Dairy cow body size measurement method based on binocular stereo matching and improved YOLOv8n-Pose keypoint detection
-
摘要:目的
实现奶牛体尺准确测量，精准评定奶牛体型。
方法针对奶牛体尺测量精度有限、自动化程度低等问题，提出一种基于双目立体匹配和改进YOLOv8n-Pose的奶牛体尺测量方法，利用CREStereo获取深度信息，在YOLOv8n-Pose中引入SimAM注意力机制，使网络更加关注奶牛个体识别及奶牛关键点位置信息，并采用CoordConv卷积改进网络结构，增强网络空间坐标感知能力。
结果改进的YOLOv8n-Pose可快速准确检测奶牛体尺测量关键点，检测精度为94.3%，模型参数量为2.99 M，浮点计算量为8.40 G，检测速度为55.6帧/s。融合双目立体匹配与改进YOLOv8n-Pose关键点检测的奶牛体尺测量最大平均相对误差为4.19%。
结论所提出的体尺测量方法具有较高的精度及较快的检测速度，能够满足奶牛体尺测量的实用要求。
Abstract:ObjectiveTo realize accurate measurement of dairy cow body size, and preicisely assess dairy cow body shape.
MethodAddressing the challenges of limited accuracy and low automation in measuring dairy cow body size, a body size measurement method based on binocula stereo matching and improved YOLOv8n-Pose was proposed. The deep learning-based CREStereo was applied for stereo matching to obtain depth information. In YOLOv8n-Pose, the SimAM attention mechanism was introduced to focus more on individual dairy cow identification and key point information. Additionally, the CoordConv was employed to enhance the network’s spatial coordinate perception capability.
ResultThe improved YOLOv8n-Pose achieved rapid and accurate detection of body size measurement key points for dairy cows. It attained a precision of 94.3%, with model parameters totaling 2.99 M and floating-point operations amounting to 8.40 G. The detection speed reached 55.6 frames/s. By combining stereo matching and improved YOLOv8n-Pose, the maximum average relative error in body size measurement was reduced to 4.19%.
ConclusionThe body size measurement method proposed in this paper achieves high accuracy and rapid detection speed, which can meet the practical requirements of body size measurement.
-
Keywords:
- Body size measurement /
- Binocular stereo vision /
- Keypoint detection /
- Dairy cow
-
猪肉是我国居民饮食结构的重要组成部分，我国每年消费肉类的60%以上都是猪肉[1]。生猪养殖产业对于满足我国居民日常生活的肉食需求至关重要。动态化精准饲喂是规模化、集约化养猪产业的必经之路。生猪养殖的成本主要是仔猪成本、饲料成本和人工成本[2]，其中饲料费用占比最高，达70%~80%[3]。中国生产50 kg胴体质量育肥猪的饲料成本以及总成本远高于德国和丹麦等其他6个国家[4]。如何减少饲料浪费、提高饲料利用率，是生猪产业可持续健康发展的长期课题。生猪精准饲喂技术是减少饲料浪费、提高饲料利用率的重要支撑，主要由精准饲喂管理软件和智能饲喂设备组成，可分为饲养信息获取、饲料精准配方、智能饲喂3个阶段[5]。模型是创制精准饲喂智能设备的嵌入式控制系统必要的理论基础[6]。干料和湿料是猪只饲喂的2种方式，干料的含水量(w)一般为12%~15%，湿料指经处理和调制后含水量(w)达到40%~70%的饲料[7]，不同饲喂方式猪只的生产性能不同[8]。对生猪精准饲喂湿料缺乏相关模型的理论支撑。
猪的体质量随着日龄的增加而增长，且符合“S”型曲线，其生长速率先上升，达到最大生长速率后逐渐下降[9]。畜禽生长发育规律研究常用的研究方法是模型拟合，分析结果可以指导畜禽的生产实践、提高生产效率，是畜禽精准饲喂的前期工作[10]。畜禽适用性最好的非线性回归(Nonlinear regression，NLIN)模型是Gompertz模型[11]、Logistic模型[12]和Von Bertalanffy模型[13]，3种模型在世界各地的商品猪和地方猪的生产中具有很强的普适性。杜洛克猪和约克夏猪的最佳模型分别为Gompertz和Von Bertalanffy[14]。学者已经利用3种模型拟合出凉山猪[15]、藏猪[16]、梅山猪[17]、内江猪[18]和鄂通两头乌猪[19]等地方猪种的体质量增长模型。研究表明3种模型广泛运用于生长发育研究，为精细化饲喂猪只提供理论基础。但是目前相对干料饲喂猪只，湿料饲喂猪只的模型构建研究较少。
因此本试验采用Gomperz、Logistic、Von Bertalanffy模型分别进行干湿料饲喂猪只的生长曲线拟合，构建三元商品猪基于体质量和日龄的采食量动态模型，研究干湿料饲喂对不同阶段猪只腹泻的影响，旨在为三元商品猪的生长发育和采食量研究提供基础数据，为猪只的饲喂管理提供理论依据。
