猪肉向来是餐桌上的必需品。猪肉的品质与猪只的养殖方式有着直接的联系。目前,现有的猪只健康检测大多采用人工的方式检查,这样的方式不仅会增加人力物力成本,而且易于危害人体的身体健康。因此,本文提出基于Yolov5算法的猪只健康检测系统,旨在利用深度学习进行猪只跟踪,对猪只的运动量进行等效计算,通过猪只的运动量可以分析出不同猪只的活跃状况。猪只的健康状况与其本身的活跃状态密不可分,由此实现对猪只健康状况的监测。本文研究的是基于Yolov5算法的猪只健康监测系统。通过将Yolov5目标监测算法与DeepSort算法相结合作为基准网络,并在Yolov5算法上进行了一系列创新。创新成果如下:（1）针对猪舍环境复杂,猪只易于出现扎堆现象,难以将目标与背景以及目标与目标之间区分的问题,本文将空间金字塔池化网络与卷积注意力机制进行融合生成了空间卷积注意力模块,并嵌入到Yolov5网络中的残差块中。本文提出的注意力机制可以增强有效特征,抑制无效的特征,从而减少猪只检测中出现的错检和漏检现象。（2）由于本文检测目标猪只大小不一且不同猪只之间距离较近,因此对于目标回归的速度和稳定性有更高的要求。针对出现真实检测框与预测检测框完全重合的情况时,GIoU损失无法准确得出两者的位置关系导致回归速度变慢问题,在GIoU的基础上进行改进,提出了一种新增边界回归盒的回归损失。该回归损失函数加快了预测框的回归,提高检测准确率。（3）针对猪只检测训练阶段所使用的Adam优化器存在的不收敛问题,本文提出了基于高次指数平滑动态边界限制的优化器算法。该算法通过引入多个超参,并进行多次指数平滑,弥补一次指数平滑的不足。此外,对二阶动量计算加以修正,预防二阶动量数据发生不良的波动,从而达到平滑非预期的大学习率的效果。（4）由于采集的图片中猪只数量多且相互遮挡,导致图片数据集复杂度较高,易于出现欠拟合现象。因此,本文提出了一种基于分数指数平滑的线性单元。通过增加激活函数的函数特性,使得参数相互依存的关系增加,从而增加了网络的复杂度,缓解了欠拟合问题的发生。（5）本文通过对监控视频中猪只的像素点移动量进行记录和分析,来等效猪只运动量的计算,从而对猪只活跃情况进行评判。本文将所有创新嵌入到基准算法Yolov5中去,并与DeepSort相结合实现猪只运动量的实时监测。此外,将Vue与Flask相结合搭建了前后端分离的基础平台,从而实现了一个小型的猪只健康监测系统。