《Smart Agricultural Technology》：An edge-deployable dual-view stereo system for contactless live body weight estimation in farmed yaks
编辑推荐：
本研究开发了一种基于双视角被动立体视觉（passive stereo vision）的无接触牦牛（yak, Bos grunniens）活体体重（live body weight, LBW）估测系统，用于实际养殖环境下的便携式边缘部署。研究人员提出了一种针对牦
本研究开发了一种基于双视角被动立体视觉（passive stereo vision）的无接触牦牛（yak, Bos grunniens）活体体重（live body weight, LBW）估测系统，用于实际养殖环境下的便携式边缘部署。研究人员提出了一种针对牦牛背部视角的二维平面投影方法（2D planar projection method），用于提取背部形态测量特征，与纯三维特征提取方法相比，该方法将决定系数R2提升了23.3%，并将均方根误差（root mean square error, RMSE）降低了38.3%。研究人员设计了一种轻量级骨架定位模型MobileLKA，该模型以RTMDet-Tiny和RTMPose-Tiny为基线，将默认的CSPNeXt骨干网络替换为基于大核注意力（Large Kernel Attention, LKA）设计的轻量级骨干网络，仅含0.732 M参数，在保证高空间定位精度的同时实现了边缘设备上的高效冷启动推理。研究人员采用半全局块匹配（Semi-Global Block Matching, SGBM）算法生成深度图，并结合视角特定的解剖关键点提取五种形态测量特征，包括背部视角的腹宽（abdominal width, AW）和体长（body length, BL），以及侧面视角的鬐甲高（withers height, WH）、近似胸深（approximate chest depth, ACD）和近似斜体长（approximate oblique body length, AOBL）。研究人员采用高斯过程回归（Gaussian process regression, GPR）框架进行体重预测，并通过按动物ID分组的五折交叉验证（GroupKFold）评估模型对训练集中未出现动物的泛化能力。实验在四川雅安一个室内牦牛育肥场开展，共采集29头3至4岁雄性麦洼牦牛在三个季节（夏季、初秋、冬季）共87个牦牛-日期样本，体重范围为170–366.5 kg。研究结果表明，该系统在回归阶段动物分离评估下取得了R2为0.96的高精度体重预测，并成功部署于Jetson Nano边缘平台，在30秒内完成了端到端的体重估测，验证了该系统在实际养殖条件下进行便携式边缘部署的可行性。
论文解读文章
一、研究背景与问题
牦牛（Bos grunniens）是适应青藏高原高海拔高山环境的重要家畜物种，恶劣的生态条件、极端的气候变化和季节性的饲草匮乏共同塑造了其生产系统。活体体重（live body weight, LBW）是监测牦牛生长的关键指标，与采食量、饲料效率、繁殖性能、泌乳性能以及生产性状和体型大小密切相关，为饲养调整、育种决策和日常健康管理提供重要的定量依据。
传统的体重获取依赖基于磅秤的称重方式，通常需要在专用处理设施中安装固定平台秤。虽然这种方法能提供直接的体重测量值，但称重设备和设施建设的高成本限制了其在高原牧场的实用性。此外，将动物定位到平台上所需的物理约束和处理过程创造了危险的工作环境，对操作人员和牲畜均构成伤害风险，并诱发显著的动物应激。当动物未完全静止时，体重记录也可能受到影响，动态称重研究表明测量期间的高活动水平会引入误差。这些限制在高原地区的牦牛中尤为突出，因为高海拔地区的称重基础设施十分有限。
近年来，计算机视觉越来越多地被用于牲畜系统的无接触身体测量和LBW估测。与基于磅秤的称重相比，基于视觉的方法能以最小的处理负担实现按需LBW估测，减少对专用称重设施的依赖，特别有利于现场使用和日常农场操作。然而，现有研究在传感设备和特征提取策略上存在差异，直接影响成本、鲁棒性和可部署性。从传感设备角度看，基于视觉的LBW估测系统大致可分为二维图像方法和三维测量方法。二维图像方法硬件成本低、计算效率高，但在遮挡或视角变化下性能可能下降。对于牦牛而言，浓密的季节性毛被严重模糊了解剖边界并扭曲了轮廓相关性状，降低了农场环境中轮廓测量的可重复性。三维传感提供了度量几何信息，可缓解距离引起的尺度变化并支持更可靠的形态测量。在主动深度传感器中，激光雷达（LiDAR）射程远但单位成本和功耗较高；飞行时间（ToF）相机紧凑但工作距离短；结构光系统投射编码图案，对工作距离和环境光照敏感。被动立体视觉则省略主动照明，仅从两个彩色相机恢复深度，降低了成本、功耗和复杂度，且现场比较表明立体传感器在户外光照下最为鲁棒。由于多视角监测需要在一天中光照变化的日光下同时使用多台相机，被动设置避免了发射器的成本开销和对环境光的敏感性，同时建立在成熟的立体匹配算法基础上。
