基于實例分割和機器學習的育肥豬群體體重估測方法研究

中圖分類號：S828 文獻標識碼：A 文章編號：2095-5553（2025）10-0153-08

Abstract：Targeting thelarge-scale production and breeding offatening pigs，traditional pig weighing methods have problems such aslowautomation level，low eficiency，time-consumingand laborintensive，andeasy stresson pigs.A non-contact fatening pig population weight estimation method based on instance segmentation and machine learning is proposed.Two diferent instance segmentation algorithms，Mask R—CNNand Mask2former，were used to obtain the mask contours of pigs，and the results were compared. The segmentation accuracy of Mask R—CNN and Mask2former were 93.86% and 98.98% ，respectively.Finally，the Mask2former instance segmentation model was selected.Combining the image informationof thepig segmentation mask，the relevant feature parametersof themask image were extractedas thedata inputfor the model.Diferent algorithms wereused toconstruct multipleweight estimation models forcomparison.The random forest estimation model is found to have the best performance，with acoeficientof determination R² of 0.94，an average absolute error of 7.92kg ，and an averagerelative error of 2.58% . The experiment demonstrates that the non-contact Weightestimation method forfatening pig populations based oninstance segmentationand machine learningcan efectively predict body weight，providing technical and theoretical support for achieving automatic weighing of pig populations.

Keywords：fattening pig population；weight estimation；image procesing；instance segmentation；machine learning; feature extraction

0 引言

體重是動物關鍵生長指標之一，其變化趨勢能夠反映動物的健康狀況[1]。在規模化群豬養殖生產中，傳統的豬只體重測量方法不僅費時費力，容易造成應激反應，還會使豬只的生產機能下降3，影響豬只的正常生長發育，甚至導致發病[4]。因此，迫切需要一種非接觸式測量育肥豬群體重的估測方法。

隨著機器視覺技術的持續進步，已有研究使用機器視覺技術對生豬體重進行探索。例如，通過分析豬只的體型特征（如長度、寬度和高度）[5，獲取豬只圖像信息，結合機器學習算法，可以準確地預測其體重。此外，研究開發出一種基于圖像步行系統預測生豬體重，采用人工神經網絡技術獲取豬只圖像特征，與豬只體重進行相關聯，其預測體重與實際體重的平均相對誤差約為 3%^[6] 。李卓等[7利用背部投影面積、實際面積、體高、體長和體寬等特征信息，建立13種體質量估測模型，其線性模型的效果最好，決定系數達到0.996。

目前主要以中、大型動物為研究對象，比如使用深度相機采集生豬的背部圖像[8]，結合圖像處理方法，提取其投影面積，設計一種基于圖像的稱重系統9，估測生豬的體重；研究人員通過采集豬只的胸圍、臀寬、臀高等體尺信息，構建線性回歸或神經網絡體重估測模型并進行預測，效果顯著[10；楊艷等[11]利用計算機視覺技術，提取種豬投影面積，建立體重回歸預測模型，其相關系數達0.94;王志文[12提出一種基于語義分割和雙目視覺相結合的非接觸式牦牛體重估測方法，模型平均誤差為10.78% ;張建龍等[13]利用深度卷積網絡構建4種育肥豬體重估測模型，經對比得出DenseNet2O1模型體重估測效果最好，其相關系數為0.9939;郭蓓佳等[14采用圖像處理技術提取蛋雞特征，通過回歸擬合方法建立多種蛋雞體重估測模型，發現MLP神經網絡模型的預測效果最好，其決定系數為0.96；朱讓東等[15使用伊犁馬的胸圍、體高、體長信息作為特征值，基于RBF神經網絡建立伊犁馬體重估測模型，其決定系數為0.917；郝雪萍1利用深度學習與人工智能等技術應用于杜泊羊的體重估測中，估算出10只羊體重的平均誤差為 4.10% 其效果比較理想；Mollah等[在理想的試驗環境中，選擇采用雞的背部投影面積與其體重建立體重估測線性方程，該方程擬合度為0.999，效果良好，其估測體重與實際測量體重在35天內沒有顯著差異。

