基于区域特异性特征分析的肉牛体况评分计算机视觉自动化评估方法

《Smart Agricultural Technology》：Region-Specific Feature Analysis for Automated Body Condition Scoring of Beef Cattle Using Computer Vision

　　

体况评分（Body Condition Scoring, BCS）是肉牛生产中广泛使用的管理工具，用于反映脂肪和能量储备情况，同时也是动物健康、生产性能和福利状况的指标。传统上，BCS通过视觉和触觉检查解剖学标志点（如肋骨、脊柱、髋骨、坐骨结节和尾根部）进行人工评估。然而，人工评分具有主观性，严重依赖评分者的专业经验和一致性，因此常导致不同评估者之间的结果差异和偏倚。此外，该过程耗时且劳动密集，限制了其在大型牛群中的可扩展性。为克服上述问题，近年来的技术进步聚焦于利用基于摄像头的成像和计算机视觉技术实现BCS自动化评估。自动化BCS系统相较于人工评估具有明显优势，能够提供客观、一致且高效的评估方案，可应用于肉牛生产管理。 大量研究探索了利用多种技术创新实现肉牛养殖中BCS评估的自动化。基于RGB成像系统结合计算机视觉技术已被广泛用于自动化BCS评估。例如，基于网络摄像头的系统和图像处理算法已展现出对体况进行连续、无创监测的潜力。此外，背部区域的RGB图像已与机器学习模型集成，以提高BCS预测精度。深度学习方法，特别是卷积神经网络（Convolutional Neural Networks, CNNs）和基于Transformer的架构，通过自动提取与脂肪储备相关的身体特征，在BCS估计中展现出强大性能。使用基于CNN的模型和Transformer网络的研究报道了在奶牛BCS评估中的高精度，这归因于改进的特征表示和分类能力。近期，融合双路径网络、卷积块注意力模块和深度可分离卷积的先进架构已实现从视频数据中自动检测、分割和BCS估计。三维（3D）成像和深度传感技术也获得了广泛关注，因为它们能够比传统2D图像更有效地捕捉身体形态和表面特征。利用3D成像、深度信息、感兴趣区域提取和表面形态分析的研究通过量化与体况相关的形态学特征，展现了改进的鲁棒性和精度。除基于视觉的方法外，超声成像已被用于估计皮下脂肪储备并改进BCS预测。超声测量与机器学习模型和图像特征相结合，提供了客观评估，并与人工评分系统表现出高度一致性。总体而言，这些研究表明，与传统人工方法相比，计算机视觉、深度学习、3D成像和超声技术的集成能够显著提高BCS评估的精度、一致性和效率。 尽管已有研究改进了自动化体况评分方法，但一个关键局限性仍然存在：缺乏对身体部位的精确定位和针对特定解剖区域的深入分析。大多数技术从全身轮廓提取特征，或在大面积区域使用基于形状的标注，这可能忽略关于关键解剖指标的重要信息。另一些研究仅聚焦于单一区域，如尾根部或肋骨。依赖单一区域可能无法捕捉脂肪分布跨身体的时空变异性，限制了跨动物和BCS范围的鲁棒性和泛化能力。即使是专家也不仅基于单一特征来判断BCS，而是综合多个区域的观察结果，如肋骨、脊柱和尾根部周围的脂肪，以确定准确评分。本文引用的文献以及该领域绝大多数先前研究均聚焦于奶牛，其采用为产奶管理设计的1–5分制BCS量表进行评估。相比之下，肉牛采用更宽泛的1–9分制，反映了不同的生产目标和营养需求。这些差异不仅仅是数值上的，还对应于独特的解剖学标志、脂肪沉积模式和目标范围。因此，基于奶牛的自动化模型直接应用于肉牛的适用性尚不确定。这一空白凸显了开发能够整合多个解剖区域以实现更全面评估，并适应肉牛特定特征的自动化BCS方法的需求。 本研究通过将肉牛的多种解剖学特征（如脊柱沿线脊突可见性、尾根部角度、脂肪垫发育程度和整体体型）整合到统一框架中，填补了这一空白。这些解剖学特征之所以被选中，是因为它们对应于受过培训的评估者在为肉牛分配体况评分时通常评估的关键标志点，并反映脂肪沉积的变化。通过整合局部和全局描述符，所提出的方法旨在在一致的图像分析框架内定量表征传统BCS评估中考虑的多种解剖学指标。这种对特异性和多区域分析的关注使本研究区别于以往研究。此外，采用可解释人工智能（Explainable Artificial Intelligence, XAI）技术来量化解剖学描述符在区分体况组别中的相对重要性。因此，本研究的目的是开发一个多区域计算机视觉框架，以提取和表征与肉牛体况相关的解剖学特征，并研究它们对区分BCS组别的贡献。机器学习模型被用作探索性方法来评估组合解剖学描述符的判别价值，而XAI方法用于解释它们对模型决策的贡献。通过集成计算机视觉、机器学习和XAI，所提出的框架为在实际肉牛处理条件下研究图像衍生的肉牛体况指标提供了一种基于解剖学且可解释的方法。所得到的特征提取框架和定量解剖学描述符旨在为未来开发和外部验证基于图像的肉牛BCS评估方法提供方法论基础。

