《Computers and Electronics in Agriculture》：Deep learning-based UAV framework for automated morphological and growth analysis of feedlot cattle
编辑推荐：
本研究针对传统养牛业人工监测劳动强度大、侵入性强、难以规模化的问题，开发了一种基于无人机(UAV)计算机视觉与深度学习（集成YOLOv11s与SAM 2.1）的自动化框架。该框架通过对内洛尔牛(Nellore cattle)长达112天的纵向监测，提取了体长、体宽及宽长比(W/L)等形态特征，并利用逻辑模型成功揭示了种群水平上S形的生长曲线及三个关键生物学阶段（滞后期、快速发展期、平台期）。该成果为商业育肥场实现规模化、非侵入式、数据驱动的精准畜牧管理提供了具有实用价值的解决方案。
养牛业是巴西农业经济的关键部门，然而，传统的牛只生长监测高度依赖于定期称重。这个过程不仅费时费力、具有侵入性，还会给动物带来应激，影响其福利和生长性能。在大型商业育肥场，确定最佳出栏或屠宰时间对利润最大化至关重要。传统方法难以实现连续、大规模、非侵入性的监测，这推动了人们对自动化、高通量监测技术的迫切需求。发表在《Computers and Electronics in Agriculture》上的这项研究，提出了一种创新的解决方案：一个基于无人机(UAV)和深度学习(Deep Learning)的计算机视觉(Computer Vision)框架，旨在自动追踪育肥牛在整个生产周期中的形态发育，而非直接估计体重。
为了开展这项研究，研究人员在巴西马托格罗索州的一个商业育肥场进行了长达112天的监测，共执行了12次无人机飞行任务，采集了904张高分辨率航拍图像。研究团队开发了一个七阶段的自动化流水线：从无人机图像采集开始，到手动标注数据子集以微调(Fine-tuning)YOLOv11s模型进行牛只检测，再利用SAM 2.1模型进行实例分割(Instance Segmentation)提取精确的个体轮廓。随后，通过一套自动化的分层过滤策略（包括姿态分类、空间兴趣区域(ROI)筛选和宽长比(W/L)范围过滤）只保留姿态良好的站立牛只，从而稳定地提取出体长、体宽等形态学特征。最后，对种群水平的宽长比(W/L)时间序列数据进行逻辑增长曲线(Logistic Growth Curve)建模，以分析生长动态并识别合适的经济销售窗口。
研究结果通过几个部分系统呈现。3.1. 牛只检测评估显示，微调后的YOLOv11s检测器在测试集上达到了高精度(mAP@0.5为98.18%)和实用的推理速度。3.2. 实例分割结果表明，未经微调的SAM 2.1模型能够生成高质量的个体分割掩膜，准确勾勒出牛的身体轮廓。3.3. 生长动态建模与评估是核心部分。首先，3.3.2. 形态学特征提取通过图示分析了因几何失真、遮挡等原因导致的异常W/L值实例，并展示了经过过滤后保留的有效实例，验证了过滤策略的必要性和有效性。最终，对过滤后所有时间点的牛只计算平均W/L比值，并使用逻辑函数对种群水平的生长轨迹进行建模。拟合结果显示，内洛尔牛的W/L比值随时间呈现清晰的S形增长模式，该逻辑模型很好地描述了这一趋势（R2= 0.998）。模型参数具有明确的生物学意义：增长速率参数k、拐点t0以及上下渐近线分别对应了不同的生长阶段特征。基于拟合的生长曲线，研究揭示出三个连续的生物学阶段：初始的滞后期（约0-30天），紧随其后的快速发展期（约30-80天），以及最终的平台期（约80天以后）。在平台期，平均W/L比值趋于稳定，表明牛群的形态发育进入饱和状态。
这项研究成功开发并验证了一个完全自动化的、基于无人机的牛群监测框架。该框架结合了前沿的深度学习模型（YOLOv11s和SAM 2.1），能够在大规模商业育肥场环境下，非侵入式地、高通量地提取牛只的形态学测量值。更重要的是，研究通过对种群水平纵向数据的分析，首次利用逻辑增长函数模型清晰地描绘了育肥牛形态发育的S形轨迹，并据此识别出滞后期、快速发展期和平台期这三个关键阶段。这项工作的意义在于，它不再局限于传统的个体体重估计，而是通过形态代理指标（如W/L比）在种群尺度上把握生长规律，为农场管理者确定经济上最有利的销售时机提供了定性决策支持。该框架减少了人力需求，提升了监测频率和规模，为实现数据驱动的精准畜牧管理和提高育肥场盈利能力提供了一种可扩展、实用且非侵入的解决方案。