1. 材料与方法
1.1 试验设计及饲喂管理
本试验于2023年5月18日至2023年9月14日在重庆市畜牧科学院双河试验基地进行，选择132头平均初始体质量为(10.56±1.21) kg的三元杂交商品猪(杜洛克×长白猪×大白猪)，所有试验猪只随机分为2组，每组11次重复，每次重复6头猪。其中一组饲喂干料，另一组饲喂湿料，湿料采用粥料器饲喂，料水质量比为1∶1.5。饲养日粮采用商品用猪饲料，执行GB/T 18823—2010标准[20]，采用人工饲喂方式，试验猪只常规免疫，自由采食，自由饮水，保持圈舍清洁，定期消毒。
1.2 检测指标
1.2.1 体质量
试验期间，每周采用单体秤对试验猪只进行称重，猪只每周称重前一晚断料、禁食过夜，次日逐头称重，记录每周每头猪的体质量数据。
1.2.2 采食量
分别确定初始加饲料的时间并称重记录料槽剩余饲料的质量(T1)，1周后同时间称重料槽剩余饲料质量(T2)，中间过程记录饲喂饲料包数(B)(饲料包质量按40 kg计)，则该周该圈饲料消耗量如公式(1)所示。
$$ Q=T_1+B \times 40-T_2 。 $$ (1) 1.2.3 腹泻
采用人工定点观察粪便外观并评分的方式每天记录每个圈栏腹泻指数。评分方法：按照0~3分的腹泻体系对仔猪粪便进行评分，分为0、1、2、3，整个圈栏腹泻评分取3处评分平均值，其中，≥2分视为腹泻，具体评分依据如表1所示。每天早上喂料前清扫圈栏1次，便于观察粪便，记录每个圈栏腹泻猪头数(观察肛门判断是否腹泻；区分粪便颜色、大小等判断腹泻猪只数量)，按照公式(2)(3)计算每圈每天腹泻指数与腹泻率。
表 1 腹泻指数评判标准Table 1. Evaluation criteria for diarrhea index腹泻程度
Diarrhea severity粪便外观
Fecal appearance腹泻评分
Diarrhea score正常 Normal 成型或粒状 0 轻度 Mild 软便能形成 1 中度 Moderate 稠状，不成型，粪水无分离现象 2 重度 Severe 稠状，不成型，粪水有分离现象 3 $$ 腹泻率=腹泻头数/仔猪总头数\times 100{\text{%}} \text{，} $$ (2) $$ \mathrm{腹泻指数=腹泻评分之和/(猪只头数\times 试验天数)。} $$ (3) 1.3 曲线拟合与模型构建
采用Gomperz、Logistic、Von Bertalanffy模型分别对干湿料饲喂猪只的生长曲线进行拟合，相关模型的表达式和模型参数见表2。
表 2 3种模型表达式及相关参数1)Table 2. The formulae and related parameters of three models模型
Model表达式
Formula拐点周龄
Week age of inflecting point拐点体质量
Body weight of inflecting point最大日增体质量
Maximum daily gain body weightGomperz $ W_t=A\times {\mathrm{e}}^{-B\times {\mathrm{e}}^{-Kt}} $ $ (\mathrm{l}\mathrm{n}B)/K $ $ A/\mathrm{e} $ KWt Logistic $ W_t=A/(1 +B\times {\mathrm{e}}^{-Kt}) $ $ (\mathrm{l}\mathrm{n}B)/K $ $A/2 $ KWt/2 Von Bertalanffy $ W_t=A\times {(1-B\times {\mathrm{e}}^{-Kt})}^{3} $ $ [\mathrm{l}\mathrm{n}(3B)]/K $ $ 8A/27 $ $ 3KW_t/2 $ 1)各模型中，Wt为t日龄时体质量估计值；A、B、K为模型参数
1) In each model, Wt represents the estimated body weight at age t; A, B and K are model parameters1.4 数据分析
测得的数据使用Excel 2016进行数据处理与分析，平均日增体质量(G)和相对生长率(R)的计算公式如下。
$$ G=({W}_{2}-{W}_{1})/({t}_{2}-{t}_{1}) \text{，} $$ (4) $$ R=({W}_{2}-{W}_{1})/{W}_{1}\times 100\mathrm{{\text{%}}} \text{，} $$ (5) 式中：W1、W2为不同日龄的猪只体质量，kg；t1、t2为猪只的不同测定日龄，d。
采用SPSS 26进行猪只生长曲线拟合，计算各模型的曲线拟合度、拐点周龄、拐点体质量和最大日增体质量，并在生长曲线的基础上构建猪只采食量和体质量的动态模型。
2. 结果与分析
2.1 干湿料饲喂方式下猪只体质量变化规律
由表3可知，2种饲喂方式下猪只的生长趋势一致，平均日增体质量都是波动上升然后下降，干料饲喂猪只平均日增体质量从7周龄的0.36 kg逐渐上升到11周龄0.92 kg，达到第1个高峰，然后又波动上升到18、21周龄的1.12 kg，除了19周龄骤降到0.59 kg，波动下降到23周龄的1.11 kg；湿料饲喂的猪只平均日增体质量从7周龄的0.31 kg逐渐上升到11周龄的0.90 kg，达到第1个高峰，然后下降到13周龄的0.52 kg，然后缓慢波动上升到22周龄的1.18 kg，最后下降到23周龄的0.97 kg。2种饲喂方式下猪只的相对生长趋势一致，都是生长初期达到高峰，然后缓慢波动下降，干料饲喂猪只相对生长率在11周龄达到高峰，为25.84%，然后缓慢波动下降到7.71%；湿料饲喂猪只相对生长率在9、11周龄分别达到2个高峰，27.21%和28.49%，然后缓慢波动下降到7.16%。
表 3 干湿料饲喂方式下猪只体质量变化Table 3. Changes in body weight of pigs under dry and wet feed feeding methods周龄
Weeks
of age平均体质量/kg
Average body
weight平均采食量/kg
Average food
intake平均日增体质量/kg
Average daily gain
body weight料肉比
Feed
efficiency相对生长率/%
Relative
growth rate干料
Dry feed湿料
Wet feed干料
Dry feed湿料
Wet feed干料
Dry feed湿料
Wet feed干料
Dry feed湿料
Wet feed干料
