基于深度传感技术的荷斯坦奶牛空怀期与产后阶段体重精准预测系统开发与应用

本综述系统阐述了基于深度传感技术的非接触式荷斯坦奶牛体重预测系统，通过Intel RealSense D455深度相机采集背侧、臀部和侧腹三维数据，采用高斯过程回归（GPR）模型在空怀期（RMSE=19.37kg, MAPE=1.82%）和产后阶段（RMSE=22.35kg, MAPE=2.74%）均展现优异预测性能。相比传统体尺测量法（如心围HG、体长BL），该系统显著提升体重监测精度，为奶牛健康管理（如体况评分BCS、代谢疾病预警）提供技术支撑。

　　

Highlight

Materials and methods

为开发稳健的非接触式图像体重预测系统，本研究基于图1所示实验流程系统化开展实验设计与数据分析。采用深度相机采集实验奶牛侧腹（编号）、背侧（编号）和臀部（编号）图像数据，并对各部位深度信息进行处理。数据处理包括奶牛识别、缺失值填补、距离过滤等步骤。

Evaluation of classification models for valid and invalid depth images

为确保深度图像质量，本研究对背侧、臀部和侧腹三个区域（见图9）进行有效图像分类，避免不完整深度图像导致后续特征提取偏差。遵循图5流程，采用二元分类法将图像分为"无效"和"有效"两类，成功过滤不适用深度图像。三个区域的二元分类结果显示...

Conclusions

本研究采用Intel RealSense D455深度相机开发了针对荷斯坦奶牛空怀期和产后阶段的非接触体重预测系统。高斯过程回归（GPR）模型在背侧区域特征应用中表现卓越，空怀期奶牛达到19.37kg均方根误差（RMSE）（MAPE：1.82%），产后奶牛保持22.35kg均方根误差（RMSE）（MAPE：2.74%）。这些结果显著优于前馈神经网络（FNN）和传统体尺测量方法，证实了深度传感技术在奶牛精准体重监测中的实用价值。