RaMor3D：适用于狭小空间内肉兔的自适应配准与形态感知重建技术

《Computers and Electronics in Agriculture》：RaMor3D: adaptive registration and morphology-aware reconstruction for meat rabbits in confined spaces

　　

Jitong Xu|Wei Jiang|Yang Shen|Daoyi Song|Hongying Wang|Liangju Wang|Cailing Liu

• •
  该移动系统可同时实现兔子的称重与3D点云采集功能。
• •
  自适应配准技术能够在特征点重叠少且数量稀少的情况下提升对齐精度。
• •
  AMASC算法可通过几何引导线恢复缺失的生物形态特征。
• •
  AMASC算法在处理被遮挡的体长测量数据时，其均方根误差仅为0.82%。

引言

肉用兔子因生长速度快、生产效率高而在全球范围内被广泛养殖。随着精准畜牧业的发展，自动、连续且低接触式的表型监测（如体型大小和体重）已成为 livestock管理、育种以及保障动物福利的重要手段（Cardinali等人，2008；Zhao等人，2023；Jiang等人，2025；Xu等人，2025c）。目前的手动测量方法既费力又效率低下。更严重的是，捕捉和固定兔子会使其产生极大压力，不仅影响动物福利（Kwon等人，2023），还会因为兔子在强制操作时的活动导致数据准确性下降。因此，开发一种基于视觉、减少人工干预的3D监测系统对于克服这些难题至关重要。通过减少直接手动测量，并从多视角点云中获取精确的几何数据，这类系统既能提升表型监测的连贯性，又能减轻操作带来的压力。

计算机视觉技术在非接触式测量领域展现出巨大潜力。虽然基于2D图像的方法成本较低，但其在处理遮挡、姿态变化以及精确的3D信息推断方面存在局限（Jun等人，2018；Bai等人，2025）。相比之下，基于RGB-D深度相机的3D重建技术能够获取更完整的表面几何信息，且具有较高的视角独立性（Huang等人，2018）。尽管这项技术已在猪（Nguyen等人，2023；Xu等人，2025a）、牛（Ruchay等人，2020；Du等人，2022；Lu等人，2025）和羊（Jin等人，2024；Han等人，2025）等大型家畜身上得到应用，但这些方法无法直接应用于小型家畜。与毛发较短、皮肤相对坚硬的大型动物不同，兔子等小型动物由于体型较小、毛发较长且表面特征不明显，给测量带来了更大挑战。目前针对小型家畜的研究大多局限于基于CT的局部测量（Sutapun和Sampanporn，2023；Ma等人，2024）或2D重量估算（Amraei等人，2017；Duan等人，2023；Xiao等人，2025）。

迄今为止，针对肉用兔子的3D重建研究仍然十分匮乏。弥补这一空白至关重要，因为高精度的表型特征直接关系到动物的生物学价值和经济价值。具体而言，体长是反映骨骼发育情况的重要指标，与活体重量增长密切相关；而髋部宽度则能体现后肢的肌肉发达程度，这对决定胴体产量和肉质有着重要影响。在肉用兔子育种工作中，这些指标为遗传选育和优化屠宰年龄预测提供了关键的数字表型依据，直接影响着整个行业的经济效益。然而，将现有技术直接应用于肉用兔子时，会面临一系列未被充分考虑的挑战，如图1所示。首先是有空间限制：“狭小空间”指的是密集养殖环境中的狭窄通道，这就要求使用工作距离短、体积小的采集设备，从而导致点云之间的重叠度极低。其次是数据质量下降：兔子表面缺乏明显的刚性特征，再加上毛发特性以及深度传感器在狭小空间中常见的多路径干扰现象，都会引入大量噪声和异常值。这些因素常常会导致传统的配准算法（如ICP和FPFH）失效。第三是几何信息不完整：即便完成了配准，兔子的四肢自我遮挡也会形成较大的几何空洞（如臀部和大脸部位），使得一些关键的物理测量无法进行。传统的填洞算法，如泊松重建和网格修复方法，在处理这些大面积、不规则的生物表面时，往往会产生过于平滑或几何结构扭曲的修补区域，这是因为这些算法依赖于局部平滑性假设，无法考虑目标物体复杂的非刚性整体形态，最终导致真实尺寸的恢复出现误差。虽然已有针对大型家畜的点云补全（Wu等人，2024）和表面重建（Kwon等人，2023；Selle等人，2024；Xu等人，2025b）研究，但针对肉用兔子的专项研究仍十分必要。