Dry feed湿料
Wet feed6 11.07±1.20 10.05±0.98 7 13.62±1.48 12.21±1.28 0.68±0.03 0.58±0.04 0.36±0.06 0.31±0.05 1.90 1.86 23.04 21.39 8 16.69±1.71 14.31±1.74 0.91±0.05 0.61±0.13 0.44±0.06 0.30±0.07 2.08 2.04 22.48 17.20 9 20.55±2.32 18.20±2.75 1.14±0.09 1.01±0.08 0.55±0.10 0.56±0.15 2.07 1.80 23.17 27.21 10 24.89±2.98 22.02±3.18 1.45±0.28 1.38±0.16 0.62±0.11 0.55±0.08 2.34 2.50 21.09 21.02 11 31.32±3.43 28.30±3.73 1.74±0.22 1.52±0.18 0.92±0.10 0.90±0.11 1.89 1.69 25.84 28.49 12 36.90±4.09 33.60±4.68 1.91±0.17 1.61±0.14 0.80±0.13 0.76±0.18 2.39 2.12 17.79 18.74 13 42.34±4.83 37.25±5.10 1.96±0.21 1.40±0.13 0.78±0.13 0.52±0.14 2.51 2.69 14.89 10.86 14 48.75±5.41 42.88±5.77 2.34±0.27 2.14±0.14 0.82±0.17 0.80±0.12 2.86 2.67 15.14 15.11 15 54.93±6.21 47.47±6.12 2.39±0.13 2.08±0.22 0.88±0.17 0.66±0.10 2.72 3.14 12.67 10.71 16 60.90±6.68 54.17±6.92 2.59±0.31 2.48±0.23 0.85±0.13 0.96±0.15 3.05 2.58 10.87 14.11 17 67.04±7.70 59.50±7.30 2.95±0.36 2.43±0.41 0.88±0.21 0.76±0.09 3.35 3.20 10.09 9.83 18 74.89±7.91 66.25±7.61 2.81±0.24 2.87±0.40 1.12±0.15 0.97±0.09 2.51 2.96 11.71 11.36 19 79.02±8.08 73.06±8.47 2.05±0.36 2.95±0.40 0.59±0.18 0.97±0.18 3.48 3.04 5.51 10.27 20 86.12±9.84 80.16±8.41 3.23±0.69 2.97±0.90 1.01±0.19 1.02±0.11 3.20 2.91 9.00 9.73 21 93.93±8.33 86.27±7.45 3.58±0.34 3.07±0.42 1.12±0.16 0.87±0.20 3.19 3.53 9.07 7.62 22 101.03±9.67 94.50±8.97 3.68±0.48 3.35±0.23 1.01±0.24 1.18±0.26 3.64 2.84 7.56 9.54 23 108.82±10.21 101.27±9.44 3.73±0.40 3.23±0.54 1.11±0.22 0.97±0.16 3.36 3.33 7.71 7.16 2.2 干湿料饲喂方式下猪只体质量变化模型构建
采用Gomperz、Logistic、Von Bertalanffy模型分别对干湿料饲喂猪只的生长曲线进行拟合。由表4可知，3种模型均能较好地拟合干湿料饲喂猪只的生长曲线，模型的拟合度(R2)均在0.997以上。根据模型的拟合度、拐点周龄、拐点体质量和最大日增体质量与实际数据的比较，干料饲喂猪只生长曲线最适合的模型是Von Bertalanffy模型，拟合度为0.999，拐点周龄、拐点体质量和最大日增体质量分别为21.86、89.20 kg、1.17 kg；湿料饲喂猪只生长曲线最适合的模型是Gomperz模型，拟合度为0.999，拐点周龄、拐点体质量和最大日增体质量分别为21.21、78.17 kg、1.22 kg。
表 4 3种生长曲线拟合参数估计值与拟合度Table 4. Estimated parameter values and fitting degree of the three growth curve models分组
Grouping模型
Model模型参数1) Model parameter A B K R2 拐点周龄
Weeks of
inflecting point拐点体质量/kg
Body weight of
inflecting point最大日增体
质量/kg
Maximum daily gain
body weight干料
Dry feedLogistic 139.36 47.13 0.029 0.997 18.98 69.68 1.58 Gomperz 213.92 5.73 0.012 0.999 20.27 78.70 1.34 Von Bertalanffy 301.04 1.00 0.007 0.999 21.86 89.20 1.17 湿料
Wet feedLogistic 142.43 49.61 0.028 0.998 19.92 71.21 1.42 Gomperz 212.49 5.94 0.012 0.999 21.21 78.17 1.22 Von Bertalanffy 251.69 1.06 0.008 0.997 20.64 74.57 1.22 1)A、B、K为模型参数；R2为模型拟合度
1) A, B and K are model parameters; R2 is the model fitting degree2.3 干湿料饲喂方式下猪只生长曲线绘制
对干湿料饲喂猪只的体质量、平均日增体质量和相对生长率的3种模型拟合理论值和实际测定值分别绘制生长曲线(图1)、绝对生长曲线(图2)和相对生长曲线(图3)。由图1可知，干湿料饲喂猪只体质量实际测定值与3种模型拟合的理论值接近。由图2可知，干料饲喂猪只7—10、12—15、20、22周日增体质量实际测定值与理论值接近，11、18、21、23周实际测定值高于理论值，16、17、19周实际测定值低于理论值；湿料饲喂猪只7—10、12、14、16、18—20、23周日增体质量实际测定值与理论值接近，11、22周实际测定值高于理论值，13、15、17、21周实际测定值低于理论值。由图3可知，干料饲喂猪只7—10、12—18、20—23周相对生长率的实际测定值与理论值接近，11周实际测定值高于理论值，19周实际测定值低于理论值；湿料饲喂猪只7—10、12、14、16—23周相对生长率的实际测定值与理论值接近，11周实际测定值高于理论值，13、15周实际测定值低于理论值。综合分析3种模型的理论值和实际测定值，干料饲喂猪只Von Bertalanffy模型的拟合理论值与实际测定值最接近，其次是Gomperz模型，Logistic模型的拟合理论值与实际测定值的吻合程度差；湿料饲喂猪只模型拟合理论值与实际测定值最接近的是Gomperz模型，其次是Von Bertalanffy模型，最后是Logistic模型。
