中国农业大学土地学院郭浩副教授团队在动物遥感领域取得重要进展

近日，中国农业大学土地科学与技术学院郭浩副教授团队在计算机与农林交叉学科领域国际权威期刊“Computers and Electronics in Agriculture”上发表了题为《基于图卷积网络与参数化模型的自动化肉牛体尺测量方法》（Automatic coarse-to-fine method for cattle body measurement based on improved GCN and 3D parametric model）的研究性论文。该研究借鉴了人工智能和三维视觉领域最前沿的参数化与非参数表示模型，提出了一种两阶段由粗到细的自动化肉牛体尺测量方法，可以推广到其他四肢动物。研究团队深入探索了肉牛形状与姿势的参数化建模，为智慧养殖中动物表型相关的智能化观测开辟了一条全新路径，该方法思路有望成为智慧养殖领域中动物非接触式感知的下一代主流技术。土地学院郭浩副教授为通讯作者，信电学院硕士研究生陆鹤霄为第一作者。

在劳动力成本剧增与大农场规模化精准饲养的双重驱动下，动物非接触式感知与理解已成为提升养殖效率和稳定肉奶民生供应的核心技术之一。然而，当前基于三维视觉的方法普遍面临准确性和时效性的双重挑战，尤其是在处理具有孔洞和噪声的数据时。此外，由于缺乏高精度的动物三维扫描数据，现有的参数化模型不足以表达形状和姿势的广泛变化。因此，亟需开发一种高精度、快速的自动化体尺测量方法，为智慧养殖中动物几何外形的智能化观测提供安全可靠的解决方案。

针对传统参数化模型的局限性，研究团队探索了参数化模型与非参数表示结合的可能性。研究从粗略估计阶段开始，在形状先验、姿势先验和检测的关键点的引导下，参数化模型与点云数据初步对齐。随后，为了超越参数化模型的有限形状空间，研究团队提出了网格细化阶段，采用编码器-解码器结构的图卷积网络预测每个顶点的非参数化变形。实验数据显示，该技术在肉牛肩高、胸围等9项关键体尺指标的自动化测量中，平均绝对误差百分比仅为3.58%，单头牛完整测量流程缩短至30秒内。与最先进的体尺测量方法相比，该技术在精度和速度上具有显著优势。更值得关注的是，研究团队已成功将该技术拓展至马科动物，证实其对其他四肢家畜的普适性。

该方法智能化处理架构图

这项研究首次提出了基于两阶段由粗到细策略的高度自动化和快速的肉牛体尺测量方法，为基于低质量点云的参数化重建和体尺测量提供了全新的解决方案。研究成果不仅有助于推动肉牛非接触式身体测量的应用，还为深入解析参数化模型与非参数表示的结合提供了新的视角，并为开发其他四肢家畜体尺测量方法提供了新的启示。

该方法可扩展到不同四肢家畜

该研究获得了国家重点研发计划（2021YFD1300502-01）和国家自然科学基金（42071449、41601491）的资助，我校动科学院王勤教授团队为该研究提供了三维扫描活体马数据支持，动科学院苏华维副教授为该研究提供了技术指导。研究团队深耕动物遥感领域10余年，率先提出了三维视觉解决动物非接触式感知的理论与技术体系，目前已经成为牧原集团等农业龙头企业中智慧养殖领域的主流方案，推动了三维视觉技术在农业领域的智能化应用。编写《点云配准从入门到精通》等三维视觉和人工智能领域相关教材3部，对于国内三维视觉技术的普及推广意义重大，在计算机与农林交叉学科领域国际权威期刊Computers and Electronics in Agriculture和Biosystems Engineering上发表15余篇论文，他引次数1200+。

论文链接：https://www.sciencedirect.com/science/article/pii/S0168169925001231

算法开源链接：https://gitee.com/guohaolys/BM-GCN 、https://github.com/luhexiao/BM-GCN（需要外网）