基于多视角三维点云的山羊体尺非接触式自适应测量方法研究

为解决山羊育肥育种中传统体尺测量耗时耗力、易引发应激等问题，研究人员开发了基于多视角三维点云（3D point clouds）的高通量非接触测量系统。通过定向定位连续分割算法（DPCS）和多重视图滤波重建流程（MFRP），实现了山羊关键体尺参数（如体高、胸围等）的自动化测量，平均误差率低于3.37%。该系统为山羊表型数据采集提供了高效精准的技术支持，对育种优化和肉质产量预测具有重要意义。

　　

在畜牧业中，山羊的体尺参数（如体高、胸围等）是评估育肥效果和育种潜力的关键指标。然而，传统人工测量方法不仅效率低下，还会对山羊造成应激，影响其健康生长。尽管已有研究尝试利用二维图像或RGB相机结合运动结构恢复技术（SFM）进行测量，但存在信息量不足、重建耗时长等问题。近年来，深度相机的应用为三维点云数据采集提供了新思路，但复杂环境下噪声干扰、动物姿态多变等挑战仍未解决。针对这些技术瓶颈，中国农业科学院的研究团队开发了一套基于多视角三维点云的山羊体尺自动化测量系统，相关成果发表在《Biosystems Engineering》上。

研究团队采用三台Kinect DK深度相机搭建拱形通道设备，结合多重视图滤波重建流程（Multi-View Filter Reconstruction Processing Pipeline, MFRP）对点云进行降噪、配准和表面重建，并创新性地提出定向定位连续分割算法（Directional Positioning Continuous Segmentation Algorithm, DPCS）精准识别山羊关键体区。通过分析波尔山羊（Boer goat）在真实养殖环境中的多姿态点云数据，系统实现了体高、体斜长、胸围等8项参数的自动化测量，平均误差率控制在1.30%-3.37%之间。

设计山羊点云采集设备
研究团队设计的采集系统集成RFID读写器和光栅传感器，可实时获取山羊耳标信息并触发三台深度相机同步采集。设备与畜栏通道无缝衔接，两侧及顶部相机布局有效覆盖山羊活动空间，为多视角数据融合奠定硬件基础。

山羊点云目标重建结果
MFRP流程成功从含栏杆干扰的复杂背景中提取山羊目标点云，通过下采样、分割和曲面重建生成完整三维模型。六视角展示验证了该系统对山羊站立、行走等多种姿态的适应性，解决了传统激光扫描需固定动物的局限。

定向定位连续分割算法测试评估
DPCS算法通过分析点云投影分布特征，实现了无需人工标注的胸腹关键区自动分割。在多变光照和山羊姿态条件下，算法对波尔山羊、黑山羊等不同品种均表现出稳定性能，为后续精准测量提供可靠数据基础。

结论与意义
该研究首次将多视角三维点云技术应用于山羊体尺高通量测量，突破了环境噪声和动物姿态的双重限制。系统测量效率较人工提升20倍以上，且完全避免接触式测量引发的应激反应。通过与中国国家肉羊产业技术体系合作验证，该方法已为育种企业提供表型数据支持，其技术框架可扩展至牛、猪等畜禽测量领域。研究不仅为智能养殖装备研发提供新范式，也为基于表型组学的遗传选育开辟了技术路径。值得注意的是，系统采用的消费级深度相机显著降低了成本，有利于在中小型养殖场推广。未来通过结合深度学习模型，有望进一步优化对极端姿态的适应性和测量精度。