![]()
图 1 干料(A)与湿料(B)饲喂方式下猪体质量实际值与模型拟合理论值生长曲线Figure 1. Growth curves of actual value and model fitting theoretical value of pig body weight under dry (A) and wet (B) feed feeding methods![]()
图 2 干料(A)与湿料(B)饲喂方式下猪体质量实际值与模型拟合理论值绝对生长曲线Figure 2. Absolute growth curves of actual value and model fitting theoretical value of pig body weight under dry (A) and wet (B) feed feeding methods![]()
图 3 干料(A)与湿料(B)饲喂方式下猪体重实际值与模型拟合理论值相对生长曲线Figure 3. Relative growth curves of actual value and model fitting theoretical value of pig body weight under dry (A) and wet (B) feed feeding methods2.4 干湿料饲喂方式下猪只采食量动态模型构建
为了探究猪的采食量与体质量的关系，根据猪的体质量数据，采用Gomperz、Logistic、Von Bertalanffy模型分别构建干湿料饲喂猪只的采食量与体质量的动态模型。由表5可知，3种模型中Gomperz模型对干料饲喂猪只的拟合效果最好，拟合度为0.851，方程式为：
$ L_w=3.79\times {\mathrm{e}}^{-2.89\times \mathrm{e}^{-0.06w}} $ ；Von Bertalanffy模型对湿料饲喂猪只的拟合效果最好，拟合度为0.988，方程式为：$ L_w=3.52\times (1- 0.66\times {\mathrm{e}}^{-0.03{w}})^{3} $ 。表 5 干湿料饲喂猪只采食量与体质量的动态模型1)Table 5. Dynamic models for food intake and body weight of pigs under dry (A) and wet (B) feed feeding methods分组
Grouping模型
Model表达式
Formula模型参数 Model parameter A B K R2 干料
Dry feedLogistic $ L_w=A/(1 +B\times {{\rm{e}}}^{-Kw}) $ 3.60 8.82 0.06 0.850 Gomperz $ L_w=A\times {{\rm{e}}}^{-B\times {\rm{e}}^{-Kw}} $ 3.79 2.89 0.04 0.851 Von Bertalanffy $ L_w=A\times {(1-B\times {{\rm{e}}}^{-Kw})}^{3} $ 3.90 0.69 0.03 0.850 湿料
Wet feedLogistic $ L_w=A/(1 +B\times {{\rm{e}}}^{-Kw}) $ 3.27 7.76 0.06 0.985 Gomperz $ L_w=A\times {{\rm{e}}}^{-B\times {\rm{e}}^{-Kw}} $ 3.43 2.73 0.04 0.987 Von Bertalanffy $ L_w=A\times {(1-B\times {{\rm{e}}}^{-Kw})}^{3} $ 3.52 0.66 0.03 0.988 1)各模型中，Lw是体质量的采食量估计值；A、B、K为模型参数；R2为模型拟合度
1) In each model, Lw is the estimated feed intake value of body weight; A, B and K are model parameters; R2 is the model fitting degree为了指导生产更方便，进一步探究猪的采食量与日龄的关系，构建采食量与日龄的一次函数关系式。干料饲喂猪只的采食量曲线为
$ y=0.03x-0.91 $ ，R2=0.988，其中x表示日龄，取值范围是49~168 d，y表示x日龄对应的采食量，kg；湿料饲喂猪只的采食量曲线为$ y=0.03x-0.84 $ ，R2=0.971，其中x表示日龄，取值范围是49~168 d，y表示x日龄对应的采食量，kg。2.5 干湿料饲喂方式对不同阶段猪只腹泻率和腹泻指数的影响
从表6可知，干湿料2种饲喂方式下保育仔猪腹泻率分别为13.89%、8.62%，湿料饲喂组比干料饲喂组低5个百分点，差异显著(P<0.05)；干湿料2种饲喂方式下保育仔猪腹泻指数分别为0.18、0.11，湿料饲喂组比干料饲喂组低0.07，差异显著(P<0.05)。因此保育阶段湿料饲喂组猪只的健康状况显著优于干料饲喂组猪只。
表 6 干湿料饲喂方式对保育仔猪和生长育肥猪腹泻率和腹泻指数的影响1)Table 6. Effect of dry and wet feed feeding methods on diarrhea rate and diarrhea index of conservation piglets and growing-finishing pigs猪只类型
Pig type饲喂方式
Feeding method腹泻率/%
Diarrhea rate腹泻指数
Diarrhea index保育仔猪
Conservation piglet干料 13.89±1.42a 0.18±0.00a 湿料 8.62±1.85b 0.11±0.00b 生长育肥猪
Growing-finishing pig干料 6.94±1.00a 0.12±0.00a 湿料 3.72±0.70a 0.08±0.00a 1)相同猪只类型同列数据后的不同小写字母表示在P<0.05水平差异显著(t检验)
