编辑推荐：
在现代养猪业中，传统体重测量方法效率低，计算机视觉法又受猪姿势影响准确性。研究人员开展了 “Cascade Vision Detection Algorithm for Monitoring Fattening Pig Weight（CVDA-MFPW）” 研究。结果显示该算法性能良好，为商业养殖系统部署提供可能。
在现代养猪业蓬勃发展的今天，精准监测育肥猪体重成了提高养殖效益的关键。传统的称重方式，就像用老秤砣称重一样，在大规模养殖场景下效率极低，耗费大量人力物力。随着劳动力成本不断攀升，养猪户们迫切需要更高效的方法。而基于计算机视觉和深度学习的非接触式体重估计技术，虽然给大家带来了新希望，但在实际应用中却困难重重。比如，猪在猪圈里活蹦乱跳，姿态千变万化，这使得准确识别和定位变得异常艰难，算法的稳定性也大打折扣。就好像给好动的孩子拍照，很难拍到完美的姿势。这些问题严重阻碍了智能养殖技术在商业领域的推广应用。
为了解决这些难题，来自未知研究机构的研究人员开展了基于级联视觉的育肥猪体重监测算法（Cascade Vision Detection Algorithm for Monitoring Fattening Pig Weight，CVDA-MFPW）的研究。他们经过不懈努力，取得了令人瞩目的成果，相关论文发表在《Computers and Electronics in Agriculture》上。这一研究成果为智能养殖体重监测开辟了新道路，有望彻底改变传统的养殖称重模式，推动养猪业向智能化、高效化迈进。
研究人员在此次研究中主要运用了以下几种关键技术方法：首先是级联视觉检测技术，利用 RTMDet 进行实例分割生成个体掩码，通过 RTMPose 进行解剖学地标检测；其次是基于姿态的质量筛选方法，对猪的骨骼结构进行评估；然后是基于点云的形态特征提取技术，获取精确测量数据；最后通过基于形态特征的体重估计方法预测猪的体重。研究使用了包含 117 头育肥猪的数据集，为后续研究提供数据支撑。
下面来看具体的研究结果：
- 级联视觉检测实验：研究人员精心准备了包含 17406 张标注猪图像的数据集，并将其系统地划分为训练集（9946 张图像）、验证集（2487 张图像）和测试集（4973 张图像）。经过实验，RTM-Det 实例分割算法表现出色，边界框和掩码的平均精度分别达到 94.69% 和 91.84%；RTM-Pose 关键点检测系统精度也很高，平均精度率为 90.59%。这表明级联视觉检测技术能够精准地识别和定位猪的个体及关键部位。
- 边缘部署评估：研究人员在不同硬件平台上对算法进行边缘部署评估。在高姿态分数范围（66 - 100）内，取得了优异的成绩，均方根误差（RMSE）为 6.53，平均绝对误差（MAE）为 4.08，平均绝对百分比误差（MAPE）为 3.63%，决定系数（R2）为 0.82。而且该系统在不同硬件平台上表现稳定，不同配置下推理时间分别为 7.85 秒和 22.18 秒。这意味着该算法在实际应用中有较高的准确性和时效性，能够满足商业养殖的需求。
- 与其他方法对比：通过对近期家畜体重估计方法的系统分析，研究人员发现现有的基于 RGB - D 图像的体重估计方法虽然多样，但仍存在提升空间。而 CVDA-MFPW 在准确性和稳定性方面展现出了独特的优势，为家畜体重估计领域注入了新的活力。
综合上述研究，CVDA-MFPW 算法通过创新性地整合计算机视觉和形态测量分析，在育肥猪体重监测方面展现出巨大的潜力。它不仅提高了体重监测的准确性和稳定性，还为大规模商业养殖提供了可行的技术方案。基于姿态的质量筛选方法，就像给监测系统装上了 “智能过滤器”，实时评估和筛选猪的姿态，大大提高了测量的准确性。在边缘计算平台上的良好表现，也证明了该算法可以在实际养殖环境中高效运行。这一研究成果对于推动智能养殖发展意义非凡，它有望帮助养殖户更科学地管理猪群，及时掌握猪的生长状况，合理安排饲料投放和出栏时间，从而提高养殖效益，助力整个养猪业向智能化转型升级。
