基于语义分割与集成回归的笼养蛋鸡视觉体重估测方法研究

《Smart Agricultural Technology》：Visual Weight Estimation of Caged Laying Hens via Semantic Segmentation and Ensemble Regression

本研究针对笼养环境下蛋鸡体重无接触估测的难题，提出了一种融合视觉分析的多阶段智能估重框架。研究人员通过开发轻量级Transformer分割网络EnhancedSegFormer（mIoU: 89.6%, BF1: 88.5%）、基于几何特征的随机森林姿态分类器（F1-score >91%）以及集成XGBoost与TabTransformer的 stacking回归模型，在40-59 cm距离内实现了RMSE 0.088 kg、R2 0.944的高精度体重预测。该研究为精准畜牧业提供了实时、无应激的体重监测解决方案，显著提升了智能化养殖水平。

　　

在现代化家禽养殖业中，实时掌握蛋鸡的体重变化对于优化生产效益至关重要。体重作为反映蛋鸡健康状况的关键生理指标，直接影响产蛋率与蛋品质量。传统的人工称重方法不仅劳动强度大，还会对鸡群造成应激反应，研究表明可能导致产蛋量短期下降高达8%。而非接触式的机器视觉技术虽能避免这些问题，但在实际笼养环境中却面临诸多挑战：狭窄的笼内空间导致鸡只姿态多变，铁丝网遮挡造成图像不完整，羽毛蓬松度差异影响轮廓特征提取，以及拍摄距离变化带来的尺度差异等。这些因素使得现有视觉估重方法在商业化笼养场景中的准确性和稳定性难以满足要求。

为解决上述难题，河北科技师范学院的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，提出了一种专门针对笼养环境的蛋鸡视觉体重估测框架。该研究通过多阶段图像分析方法，成功实现了在复杂环境下对蛋鸡体重的高精度、无应激估测。

研究人员主要采用了四项关键技术方法：首先使用Intel RealSense D415深度相机采集650只坝上长尾鸡的多视角图像数据，并建立了按体重范围、拍摄距离和视角分层平衡的数据集；接着开发了基于SegFormer-B0的EnhancedSegFormer分割网络，引入跨尺度注意力机制和自适应特征融合模块提升轮廓检测能力；然后利用形态学特征（长宽比、紧实度、矩形拟合度等）训练随机森林分类器实现侧视/背视自动判别；最后构建了融合XGBoost和TabTransformer的 stacking集成回归模型，通过多视角特征互补提升预测精度。

蛋鸡躯干分割性能

EnhancedSegFormer模型在复杂背景和遮挡环境下表现出卓越的分割性能，其mIoU达到89.6%，边界F1分数（BF1）为88.5%，显著优于Fast-SCNN、BiSeNetV2等对比模型。特别是在40-100 cm全距离范围内保持稳定性能，最远距离（80-100 cm）时仍能维持85%以上的BF1值，证明了该模型对尺度变化的强适应性。跨尺度注意力机制有效增强了模型对羽毛边缘等细微特征的感知能力，而自适应特征融合则保证了多尺度语义信息的高效整合。

蛋鸡姿态判别模型评估结果

基于形态特征的随机森林分类器在侧视/背视判别任务中准确率达93.4%，F1分数为91.5%。三个核心几何特征（长宽比、紧实度、圆矩形比）在不同拍摄距离下均表现出稳定的判别能力，40-59 cm近距离时准确率最高（93.8%），80-100 cm远距离时仍保持91%的准确率。混淆矩阵显示模型对两类视角的误判率均低于5%，证明几何特征对鸡体朝向具有强表征力。

多视角蛋鸡体重预测结果

单模型对比表明，TabTransformer在侧视图像上的预测效果最优（R2=0.904，RMSE=0.112 kg），而XGBoost在背视图像上表现稍逊（R2=0.876）。集成模型通过 stacking策略融合多视角预测结果，在40-59 cm距离内取得最佳性能（RMSE=0.088 kg，R2=0.944）。侧视图像所含形态特征对体重估计更具判别力，而多视角互补使模型在60-79 cm和80-100 cm距离段的R2分别保持在0.940和0.937，体现了良好的泛化能力。

集成学习模型性能

Stacking集成架构有效整合了XGBoost和TabTransformer的互补优势，ridge回归元学习器通过L2正则化抑制了过拟合风险。五折交叉验证显示，融合侧视与背视数据的集成模型在所有距离段均优于单视角模型，特别是在中远距离条件下，其RMSE较优单模型降低约6%-8%，证明了多视角信息融合对提升模型鲁棒性的重要作用。

该研究通过创新性地结合语义分割、姿态判别与集成回归技术，建立了首个针对笼养蛋鸡的多阶段视觉体重估测系统。EnhancedSegFormer模型在复杂环境下的优异分割能力为后续特征提取奠定了可靠基础，而基于几何特征的随机森林分类器则解决了笼养环境下鸡体朝向自动识别的难题。最终通过 stacking集成策略融合多模型优势，实现了接近人工称重精度的无接触体重监测（误差<0.1 kg），为精准畜牧业提供了切实可行的技术方案。未来研究可进一步探索时序特征建模和边缘设备轻量化部署，推动该技术在实时养殖管理系统中的实际应用。