基于Kfino算法的Walk-over-Weighing平台异常值自动过滤系统在绵羊生产中的多场景验证研究

针对传统静态称重系统效率低、Walk-over-Weighing(WoW)平台数据异常值多的问题，研究团队开发了Kalman Filter with Impulse Noised Outliers(Kfino)算法及ORIOLE网络应用，通过8项试验验证其在绵羊不同生产体系中的适用性。结果显示，该方案能高效识别异常值（处理200头动物仅需4分钟），清洁数据占比与人工方法相当（如室外试验达54.1% vs 38.2%），为畜牧业智能化监测提供了可靠工具。

　　

在畜牧业管理中，活体称重(Liveweight, LW)是评估动物生长、健康和生产效率的核心指标。然而传统静态称重需要驱赶动物至磅秤，不仅耗时耗力，还会造成动物应激。法国农业研究团队开发的Walk-over-Weighing(WoW)平台虽能实现自动化称重，却因绵羊群居特性产生高达80%的异常值（如多只动物同时过秤），现有过滤方法依赖人工三步筛选，处理3051条数据需105分钟，严重制约技术推广。

为突破这一瓶颈，E. González-García团队创新性地将卡尔曼滤波(Kalman Filter)与脉冲噪声处理结合，开发出Kfino算法。该技术通过建立线性高斯动态系统模型，将观测值分解为高斯噪声和独立脉冲噪声的混合分布，利用期望最大化(EM)算法估计生理参数，无需依赖静态称重基准即可重建个体LW轨迹。为提升实用性，团队进一步构建ORIOLE网络应用，集成数据可视化、统计报告等功能，用户仅需上传原始数据即可在分钟级完成分析。

研究选取法国和意大利8个试验场的920头绵羊进行验证，涵盖罗曼(Romane)、拉考恩(Lacaune)等4个品种，对比人工与ORIOLE方法在异常值识别率、数据保留率和时效性的差异。关键技术包括：1）基于lme4包的三步人工筛选法；2）Kfino算法的前向-后向递归计算；3）通过SK8平台部署的R-Shiny交互界面。

3.1 异常值过滤效能对比

在拉法热牧场户外试验中，ORIOLE对春季育成母羊(OutSprRom21)的异常值识别率达78.3%，与人工方法(76.8%)相当，但处理17,917条数据仅需2分钟（人工需185分钟）。冬季试验(OutWinRom)因动物训练度低，ORIOLE保留个体数(53头)显著少于人工(84头)，揭示环境适应性的关键影响。

3.2 算法优势验证

与局部回归法相比，Kfino能同步处理脉冲型(additive)和常规异常值。如图4所示，对同一组数据，传统卡尔曼滤波(图C)误将真实波动判为异常（红点），而Kfino(图D)准确识别异常值（紫点）并保留生物学合理波动（黑点）。在室内拉考恩羊试验中，两种方法清洁数据占比差异不足1%(27.5% vs 26.8%)，证实算法稳定性。

4. 结论与展望

该研究构建的WoW-Kfino-ORIOLE技术体系，首次实现绵羊LW数据的全自动质控，处理效率提升60倍以上。其创新性在于：1）利用个体自身LW动态作为内参，摆脱对静态称重的依赖；2）通过_EM算法实现生理参数自适应估计；3）兼容不同生产体系（如撒丁岛室内试验数据保留率超78%）。未来通过集成早期预警功能，该平台可进一步拓展至动物发情监测、营养评估等领域，为精准畜牧业提供核心技术支持。论文发表于《Smart Agricultural Technology》，标志着畜牧业物联网技术从数据采集迈向智能分析的新阶段。