基于二维侧视图像与深度估计三维建模的牛体重估测方法研究

为解决传统牛只称重方法劳动强度大、易造成动物应激等问题，研究人员开展基于2D侧视图像和深度估计3D建模的牛体重预测研究。通过CAFE-Net分割、MMpose关键点检测和Depth Pro深度估计等技术提取84维特征，采用LASSO线性回归实现最优预测（MAPE 14.23%）。该非接触式方法为精准畜牧业管理提供了创新解决方案。

　　

在现代畜牧业管理中，准确掌握牛只体重数据对优化饲养策略、监测健康状况至关重要。然而传统称重方法存在明显局限：需要将动物驱赶至地磅称重，不仅耗时耗力，还会引起牲畜应激反应。更棘手的是，当前基于计算机视觉的替代方案多依赖俯视（dorsal view）图像采集，这要求配备专用通道和固定摄像头，在实际牧场环境中难以大规模应用。面对这些挑战，一项创新研究通过开发仅需侧视图像的牛体重预测系统，为精准畜牧业带来了突破性解决方案。

这项发表在《Smart Agricultural Technology》的研究由Agritech国家研究中心团队完成。研究人员利用Kaggle平台公开的B3（2,588张）和B4（1,934张）数据集，开发了融合2D图像分析与3D建模的混合方法。关键技术包括：基于CAFE-Net的语义分割（IoU达0.9738）、MMpose框架的关键点检测（提取心围HG等5项体尺参数）、Depth Pro模型的单目深度估计（生成三维点云），以及从分割掩膜和点云中提取的84维特征（含Hu矩HM、链码统计CCS等）。通过标准化互信息（NMI）筛选特征后，比较了普通最小二乘（OLS）、LASSO回归、随机森林（RF）和人工神经网络（ANN）等算法的预测性能。

研究结果部分，预处理阶段显示CAFE-Net在B3数据集上达到0.9738的交并比（IoU），深度估计生成的3D点云经降采样和奥tsu阈值去噪后有效保留了牛体几何特征。与传统心围法（HGM）相比，新方法将平均绝对百分比误差（MAPE）从24.63-31.36%显著降低至12-19%。特征分析发现81/84的特征与体重存在显著相关性（NMI>0），验证了3D点云特征的预测价值。在回归模型中，LASSO线性回归表现最优，在跨数据集测试中对B4集的预测MAPE为14.23%，优于随机森林（14.85%）和ANN（14.41%）。值得注意的是，使用B3数据集（36-621kg）训练的模型展现出更好的泛化能力，其预测误差比基于B4集（69-307kg）训练的模型低3.47%。

讨论部分揭示了三个关键发现：首先，图像采集角度差异和MMpose关键点检测误差是预测偏差的主要来源；其次，数据集中存在的异常标注（如36kg成年牛）会显著影响模型性能，过滤后MAPE可进一步提升至10.02%；最后，3D点云特征的引入使模型能够捕捉传统2D方法无法获取的体积信息。这些发现为后续研究指明了方向——通过改进关键点标注质量、整合品种特异性参数和体况评分（Body Condition Score），有望建立更精准的预测体系。

该研究的创新价值体现在三方面：技术上首次实现仅用侧视图像的体重预测，方法上开创性地将深度估计与传统体尺测量相结合，应用上为牧场数字化管理提供了可扩展的解决方案。随着农业4.0时代的到来，这种非接触、低成本的自动化监测技术，不仅能够减轻养殖人员工作负担，更能通过持续跟踪个体生长曲线，为精准饲喂和健康预警提供数据支撑，最终实现动物福利与经济效益的双重提升。