1) Different lowercase letters of the same pig type in the same column indicate significant differences at P < 0.05 (t test)干湿料2种饲喂方式下生长育肥猪腹泻率分别为6.94%、3.72%，湿料饲喂组比干料饲喂组低3个百分点，差异不显著(P>0.05)；干湿料2种饲喂方式下生长育肥猪只腹泻指数分别为0.12、0.08，湿料饲喂组比干料饲喂组低0.04，差异不显著(P>0.05)。
3. 讨论与结论
3.1 讨论
研究猪的生长发育有利于了解猪的生长规律，指导猪的生产和饲喂管理，对提高猪的生长速度和生产效率具有重要意义。由本研究结果可知，2种饲喂方式下猪只的生长趋势一致，这与Lawlor等[21]和王旭莉等[22]的研究结果一致，在Hurst等[23]的研究中湿料饲喂猪只显著优于干料饲喂猪只，可能是湿料料水比、饲喂环境与猪只个体差异导致这一结果。本研究通过Gomperz、Logistic、Von Bertalanffy 3种模型分别拟合了干湿料饲喂下猪只体质量增长模型。3种模型均能较好地模拟干湿料饲喂猪只的生长发育情况，拟合度均在0.997以上。干料饲喂猪只的最适生长曲线模型是Von Bertalanffy，拟合度为0.999；湿料饲喂猪只的最适生长曲线模型是Gomperz，拟合度为0.999。蔡东森等[24]认为Von Bertalanffy模型最适合模拟山猪体质量的生长曲线，与本研究干料饲喂猪只的研究结果一致，Ma等[14]和陈景运等[18]研究认为Gomperz模型对杜洛克猪和内江猪体质量生长曲线的拟合效果最好，与本研究湿料饲喂猪只的研究结果一致。不同的是，徐永健等[25]认为Logistic模型能更好地预测从江香猪的生长发育。3种模型广泛应用于猪的生长曲线拟合，猪种、饲喂管理方式、猪只生长环境不同，最适生长曲线的拟合模型也不同。进一步研究3种模型下理论值与实际值的吻合情况，通过3种模型的理论值与实际值的生长曲线、绝对生长曲线和相对生长曲线比较，干料饲喂猪只Von Bertalanffy模型的拟合理论值与实际测定值最接近，湿料饲喂猪只的模型拟合理论值与实际测定值最接近的是Gomperz模型。绝对生长曲线和相对生长曲线的实际值与模型拟合理论值相比波动较大。
一般情况下，猪的采食量随体质量的增加而增长，为了进一步研究猪的采食量与体质量的关系，本研究通过Gomperz、Logistic、Von Bertalanffy这3种模型构建猪的采食量和体质量的动态模型。干料饲喂猪只时，Gomperz的拟合效果比Logistic和Von Bertalanffy好，拟合度为0.851；湿料饲喂猪只时，Von Bertalanffy的拟合效果比Logistic和Gomperz好，拟合度为0.988。
本研究通过Gomperz、Logistic和Von Bertalanffy 3种模型分别构建了干湿料饲喂猪只体质量增长和采食量与体质量关系的模型，除了干料饲喂猪只的采食量与体质量关系，3种模型均能很好地拟合干湿料饲喂猪只的生长发育情况，拟合度均在0.98以上。综合分析模型的拟合度、拐点周龄、拐点体质量和最大日增体质量与实际值的对比，干湿料饲喂猪只拟合效果最优的体质量增长模型分别是Von Bertalanffy和Gomperz；拟合效果最优的采食量模型分别是Gomperz和Von Bertalanffy。干湿料饲喂猪只的最优体质量增长模型和采食量与体质量关系模型不一致。本文可以排除猪种、管理方式和生长环境差异等原因，干湿料饲喂猪只的生长性能不同是最优拟合模型不同的主要原因[8]。在董合瑞[26]的研究中，猪只体质量增长最优模型是Gomperz，体尺和体高生长最优模型是Logistic，说明猪只拟合指标不同，最优拟合模型也可能不同。
为了研究干湿料饲喂对猪只健康状况的影响，对干湿料饲喂方式下保育仔猪的腹泻率和腹泻指数进行分析，湿料饲喂保育仔猪的腹泻率和腹泻指数显著低于干料饲喂(P<0.05)，这与Pedersen等[27]研究结果一致，主要是仔猪胃肠道发育尚未完全成熟，胃肠道微生物群落不稳定，环境改变、断奶应激，再加上运输等应激，导致仔猪胃肠道菌群紊乱，引发仔猪肠道和免疫系统功能障碍，从而导致仔猪的饲料摄入量减少和生长缓慢[28]。干料饲喂的料型变化大，仔猪胃肠道不适应、对饲料的吸收能力较弱，导致仔猪的腹泻增加。而湿料相较于干料的适口性更好，仔猪更容易接受。湿料中的水分可以增加仔猪的饮水量，保持仔猪体内的水分平衡。同时相较于干料饲喂，湿料饲喂有利于仔猪消化吸收，减少仔猪肠道负担，在一定程度上降低仔猪腹泻率。因此在仔猪饲养过程中，合理采用湿料饲喂仔猪可以减少仔猪腹泻率，提高仔猪的生长发育水平。
3.2 结论
干湿料饲喂条件下，分别推荐Von Bertalanffy和Gomperz模型构建猪只体质量增长模型；推荐Gomperz和Von Bertalanffy模型构建采食量与体质量关系的动态模型；3种模型各有优缺点，选择合适的模型取决于研究目的和研究对象的特征。为了简化精准调控模型，优选Gompertz构建干湿料饲喂猪只体质量增长和采食量与体质量关系的模型。合理采用湿料饲喂可以降低仔猪的腹泻率和腹泻指数，有利于仔猪健康成长。通过构建模型，可动态分析猪只的生长发育和采食量，为指导猪只精准饲喂和精细化饲养管理提供理论依据。
-
![]()
图 2 奶牛直线体尺测量标准
A：鬐甲部最高点，B：臀部最高点，C：坐骨端，D：肩端，E1、E2：前、后蹄与地面的交点，F：尻尖；G：眼睛
Figure 2. Standard for linear body size measurement of dairy cow
A: The highest point of wither; B: The highest point of hip; C: Ischial tuberosity; D: Point of shoulder; E1, E2: Contact points of the front and rear hooves with the ground; F: Hip; G: Eye
![]()
图 3 双目相机成像模型
Ol：左相机光心；Or：右相机光心；ol：左相机光轴与成像平面交点；or：右相机光轴与成像平面交点；W：成像平面宽度；f：相机焦距；P：三维空间中某点；pl和pr为点P在左右相机成像平面上的像点；xl和xr是pl和pr的x坐标；z为P到左右相机的距离；b：左右相机基线距离
Figure 3. Binocular camera imaging model
