基于学习方法的牛只体重增长估计及其影响因素
机器学习
2025-03-05 v1 人工智能
摘要
许多牛农场仍依赖手动方法测量牛只在固定时间段的活体体重增长，这既耗时又费力，且对动物和操作人员都造成压力。使用机器学习 (ML) 或深度学习 (DL) 构建的远程和自主监控系统可提供更高效、更不侵入性的方法，并具备预测未来牛只体重增长 (Cattle Weight Gain, CWG) 的能力。该系统允许连续监控和估计个体牛只的活体体重增长、生长速率和体重波动，综合考虑环境条件、遗传倾向、饲料供应、运动模式和行为等多种因素。尽管已有研究探索了使用 ML 和 DL 算法估计 CWG 的效率，但 CWG 估计的实际应用仍缺乏一致性。此外，现有研究中使用的特征种类不统一，且面临各种数据相关挑战。本文综合性地考察了基于研究文章（2004-2024 年）的高级 ML 技术用于 CWG 估计。该研究探讨了 CWG 估计中使用的当前工具、方法和特征，以及其优势与不足。研究结果突显了在 CWG 估计中采用先进 ML 方法的重要性及其对影响因素的关键作用。此外，本文识别了 CWG 预测的潜在研究空白，为该领域的未来研究提供了参考方向。
引用
@article{arxiv.2502.06906,
title = {Learning-based estimation of cattle weight gain and its influencing factors},
author = {Muhammad Riaz Hasib Hossain and Rafiqul Islam and Shawn R. McGrath and Md Zahidul Islam and David Lamb},
journal= {arXiv preprint arXiv:2502.06906},
year = {2025}
}