随着人工智能技术在畜牧养殖领域的不断渗透，传统的养殖业正在向着智慧养殖方向发展，从而达到降低生产管理成本，提高抵抗疾病风险能力的目的。尤其是在近两年来发生非洲猪瘟后，国家开始加大经费投入力度，构建智慧养殖体系，来提高我国生猪养殖业的科技化水平，增强养殖企业的防病抗病能力。在智慧养殖体系框架下，计算机视觉技术以其直观、低成本等特点在生猪养殖管理领域受到广泛关注。
　　为实现规模化猪场中生猪健康状态的智能化监测，需要对群养环境下生猪个体目标进行快速精准的检测。针对当前目标检测模型检测实时性不高，且模型较大，难以移植到边缘计算端进行生产现场的部署与应用等问题，同时为提高对群养生猪在遮挡以及尺寸较小时的检测精度，本文提出了一种针对群养生猪的改进型目标检测网络(MobileNetv2-FPN-CenterNet，MF-CenterNet)，为确保遮挡生猪目标检测的精确度，该模型首先以无锚式的CenterNet为基础结构，通过引入轻量级的MobileNet网络作为模型特征提取网络，以降低模型大小和提高检测速度，通过对比不同版本的MobileNetv1、MobileNetv2、MobileNetv3以及不同Alpha参数对CenterNet改进后的检测结果，选定MobileNetv2且Alpha=1时的网络结构作为主干网络，试验结果表明改进后的MobileNetv2-CenterNet相比于CenterNet在群养生猪目标检测方面具有更快的检测速度和更低的模型大小。
　　其次，本文通过对生猪图像进行分析，得出图像中生猪目标尺寸差距较大，近一半为小目标。针对MobileNetv2-CenterNet对图像中小尺寸生猪目标检测效果不佳的问题，本文提出了MF-CenterNet目标检测模型，通过特征金字塔结构加强特征提取替代原有的转置卷积进行上采样，结合高层的语义信息和低层高分辨率的特征信息提高了群养生猪检测的精确度，实现了在保证模型轻量化、实时性的同时，有效提高了遮挡目标和小目标的检测精度。
　　本文以某商业猪场群养生猪录制视频作为数据源，采集视频帧1683张，经图像增强后共得到6732张图像。实验结果表明，MF-CenterNet模型大小仅为21MB满足边缘计算端的部署，对生猪目标检测平均精确度达到94.30％，检测速度达到69帧/s，相较于Faster-RCNN、SSD、YOLOv3、YOLOv4目标检测网络，检测精度分别提高了6.39％、4.46％、6.01％、2.74％，检测速度分别提高了54帧/s、47帧/s、45帧/s、43帧/s，相关结果表明了本文所提出的改进型的轻量级MF-CenterNet模型，能够在满足实时性的同时提高了对群养生猪的检测精度，为实现生产现场端的群养生猪行为实时检测与分析提供了新方法。