目前，對育肥豬群體體重估測方面的研究已取得一定進展，但現有研究較少，仍存在諸多不足。傳統方法操作復雜且可能使豬只產生應激反應，影響其正常生長和健康狀態，難以實現實時監測和大規模應用。

盡管一些研究嘗試通過機器視覺技術進行非接觸測量，但在圖像處理和數據分析方面仍存在挑戰，如光照、噪聲等因素的干擾以及存在圖像分割不完整的問題。基于此，本文進一步研究和優化育肥豬群豬體重估測方法，提出一種基于實例分割與機器學習相結合的非接觸式育肥豬群體體重估測方法，使用MaskR—CNN和Mask2former兩種不同的實例分割算法對群豬圖像進行分割并對比，選擇性能較優的分割模型提取掩膜圖像特征參數數據，建立育肥豬群體體重估測模型，以提高育肥豬群體體重估測的準確性和實用性。

1材料與方法

1.1 試驗材料

試驗在江西省某養殖基地5號豬舍內進行，從不同的豬欄隨機挑選5頭豬到固定的采集區域。數據采集時間為2023年10月17日—11月17日。

1.2 試驗儀器

試驗選用1080p海康威視攝像頭，型號為 DS^- IPC-T12HV3-IA/POE，焦距為 4mm ，采集的圖像為1920像素 ×1080 像素的彩色圖像，存儲為JPG格式。錄像機通過交換機與攝像頭相連，將采集的視頻數據以 mp4 格式保存到錄像機中，通過測量精度為 0.1kg 的電子秤測得實際體重數據。

1.3 數據采集

豬舍內環境溫度為 25^°C～28^°C ，照明燈光偏白。該豬舍由24個豬欄組成，每個豬欄長 7m 、寬 3m 高1.2m ，其中有4個空豬欄，剩下的每一個豬欄約有20頭豬，共約有400頭育肥豬。

在豬舍內搭建視頻數據采集平臺，采集區域長2.6m 寬 2m ；將攝像頭固定在采集區域的正上方進行俯拍，攝像頭距離地面 2.7m ，垂直向下。5頭豬為一組數據，一共600頭豬，在每頭豬的背上寫下數字標記，方便后續圖像與體重值相對應，使用地磅秤測量豬只的實際體重。將5頭豬趕到攝像頭區域內進行視頻錄制，讓其在拍攝區域內自由活動，每組視頻采集時間約為 10min ，獲取站立、行走、吃食等不同行為。

2 圖像特征提取

試驗采用MaskR—CNN和Mask2former兩種不同的實例分割算法對育肥群豬進行目標檢測與實例分割，將預測分割效果進行對比[18]，把掩膜圖像轉換成為二值化圖像，提取其特征參數數據；由于豬只比較活躍，經常來回走動，對圖像的影響較大，而育肥豬背部圖像形狀偏橢圓，因此使用圓形核函數對圖像進行形態學處理，以減少對體重估測的不利影響[19]。

2.1 模型設計

2.1.1 MaskR-CNN

MaskR—CNN是一種實例分割算法，該算法基于FasterR—CNN框架進行擴展，增加一個預測實例分割mask，不僅能夠檢測圖像中的物體，還能為每一個檢測到的物體生成精確的像素級掩碼，具有較高的分割精度，從而實現對每個實例的分割[20]，其網絡框架結構如圖1所示。MaskR—CNN網絡結構由主干網絡、區域建議網絡RPN、ROIAlign層3部分組成。

在MaskR一CNN中，Backbone通常由深度殘差網絡ResNet和特征金字塔網絡FPN構成[21]，ResNet能夠通過其深層結構有效地提取圖像的復雜特征；特征金字塔網絡FPN能夠解決目標檢測中的多尺度問題[22]，在提升準確率的同時保證網絡的計算量和速度不受影響。區域建議網絡RPN是一個全卷積網絡，用于提出可能包含物體的區域建議框，這些區域建議框將被后續的網絡部分用于分類和邊界框回歸。ROI Align 層取代 Faster R—CNN 中的 ROI Pooling層，能夠更準確地捕捉ROI內部的空間信息，從而有助于提高目標檢測的準確性。

