Evaluation of hybrid models based on image segmentation and inference for pig weight estimation

方法

3800张侧视图像，YOLOv8n-seg实例分割+EfficientNet-B

发现

SVR表现最佳（RMSE=2.68kg，MAE=1.81kg，R²=0.85），显著优于其他模型。

机会点

可探索多视角、多品种及轻量化边缘部署，提升复杂农场环境下的泛化能力。

引言 在生猪生产中，准确的体重估测对于优化管理、饲喂和商业化决策至关重要；然而，传统称重方法具有侵入性、耗时且易产生操作误差。本研究提出了一种基于非侵入式计算机视觉的方法，用于在秘鲁圣马丁的实际农场条件下估测生猪体重。方法 收集了3，800张侧向图像及其对应的真实体重数据集。实施了计算流程，包括几何标准化、使用YOLOv8n-seg进行实例分割，以及通过EfficientNet-B0进行特征提取。所得嵌入向量被用作监督回归模型（SVR、XGBoost和CatBoost）的输入，采用重复分层交叉验证和独立测试集进行评估，以MAE、RMSE和R²作为性能指标。统计比较采用Friedman检验，随后进行Wilcoxon事后分析并应用Holm校正。结果 结果表明预测性能良好，SVR模型取得了最佳结果（RMSE = 2.68 kg，MAE = 1.81 kg，R² = 0.85），与其他模型相比显示出统计学显著差异。讨论 这些发现表明，将计算机视觉技术与能够捕捉非线性关系的模型相结合，可以有效建模动物形态与体重之间的关系，提供一种适用于实际生产系统的低成本、非侵入式解决方案，并支持精准畜牧养殖的发展。