基于深度学习二维图像分析方法的猪只体重估测研究

摘要：现代化生猪养殖中每日的猪只体重的测定对精准饲喂、出栏指导与健康管理都有十分重要的意义，但是人工称重费时费力，且对正常生长的猪只也容易造成应激，进而影响其生长。因此本文提出一套基于深度学习二维图像分析的非接触免应激体重估测方案，首先在江苏两家规模化猪场采集猪只图像5万余张，继而改进 Detectron2 模型实现猪只轮廓识别及多维度特征提取，再用回归预测模型配合统计方法实现猪只体重估测，最终形成 PigWeight 数据集 16万条。结果表明，在栏内采光均匀，无斜射强光、视野内无遮挡的环境下，该方案所得体重估测的准确率已达96%–98%；同时以较低的成本解决了规模化猪场每日体重监测的难题，也由此为养殖过程中的精准饲喂、健康评估和出栏时机选择都提供了可靠的数据支撑，真正有利于推动生猪养殖管理向数字化、智能化和精准化的方向稳步发展。

关键词：养猪生产；体重估测；图像分析；深度学习；Detectron2 模型

1、前言

生猪养殖产业近年来规模化、集约化发展迅猛，因此每日体重测定已成为日常养殖管理中极为重要的工作。准确的体重数据有利于调节饲喂方案，也利于出栏决策、疫病预警，故而能切实提高养殖效益。但是传统人工称重需要赶猪，这个过程工作量大、效率低，且易引起猪只应激，影像其正常生长，因此不适应规模化养殖的管理需求。

在视觉感知与深度学习技术快速迭代的背景下，基于机器视觉的体重估测逐渐成为替代人工称重的关键技术方向。国外研究多采用深度相机、三维点云等方式，精度较高，但设备成本很高，在国内很难大量推广。国内也有不少研究尝试通过2D图像测量体长、体宽等参数，再通过公式推算体重，但这类方法特征值太少，误差较大，实用商用落地困难。

由于实际生产中从事养殖多年的饲养员仅凭猪只体态就能比较可靠地判断体重区间，故

可以自然、合理地认为图像中所含的视觉特征对体重判断有直接帮助。因此研究的思路很明

确：让模型自动学习图像中有效的特征，由此提高估重精度及场景适应性，最终给出一套低

低成本、可落地的育肥猪估重技术方案。

2、研究方法

2.1 图像采集法

采用栏内固定式图像采集方式，在每个猪栏中心正上方距离地面210cm±5cm安装400万像素海康鱼眼镜头，与网络设备连接，按固定频率24小时内不间断采集影像资料，保证覆盖不同时间，不同光照，不同姿势的猪只影像，这些资料实时上传至服务器，为后续猪只识别，特征提取，回归预测和统计分析提供原始资料。

2.2 猪只识别与轮廓提取法

采用 Detectron2 算法模型，对采集到的栏内猪只图像进行影像分割和体型侦测，识别图像中每只猪的轮廓与姿势（站姿、卧姿），并对不同姿势的猪只轮廓进行不同颜色标记，用于后续特征提取与分析。同时，通过该模型计算每只猪识别出的轮廓和实际轮廓的贴合程度，减少轮廓识别贴合度不足带来的体重估测偏差影响，提高后续体重估算的准确性。

2.3 特征组提取与计算方法

为实现高精度猪只体重估测，本研究基于俯视猪栏图像构建了包含 8 类核心特征的多维度特征组，从体型尺寸、部位结构、姿势质量等多个角度全面表征猪只体型。

2.3.1 体型尺寸

1) 轮廓面积

很容易想到，影像中猪只的轮廓面积是对猪只体重进行估算的重要特征。通过 Detectron2 模型实现猪只实例分割，提取猪只轮廓像素。为了商业中尽可能覆盖大的栏位尺寸，采用的鱼眼镜头会产生畸变，为消除畸变影响，我们标注了猪栏实际长宽尺寸和图像角点坐标，通过构建光学透视坐标转换模型，先将轮廓像素坐标转换为真实世界二维坐标，然后计算轮廓的实际面积，确保猪只整体体型大小的准确性。

2) 体长宽

猪只体长和体宽是反映猪只骨架尺寸的重要特征，与体重存在很强的相关性。本研究对猪只轮廓，耳朵到尾根，进行最小外接矩形拟合，得到猪只识别方框，获取方框角点像素坐标后，通过上述透视转换模型换算为实际长度与宽度，作为后续体重估测的输入特征。

图 1 体型尺寸特征提取

2.3.2 部位结构

1) 猪只部位宽度

简单的体长和体宽无法区分“瘦长型”和“矮胖型”不同品种猪只的体型差异，通过测量不同部位多处宽度可以更加精细地体现胴体肌肉与脂肪分布。本研究先基于轮廓特征判断猪头朝向，再对猪只识别方框长边进行6等分，过等分点作长边的垂线，获取垂线与轮廓的交点并按朝向排序，通过透视模型计算轮廓上各条线交点之间的实际距离，得到肩宽、胸宽、肚宽、腰宽、臀宽等关键部位宽度，更加全面地反映猪只体型轮廓特征。

