无人机LiDAR与RGB数据融合的个体牛只生长监测：精准畜牧业三维方法创新

本研究针对精准畜牧业(PLF)中传统牛只生长监测方法（如RFID和2D影像）的局限性，创新性地采用无人机载LiDAR系统采集96头西门塔尔肉牛的三维点云数据，结合RGB影像实例分割技术，实现了非接触式个体牛只体尺参数（体高、体宽、体长）和体积的自动化提取。研究通过多高度（8-50米）、多速度（1-9 m/s）飞行方案获取不同环境条件下的数据，建立包含1845组地面称重验证数据的资源库，为基于3D方法的牛只体重估算（RMSE=6.33kg）和个体识别（CMC@1=97.51%）提供高精度解决方案，推动PLF技术向三维化、智能化发展。

　　

在全球牛肉需求持续增长的背景下，精准畜牧业（Precision Livestock Farming, PLF）面临重大技术挑战。传统牛只生长监测依赖射频识别（RFID）和二维影像，存在设备易损、测量维度单一等问题。尤其当牛只处于躺卧姿态时，二维方法难以准确捕捉关键生长指标。这些技术瓶颈严重制约着畜牧业精细化管理的实现。

中国农业科学院农业信息研究所（Big Data Development Center, Ministry of Agriculture and Rural Affairs）与瓦赫宁根大学研究人员合作，在《Scientific Data》发表突破性研究。该团队创新性地将无人机载LiDAR（Light Detection and Ranging）系统应用于肉牛监测，通过融合三维点云与RGB数据，构建了首个包含多姿态牛只生长参数的开放数据库。研究在河南某商业农场开展，采集96头西门塔尔牛（占中国肉牛存栏量70%以上）的38组点云和3823帧称重影像，创造性地解决了复杂场景下的三大技术难题：站立姿态牛只的自动分割（552例）、躺卧姿态的半自动分割（595例），以及基于Segment Anything模型的实例分割（1801例）。

关键技术方法包括：1）多参数无人机航测（高度8-50米，速度1-9 m/s）；2）LiDAR点云自动校准与噪声过滤；3）基于深度学习的体尺参数提取（如髋高Hip Height、腰高Waist Height等6项指标）；4）切片积分法计算躺卧牛只体积；5）工业级称重系统验证（精度±0.5kg）。

【数据记录】
建立分级存储体系，包含：

• 飞行高度子目录（8m/10m/15m/30m）
• 个体ID编码系统（如"pen1cattle12"）
• 环境参数记录（照度0-59.1 Klx，风速0-6.6 m/s）

【技术验证】
通过栅栏构件测量验证数据精度：

• 高度测量误差（MAE=2mm）显著优于宽度测量（4.7cm）
• 8米航高、3m/s速度组合最优（h1误差仅0.3%）
  
  

【应用价值】

1. 体重预测模型：站立姿态预测误差（MAPE=2.1%）较躺卧姿态（3.46%）提升39%
2. 个体识别系统：基于背部花纹特征实现97.51%识别准确率
3. 福利评估创新：非接触测量减少动物应激反应

这项研究标志着PLF技术从二维向三维的范式转变。所建立的数据库不仅填补了畜牧业三维数据的空白，更通过开源代码（Zenodo 10822500）推动行业标准建立。特别是提出的"飞行高度-数据精度"关系模型，为后续星机地协同监测提供了理论框架。未来可扩展至疾病早期预警、饲料效率评估等领域，对实现联合国可持续发展目标（SDGs）中的"零饥饿"承诺具有战略意义。

研究也存在一定局限：强光照条件（>50 Klx）下RGB数据质量波动，且群体密集场景下的点云分割仍需人工校验。建议后续研究可结合毫米波雷达增强多源数据融合能力，进一步提升复杂环境下的监测鲁棒性。