《Computers and Electronics in Agriculture》：A lightweight keypoint detection network and pose-based error calibration method for body measurement of dairy goats
编辑推荐：
•LEKDNet：一种适用于边缘设备部署的轻量级关键点检测网络。•RGB-D融合技术可实现对奶山羊体型的自动测量。•基于姿态的校准模型可降低因动物姿态不标准而带来的误差。•这种实用的基于边缘设备的系统能够快速且准确地测量山羊体型。引言在现代畜牧业中，准确测量山羊的体型对于监测其生
- •
LEKDNet：一种适用于边缘设备部署的轻量级关键点检测网络。
- •
RGB-D融合技术可实现对奶山羊体型的自动测量。
- •
基于姿态的校准模型可降低因动物姿态不标准而带来的误差。
- •
这种实用的基于边缘设备的系统能够快速且准确地测量山羊体型。
引言
在现代畜牧业中，准确测量山羊的体型对于监测其生长发育、辅助遗传选育以及探究相关遗传机制至关重要（Stiner等人，2022；He等人，2026）。传统的手动测量方法不仅耗时费力，还容易让动物产生应激反应（Luo等人，2023；Han等人，2025；Jiang等人，2025）。非接触式测量系统则提供了一种更为实用的替代方案，其中关键点检测算法是该方案的核心组成部分（Du等人，2022；Xu等人，2025）。随着边缘计算和移动硬件的发展，关键点检测技术在野外应用中的可行性不断提升。然而，移动平台的计算能力和内存限制，再加上农场环境的多变性，都要求所使用的模型能够在速度、精度和稳定性之间取得平衡（Su等人，2022；Zhang等人，2025；Lu等人，2025）。如何在保证检测精度的同时大幅减少计算量和参数数量，已成为关键点检测技术实际应用中亟需解决的问题。为应对这些挑战，本研究提出了一种适用于边缘设备的轻量级关键点检测网络，用于对奶山羊进行非接触式体型测量，同时还引入了基于姿态的校准模型，以弥补因动物姿态不标准而导致的几何变形问题。
目前，动物关键点检测方法主要分为两类：基于2D图像的方法和基于3D点云的方法（Hou等人，2023；Wang等人，2024；Reza等人，2025；Zhang等人，2024）。在牲畜3D体型测量研究中，Wang等人（2019）提出了一种基于体表点云的猪心围自动测量新方法。该方法包含三个依次执行的步骤：首先通过分割和姿态标准化技术对原始点云数据集进行预处理；其次利用点云的截面特征确定合适的胸围测量位置；最后在确定的位置通过切片采样获取周长数据。实验结果表明，该方法的平均绝对百分比误差仅为7.87%。Ruchay等人（2020）对从三视角深度相机获取的牛的点云数据进行非刚性3D形状重建，从而得到完整的点云数据。通过定位关键的解剖学标志点，他们测出了牛的9项体型指标。在90%的置信水平下，该系统的测量误差低于3%。Du等人（2022）使用三个Kinect v2传感器来获取猪和牛的深度图像以及体积点云数据。这些传感器被分别放置在牲畜的左侧、右侧和顶部，以确保全方位的空间覆盖。研究人员借助DeepLabCut工具包提取了包括体长、体宽、体高和胸围在内的各项体型数据。与手动测量结果相比，5头牛和1头猪的5项体型指标的平均绝对百分比误差均低于10%。Zhao等人（2023）采用体况评分法评估奶牛的健康状况，基于点云凸包距离构建3D结构特征图，并利用基于网络规模系数的鲸鱼优化算法对EfficientNet网络进行优化。实验结果显示，该自动体况评分系统的识别误差控制在0.25以内。Jin等人（2024）开发了一种改进的基于PointStack的分割模型，用于奶山羊的非接触式体型测量，该模型将3D点云划分为7个解剖区域，并采用一种新的关键点定位算法，该算法结合了坐标标准化、关键点群检索和边缘检测技术。实验中6项体型指标的平均绝对百分比误差在2.16%到5.43%之间。尽管3D点云方法能够提供高精度的测量结果，但其较高的计算需求、复杂的操作流程以及对环境条件的严格要求，限制了其在快速牲畜表型分析中的广泛应用（Winkler等人，2024；Sun等人，2025）。
