《Smart Agricultural Technology》：Harnessing deep learning for automated horse morphometry estimation
编辑推荐：
本研究开发了一种基于卷积神经网络（CNN）的马匹形态测量自动化框架。针对传统手工测量方法存在主观性强、耗时长、现场应用困难等问题，研究人员利用侧视图像，训练了四种CNN架构（MobileNetV3-small-100, EfficientNet-B0, ResNet50, HRNetW48）来自动预测16个解剖学关键点，进而重建19项线性体尺数据。研究表明，所有模型的平均精度（mAP）均超过0.9，其中ResNet50性能最佳，EfficientNet-B0则在准确性与计算效率间取得了最佳平衡，适合移动端部署。自动重建的体尺数据平均绝对误差（MAE）在3.5-4厘米之间。该工作为马匹客观体尺评估提供了可扩展、非侵入式、适于田间应用的自动化解决方案，支持数据驱动的育种、性能监测和福利评估。
自古以来，马匹不仅是人类重要的伙伴，在体育、农业和休闲等领域也扮演着关键角色。一匹马的“身材”——也就是它的体尺结构，与它的运动能力、生物力学表现乃至整体健康息息相关。例如，紧凑的身躯和短管骨适合绕桶赛，而高挑的肩部和修长的四肢则利于赛马。然而，想要精准评估一匹马的体型，传统上可不容易。育种者和专业人士不得不依赖卷尺、量角器等工具，在躁动不安的马匹身上进行手工测量。这种方法不仅耗时费力、对操作者有安全风险，测量结果还常常因为测量者的主观判断而存在偏差，难以实现标准化评估。更先进的3D扫描技术虽然精度高，但设备昂贵、操作复杂，难以在牧场等现场条件下普及。因此，畜牧行业一直渴望有一种能够提供客观、一致、易于在现场应用的体尺评估工具。
正是在这样的背景下，来自意大利都灵大学兽医学系的研究团队Marco Zanchi等人，将目光投向了人工智能领域。他们思考：能否让计算机“看懂”一张普通的马匹侧身照片，就像经验丰富的专家一样，自动识别出关键的骨骼标志点，并精确计算出各种体尺数据？为了验证这个想法，他们开展了一项名为“利用深度学习实现马匹形态测量自动化估计”的研究，成果发表在《Smart Agricultural Technology》期刊上。
为了开展这项研究，研究人员主要运用了以下几种关键技术方法：首先是数据集的构建与标注，他们收集了两个数据集，其中数据集A包含1000张标准化图像用于训练，数据集B包含106张在真实农场环境下用智能手机拍摄的图像（对应有手工测量的真实体尺数据）用于测试。使用DeepLabCut工具箱手动标注了18个（含2个地面参考点）解剖学关键点。其次是卷积神经网络（CNN）架构的设计与比较，他们评估了四种预训练的CNN骨干网络（MobileNetV3-small-100, EfficientNet-B0, ResNet50, HRNetW48）在关键点估计任务上的性能。网络被训练来输出每个关键点的概率热图和位置细化图，以实现亚像素精度的定位。最后是自动化形态测量与评估流程，利用预测出的关键点坐标，通过欧氏距离计算并缩放重建出19项线性体尺测量值，与手工测量值进行对比以评估误差（使用平均绝对误差MAE和平均绝对百分比误差MAPE）。此外，还进行了普氏分析（Procrustes analysis） 来评估网络预测是否保持了马匹的整体形态结构。
研究结果
2.1. 工作流程设计
研究设计了一个清晰的三步流程：数据收集、用于关键点估计的神经网络、自动化形态测量估计。
2.2. 数据集
收集了两个侧视图像数据集。数据集A（1000张图）用于训练，确保了品种、年龄、性别、形态类型和毛色的多样性以提升模型泛化能力。数据集B（106匹马）使用iPhone 11在现场拍摄，模拟真实条件，并为每匹马手工记录了19项形态测量数据。
2.3. 用于关键点估计的卷积神经网络
研究人员采用了基于概率热图和偏移量图的CNN进行关键点检测。在训练中，他们使用了结合二元交叉熵（BCE）损失和Huber损失的复合损失函数，并进行了10折交叉验证和丰富的数据增强。评估指标包括基于对象关键点相似度（OKS）的平均精度（mAP）和平均欧氏距离（MED）。
2.3.2. 架构
研究比较了四种不同的CNN骨干网络。结果显示，所有模型在关键点定位上均表现出高精度，验证了所提框架的有效性。
2.4. 与真实测量值的比较
将基于预测关键点自动重建的体尺测量值与手工测量值进行对比。结果表明，所有测量的平均绝对误差（MAE）在3.5厘米到4厘米之间，中心部位的关键点（如肩部、尻部）比远端部位（如球节）更稳定。平均绝对百分比误差（MAPE）普遍较低，表明自动测量是可靠的。
2.5. 使用普氏距离进行形状分析
通过普氏分析评估了网络预测的关键点配置是否保留了马匹的整体形状。计算出的普氏距离值很小，表明预测的形态与真实形态高度一致，神经网络没有引入明显的形状变形，成功保留了不同个体间的形态变异模式。
结论与意义
本研究表明，基于卷积神经网络（CNN）的框架能够高精度地从单张侧视图像中自动估计马匹的形态特征。在测试集上，所有评估的CNN模型在关键点检测上都取得了超过0.9的mAP，其中ResNet50整体性能最佳，而EfficientNet-B0在准确性和效率之间取得了最佳平衡，更适合在手机等移动设备上部署。自动重建的线性体尺测量值与手工测量值相比，平均绝对误差在3.5-4厘米的范围内，处于可接受的水平。更重要的是，普氏分析证实，CNN预测的关键点配置很好地保留了马匹的整体体型和个体间的形态差异。
这项研究的成功，标志着在马匹科学领域大规模应用深度学习进行自动化形态测量迈出了重要一步。它解决了传统方法主观、耗时、有风险且难以标准化的问题，以及现有技术（如标记点、3D扫描）侵入性强、成本高或不便携的局限。研究人员提出的系统是非侵入式的（无需接触马匹）、客观的（排除了人为主观性）、并且适用于现场（仅需智能手机拍摄照片），为育种者、驯马师和兽医提供了一个强大的工具。未来，这套系统可以用于支持数据驱动的育种决策（通过量化筛选理想体型）、长期性能监测（追踪生长和体型变化）以及健康和福利评估（识别可能与疾病或不适相关的体型特征）。总之，这项研究为精准畜牧（PLF）和更广泛的动物科学领域，提供了一种可扩展、自动化且实用的形态学分析新范式。