2.1.2 Mask2former

Mask2former是一種基于Transformer的神經網絡模型，可用于語言建模、機器翻譯、文本生成等NLP任務。其原理是將輸入序列中的一部分詞匯（稱為“掩碼\"）替換成特殊的掩碼標記，利用Transformer來預測這些掩碼標記所代表的詞匯。在模型訓練過程中，通過對不同數量和位置的掩碼進行預測和評估，可以有效地提高模型的表現能力。Mask2former的整體架構由骨干網絡（Backbone）、像素解碼器（PixelDecoder）和Transformer解碼器（TransformerDecoder）組成，其網絡框架結構如圖2所示。

在整體網絡架構中，骨干網作為初始組成部分，其主要職責在于從原始輸入圖像中提取出低分辨率的特征。像素解碼器的作用是將主干特征提取器的輸出逐步進行上采樣處理，以此將低分辨率的特征轉換為高分辨率的每像素嵌人，這一過程對于重構圖像細節和實現精確分割非常關鍵。Transformer解碼器進一步對這些圖像特征執行操作，以處理針對對象的查詢，從而有效地對圖像中的不同對象進行識別和分割。

2.2 數據集制作

試驗共采集120組視頻數據，通過python代碼使用OpenCV庫讀取視頻文件的每一幀圖像，將圖像保存到文件夾。從文件夾中隨機選取3600張圖像制作COCO數據集，使用開源軟件Labelme對圖像進行多邊形輪廓標注，通過Labelme2coco進行轉換，得到該數據集對應的annotations.json文件[23]。為提高模型的準確性和魯棒性，按照7：3的比例將育肥豬圖像數據集進行劃分，得到訓練集2520張，測試集1080張。

2.3模型參數設置

MaskR-CNN模型以 ResNet50+F PN作為骨干網絡架構，并在COCO數據集上實施3倍的訓練迭代。該模型應用多項式學習率調整策略，其中基礎學習率設為0.02，動量值設為0.9，采用0.0001的權重衰減系數，batch size設為 32^[24] ，最大訓練輪數設為 200. 。

Mask2former采用ResNet50網絡結構，在COCO數據集進行8倍訓練，共進行50個epoch，使用LSJ數據增強策略，學習率為0.0001，權重衰減系數設置為0.05。

2.4MaskR一CNN和Mask2former實例分割模型預測結果

在實例分割模型中，使用平均精確均值mAP作為指標評價。從圖片數據集中選擇400張未標注的圖片作為測試集對兩種實例分割模型進行驗證，如圖3和圖4所示。可以看出，Mask2former實例分割模型比MaskR—CNN實例分割模型的效果更好。

2.5特征參數獲取

根據圖3和圖4的分割效果對比，最終選擇Mask2former實例分割模型。由于豬只活動頻繁，且其姿態復雜多變，特別是行走時對圖像質量會產生顯著影響，因此，將豬只輪廓中的凸起部分進行剔除處理，隨后從處理過的圖像中提取關鍵特征參數，這一步驟旨在減少無關因素對體重估計結果的干擾，經多次調試，確定使用圓形核函數的尺寸為90像素 ×90 像素。最終提取出育肥豬的6種參數特征，分別是二值化圖像像素面積、總離心率、總長軸長度、總短軸長度、凸船體面積和總輪廓周長。

1）二值化圖像像素面積為形態學處理的面積：觀察育肥豬的二值化圖像可以發現圖像邊緣為不規則的封閉圖形，因此可建立二元有界函數。設二元有界函數為 g（x，y） ，其 h+k 階矩的計算如式（1）所示。

式中： g（x，y） —一個關于 x 和 y 的函數， x 和 y 分別在區間[1， N] 和 [1，M] 上取整;

h、k—任意非負整數值。

當 h，k 都為0時， M_hk 值對應群豬圖像的二值化圖像像素面積值為 s ，計算如式（2）所示。

2）總離心率：通過橢圓擬合的方法，根據每頭豬的輪廓實際情況，對圖像進行橢圓擬合，計算每一頭豬的離心率，離心率的取值范圍為 0～1 ，將單個橢圓的離心率相加，得到總離心率 E ，計算如式（3）和式（4）所示。