基于2D图像的关键点检测技术在牲畜表型分析方面具有明显优势：计算成本更低，硬件部署更简单，设备费用也更低（Pereira等人，2022；Koger等人，2023）。Yang等人（2024）将关键点检测与局部点云聚类技术相结合，首先为不同姿态下的山羊识别出2D关键点，然后通过深度图和相机内参生成局部点云，以此精确确定3D关键点的位置，从而提升定位和测量精度。Li等人（2024）开发了一种单目视觉方法，该方法整合了YOLOv5s检测技术、Lite-HRNet关键点定位技术以及全局-局部路径网络深度估计技术，因此能够在不同的距离和光照条件下对牛的体型进行测量。该方法通过建立相对深度值与实际距离之间的校准关系，再结合RGB相机成像原理将像素值转换为实际米值，最终在30头牛的4项体型指标上实现了6.75%-8.97%的平均绝对百分比误差。Deng等人（2025）使用MobileViT-Pose技术预测头部、躯干和四肢区域的关键点，再将深度数据与检测到的关键点相结合，以18.8帧/秒的速度计算出动物的体型数据，大大提升了处理效率。
尽管有了这些进展，但在实际生产环境中，奶山羊常常会采取一些非标准的姿态：低头、迈步、躯干扭转（Ma等人，2024）。即便能实现精确的2D关键点定位，体型测量所依赖的几何关系也会出现系统性扭曲，从而导致较大的测量误差。针对猪和其他物种的研究也表明，姿态的变化会显著影响基于点云和图像系统的测量一致性（Li等人，2023；Li等人，2024；Xie等人，2024）。边缘设备有限的计算资源，再加上姿态变化带来的测量误差，都是阻碍非接触式测量系统商业化应用的重要因素。为解决这些问题，本研究提出了一种名为LEKDNet的轻量级关键点检测网络，可用于计算能力有限的边缘设备上对奶山羊进行非接触式体型测量。该网络在大幅减少模型参数和计算负担的同时，仍能保持较高的检测精度和推理速度。此外，研究还引入了基于姿态的校准模型，用于弥补因动物姿态不标准而产生的几何变形问题。通过利用与姿态相关的特征，无需改变原有自由活动动物数据采集流程，即可精准测定肩高、臀高、胸宽、髋宽、体长和胸深这六项核心体型指标，进而提升自由活动动物的测量可靠性和重复性。
章节摘要
我们的贡献如下
（1）我们开发了一套适用于真实农场环境的非接触式体型测量系统，同时建立了包括体型测量数据集和姿态估计数据集在内的两个数据集。这些数据集是在不同的季节、采集场景和光照条件下收集的，旨在全面反映自由活动动物的不同姿态以及复杂的成像环境。
（2）我们提出了LEKDNet，这是一种为移动设备和边缘设备优化的轻量级关键点检测网络
材料与方法
本研究采用的方法主要包括两个部分：体型测量和姿态误差校正。深度相机从上方和侧面拍摄RGB图像和深度图像，LEKDNet则负责定位测量所需的关键点和姿态关键点。随后，利用相机内参和深度数据，通过深度差和欧几里得距离计算出动物的体型尺寸。为消除姿态变形的影响，还会将姿态特征输入回归模型，该模型可预测并补偿这些误差
体型关键点检测结果
在本研究中，我们提出了LEKDNet模型，并将其性能与多种用于奶山羊行为识别的先进关键点检测方法进行了系统比较。为了进行全面评估，我们使用相同的数据集对LEKDNet与YOLOv8n-pose、YOLOv8n-pose-p6、YOLOv9t-pose、YOLOv10n-pose、YOLO11n-pose、DeepPose-MBv2、RTMpose-t、MobileViT-Pose和GRMPose这几种模型进行了训练，并通过精确度、召回率和平均平均精确率这三项核心指标来评估它们的性能
主要贡献与对比分析
本研究提出了一种面向实际应用的奶山羊非接触式体型测量框架，该框架能够在典型的农场环境下稳定运行。其主要贡献如下。
首先，我们构建了一套完整的测量流程，同时创建了两个专门的数据集，分别用于体型尺寸标注和姿态估计任务。数据采集涵盖了不同的季节、成像设置和光照条件，从而确保
CRediT作者贡献说明
张斌：写作——初稿撰写、可视化、验证、方法设计、资金申请、正式分析、数据整理、概念构思。侯子霞：写作——审阅与编辑、可视化、数据整理。金波：正式分析。乔永亮：写作——审阅与编辑、正式分析。雷朝民：正式分析。李梅：调研工作。王美丽：项目监督、资源协调、项目管理、资金申请、概念构思。
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本项工作部分得到了中国国家重点研发计划（编号：2022ZD04014）、西安市科技局重点农业产业链关键技术研究项目（编号：24NYGG0023）、陕西省重点研发项目（编号：2025NC-YBXM-117）以及西北农林科技大学博士研究生自主创新研究项目（编号：2025KYCXZ21）的资助。
张斌|侯子霞|金波|乔永亮|雷朝民|李梅|王美丽