2) 猪只与图像中心距

由于鱼眼镜头拍摄的图像边缘区域的猪受透视畸变影响极大，其像素尺寸被严重压缩，特征提取时必然产生系统性偏差，因此我们在研究中引入猪只轮廓中心点与图像中心点的实际距离作为校正参数，用来修正图像边缘猪只的尺寸偏差，也因而大大提高了模型对不同位置猪只的适配性。

图2 部位结构特征提取

2.3.3 姿态质量类特征

1) 猪只识别角度良好程度

由于猪只在图像中的所处朝向不同会改变轮廓投影形态，进而会影响特征提取的一致性。本研究对图像中心点与猪只轮廓中心点进行连线，计算其与猪只识别方框长边的夹角，再据此求该夹角与理想平角的偏差，从而客观地量化识别角度的优劣，为后续姿态校正与特征有效性评估提供依据。

2) 猪只姿势

同一猪只站姿与卧姿在猪只二维投影面积呈现上差异较大，会直接影响体重估测结果。本研究通过 Detectron2 模型直接识别猪只姿态，区分站姿与卧姿，并将其作为模型训练的辅助特征，用于修正不同姿势下的体重估测偏差。

3) 轮廓形状描述

为进一步提升猪只估重的准确性，本研究对轮廓坐标序列进行傅里叶变换，提取能够表达外形特征的形态参数，如计算猪只肢体姿态、卷曲程度、臀部圆润度等体况相关指标，从而丰富特征提取的维度，进而提升模型对体型差异的区分能力。

4) 轮廓贴合程度

由于 Detectron2 模型分割所得的轮廓与真实轮廓贴合得越好，之后特征提取的结果越可靠。本研究也将轮廓贴合度作为质量评价指标，对分割效果予以量化评价，剔除低质量样本，确保输入特征能够真实反映猪只体型，进一步提升猪只估重的准确性。

2.4 体重估值法

本研究采用预先训练完成的 LightGBM 回归预测模型，将提取到的每只猪只的 8 类核心特征组输入模型，通过模型计算得到每只猪只的体重估值，整合所有体重估值形成体重估值数据集，实现从猪只特征到体重数据的精准映射，确保体重估测的准确性与可靠性。

2.5 数据过滤与统计分析法

为提升同栏猪只日均重估算的准确性，减少异常数据对估测结果的影响，本研究针对每日同栏内所有影像中每头猪所产生的全部体重估值，进行两轮过滤及统计处理，具体步骤如下：

1) 第一轮过滤（获取第一轮过滤后体重估值数据）：识别猪栏图像中被遮挡的异常轮廓、处于图像边缘的边缘轮廓，滤除对应体重估值，避免失真数据影响最终估测结果。

2) 第二轮过滤（即获取第二轮过滤后体重估值数据）：先对第一轮过滤后的体重估值数据进行排序，求出第一四分位（Q1）、第三分位（Q3）及四分位距（IQR=Q3-Q1），继而确定统计阈值范围（[Q1-1.5×IQR，Q3+1.5×IQR]），最后滤去超出此范围的异常估值数据。

3) 统计计算：从第二轮过滤后的体重估值数据计算栏位猪只日均重的均值，得到该栏位日均重的估测结果，也保证其稳定性。

2.6 评价指标

为了对体重估测模型的性能做系统、充分的评价，本研究选用均方根误差（RMSE）、估重准确率、平均绝对误差（MAE）和平均相对误差(MAPE)四项指标。

1) 均方根误差（RMSE）：由于该指标用来考察模型估测精度，对大误差十分敏感，因而

很容易暴露模型预测不好的情况，因此它是评价回归模型性能最基本、最常用的指标。

2) 估重准确率：用百分比形式表示估测误差的相对大小，直接体现模型估测的准确程度。

3) 平均绝对误差（MAE）：用估测值与真实值的平均偏差来估计模型总的预测误差的大小，所以平均偏差越小，就可以认为模型的估测精度越高。

4) 平均相对误差（MAPE）：用来度量估计值与实际值的相对偏差，故其值越小，所选模型的估计精度越高。

3、结果与分析

3.1 所有体重数据分布

本研究累计采集猪只体重相关数据 16 万笔，所有数据的体重分布如图3所示；猪只覆盖外三元加系、丹系、法系、新美系等主流品系，样本具备较强代表性。

图3 累积采集数据体重分布直方图

3.2 模型优化效能评估

整体测试集共 16442 条样本，体重区间 30~160kg，模型整体 RMSE 为 5.4kg，表明模型具备良好的估测精度。细节如表1所示。

表1 RMSE评估模型

按体重区间划分后，模型在45~110kg区间准确率最高，普遍达到98.5% 以上，30~40kg 及 140kg 以上因样本偏少存在轻微系统偏差，与数据分布特征一致。结果如表2所示。

 表2模型在测试数据中不同体重群体上的表现

基于测试资料绘制「真实值与预测值散点图」，如图4所示，这是检验回归模型预测精度最常用的图表，即横轴为真实值，纵轴为预测值，故理想情况下各数据点都落于对角线（y = x）上，点越集中于对角线，说明模型预测得越准确。

