基于可移动顶置深度相机与改进型EfficientNetV2的生猪体重无接触估测方法研究

针对传统生猪称重方法应激大、效率低的问题，本研究创新性开发了可移动顶置深度相机系统，结合改进的EfficientNetV2模型（引入CBAM注意力机制），实现了自由活动环境下3.263kg MAE的高精度体重估测，仅需5.920M参数和0.752 GFLOPs，为智慧养殖提供了轻量化解决方案。

　　

在生猪养殖产业中，精准掌握个体体重是优化饲料配给、健康管理和出栏时机的关键。然而传统称重方式需要将猪只驱赶至地磅，不仅耗费人力，还会引发动物应激反应导致采食量下降，更可能增加非洲猪瘟等人畜共患病传播风险。随着计算机视觉技术的发展，基于图像的体重估测方法逐渐兴起，但现有技术普遍存在三大痛点：依赖固定式采集设备或狭窄通道，难以适应自由放养场景；基于体尺参数的估测方法易受动物姿态和遮挡干扰；深度学习模型缺乏针对性的空间特征优化，复杂模型又难以在资源有限的农场部署。

针对这些行业难题，中国农业科学院农业信息研究所（根据通讯作者Chunjiang Zhao单位推断）的研究团队在《Smart Agricultural Technology》发表最新成果，创新性地将可移动顶置深度相机与轻量化神经网络相结合，开发出适用于自由活动场景的生猪体重估测系统。研究人员设计了一套配备Orbbec Femto Bolt深度相机的移动采集装置，可在猪舍内灵活定位，以120°×120°视场角获取1.78米高度的猪背深度图像。通过改进EfficientNetV2网络架构——用卷积块注意力模块(CBAM)替代原SE模块增强空间特征提取能力，并优化预测头的池化策略，最终构建出仅5.92M参数的轻量级模型。研究采集了145头20-160kg生猪的21,451帧深度图像，采用SAM2模型实现实例分割，通过混合精度推理等技术实现移动端部署。

研究结果显示：在数据采集方面，移动式装置成功克服了传统固定式设备的空间限制，清晨采集时段（7:00-8:00）有效捕捉到站立状态的猪背形态。模型性能方面，改进后的EfficientNetV2在测试集上达到3.263kg MAE和0.984 R²，较原模型误差降低0.166kg，而计算量仅增加0.024 GFLOPs。消融实验证实CBAM模块能更有效提取深度图像的空间结构特征，全局平均池化(GAP)策略在三种池化方案中表现最优（较GMP头误差降低0.434kg）。与RGB图像相比，深度图像估测的MAE降低16.5%，证明三维几何特征比纹理信息更具判别力。值得注意的是，虽然RGB-D双模态在SwinNet中略有优势，但深度单模态在ResNet50上反而表现更佳，且计算成本降低50%以上。

误差分析揭示了当前技术的局限性：当猪只体重超过120kg时，RMSE呈上升趋势，可能与样本数量不足有关；约7.3%的预测误差超过10kg，主要发生在猪背暴露不完整的姿态下。与同类研究对比，该成果在更宽体重范围（20-160kg）内保持了3.26kg MAE，优于多数需限制猪只活动的通道式系统。特别是相较于需要202.97M参数的ConvNeXtV2双模态模型，本研究的轻量化设计更符合实际部署需求。

讨论部分指出，该系统的创新价值体现在三个方面：硬件上突破固定式采集限制，软件上通过CBAM增强空间特征感知，工程上实现移动终端部署。但遮挡问题和RGB依赖的实例分割仍是主要技术瓶颈。未来研究将探索纯深度数据的分割算法，并尝试通过多视角融合提升复杂场景下的鲁棒性。这项研究为智能化畜牧管理提供了兼具精度和实用性的技术方案，其移动式设计理念对其它畜禽生长监测具有重要借鉴意义。