Ol: Optical center of the left camera; Or: Optical center of the right camera; ol: Intersection point of the left camera’s optical axis with the imaging plane; or: Intersection point of the right camera’s optical axis with the imaging plane; W: Width of the imaging plane; f: Camera focal length; P: A point in three-dimensional space; pl and pr: Image points of P on the imaging planes of the left and right cameras; xl and xr: x-coordinates of pl and pr; z: Distance from P to the cameras; b: Baseline distance between the left and right cameras
![]()
图 6 CoordConv结构
h：输入特征的高度；w：输入特征的宽度；c：输入特征图通道数；i：特征的x坐标信息；j：特征的y坐标信息；h′：输出特征的高度；w′：输出特征的宽度；c′：输出特征图通道数
Figure 6. CoordConv structure
h: Height of input features; w: Width of input features; c: Number of channels in input feature map; i: x-coordinate information of features; j: y-coordinate information of features; h′: Height of output features; w′: Width of output features; c′: Number of channels in output feature map
![]()
图 8 消融试验测试YOLOv8n-Pose的改进效果
mAP50：重叠度(Intersection over union，IoU)阈值为50%的平均精确度均值；mAP50~95：IoU为50%~95%的平均精确度均值
Figure 8. Improvement effect of YOLOv8n-Pose tested by ablation experiment
mAP50: Mean average precision at 50% intersection over union (IoU) threshold; mAP50−95: Mean average precision across IoU threshold from 50% to 95%
![]()
图 9 改进后的YOLOv8n-Pose在不同情景下的检测结果
Figure 9. Detection results of the improved YOLOv8n-Pose in different scenarios
![]()
图 10 奶牛体尺测量最优目标选择
Figure 10. Optimal target selection for body size measurement of dairy cows
![]()
图 11 体尺测量相对误差箱线图
IQR：四分位距；25%~75%：数据的中间50%，从数据的第1四分位数到第3四分位数的范围；1.5IQR范围：从第1四分位数减去1.5倍IQR到第3四分位数加上1.5倍IQR，超出此范围的点为异常值
Figure 11. Box diagram of relative error of body size measurement
IQR: Interquartile range; 25%−75%: The middle 50% of the data, which ranges from the first quartile to the third quartile; 1.5IQR range: Extending from the first quartile minus 1.5 times IQR to the third quartile plus 1.5 times IQR, points outside this range are considered as outliers
表 1 不同距离下手动点云测量与人工测量奶牛体尺的相对误差
Table 1 Relative errors of manual point clouds measurement compared to manual measurement of dairy cows body size at different distances
% 距离/m
Distance体高
Body height体斜长
Body length臀高
Hip height尻长
Rump length2.00 3.01 2.87 2.96 5.00 2.25 2.85 2.81 2.98 4.52 2.50 2.77 2.74 2.67 3.26 2.75 2.62 2.62 2.55 2.73 3.00 2.81 2.75 2.67 2.66 
下载: 导出CSV
表 2 通过消融试验比较模型改进前后的参数量与计算量
Table 2 Parameters and operations comparisons before and after model improvements through ablation tests
模型
Model层数
Layers参数量/M
Parameters运算量/G
OperationsYOLOv8n-Pose 187 2.98 8.5 YOLOv8n-Pose+SimAM 189 3.01 8.6 YOLOv8n-Pose+CoordConv 195 3.01 8.5 YOLOv8n-Pose+SimAM+CoordConv 197 2.99 8.4
下载: 导出CSV
表 3 不同算法关键点检测结果对比
Table 3 Comparison of key point detection results by different algorithms
方法
Method网络骨干
Backbone图像尺寸/像素
Image size参数量/M
Parameters计算量/G
Operations平均精确度均值/%
