跛行是养猪业中普遍存在的健康问题,其原因包括遗传倾向、疾病、营养缺乏和不良环境条件。它严重影响生长性能、整体健康和动物福利(Grethe, 2017; Heinonen et al., 2013; Kilbride et al., 2009; Singh, 2024)。跛行的典型表现为步态或姿势异常,包括肢体运动不对称、步幅缩短和承重能力下降。在严重情况下,可能导致猪完全卧倒(Ala-Kurikka et al., 2017; Forseth et al., 2023; Wells, 1984)。跛行的严重程度和受影响的肢体对其影响至关重要。前肢跛行会降低支撑能力,使重量转移到后肢上,增加后肢的负担,从而限制其移动能力。相反,后肢跛行会直接影响承重和运动模式,限制行走、进食和社会互动等基本行为(Kilbride et al., 2009, KilBride et al., 2009)。如果不加以治疗,跛行可能导致姿势异常、肌肉萎缩,甚至骨骼损伤。因此,准确评估跛行的严重程度和受影响的肢体对于早期干预和精准管理至关重要。这也是现代畜牧业系统中改善动物福利的关键指标。
现有的跛行检测方法大致可分为单视图2D方法和基于3D相机的方法。单视图2D方法通常提取运动学参数,如步幅、步宽和背部姿势曲率,然后通过机器学习分类器进行识别(de Paula et al., 2024; Pluym et al., 2013)。然而,这些方法由于依赖于固定的侧视角度,在动物行为多变且视角不一致的动态农场环境中效果较差(Boakye et al., 2020; Netukova et al., 2021; Russello et al., 2024; Zhao et al., 2023)。奶牛的跛行检测通常依赖于在开阔空间中的直线行走,通过侧视视频从固定角度捕捉步态参数。然而,在实际养殖环境中,猪通常被限制在更狭窄的活动区域内。即使为跛行检测专门设计了通道,通道内的遮挡和视角变化也会给获得可靠结果带来挑战。这些局限性凸显了单视图2D方法在养猪环境中的不足,强调了需要能够应对这些复杂情况的替代方法。
相比之下,基于3D相机的方法利用RGB-D(颜色-深度)相机捕捉奶牛的背部视图,或结合侧视图2D关键点,显著提高了检测性能(Jabbar et al., 2017; Salau et al., 2017; Tun et al., 2024; Van Hertem et al., 2014)。Viazzi等人(2014)证明,与2D方法相比,3D算法的特异性提高了4%,敏感性提高了6%。此外,3D相机能够更精确地检测奶牛的背部姿势,同时减轻了由光照条件引起的噪声、眩光和阴影等常见成像问题(Kang et al., 2021)。尽管有这些优势,但由于高昂的成本和无法支持长期监测,3D相机系统在畜牧业中的广泛应用仍受到限制(Wang et al., 2023; Williamson & Hartley, 2024; Yang et al., 2025)。因此,在检测性能和成本之间找到最佳平衡仍是一个关键的研究挑战。
一种有前景的替代方法是多视图3D估计,该方法使用少量2D相机从多个视角捕捉动物运动,并重建准确的3D骨骼模型。与单视图方法相比,多视图方法减少了对固定侧视角度的依赖,整合了来自不同视角的信息,从而解决了遮挡或缺失数据等问题,提高了系统的鲁棒性(Waldmann et al., 2024)。此外,多视图系统比3D相机系统更实用,适用于在养猪场的部署。重要的是,3D骨骼模型提供了详细的深度信息和运动轨迹,同时捕捉了异常步态的关键运动特征,为跛行检测提供了有力支持。研究已经验证了3D骨骼特征在识别步态异常和提高分类准确性方面的有效性(Guo & Ji, 2023, pp. 19627–19638; Jun et al., 2021; Liao et al., 2020; Rao et al., 2022)。
本研究提出了一个综合框架,结合多视图3D姿态估计和多任务学习,以解决在真实养殖条件下检测自由移动猪的跛行问题。通过融合多个监控摄像机的2D图像,该框架能够估计猪的3D骨骼模型,有效处理遮挡、光照变化和视角变化,同时捕获稳定且语义丰富的运动特征。与依赖高维图像数据的外观基方法不同(Li et al., 2024),所提出的方法侧重于结构化的3D骨骼数据,降低了计算复杂性,并提高了对环境变化的鲁棒性,非常适合动态农场条件。在此基础上,采用多任务学习策略共同建模跛行严重程度评估和受影响肢体识别,从而提高了模型对细微步态异常的敏感性和对个体差异的适应性。这项研究的总体目标是验证多视图3D姿态估计与多任务学习的结合潜力,并阐明它们在提高复杂实际养殖环境中猪跛行检测的准确性、鲁棒性和实用性方面的关键作用。