论文解读

一、研究背景与问题

体况评分（Body Condition Scoring, BCS）是肉牛生产中一项广泛使用的管理工具，用于反映动物的脂肪和能量储备状况，同时也是衡量动物健康、生产性能和福利水平的重要指标。传统上，BCS由评估人员通过视觉观察和触诊检查解剖学标志点（如肋骨、脊柱、髋骨、坐骨结节和尾根部）进行人工评定。然而，人工评分存在显著的主观性缺陷，结果高度依赖评分者的经验和一致性，容易导致不同评估者之间的变异和偏倚。此外，人工评分过程耗时费力，难以在大型牛群中规模化应用。

为克服上述局限，近年来的研究致力于利用基于摄像头的成像技术和计算机视觉方法实现BCS的自动化评估。已有研究采用了RGB成像系统、深度学习模型（如卷积神经网络和Transformer架构）、三维成像与深度传感技术以及超声成像等多种技术手段。尽管这些研究在自动化BCS评估方面取得了显著进展，但仍存在一个关键局限：缺乏对身体部位的精确识别和对特定解剖区域的深入分析。多数方法从全身轮廓提取特征或在大面积区域使用基于形状的标注，容易忽略关键解剖指标的重要信息；另一些研究则仅聚焦于单一区域（如尾根部或肋骨），难以捕捉脂肪分布的空间变异性，限制了模型的鲁棒性和泛化能力。此外，该领域绝大多数先前研究聚焦于奶牛，其采用1–5分制BCS量表；而肉牛采用更宽泛的1–9分制，反映了不同的生产目标和营养需求，两者在解剖学标志、脂肪沉积模式和目标范围上均存在本质差异。因此，基于奶牛的自动化模型直接应用于肉牛的适用性尚不确定。这一研究空白凸显了开发能够整合多个解剖区域、适应肉牛特定特征的自动化BCS评估方法的迫切需求。

二、研究内容与意义

本研究旨在开发一个多区域计算机视觉框架，通过整合肉牛的多种解剖学特征（包括脊柱脊突可见性、尾根部角度、脂肪垫发育程度和整体体型轮廓）来定量表征与体况相关的解剖学指标。这些特征对应于受过培训的评估者在人工BCS评定中通常检查的关键标志点，能够反映脂肪沉积的变化。通过整合局部和全局描述符，该框架在统一的图像分析体系内实现了对多个解剖指标的定量表征，并采用可解释人工智能（XAI）方法量化各解剖学特征对区分BCS组别的贡献。这一研究填补了现有自动化BCS方法在肉牛应用中缺乏多区域综合分析和解剖学可解释性的空白，为未来开发和外推验证基于图像的肉牛BCS评估方法提供了方法论基础。

