基于深度学习图像分割的热带肉牛胴体热重预测

《Tropical Animal Health and Production》：Deep learning-based image segmentation for predicting hot carcass weight in tropical beef cattle

本研究针对热带肉牛屠宰线上胴体重量快速、准确估测的需求，开发了一种结合深度学习与回归分析的全新方法。研究人员利用YOLOv11模型对肉牛半胴体图像进行分割，从分割图像中提取形态学描述符，并构建LASSO回归模型预测热胴体重（HCW）。模型表现优异，HCW预测R2达0.84，MAPE为5.77%，为商业化屠宰场的自动化分级与评估提供了一种实用、可扩展的解决方案。

　　

在巴西等热带地区，牛肉产业是农业经济的重要支柱。准确评估屠宰后的肉牛胴体重量，不仅是决定其经济价值的关键，也直接影响着后续的定价、产量计算和供应链管理。传统的工业用秤虽然能提供直接的重量读数，却无法揭示胴体的组成、外形结构或肉质等深层信息。而更为精细的表型分析往往依赖于专业成像设备或基因评估，成本高昂，难以在商业化的屠宰流水线上大规模应用。那么，能否借助当前蓬勃发展的计算机视觉和人工智能技术，仅通过普通的二维图像，就实现高效、准确的自动化胴体评估呢？这不仅是技术上的挑战，更是推动热带地区肉类加工产业向智能化、精准化升级的关键一步。

近日，一篇发表在《Tropical Animal Health and Production》上的研究，为我们带来了一个创新性的解决方案。研究人员成功开发并验证了一套基于深度学习的自动化技术流程，能够从热带肉牛胴体的普通RGB图像中，精准分割出胴体轮廓，并据此预测其“热胴体重”，为实现屠宰线的实时、无损评估提供了新范式。

为了完成这项研究，研究人员主要采用了以下几个关键技术方法：首先，在商业屠宰场采集了598张热带肉牛半胴体的RGB图像，并使用Roboflow平台对胴体边界进行了手动标注，构建了数据集。其次，使用YOLOv11模型对胴体图像进行实例分割。之后，从分割出的掩模中提取了一系列几何与形态描述符。最后，利用LASSO回归等多种机器学习模型，基于这些描述符来预测热胴体重，并通过交叉验证等方法评估和优化模型性能。

分割模型性能

研究人员利用YOLO模型对热带肉牛胴体图像进行分割，取得了优异的性能，交并比（Intersection over Union, IoU）达到0.92，精确度（Precision）为0.98。模型能够准确勾勒出胴体的边界和内部解剖结构，主要误差仅出现在胴体边缘区域。这表明该模型在复杂的屠宰场环境下，对不同样本均能实现可靠的分割，为后续的特征提取奠定了坚实基础。

从分割掩模中提取特征

形状描述符的描述性统计

从分割掩模中提取的形态学描述符数据具有较大的变异性，例如胴体重量范围在66.9公斤至216.1公斤之间。这种充分的变异性对于确保预测模型，特别是重量预测模型的泛化能力至关重要。

皮尔逊相关性分析

皮尔逊相关性分析揭示了尺寸相关的形态描述符（如面积、长轴和质心Y坐标）与胴体重之间存在较强的相关性（相关系数≥0.60）。而形状描述符（如偏心率）与重量的相关性很弱（≤0.10）。同时，各描述符之间也存在高度相关性，例如面积、周长、凸包面积、等效直径、密实度、长短轴之间，这表明了数据中存在多重共线性，在后续建模中需要仔细进行特征选择。

用于重量预测的回归模型性能

在预测热胴体重（HCW）的回归模型中，LASSO回归模型表现最佳，其决定系数R²达到0.84，平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为5.77%。随机森林和AdaBoost模型的R²分别为0.78和0.77。所有模型均显示出可靠的预测能力，均方根误差在11.35至13.71公斤之间，平均绝对误差在8.93至10.49公斤之间。

模型性能与精度

该研究表明，YOLO分割模型在胴体评估中表现出强大的性能。与先前使用VGG-19分割瘤牛（Zebu）胴体或为韩牛（Hanwoo）预测胴体产量的研究相比，本研究首次将YOLO与2D图像相结合，专门应用于热带肉牛胴体。其空间精度和高推理速度的优势，使其成为在商业屠宰场实时部署、支持自动检测和分级的实用工具。通过适当调整，智能手机摄像头也可用于HCW估算，从而增强了该技术的可及性和可扩展性。

相关性分析与形状描述符关系

相关性分析证实，与尺寸相关的描述符（如面积、等效直径、长轴和凸包面积）与胴体重之间存在中度至强相关性，这与更重的胴体在2D图像中占据更大投影面积的预期一致。而形状描述符（如偏心率、伸长率和方向）则显示出弱相关性。多个形状描述符之间的高相关性表明了多重共线性，这种冗余在构建线性回归模型时需要妥善处理，LASSO回归的变量选择功能在此发挥了关键作用。

回归模型性能评估

在评估的三种回归模型中，LASSO回归在预测HCW方面优于集成方法，达到了最高的预测精度。这得益于LASSO回归通过L₁正则化进行变量选择，有效减少了信息量较少或高度相关的形状描述符的影响，从而产生了一个更简单、更可解释的模型，最大限度地减少了过拟合并提高了泛化能力。模型保留的、具有显著正系数的变量主要与胴体的位置、大小和几何形状相关，反映了与重量最直接相关的形态特征。而像周长等变量的负系数，可能反映了更紧凑或不规则的胴体形状对应着肌肉分布或脂肪沉积的差异，从而导致重量略低。

综上所述，本研究成功开发并验证了一种集成YOLO图像分割和LASSO回归的技术流程，用于从热带肉牛的2D图像中预测其热胴体重。该方法在商业屠宰场环境下实现了高精度的分割和可靠的重量预测，证明了利用相对简单的2D成像和形态描述符进行无损、自动化胴体评估的技术可行性。与需要3D成像设备的研究相比，本研究提出的框架更具实用性和可推广性，尤其适用于热带地区。这项研究为屠宰场计算机视觉系统的建设、数据驱动的决策、流程标准化以及精准技术在肉类加工中的应用提供了技术支撑，最终有望提升产业效率、客观性和规模化水平。