准确性。故 使用测距软件Image J的测量值为实际值。前文 训练时使用 150 张图片，共 3 470 头家蚕数据集 进行训练，得到网络模型。当前每个龄期随机挑 选 8 头，为体长测量分析的泛化证明，测量结果 如图12到15所示。

　　由表4可知，在测量的误差方面，1龄的误差 最大 ，MAE_L 和 MRE_L 为 20.01 px 和 9.59%， 2 龄的误差相对 1 龄有减小，3 龄的误差为小蚕

阶段最小，MAE_L 和 MRE_L 分别为 17.82 px 和 3.24%；大蚕阶段，4 龄的误差较小蚕期降低显 著，尤其MAE_L，较前一龄期降低4.13 px，5龄的

MAE_L 和 MRE_L 分别为 12.29 px 和 1.87%，误 差为全龄期最低。在 SDM_L 方面，即数据的离 散程度方面，1 龄的离散程度最高，为 9.83 px， SDM_L整体逐龄降低，但是在4龄反而较前一龄 期升高，推测为 4 龄的第1头家蚕测量结果与真 实值相差较大，而整体测量值与真实值相差小， 导致其 SDM_L 增大 ；5 龄的 SDM_L 为最低的 4.15 px，表明模型对 5 龄家蚕测量稳定性最高。 在PCC中，各个龄期数据分布无特殊规律，其中 1龄的测量误差最大及数据离散性最高，测量效 果最差，PCC为全龄期最差的0.902 1；虽然4龄 的MAE_L、MRE_L和SDM_L均不是全龄期最优 值，但是相对其他龄期，其测量值能紧随真实值 变化，使其PCC达到全龄期最优的0.992 6，总体 而言，全龄期的 PCC 均在 0.9 以上，表明测量值 与实际值之间的有良好的相关性，可靠性较高。

　　综上所述，随着龄期的增加，模型测量的性 能指标逐渐提升，表现为MAE_L和MRE_L逐龄 降低，SDM_L在 龄后总体趋势降低，3龄后稳定 在 4.5 px 以下。家蚕进入大蚕期之后，4 龄和 5龄性能指标提升较大，说明本文算法在大蚕的 测量上表现更好，推测为大蚕目标较大，其关键 特征更容易被算法捕捉。1龄性能指标最差，考 虑后期增加数据标注量以提高准确性［18］ ，但其皮 尔逊相关系数仍在0.9以上，证明测量值与真实 值有较高的相关性，仍有较强的参考意义。

　　3　总结

　　本文针对传统家蚕计数和体长测量方法耗 时费力且依赖经验，难以实现对家蚕数量和家蚕 体长测量的快速、准确监控的问题，以饲料育家 蚕为对象，构建了家蚕关键点检测数据集，提出 了YOLOv8-Pose-GE关键点检测模型，该模型在 原有 YOLOv8-Pose 的基础上进行改进，主要于 Backbone 部分加入 GAM 注意力机制，以减少信 息损失，同时提升模型的特征提取能力，Neck 部 分内添加 ECA 注意力机制，提升模型对重要特 征的感知能力，所提出的 YOLOv8-Pose-GE 的 mAP 达到 94.7%，优于其他常用关键点检测算 法。该算法可以定位并按顺序依次用直线连接 家蚕关键点，由连线长度得到家蚕体长，同时实 现家蚕计数。本文对家蚕拍摄录像中随机截取 10 帧图片进行计数实验，其 MAE_L、MRE_L 和 MSD_L由分别为1.6头、3.6%和2.1头，说明模型 具有较高的准确性的同时具有较高的稳定性。 使用该算法对40头家蚕（1-5龄家蚕中各随机取 8头）进行测量实验，由结果分析得，该算法具有 家蚕龄期越高，测量效果越好的特点，其中 5 龄 测量效果好，其MAE_L、MRE_L、MSD_L和PCC 为 12.29 px、1.87%、4.15 px 和 0.977。总体可以 满足家蚕计数及体长测量的需要，为提高家蚕养 殖的质量，加强家蚕品种选育提供技术支持。