图4 真实值与预测值散点图

由散点图可见，模型在中等体重段预测最为稳定，低体重段略偏高、高体重段略偏低，符合回归模型在数据不均衡条件下的典型表现。

进一步分析各体重区间评价指标如图5所示，各图表的X轴皆为体重区间（Weight Bin），例如 [20,30)、[30,40)、[40,50) 等，代表实际猪只体重落在该区间内的样本。各体重区间分析显示，随体重增大，MAE、RMSE 逐步上升，大体重阶段因体型与姿态差异更易出现绝对误差。小体重区间 MAPE 偏高，中等体重区间相对精度更优；残差均值在低中体重区间接近零，高体重区间（120 kg 以上）呈负值且偏差扩大，表明模型对大体重猪只存在低估趋势。总体模型在中等体重区间表现稳定，大体重与小体重区间仍有优化空间。

图5 各体重区间评价指标（MAE、RMSE、MAPE、Residual Mean）

为了进一步模型不同体重区间的预测误差分布作系统、严谨的分析，本研究将各体重区间的Residual（预测值 − 实际值）绘制为直方图，如图6所示。各子图代表不同的体重区间（Weight Bin），例如(30,40]、(40,50]等以此类推。图中所绘红色虚线（Zero Residual）是预测值与实际值完全重合时的误差位置，即误差为 0；而黄色实线（Mean）为相应区间 Residual 的样本均值，由此可直接考察模型是否有系统偏差。

除个别区间外，各区间中 Residual 分布都近似于常态分布，且绝大部分集中在0附近，说明模型在多数情况下的预测误差都在可接受范围内。但若细加考察，较低体重区间(30–40]kg中Residual 的平均值为正值，表示模型在该区间有高估猪只重量的系统性偏差。与此形成对照的是中间体重区间（约50–100kg）中Residual的平均值接近0，即模型对此区间的重量预测极为准确、稳定。更高体重区间（如110–120 kg）中Residual平均值已转为负值，故可知此时模型有低估重量的趋势。

更重要的是，若干高体重区间的误差分布宽度较大，说明对于大体型猪只，模型仍有较大的改进空间。因此，对Residual分布的分析本身就是对模型误差性质极其有力、明确的诊断，也自然地成为今后优化模型或收集特定体重样本的重要依据。

图6 各体重区间残差分布直方图

4、结论

本文以二维图像及改进的Detectron2模型为基础，很好地解决了传统称重方法中应激大、效率低、成本高的诸种问题，为智慧养殖的群体体重监测、精准饲喂、出栏决策、疫病预警等方面提供了可靠支撑。目前所提出的模型在30~140 kg区间准确率十分稳定，但是小于30kg和大于140kg的两端体重数据尚不足，小体重易高估，而大体重易低估，故后续计划先扩充极值样本，扩大适用体重范围以提高鲁棒性，再系统、有层次地围绕自适应泛化、无监督学习、轻量化边缘部署展开研究，切实提高方法的实用性和通用性，最终让智能化技术真正落地于规模化猪场。

参考文献

[1] 胡志伟,杨华,娄甜田,等.基于全卷积网络的生猪轮廓提取[J].华南农业大学学报, 2018(006):039.

[2] 罗世林,何秀文,孙云涛,等.基于机器视觉技术的猪只体重检测研究现状及展望[J].南方农机.2024,55(3)

[3] 王鲁，刘晴，曹月，等。基于改进 Cascade Mask R-CNN 与协同注意力机制的群猪姿态识别 [J]. 农业工程学报，2023, 39 (4): 144-152.

[4] [1] Reza M N , Kabir M S , Haque M A ,et al.Instance segmentation and automated pig posture recognition for smart health management[J].Journal of Animal Science and Technology, 2025, 67(3).

[5] Dohmen Roel,Catal Cagatay,Liu Qingzhi．Computer vision-based weight estimation of livestock: a systematic literature review[J]．New Zealand Journal of Agricultural Research,2022,65(3):227-247.

[6] Kyungkoo Jun, Si Jung Kim, Hyun Wook Ji, Estimating pig weights from images without constraint on posture and illumination, Computers and Electronics in Agriculture,Volume 153,2018,Pages 169-176,ISSN 0168-1699

[7] Wang Z, Li Q, Yu Q, et al. A Review of Visual Estimation Research on Live Pig Weight[J]. Sensors, 2024, 24(21): 7093.

[8] Jiang S, Zhang G, Shen Z, et al. Pig Weight Estimation Method Based on a Framework Combining Mask R-CNN and Ensemble Regression Model[J]. Animals, 2024, 14(14): 2122.

6、其他相关成果

· 发明专利：一种同栏猪只日均重估算方法、设备及存储介质（专利号：ZL202310602053.X）

· 发明专利：养殖用摄像头状态检测和修正方法及系统（专利号：ZL202210074475.X）

· 发明专利：智能化养殖情况监测方法, 系统,设备及存储介质（专利号：ZL202111602960.1）