Mean average precision平均召回率/%
Average recall模型大小/MB
Model sizeHourglass Hourglass-52 384 94.85 64.48 85.9 88.2 362.0 SimCC HRNet-w32 384 × 288 28.54 17.33 89.3 91.4 110.0 HRNet HRNet-w48 384 × 288 63.60 35.48 89.5 92.2 244.0 RTMpose-m CSPNeXt-P5 256 × 192 13.25 1.90 92.5 94.7 101.0 改进YOLOv8n-Pose
Improved YOLOv8n-PoseCSPDarknet-P5 640 2.99 8.40 94.3 98.2 6.2
下载: 导出CSV
表 4 15头奶牛的体尺测量结果
Table 4 Body size measurement results of 15 dairy cows
编号
Code体斜长/cm Body length 体高/cm Body height 臀高/cm Hip height 尻长/cm Rump length 测量值
Measured真实值
True测量值
Measured真实值
True测量值
Measured真实值
True测量值
Measured真实值
True1 169.56 165.91 147.29 151.92 157.31 159.19 45.45 47.78 2 172.35 170.61 135.24 135.14 146.82 141.46 54.06 51.19 3 167.93 171.47 152.99 154.52 157.03 158.44 58.84 56.92 4 163.25 160.63 146.40 145.99 148.92 148.16 46.46 49.56 5 162.10 165.91 140.63 143.59 150.46 152.35 50.05 54.77 6 176.91 171.69 135.27 144.74 155.02 148.18 51.48 54.12 7 170.31 172.68 150.45 147.24 146.01 148.92 54.22 55.69 8 175.99 178.13 154.96 159.60 143.14 153.83 56.23 58.59 9 178.34 171.91 146.60 146.08 148.84 151.09 57.69 56.73 10 171.47 175.43 138.61 152.57 141.76 154.10 59.16 57.35 11 174.62 174.09 151.92 153.80 152.05 150.60 61.93 61.52 12 169.25 172.57 156.13 153.88 138.83 152.74 56.04 53.23 13 175.21 172.34 151.94 156.04 154.99 152.90 51.71 51.95 14 179.81 184.20 158.55 159.31 160.85 158.09 52.79 57.39 15 168.69 167.72 145.67 148.28 148.95 150.37 55.24 53.38
下载: 导出CSV
-
[1] COMMUNOD R, GUIDA S, VIGO D, et al. Body measures and milk production, milk fat globules granulometry and milk fatty acid content in cabannina cattle breed[J]. Italian Journal of Animal Science, 2013, 12(1): e18. doi: 10.4081/ijas.2013.e18
[2] RATHBUN F M, PRALLE R S, BERTICS S J, et al. Relationships between body condition score change, prior mid-lactation phenotypic residual feed intake, and hyperketonemia onset in transition dairy cows[J]. Journal of Dairy Science, 2017, 100(5): 3685-3696. doi: 10.3168/jds.2016-12085
[3] 王宇. 基于三维点云数据的奶牛体尺测量研究[D]. 郑州: 华北水利水电大学, 2023. [4] 初梦苑, 司永胜, 李前, 等. 家畜体尺自动测量技术研究进展[J]. 农业工程学报, 2022, 38(13): 228-240. doi: 10.11975/j.issn.1002-6819.2022.13.026 [5] TASDEMIR S, URKMEZ A, INAL S. Determination of body measurements on the Holstein cows using digital image analysis and estimation of live weight with regression analysis[J]. Computers and Electronics in Agriculture, 2011, 76(2): 189-197. doi: 10.1016/j.compag.2011.02.001
[6] 刘同海, 滕光辉, 付为森, 等. 基于机器视觉的猪体体尺测点提取算法与应用[J]. 农业工程学报, 2013, 29(2): 161-168. [7] 薛广顺, 来智勇, 张志毅, 等. 基于双目立体视觉的复杂背景下的牛体点云获取[J]. 计算机工程与设计, 2015, 36(5): 1390-1395. [8] 张晨光, 雷金辉, 陈焰, 等. 基于机器双目视觉的奶牛体尺参数的测量应用[J]. 电子技术应用, 2020, 46(6): 59-62. [9] 赵建敏, 关晓鹏. 基于双目深度估计的牛体尺测量方法设计[J]. 光电子·激光, 2022, 33(4): 429-435. [10] HUANG L W, GUO H, RAO Q Q, et al. Body dimension measurements of Qinchuan cattle with transfer learning from LiDAR sensing[J]. Sensors, 2019, 19(22): 5046.
