基于RBF滑模控制方法的液压挖掘机自适应轨迹控制

《Applied System Innovation》：Adaptive Trajectory Control of a Hydraulic Excavator Based on RBF Sliding-Mode Control Method Linyu Tao, Changchun Hua, Wei Ma, Gang Lu, Zhenhua Wei and Shijia Wei

　　

精确畜牧业（Precision Livestock Farming, PLF）依赖于准确、高频的数据来优化生产效率。传统的采食行为评估仍为手动且具侵入性，缺乏自动化控制系统所需的运动学分辨率。本研究开发并验证了一种新型计算机视觉框架，该框架整合了YOLOv8与Segment Anything Model（SAM），以弥合这一差距。研究目标在于设计一种非侵入性、自动化的流水线，以实时量化高速肉鸡生物力学。利用涵盖三个生长阶段及不同饲料粒度（细粉料、粗粉料和颗粒料）的肉鸡视频数据对系统进行验证，以测试其对细微运动学变化的鲁棒性。混合YOLO-SAM流水线取得了高性能，精确率（Precision）为0.95，召回率（Recall）为0.91，确认其作为智能养殖平台可扩展传感器的可靠性。生物力学分析证明了系统的灵敏度，显示较大饲料颗粒会诱导更大的喙裂宽度和位移，同时显著提高采食效率（颗粒料的努力比为0.6，而粉料为3.0）。本研究为家禽数字化表型鉴定提供了经过验证的技术基础，提供了一种免手持的定量工具，支持饲料配方和生产管理中的数据驱动决策。

**基于YOLOv8与SAM的肉鸡采食生物力学自动量化研究解读**
**研究背景与问题**
家禽产业是全球食品生产的基石，肉鸡因其经济性和健康益处成为首选蛋白质来源。然而，该产业面临通过自动化和数据驱动管理优化资源利用的压力，其中饲料成本占总生产成本高达70%。精准畜牧业（PLF）的核心在于利用高频数据实时监测个体动物与饲料的交互，以提升效率。饲料粒度（颗粒大小）是关键控制参数，其显著影响肉鸡生产性能和消化生理。然而，传统评估方法多基于回顾性生长性能测量或侵入性生理指标，无法提供实时运动学数据。喙作为鸟类与生产系统的主要机械界面，其生物力学量化仍是难题——现有方法依赖标记或低通量手动标注，不适用于商业自动化。这导致在开发面向家禽的信息物理系统（CPS）时出现数据缺口，无法建立采食过程的“数字孪生”。因此，本研究旨在开发一种可扩展的自动化传感框架，整合深度学习（YOLOv8与Segment Anything Model, SAM）来非侵入性地捕捉高速运动学，将定性行为观察转化为定量可重复数据，并验证其作为过程分析技术（PAT）工具的潜力。该论文发表在《Applied System Innovation》。
**主要技术方法**
研究开发了一种三阶段级联计算机视觉流水线：第一阶段使用YOLOv8n（You Only Look Once，轻量级目标检测模型）对肉鸡头部进行粗定位（置信度阈值0.5）；第二阶段将有效边界框作为空间提示输入SAM-B（Segment Anything Model的Base版本），实现零样本分割以生成高保真喙部掩膜；第三阶段为启发式回退机制（基于颜色-位置-面积滤波器），确保在强遮挡或极端头部旋转时仍能估计质心。实验设备包括高速工业相机（Mikrotron EoSens，300 fps）和受控光照环境（500 W 6500 K LED，3000–5000 lux）。生物数据集包括9只Cobb? 500肉鸡，分为三个生长阶段（初始：3–4天；生长：20–21天；最终：34–36天）及三种饲料粒度（细粉料476 μm、粗粉料638 μm、颗粒料1243–3628 μm）。系统基于Python 3.10、PyTorch 2.10.0和OpenCV 4.13.0.92部署于高性能工作站（Intel Core Ultra 9 275HX、64 GB DDR5 RAM、NVIDIA GeForce RTX 5070 GPU）。统计分析采用Shapiro–Wilk检验、Levene检验、单因素方差分析或Kruskal–Wallis检验，显著性水平p<0.05。
**研究结果**
*3.1 定性系统验证*：通过视觉评估YOLO-SAM流水线在不同交互阶段的分割质量，系统实现了像素级头部隔离（图2），背景减除模块有效生成纯净的饲料区域二值掩膜（图3），确保口部位移变量仅追踪生物力学而非背景噪声。
*3.2 定量模型性能*：YOLOv8n模型达到平均精确率0.95、召回率0.91（mAP@0.5=0.93），推理延迟<10 ms/帧（NVIDIA RTX 5070 GPU），证明流水线计算效率足以支持实时监测（300 fps）。
*3.3 自动化生物力学量化（案例研究）*：系统成功区分不同处理组的运动学特征。定量分割验证（n=120帧）显示平均交并比（IoU）=0.91±0.03，Dice系数=0.94±0.02。
?*3.3.1 高分辨率运动学分析*：系统检测到颗粒料最大喙裂宽度为18.2±2.5 mm，细粉料为9.2±1.8 mm（p<0.05）；粗饲料虽需更大口部位移，但下颌循环频率降低，完全自动捕获了反比关系。
?*3.3.2 效率指标（生物力学努力指数，BEI）*：成年肉鸡细粉料的BEI为3.0（每吞咽需3次啄食），颗粒料仅为0.6，系统自动量化了机械效率差异。
?*3.3.3 个体发育可扩展性*：系统鲁棒地追踪3日龄雏鸡至36日龄成鸡的运动学，检测到开口速度从0.42±0.05 mm/ms（雏鸡）增至0.63±0.07 mm/ms（成年），验证了YOLO-SAM架构的尺度不变性。
*3.3.4 系统验证总结*：自动化数据确认饲料粒度直接影响采食生物力学，颗粒料促进更平滑高效的下颌运动，而粉料需要重复操作及更高能量消耗。
**讨论与结论**
讨论部分指出，该YOLOv8-SAM流水线首次提供了非侵入性实时框架，将饲料结构与生物力学努力直接关联，精确率0.95使动物营养学家能基于“数字表型”优化饲料配方。研究验证了系统对细微工艺变化的敏感性（如BEI），其量化结果（喙裂宽度9.2 mm至18.2 mm）与手动研究一致。系统的尺度不变性（开口速度从0.42增至0.63 mm/ms）验证了深度学习架构适应年龄变化无需重新训练。BEI作为间接能量消耗指标，支持实时自动福利审计（颗粒料努力比0.6 vs. 粉料3.0），减少重复下颌活动符合欧盟食品安全局及世界动物卫生组织福利原则。局限性包括样本量较少（9只鸡）且仅在可控工作室环境验证，未来需扩展至大规模群体及商业鸡舍，并探索边缘人工智能（Edge AI）部署及3D立体成像以获取体积数据。
**结论**：YOLOv8与SAM的整合有效实现了高速视频中相关运动学变量的检测、分割与提取，精确率达0.95。自动化分析确认饲料粒度显著影响肉鸡采食生物力学需求，系统量化了粗饲料导致更大喙裂宽度及更高效采食动态。本研究跳出传统动物生产学评价，开发了可扩展的非侵入性视觉流水线，其双重功能（监测生产效率BEI与动物福利）增强了在智能养殖平台中的实用性，为精准畜牧业技术奠定了桥接基础。