基于深度学习与深度相机的肉牛几何参数自动测量及智能分群平台研究

本研究针对传统肉牛几何特征测量效率低、精度不足的问题，开发了一种集成深度学习与深度相机技术的智能分群平台。通过RealSense D455深度相机采集数据，采用DeepLabCut进行关键点检测，并结合动态深度替换优化算法计算体尺参数。实验表明，该平台对体长、体宽、体高、尻宽及尻高等关键指标的测量误差均低于2.5%，处理速度达6 FPS，为大规模养殖中的实时精准测量与智能管理提供了可靠技术支撑。

　　

在现代化畜牧业不断走向集约化、精细化和智能化的今天，如何高效、精准地获取牲畜的体重与体尺数据，并实现科学分群，已成为提升养殖效益、优化资源分配与保障动物健康的关键。传统的牲畜分群方法主要依赖人工观察和个别生理指标评估，不仅劳动强度大、容易引起动物应激，而且测量结果易受主观因素影响，难以满足现代化大型牧场对高效、精准管理的需求。

尽管近年来智能分群技术得到一定发展，例如结合个体识别、动态称重、体征与生理参数监测等技术，可在一定程度上实现牲畜的实时监测与分群管理，但目前市场上或研究中出现的分群设备，仍难以在实际生产环境中大规模应用。这些系统通常需依赖多相机配置，成本高、校准复杂，且易受环境光线、遮挡及动物姿态等因素干扰，更重要的是，多数视觉测量方法仅能估计单一形态参数，无法满足 herd management 和表型分析中需同步获取多维度体型数据的要求。

为此，研究人员开发了一套基于单目深度传感与深度学习的关键点检测技术，用于肉牛多部位体尺参数的自动测量，并集成至智能分群平台中，以实现高效率、低误差的实时监测。该研究成果已在《Smart Agricultural Technology》发表。

本研究主要依托位于河北省保定市闫园西门附近的西门塔尔肉牛育种基地，选取198头健康状况良好的肉牛作为研究对象，于2024年1月9日至17日开展数据采集。平台集成RFID个体识别、Intel RealSense D455 RGB-D相机、动态称重平台及Jetson Xavier NX边缘计算设备，可实现牛只图像采集、关键点提取、三维坐标计算与体尺参数解算。

关键技术方法包括：使用支持向量机（SVM）筛选自然站立姿态图像；采用基于EfficientNet-B6网络的DeepLabCut进行8个关键点检测；通过动态深度替换算法优化深度数据缺失与异常；并借助相机标定参数将二维像素坐标转换至三维空间，最终计算体长、体宽、体高、尻宽、尻高等5项体尺参数。

一、数据采集与筛选

研究人员共采集1546张图像，经人工筛选去除不完整或姿态异常图像，最终502组图像用于训练，271组用于测试，确保数据质量与模型可靠性。

二、关键点检测与提取

利用DeepLabCut框架进行牛只背部8个关键点检测，包括颈中点、耆甲、左右肩端最宽点、左右髋结节最宽点、骨盆中点与坐骨结节。检测完成后，将二维像素坐标与深度图配准，并依据相机内参转换为三维坐标，通过动态深度优化算法提升坐标稳定性。

三、几何参数计算与数据优化

提出基于邻域搜索的动态深度替换算法，有效处理深度图中的空洞与异常值。在此基础上，采用欧氏距离与曲线拟合方法计算五项体尺参数，其中体长为颈中点至骨盆中点与骨盆中点至坐骨结节两段距离之和，体高为耆甲至平台面的垂直距离，体宽为左右肩端最宽点之间的直线距离，尻宽为左右髋结节最宽点间距，尻高为骨盆中心至平台的垂直距离。

四、实验分析

实验结果显示，该平台测量体长、体宽、体高、尻宽、尻高的相对误差分别为1.22%、2.31%、1.53%、2.50%、1.80%，所有指标误差均低于2.5%。同时，处理速度达到6 FPS，满足实时处理要求。与传统人工方法相比，平均误差降低2.78个百分点，测量耗时从300–600秒/头大幅缩减至8秒/头，显示出显著效率与精度优势。

五、讨论与结论

本研究成功开发出一套低成本、实时性强的肉牛体尺自动测量系统，仅依托单一深度相机与深度学习技术，即实现多参数同步高精度测量，误差控制在2.5%以内，处理效率达6 FPS。该平台有效克服了传统设备对环境要求高、成本高昂与操作复杂的缺点，尤其适用于实际养殖条件下的推广应用。

值得注意的是，系统在牛只处于非自然站立姿态时仍存在识别局限，这同时也反映了动物姿态估计中普遍存在的遮挡与关节自由度高的难题。今后的研究将侧重于扩大数据集覆盖多种品种、年龄与环境条件，提升模型泛化能力，并尝试与体重、采食量等多源数据融合，构建更全面的牛只生长与健康监测模型。

该研究不仅推动了精准畜牧中的智能测量与分群技术发展，也为遗传选育、个性化饲喂与疾病早期预警提供了坚实的数据基础与技术支撑，具有重要的科研价值与推广应用前景。