MCAA-YOLO?+?XPBI集成模型提供了一种混合智能测量方法，用于预测胡羊的体重

《Scientific Reports》：The MCAA-YOLO?+?XPBI integrated model provides a hybrid intelligent measurement method for predicting the body weight of Hu sheep

　　

摘要

在现代畜牧业中，准确测定羊的体重对于改善饲养管理并提升经济效益具有重要意义。传统的手动测量方法效率低下，且容易受到应激反应等外部因素的影响，导致测量结果不稳定，无法满足智能畜牧业的实际需求。因此，本研究提出了一种基于改进的YOLOv10模型和XPBI模型，通过体形特征来估算体重的自动化方法，为畜牧业提供了一种高效、准确且无需接触的解决方案。在特征提取阶段，将多组件注意力聚合（MCAA）模块引入YOLOv10中，整合了GAM、CBAM、CoordAtt和ECA的优势，从而提升了特征表达能力。经过改进的MCAA-YOLOv10模型在性能上有了显著提升，其精确度、召回率、mAP50值和mAP50-95值分别达到了0.995、0.986、0.991和0.987，能够确保体形数据的准确稳定采集。基于这些特征，研究人员构建了一个集成预测模型——XGBoost-PCA-Bagging Integrator（XPBI），该模型利用主成分分析和引导式装袋法来优化特征降维和参数选择。在体重预测任务中，XPBI模型表现出色，其平均绝对误差为1.121，均方根误差为1.490，平均绝对百分比误差为4.47%，决定系数为0.918，而且每个样本的推理时间仅为0.106毫秒，远优于其他对比模型。研究结果表明，通过体形参数预测胡羊的体重是一种高效准确的手段，证明了该方法在实际应用中的可行性和有效性。这一方法为畜牧业的数字化和智能化转型提供了可靠的技术路径，提升了畜牧管理的科学水平，同时也具有显著的社会和经济价值。