三、关键技术方法

研究人员从美国田纳西大学AgResearch中心下属的三个研究设施（Middle Tennessee AgResearch and Education Center、Highland Rim Research and Education Center和Plateau AgResearch and Education Center）采集数据，共观察396头雌性肉牛，最终保留356头纳入分析（BCS 4、5、6、7、8、9分别为36、160、63、56、31和10头）。研究采用固定式半球摄像头（PAR-P4DRIR28NH-AI，分辨率2592×1520像素，帧率30fps）在保定通道内连续采集RGB视频流，提取后视图和顶视图进行分析。主要技术方法包括：利用YOLOv8和YOLOv11目标检测模型自动识别三个解剖学感兴趣区域（尾根部、脊柱、全身），训练数据集包含11,820张图像（9,456张训练，2,364张验证）；采用Segment Anything Model 2（SAM2）对动物进行背景分割；提取四类解剖学特征——脊柱脊突检测（基于高斯滤波、标记控制的分水岭分割和接缝提取）、尾根部角度（基于Depth Anything V2生成的深度图进行k-means聚类和样条拟合）、脂肪垫计数（基于边缘检测技术）以及身体轮廓圆形度（基于全身轮廓的形状描述符）；最终采用机器学习分类模型将肉牛分为四个BCS组别（BCS 4、BCS 5–6、BCS 7、BCS 8–9），并结合XAI方法解释各特征的贡献。

四、研究结果

4.1 脊柱脊突轮廓检测

研究人员通过预处理、分水岭分割、接缝提取和脊突判定四个步骤，对YOLO检测到的脊柱区域图像进行自动脊突可见性分类（有/无）。高斯滤波（σ=2）用于抑制噪声，标记控制的分水岭算法用于分割结构边界，随后通过逐行像素过渡检测提取候选脊突接缝点，并计算接缝支持分数和方向偏差以判定脊突是否存在。该特征用于反映脊柱区域脂肪覆盖程度——脊突明显可见表明脂肪覆盖较少，常见于偏瘦的肉牛。

4.2 尾根部角度测量

研究人员利用Depth Anything V2生成的深度图对尾根部区域进行深度归一化处理，通过k-means聚类分割深度图，对背部脊线进行样条拟合，并在拟合曲线上选取三个标志点（左侧点、峰值点和右侧点）计算内部尾根部角度。该角度用于定量评估尾根部区域的脂肪沉积程度，角度变化与体况评分呈渐进性关联。

4.3 脂肪垫检测与计数

研究人员采用边缘检测技术对尾根部区域的脂肪垫进行自动检测和计数。脂肪垫的发育程度随体况评分升高而逐渐增加——低评分时无脂肪垫，中等评分时出现小型脂肪垫，高评分时脂肪垫高度发育。该特征直接反映了尾根部脂肪沉积的量化指标。

4.4 身体轮廓圆形度分析

研究人员对全身区域提取轮廓形状描述符，计算身体轮廓的圆形度指标，以反映整体体型的形态变化。该全局描述符捕捉了与体况变化相关的体型轮廓特征，与局部解剖学特征形成互补。

4.5 分类模型与XAI解释

研究人员将上述四类解剖学特征组合为每头动物的特征向量，输入机器学习分类模型进行四个BCS组别的分类。结合可解释人工智能（XAI）方法量化各解剖学特征对分类决策的贡献，提供全局和个体层面的解释，揭示了不同解剖学特征在区分体况组别中的相对重要性。

五、讨论与结论

研究讨论部分强调，与以往仅依赖单一区域或全身轮廓的方法不同，本研究提出的多区域特征提取框架能够综合脊柱、尾根部和全身轮廓的互补解剖学信息，更全面地反映肉牛体况的脂肪沉积特征。XAI分析进一步揭示了各解剖学特征对模型决策的贡献程度，为自动化BCS评估提供了可解释性基础。研究结论指出，所提出的特征提取框架和定量解剖学描述符为未来开发和外部验证基于图像的肉牛BCS评估方法提供了方法论基础，有望推动肉牛生产中体况评估从主观人工评分向客观自动化评估的转变。