《Smart Agricultural Technology》：Automated measurement of standing body size for walking sheep via key point correction and walking posture quantification
编辑推荐：
本研究成果为解决在无应激状态下快速、精准测量绵羊体尺参数这一精准畜牧业关键挑战提供了创新解决方案。研究人员开发了一种结合2D/3D图像的关键点校正算法，并构建了基于行走体尺(WBS)和行走姿态角(WPA)的回归模型，实现了对自然行走绵羊的站立体尺(SBS)的自动化估计。该方法显著提高了测量效率与准确性（对陌生羊只平均MAPE为5.75%），为推进精准生产和育种提供了重要的理论基础与技术支撑。
在当今追求高效、可持续的精准畜牧业时代，准确获取牲畜的体尺数据是选育良种、评估健康状况和优化生产效率的基础。然而，传统的绵羊体尺测量方法面临着诸多现实困境。手动测量不仅费时费力，需要多人协作，使用测杖、皮尺等工具对绵羊进行保定和测量，过程极易给羊只带来应激，增加人畜共患病风险，且测量结果易受主观因素影响。另一种基于二维图像的方法虽然有所改进，通常需要在校准板旁对羊只进行拍摄，但由于绵羊是三维生物，难以与校准板严格共面，因此存在无法避免的系统误差。尽管深度相机的出现通过记录深度信息部分解决了这些问题，但大多数现有技术仍要求牲畜保持静止站立姿势以获得高精度数据，这在实际养殖场中难以实现，因为绵羊天性胆小易惊，难以配合。因此，畜牧管理者亟需一种能够在羊只自然行走状态下，快速、无应激地自动估测其静态站立体尺的技术，而现有文献在此方面尚存空白。
为了攻克这一难题，安徽农业大学机械与车辆工程学院的研究团队开展了一项创新性研究，成果发表在《Smart Agricultural Technology》期刊上。他们提出了一种全新的自动化测量方法，旨在从绵羊自然行走的视频中，精准估计其静态站立体尺，无需羊只保持固定姿势或静止站立。
为实现这一目标，研究人员综合运用了计算机视觉和机器学习技术。首先，他们利用深度相机在三个不同牧场（江淮、博大、和丰）采集了66只绵羊自然行走的彩色-深度图像对视频，并手动测量了每只羊的体高、尻高、体斜长、腹深和腹围这五项真实站立体尺作为基准。数据处理上，他们将数据分为熟悉羊（49只）和陌生羊（17只）数据集，用于模型训练与性能评估。核心方法包括几个关键步骤：一是采用YOLOv11-pose模型检测绵羊身体的12个关键点；二是创新性地提出了一种结合2D图像边缘特征和3D深度信息的关键点校正算法，以优化检测结果；三是基于校正后的关键点，计算行走状态下的五项体尺和八个表征肢体关节角度的行走姿态角；最后，构建回归模型，学习行走体尺、行走姿态角与真实站立体尺之间的映射关系，从而实现对站立体尺的估计。研究中比较了岭回归、决策树、随机森林和XGBoost四种回归模型，并以平均绝对百分比误差等指标评估性能。
研究结果显示，该方法在多方面取得了显著成效：
4.1. 关键点校正算法：通过将搜索半径设置为5像素，该算法在大多数实验场景下有效降低了关键点定位误差。在陌生羊数据集上，校正算法将五项体尺的平均MAPE降低了2.54%，证明了其良好的泛化能力和鲁棒性。
4.2. 基于49只熟悉羊数据集的站立体尺估计方法：通过对不同输入特征组合和回归模型的系统比较，研究人员得出了最优方案。研究发现，结合行走体尺和行走姿态角的组合输入特征集表现最佳，优于单独使用任一组特征。在四种回归模型中，岭回归模型的平均预测性能最好。通过对和丰牧场进行的正交实验分析发现，图像分辨率是影响测量精度的显著性因素，而拍摄距离和光照强度的影响不显著。其中，高分辨率组（848×480）的预测误差最小且最稳定，平均MAPE仅为6.04%。研究还比较了使用回归模型前后的精度，在最优条件下（高分辨率、岭回归、WPA+WBS组合输入），回归模型将熟悉羊的平均MAPE从13.36%显著降低至6.04，精度提升了56.7%。
4.3. 基于17只陌生羊数据集的站立体尺估计方法：为了验证方法的泛化能力，研究在未参与训练的陌生羊身上进行了测试。结果与熟悉羊的结论一致：WPA+WBS组合特征和岭回归模型依然表现最优。在高分辨率条件下，回归模型将陌生羊的平均MAPE从11.54%降低至5.75，精度提升了50.17%，证明了该方法对未见过的个体同样具有可靠的预测能力。
归纳研究与讨论，本研究成功开发并验证了一套用于自然行走绵羊的站立体尺自动化估计方法。其核心贡献在于两点：一是提出了融合2D与3D信息的关键点校正方法，提升了基础数据的准确性；二是创新性地通过量化行走姿态并建立回归模型，实现了从动态行走数据到静态体尺参数的可靠估计。该方法突破了传统测量对羊只站立姿态的苛刻要求，允许绵羊在无应激的自然行走状态下完成体尺估测，极大提升了测量的可操作性和动物福利。最终，在最优条件下，该方法对陌生绵羊五项体尺的估计平均MAPE达到5.75%，相较于未使用回归模型的直接测量方法，精度显著提高。这项工作为精准畜牧生产和育种中快速、无应激的绵羊体尺测量提供了坚实的理论基础和技术支持，具有重要的推广应用价值。