除能应用于肉用兔子外，本研究提出的AMASC算法还具有其他创新之处。为克服各向同性平滑方法的局限性，该算法引入了一种基于形态特征的推理策略。通过将兔子的整体横截面轮廓以NURBS几何约束的形式进行数学建模，这些约束来自有效的身体部分，从而建立起一种确定性映射关系，用于推断缺失区域的坐标。这种方法使得系统无需依赖深度学习类补全方法所需的庞大训练数据集，就能从单次采集的点云中恢复出高保真的生物表面。

为解决狭小环境中的数据质量下降和自我遮挡问题，我们提出了RaMor3D这一专为肉用兔子基于视觉、减少人工干预的表型测量而设计的3D重建框架。我们的主要贡献如下：

• 1.
  我们设计了一种自适应配准流程，该流程结合了平面姿态标准化、自适应关键区域提取以及偏航角约束，能够在狭小空间里低重叠度的条件下实现稳定的对齐效果。
• 2.
  我们提出了一种自适应的形态感知表面补全算法——AMASC。该算法通过在孔洞边界提取几何引导线来动态推断修补区域的高度，从而恢复出符合生物形态特征的缺失表面，有效解决了体长等特征测量失败的问题。
• 3.
  我们建立了完善的评估体系。通过3D高斯溅射技术生成真实参考模型，再通过消融实验、多方法对比、表面质量评估以及实物验证，证明了所提框架的有效性。

章节节选

材料与方法

考虑到肉用兔子表型检测所面临的特殊生物学和环境限制，表1列出了这些核心挑战与我们提出的算法模块之间的对应关系，明确了RaMor3D框架的解决方案路径（见图2）。后续章节将详细介绍各个阶段的技术实现方式。

物理精度验证

为验证系统的尺寸和形状保持精度，我们使用了由聚乳酸制成的已知标准尺寸的3D打印刚性长方体作为参考对象（长度：20厘米，宽度：18厘米）。该物体从三个不同视角被扫描，得到的点云数据随后被融合。完成配准后，我们使用CloudCompare软件对融合后的点云模型对应的边缘部位进行多次测量，最后报告平均值以确保精度。

讨论

本研究针对狭小、特征点较少的环境中肉用兔子点云配准及形态感知重建的需求，设计了一套专用处理流程。第3章的结果表明，所提出的自适应GICP（K-GICP + HC）算法和AMASC算法在精度、稳定性以及形态还原度方面均优于传统基准方法。因此，本章将从方法有效性、数据采集环境、拓扑结构影响、尺度对性能和误差的影响等方面展开讨论。

结论

本研究提出了一种集成自适应配准和形态感知表面补全（AMASC）技术的计算型3D重建流程，用于解决狭小空间内兔子3D重建过程中的配准难题和形态丢失问题。实验结果充分证明了该系统的有效性和稳定性。首先，通过结合平面标准化、自适应关键区域提取以及偏航角约束，该配准策略成功克服了狭小空间环境下的对齐难题。

伦理声明

本研究已获得中国农业大学实验室动物福利与动物实验伦理审查委员会的批准（批准编号：AW11506202-6–01）。所有非侵入性的身体测量都是在尽量减少动物压力的前提下，遵循3R原则（替代、减少、优化）通过人工固定方式完成的。研究中未进行任何侵入性操作，所有动物在测量结束后均健康地返回了饲养场所。

CRediT作者贡献说明

Jitong Xu： 文章撰写——审稿与编辑、文章撰写——初稿、可视化分析、方法设计、正式分析、数据整理、概念构思。Wei Jiang： 文章撰写——审稿与编辑、项目指导、方法设计。Yang Shen： 研究实施、数据整理。Daoyi Song： 项目指导。Hongying Wang： 项目指导、项目管理工作、资金申请。Liangju Wang： 文章撰写——审稿与编辑、项目指导、项目管理工作、方法设计。Cailing Liu： 文章撰写——审稿与编辑、项目指导，

利益冲突声明

作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了现代农业产业技术体系CARS-43-D-3专项基金的支持。