在图像分析方法方面，已有研究探索了图像分割、点云分析和基于关键点的测量等多种技术。分割提供完整轮廓，适用于边界特征；点云分析可恢复详细的三维结构并支持精确的几何估计。然而，这两种策略通常涉及密集的中间表示和大量的计算负担，不利于高原牧场资源受限的边缘部署。相比之下，基于关键点的测量直接定位身体尺寸计算所需的解剖标志，减少了中间处理并提高了计算效率。关键点定位是一种计算上稀疏的替代方案，但其对牦牛特定标志的鲁棒性需要经验性评估。尽管已有研究在多深度相机自动牲畜身体测量中应用了关键点检测，但当前牦牛关键点定位需要在精度和边缘可部署性之间更好地平衡。此外，由于严重的姿态变化和持续的毛被遮挡，获取稳定且可重复的身体尺寸仍然困难。在现场条件下，很少有研究探索利用侧面和背部视角互补几何信息的计算高效立体方法用于牦牛LBW估测。
二、研究内容与意义
为弥补上述空白，本研究开发了一种结合双视角被动立体成像与关键点引导形态测量的无接触牦牛LBW估测系统。研究在三个方面推进了现有管线：首先，集成定制的MobileLKA骨干网络优化自上而下的检测和姿态估计模块，仅用0.732 M参数实现高空间精度，并支持边缘设备上的高效冷启动执行；其次，通过结合侧面的直接三维欧氏距离和背部的定制二维平面投影策略来构建双视角形态测量特征，从而改善下游LBW预测性能；第三，在回归阶段的动物分离评估下验证了MobileLKA感知模块与高斯过程回归（Gaussian process regression, GPR）框架相结合的性能，确认了高LBW预测精度，并证明了在Jetson Nano平台上边缘部署的可行性。
三、关键技术方法
研究采用了以下主要关键技术方法。数据采集方面，研究在四川雅安一个室内牦牛育肥场开展了三次现场采集活动，覆盖夏季、初秋和冬季条件，共纳入29头3至4岁雄性麦洼牦牛，体重范围170–366.5 kg，获得87个牦牛-日期观测样本。系统部署沿120 cm宽的围栏通道设置两组独立立体相机对，分别用于侧面和背部视角拍摄。骨架定位方面，研究构建了基于RTMDet-Tiny和RTMPose-Tiny的自上而下检测-关键点管线，并将默认的CSPNeXt骨干网络替换为定制的MobileLKA骨干网络，该网络基于MobileViTv3-XXS模块改造，将其中计算负担较大的Transformer模块替换为大核注意力（Large Kernel Attention, LKA）设计，保留了五阶段层次结构。深度估计方面，采用半全局块匹配（Semi-Global Block Matching, SGBM）算法结合标定的相机参数生成深度图。特征提取方面，定义了视角特定的解剖关键点，从侧面和背部视角深度数据中提取互补的几何特征。体重预测方面，采用GPR回归框架，并通过按牦牛ID分组的五折交叉验证（GroupKFold）评估模型泛化能力。
四、研究结果
骨架定位模型性能。 研究使用3,039帧标注图像训练骨架定位模型，数据集按7:2:1比例分为训练、验证和测试集。MobileLKA骨干网络仅含0.732 M参数，在保持高空间定位精度的同时显著降低了计算开销，实现了边缘设备上的高效推理。
形态测量特征提取。 研究定义了五种形态测量特征：背部视角的腹宽（abdominal width, AW）和体长（body length, BL），以及侧面视角的鬐甲高（withers height, WH）、近似胸深（approximate chest depth, ACD）和近似斜体长（approximate oblique body length, AOBL）。针对背部视角，研究提出了二维平面投影方法替代纯三维特征提取，该方法将R2提升了23.3%，并将均方根误差（root mean square error, RMSE）降低了38.3%，显著改善了背部形态测量的稳定性和重复性。
LBW预测精度。 在按动物ID分组的五折交叉验证下，GPR回归模型取得了R2为0.96的高精度LBW预测结果，表明模型对训练集中未出现的牦牛具有良好的泛化能力。
边缘部署可行性。 系统成功部署于Jetson Nano平台，在30秒内完成了端到端的牦牛体重估测，验证了在实际养殖条件下进行便携式边缘部署的可行性。
五、讨论与结论
讨论部分指出，本研究通过将计算密集的立体深度重建限制在检测器提供的感兴趣区域内，并采用原生实现处理时间关键阶段，有效解决了端到端处理周期主要由重建和特征提取阶段主导的问题。背部视角的二维平面投影方法有效解决了浓密毛被遮挡和姿态变化导致的测量不稳定问题。轻量级MobileLKA骨干网络在保证精度的同时显著降低了参数量和计算成本，满足了资源受限边缘部署的需求。
研究结论为：本研究开发了一种结合双视角被动立体成像与关键点引导形态测量的无接触牦牛LBW估测系统，在真实农场环境中实现了R2为0.96的高精度体重预测，并通过背部二维平面投影方法显著提升了形态测量精度。该系统成功部署于Jetson Nano边缘平台，30秒内即可完成端到端体重估测，为高原牧场提供了低成本、便携、无应激的牦牛体重监测解决方案。研究的外部有效性限于该单一室内育肥设施中的成年雄性麦洼牦牛。