[11] 初梦苑, 李孟飞, 李前, 等. 基于关键帧提取与头颈部去除的奶牛体尺测量方法[J]. 农业机械学报, 2022, 53(S2): 226-233. doi: 10.6041/j.issn.1000-1298.2022.S2.026 [12] YANG G Y, XU X S, SONG L, et al. Automated measurement of dairy cows body size via 3D point cloud data analysis[J]. Computers and Electronics in Agriculture, 2022, 200: 107218. doi: 10.1016/j.compag.2022.107218
[13] YIN L, ZHU J M, LIU C X, et al. Point cloud-based pig body size measurement featured by standard and non-standard postures[J]. Computers and Electronics in Agriculture, 2022, 199: 107135. doi: 10.1016/j.compag.2022.107135
[14] HU H, YU J C, YIN L, et al. An improved PointNet++ point cloud segmentation model applied to automatic measurement method of pig body size[J]. Computers and Electronics in Agriculture, 2023, 205: 107560. doi: 10.1016/j.compag.2022.107560
[15] 陆明洲, 光二颖, 陈子康, 等. 基于双视角图像的山羊体尺自动测量方法[J]. 农业机械学报, 2023, 54(8): 286-295. doi: 10.6041/j.issn.1000-1298.2023.08.028 [16] TRAN T M, TA K D, HOANG M, et al. A study on determination of simple objects volume using ZED stereo camera based on 3D-points and segmentation images[J]. International Journal of Emerging Trends in Engineering Research, 2020, 8(5): 1990-1995. doi: 10.30534/ijeter/2020/85852020
[17] DERIS A, TRIGONIS I, ARAVANIS A, et al. Depth cameras on UAVs: A first approach[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2017, XLII-2/W3: 231-236. doi: 10.5194/isprs-archives-XLII-2-W3-231-2017
[18] HARTLEY R, ZISSERMAN A. Multiple view geometry in computer vision[M]. New York: Cambridge University Press, 2003.
[19] SCHÖPS T, SCHÖNBERGER J L, GALLIANI S, et al. A multi-view stereo benchmark with high-resolution images and multi-camera videos[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu: IEEE, 2017: 2538-2547.
[20] LI J, WANG P, XIONG P, et al. Practical stereo matching via cascaded recurrent network with adaptive correlation[C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans: IEEE, 2022: 16242-16251.
[21] YANG L X, ZHANG R Y, LI L, et al. SimAM: A simple, parameter-free attention module for convolutional neural networks[C]//PMLR. International Conference on Machine Learning. New York: PMLR, 2021: 11863-11874.
[22] LIU R, LEHMAN J, MOLINO P, et al. An intriguing failing of convolutional neural networks and the CoordConv solution[EB/OL]. arXiv: 1807.03247 (2018-07-09) [2024-04-01]. https://doi.org/10.48550/arXiv.1807.03247.
[23] LONG X, DENG K P, WANG G Z, et al. PP-YOLO: An effective and efficient implementation of object detector[EB/OL]. arXiv: 2007.12099 (2020-07-23) [2024-04-01]. https://doi.org/10.48550/arXiv.2007.12099.
[24] NEWELL A, YANG K, DENG J. Stacked hourglass networks for human pose estimation[EB/OL]. arXiv: 1603.06937 (2016-03-22) [2024-04-01]. https://doi.org/10.48550/arXiv.1603.06937.
[25] SUN K, XIAO B, LIU D, et al. Deep high-resolution representation learning for human pose estimation[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach: IEEE, 2019: 5693-5703.
[26] LI Y J, YANG S, LIU P D, et al. SimCC: A simple coordinate classification perspective for human pose estimation[EB/OL]. arXiv: 2107.03332 (2021-07-07) [2024-04-01]. https://doi.org/10.48550/arXiv.2107.03332.
[27] JIANG T, LU P, ZHANG L, et al. RTMPose: Real-time multi-person pose estimation based on MMPose[EB/OL]. arXiv: 2303.07399 (2023-03-13) [2024-04-01]. https://doi.org/10.48550/arXiv.2303.07399.
计量
- 文章访问数: 701
- HTML全文浏览量: 113
- PDF下载量: 76
