基于深度学习 (YOLOv8) 和阈值分割的奶牛犊体重预测——交叉验证与纵向分析
图像与视频处理
2025-04-28 v1 计算机视觉与模式识别
摘要
在未断奶前监测奶牛犊体重 (BW) 对评估生长、饲料效率、健康以及断奶 readiness 至关重要。然而，由于人工、时间和设施限制，BW 收集受到限制。此外，Holstein 奶牛犊的毛色图案 complicate 了基于图像的 BW 估计，且鲜有研究探索针对早期时点的非接触式测量用于预测后续 BW 的可能性。本研究的目标包括：（1）开发基于深度学习的分割模型用于提取奶牛犊身体指标；（2）比较深度学习分割与阈值方法；（3）评估使用单时间点交叉验证的线性回归 (LR) 和极端梯度提升 (XGBoost) 以及多时间点交叉验证中 LR、XGBoost 和线性混合模型 (LMM) 的 BW 预测效果。本研究收集了来自 Holstein (n = 63) 和 Jersey (n = 5) 的深度图像，其中 20 头 Holstein 奶牛犊被手动称重。结果表明，You Only Look Once 版本 8 (YOLOv8) 深度学习分割 (intersection over union = 0.98) 在准确率上优于阈值方法 (0.89)。在单时间点交叉验证中，XGBoost 实现了最佳的 BW 预测 (R^2 = 0.91, 平均绝对百分比误差 (MAPE) = 4.37%)，而 LMM 提供了最准确的纵向 BW 预测 (R^2 = 0.99, MAPE = 2.39)。这些发现凸显了深度学习在自动化 BW 预测中的潜力，旨在提升农场管理。
引用
@article{arxiv.2504.17943,
title = {Predicting Dairy Calf Body Weight from Depth Images Using Deep Learning (YOLOv8) and Threshold Segmentation with Cross-Validation and Longitudinal Analysis},
author = {Mingsi Liao and Gota Morota and Ye Bi and Rebecca R. Cockrum},
journal= {arXiv preprint arXiv:2504.17943},
year = {2025}
}
备注
Published on Animals, 18 March 2025