摘要
持续客观评估猪的肌肉状态（包括麻醉后的恢复情况）需要综合分析动物的姿势、运动方式、状态转换以及短期不良事件。本研究旨在开发一种多摄像头系统，并通过算法对该系统进行评估，以实现完全合成虚拟环境中模拟恢复状态的定量分析。通过程序生成方法，生成了150,000张图像，每张图像都标注了15个解剖学关键点，并在不同的模型姿势、大小和外观、摄像头视角、光照条件、环境设置以及图像后处理参数下进行测试。使用YOLO11m-pose模型进行二维姿态估计，随后结合来自三个同步摄像头的观测数据，通过加权三角测量算法得到三维轨迹。重建的三维轨迹经过质量控制系统、有限状态机以及时间规则的处理，用于检测跌倒、长时间静止和类似抽搐的运动。通过对数据集按三维姿态索引进行重新划分，重新训练的YOLO11m-pose模型在独立姿态级别测试集上达到了0.8968的关键点识别率、0.9985的精确度和0.9986的召回率。在处理一段15分钟、由三个摄像头拍摄的序列时，405,000个重建结果中有98.993%符合几何接受标准，中位重投影误差为2.420像素。在对一段手动标注的5分钟合成序列进行评估时，该状态机在帧级别上的准确率为91.20%，宏观F1分数为90.10%，Cohen’s Kappa值为0.860；在状态转换发生前<0.5秒内的准确率为97.43%。在第二段具有精确Unity世界几何真实数据的5分钟合成序列评估中，直接的三维评估得到的平均像素误差（MPJPE）为31.86毫米，地标覆盖率为99.993%。对这第二个序列进行的有限时间评估检测到了两个由躺卧状态引起的长时间静止参考区间；跌倒和类似抽搐的运动事件并未被单独标注。所有训练数据、验证数据以及端到端评估数据均是在虚拟环境中生成的；因此，这些结果证明了该算法在合成环境中的可行性，但并不能直接反映其在真实动物身上的表现。
