基于深度学习的奶山羊产奶量快速精准预测方法研究

《Journal of Dairy Science》：Research on fast and accurate prediction of milk yield in dairy goats based on deep learning

本研究针对奶山羊产奶量预测中传统方法效率低、现有AI模型量化误差大的问题，提出一种改进Mask R-CNN框架，通过引入Swin-Tiny主干网络、特征金字塔网络（FPN）、特征通道注意力（FCA）与锚框优化模块（ARM），实现山羊乳房实例分割与产奶量直接回归。模型在测试集上达到mIoU 76.28%±0.01%，产奶量预测R2为0.971±0.027，MAE低至0.149±0.009 kg，验证了乳房形态特征与产奶量的强相关性，为智能化育种提供可靠技术支撑。

　　

随着全球羊奶消费市场的持续增长，提升奶山羊产奶效率已成为养殖业的重要课题。传统产奶量评估方法如直接称重、乳房形态人工评估等，不仅耗时耗力，且主观性强、难以满足现代牧场实时决策的需求。尽管已有研究尝试通过图像分析预测牲畜性状，但针对奶山羊产奶量的精准预测仍面临挑战：现有深度学习模型多基于分类框架，无法直接处理连续型生理性状，且易因量化误差导致预测精度不足。

为解决上述问题，西北农林科技大学动物科技学院的研究团队在《Journal of Dairy Science》发表论文，提出一种基于改进Mask R-CNN的奶山羊产奶量预测方法。该研究通过集成Swin-Tiny Transformer主干网络、多尺度特征金字塔网络（FPN）、特征通道注意力（FCA）机制和锚框优化模块（ARM），构建了一个端到端的回归模型，实现了从乳房图像到产奶量的直接映射。

研究团队于2024年11月在陕西富平伯孚莱奶山羊牧场采集了59只关中奶山羊的590张乳房图像，并同步记录产奶量数据。图像经过自适应伽马校正与反锐化掩模预处理后，由LabelMe标注生成实例分割掩码。模型训练采用PyTorch框架，在Ubuntu系统搭载RTX 4090D GPU的硬件环境下完成。

实例分割性能

改进后的Swin-Tiny-FPN-FCA-ARM模型在乳房分割任务中表现最优，精确度、召回率和mIoU分别达到92.21%±0.02%、85.39%±0.02%和76.28%±0.01%，显著优于ResNet50基线模型（P <0.05）。多尺度特征融合与注意力机制的引入有效提升了复杂背景下山羊乳房的定位与分割精度。

回归预测性能

在产奶量预测任务中，最终模型的R²为0.971±0.027，平均绝对误差（MAE）为0.149±0.009 kg，均方误差（MSE）为0.042±0.018，平均绝对百分比误差（MAPE）为9.62%±0.014%。误差分布箱线图显示，该模型在测试集上具有更集中的误差分布和更少的异常值，证明了其稳健性。

乳房形态学分析

通过对110张高质量乳房轮廓图像的形态学指标分析，研究发现圆形度、凸度、实度、偏心率和纵横比均与产奶量呈显著线性相关（R²为0.766–0.918）。其中凸度与产奶量的相关性最强（r=0.958）。进一步采用随机森林（RF）、支持向量回归（SVR）、LightGBM、偏最小二乘回归（PLSR）等机器学习算法进行多特征联合预测，PLSR模型表现最佳（R²=0.941±0.045），证实乳房形态特征可独立作为产奶量的生物标志物。

讨论与展望

研究通过形态学分析揭示了模型高预测精度的生物学基础：高产奶山羊的乳房通常具有更圆形、紧凑、结构完整的形态特征，反映了乳腺腺体发育程度与泌乳功能的正相关性。针对预测误差较大的样本分析发现，图像质量（如遮挡、光照不足、角度偏差）是影响精度的关键因素。未来可通过标准化采集流程进一步提升模型实用性。此外，团队开发了配套移动端应用，支持现场图像上传与实时预测，为规模化智能养殖提供了可行方案。

该研究首次将改进的Mask R-CNN框架应用于奶山羊产奶量回归预测，突破了传统分类模型的量化误差限制，并通过形态学验证揭示了深度学习特征的可解释性。该方法为牲畜性状无创检测提供了新思路，对提升育种效率、推动畜牧业智能化发展具有重要意义。