使用常规和基于多视角图像的形态测量性状预测水牛体重

《Cogent Food & Agriculture》:Prediction of body weight in buffaloes using conventional and multi-view image-based morphometric traits

【字体: 大 中 小 】 时间:2026年08月03日 来源:Cogent Food & Agriculture 3.1

编辑推荐:

  准确估计体重(body weight)对于营养管理、生长监测、药物剂量确定和遗传评估在水牛生产系统中至关重要。然而,直接称重水牛通常劳动密集且难以在田间条件下实施。因此,本研究评估了常规和图像衍生的形态测量性状(morphometric traits)预测胡齐

  
准确估计体重(body weight)对于营养管理、生长监测、药物剂量确定和遗传评估在水牛生产系统中至关重要。然而,直接称重水牛通常劳动密集且难以在田间条件下实施。因此,本研究评估了常规和图像衍生的形态测量性状(morphometric traits)预测胡齐斯坦水牛(Khuzestani buffaloes)体重的潜力,使用弹性网络(Elastic Net, EN)回归框架。对100头雌性水牛进行了评估,使用手动收集的体尺测量和从侧视和俯视照片中提取的图像衍生性状。EN模型通过留一法交叉验证(leave-one-out cross-validation, LOOCV)结合重复10折交叉验证进行超参数调优。手动测量和图像衍生性状均与体重呈强正相关。在手动测量性状中,桶围(barrel girth, BG)、胸围(chest girth, CG)和臀围(rump girth, RG)显示出最高的预测能力,而桶宽(barrel width, BW)是最具信息量的图像衍生性状。基于手动测量性状的最终EN模型实现了高预测精度,平均相对误差(average relative error, ARE)为3.82%,相关系数为0.985,R2为0.970。类似地,基于图像的EN模型显示出强预测性能,对应值分别为4.13%、0.98和0.960。总体而言,结果表明将多视角图像表型与EN回归相结合为体重预测提供了准确且非侵入性的框架。本研究为开发实用的计算机视觉工具提供了概念验证,但在常规现场应用之前,还需要在商业农场条件下进一步验证。
水牛(Bubalus bubalis)在全球畜牧业中贡献乳、肉、役力和生计安全,尤其对发展中国家和亚热带地区至关重要。在伊朗,胡齐斯坦水牛(Khuzestani buffaloes)适应高温和粗放管理,具有较高产奶潜力,但传统和半粗放管理系统中体重(body weight)常规监测困难。准确体重估计对营养管理、饲料效率优化、生长监测、药物剂量确定、繁殖管理和遗传评估至关重要,但直接称重劳动密集、成本高、易造成动物应激,难以在田间实施。因此,研究人员旨在利用常规体和图像衍生的形态测量性状(morphometric traits),通过弹性网络(Elastic Net, EN)回归框架,开发准确、非侵入的体重预测模型,并比较两种方法的实用性。该研究发表在《Cogent Food & Agriculture》。

为开展研究,研究人员从伊朗Safiabad-Dezful农业与自然资源研究与教育中心选取100头雌性胡齐斯坦水牛(年龄1.5-19岁,包括泌乳、干乳、未产、初产、经产个体)。主要方法包括:人工测量12个体尺性状(如肩高、胸围、桶围等);使用三星Galaxy A35 5G智能手机拍摄侧视和俯视照片,通过Digimizer软件提取9个侧视和6个俯视图像衍生性状;采用弹性网络(EN)回归结合留一法交叉验证(LOOCV)和重复10折交叉验证进行超参数调优,在R中通过glmnet包实现。最终模型基于交叉验证的alpha平均值构建。

**相关性结构及体形态测量性状分布**:描述性统计显示体重范围273.5-787 kg,平均498.3 ± 137.1 kg。手动测量性状变异系数(CV)为4.4-17.1%,图像衍生性状CV为5.2-17.1%。Pearson相关分析表明,手动测量性状间呈强正相关(r = 0.61-0.96),其中胸围(CG)、桶围(BG)、臀围(RG)和胸宽(CW)与其它性状相关最强;图像衍生性状间相关较弱但仍具生物学意义。单个性状与体重的关系中,手动测量中桶围(BG)、胸围(CG)、臀围(RG)与体重相关性最高;图像衍生性状中桶宽(BW)与体重关联最强。

**基于EN模型的体重预测**:使用LOOCV优化的EN模型,手动测量性状最终模型(alpha = 0.854)保留肩高(WH)、臀高(RH)、体长(BYL)、胸围(CG)、桶围(BG)、臀围(RG)、胸长(CL)和胸宽(CW)作为预测因子,实现高预测精度:平均相对误差(ARE)3.82%,相关系数0.985,R2 0.970。图像衍生性状最终模型(alpha = 0.906)保留体长(BYL)、胸长(CL)、桶长(BL)、前管宽(FCW)、肩宽(SW)、胸宽(CW)、桶宽(BW)、臀宽(HW)和背长(BKL)作为预测因子,预测性能略低但依然强劲:ARE 4.13%,相关系数0.98,R2 0.960。按泌乳状态和胎次进行亚组分析显示,两种模型在所有生理组中均保持高预测准确性,其中未产动物表现最佳(手动:r=0.955,R2=0.912;图像:r=0.965,R2=0.932),干乳动物(n=17)相关系数最高(r=0.977)。方差膨胀因子(VIF)分析确认了若干性状间存在中到高度多重共线性,支持EN回归的使用。

讨论部分总结:研究表明手动和图像衍生体测量性状均能通过EN回归准确预测体重,其中手动测量略优,但图像表型提供了非侵入、劳动效率高的替代方案。桶围(BG、CG、RG)和桶宽(BW)是各自数据集中最强的预测因子,这与以往文献中胸围与体重强关联的结论一致。EN回归通过结合Ridge和LASSO惩罚有效处理多重共线性,优于常规回归。图像预测精度略低的原因包括动物姿势、相机视角、校准精度和地标提取误差。多视角图像(侧视和俯视)互补地捕捉了体宽与体长信息。生理状态对模型性能影响有限,但干乳组样本量小需谨慎解读。本研究是首批在水牛中集成多视角成像与EN回归的体重预测研究,为精准畜牧业提供了概念验证,但需在更大规模、多样化种群和商业农场条件下进一步验证。局限性包括样本量有限(仅雌性胡齐斯坦水牛)、图像采集条件控制较严,未来应结合深度学习自动地标检测和三维重建。

结论部分翻译:本研究证明了基于弹性网络(EN)的多变量建模结合常规和图像衍生形态测量性状(morphometric traits)用于胡齐斯坦水牛体重准确估计的潜力。基于手动测量性状的最终EN模型实现了最高预测精度(R2 = 0.970,r = 0.985,ARE = 3.82%),而基于图像的模型也显示出高预测性能,突出了其作为非侵入式体重估计实用替代方案的潜力。研究结果强调了将多视角图像表型与正则化机器学习方法相结合,以开发用于畜牧管理的非侵入、高效工具的价值。总体而言,所提出的框架为未来精准水牛养殖系统提供了有前景的基础,并支持图像表型技术在动物生产和育种计划中的更广泛应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号