基于体重波形图的猪体重动态预测与步态分类研究

为解决生猪动态称重误差大、步态干扰难题，研究人员开发了ResNet18SV分类模型，将猪步态分为快、慢、常态和滞留4类，并针对每类步态定制回归方程。实验显示步态分类准确率达97.13%，体重预测平均误差仅0.28%，接近静态称重精度（0.2%），为规模化养殖提供低成本自动化监测方案。

　　

在现代化生猪养殖中，精准掌握个体体重变化是评估生长状况、调整饲喂策略的关键。然而，传统人工称重不仅效率低下，还会引发动物应激反应，导致数据偏差。尽管近年来计算机视觉技术（如基于Faster R-CNN的体重估算）取得进展，但动态称重领域仍面临步态干扰大、多源数据融合难等挑战。例如，物理模型法误差高达2%，而AI驱动方法（如WoW系统）虽重复性达95%，却易受异常行为干扰。针对这一行业痛点，来自国家生猪种业工程技术研究中心的研究团队提出了一种创新解决方案——通过廉价称重平台采集猪自由行走时的体重波形数据，结合深度学习实现步态分类与体重预测同步优化。相关成果发表于《Computers and Electronics in Agriculture》，为规模化养殖场提供了高精度、低成本的动态监测技术路径。

研究团队采用三项核心技术：1）构建改进型ResNet18SV分类网络（基于ResNet18优化），对波形数据进行四类步态划分；2）针对快、慢、常态和滞留步态分别开发定制化回归模型；3）利用广东温氏食品集团提供的实验猪群数据（含多品种验证队列）进行跨场景验证。

材料与方法
通过部署称重平台采集猪动态波形数据，经预处理后输入ResNet18SV模型。该网络通过结构优化显著提升小样本分类性能，再结合步态特异性回归方程实现体重预测。

评价指标
分类任务采用准确率（97.13%）、回归任务采用平均相对误差（0.28%）评估。与静态称重（0.2%）对比表明，该方法在保持精度的同时实现动态监测突破。

讨论
拓展实验显示模型具备跨物种泛化能力：水牛预测误差0.64%，山羊1.98%。研究证实波形数据同时蕴含体重与步态特征，为低成本设备实现高精度监测提供理论依据。

结论
该研究首次将ResNet18SV模型应用于生猪步态分类，配合分步态回归策略，使动态称重误差逼近静态水平。获国家自然科学基金（32172780）等支持的成果，对推动养殖业智能化具有重要实践价值。