式中： a 橢圓的長軸長度；

b 一 橢圓的短軸長度；

i^. 橢圓數， i=1 ，2，3，4，5;

e_i 1 第 i 個橢圓的離心率。

3）總長軸長度、總短軸長度：通過橢圓擬合求得豬只輪廓面積，計算如式（5）和式（6）所示。

式中： （c，m） 1 一育肥豬質心坐標；

（c_i，m_i） ———圖像中某像素點坐標；

2 -區域內點的數量。

通過質心求得邊緣像素點到質心的最短距離 d 以 d 為半徑構建擬合圓，掩膜內的豬只邊緣點為所需的身體部分的邊緣點，即橢圓擬合所需的測量點。構建圓錐曲線方程如式（7）所示。

x_i²+p₁x₁y₁+p₂y_i²+p₃x_i+p₄x_i+p₅=0 式中： ρ₁?P₂?P₃?P₄?P5 ——擬合系數；

X_i，Y_i 中 -變量。

根據最小二乘原理，得到橢圓目標函數，具體如式（8）所示。

式中： N_b ——擬合圓的邊緣點數量；F（ρ_P） —目標函數。

通過求導可以得到擬合橢圓的長軸、短軸，計算如式（9）～式（12）所示。

B=6₁+6₂+6₃+6₄+6₅

式中： a_i 1 -第 i 個橢圓的長軸長度；b_i 一第 i 個橢圓的短軸長度；A 一 一所有橢圓的長軸長度之和；B 二 -所有橢圓的短軸長度之和。

4）凸船體面積：包含豬圖像的最小凸多邊形的區域即\"凸船體區域”。

5）總輪廓周長：豬只的輪廓形狀偏向于橢圓，因此使用Canny函數提取二值化圖輪廓邊界各點坐標并保存在向量 Q 中，計算相鄰兩點之間的歐氏距離，得到 d_t ，并將所有的 d_t 相加，得到一個輪廓周長，然后計算出每一個輪廓的周長，將每一個的周長相加，最終得到總周長，計算如式（13）和式（14）所示。

式中： d_ι 一 ?t 時刻，相鄰兩點之間的歐式距離；d_? —總周長；d_i ——每個輪廓的周長；（x_t，y_t） ——t時刻的坐標； 時刻的坐標；t -時間索引， t=1～q ：q 中 -時間序列的最大值。

3育肥豬群體體重估測模型

3.1建立隨機森林育肥豬群體體重估測模型

為確保模型具備出色的動態適應能力、錯誤容忍度以及強健的穩定性，使用xgboost回歸算法、AdaBoost回歸算法、LightGBM算法、隨機森林算法、回歸樹算法、多層感知機對提取的特征參數數據進行訓練與測試。對比后，最終選擇隨機森林模型作為育肥豬群體體重估測模型。

隨機森林RF（RandomForest）是一種集成學習算法，采用Bagging方法來提高模型的預測準確性和穩定性。在隨機森林中，弱學習器是指單個的回歸樹（DecisionTree），這些回歸樹通過特定方式組合起來，形成一個強大的預測模型。從隨機森林模型初始數據集中進行隨機抽樣，創建多個獨立的數據集。對于每個數據集，構建一個回歸樹模型，形成一群多樣化的回歸樹。當進行預測時，這些回歸樹的結果被平均化以產生最終的預測結果。在育肥豬體重估測的應用中，這種集成方法有助于提高預測的準確性和魯棒性。圖5為隨機森林模型的具體工作原理。

3.2育肥豬群體體重估測模型評價指標

為選擇效果最優的育肥豬群體體重估測模型，決定使用決定系數 R² 、平均絕對誤差 mAE 和平均相對誤差mRE作為體重估測模型的評價指標。具體計算如式（15）～式（17）所示。

式中： n 樣本數量；r_j 育肥豬體重實際值； -育肥豬體重估測值； 體重的平均實際值。

4 結果與分析

在PyCharm、Python和Pytorch環境下，準備好2400張圖片數據，通過實例分割模型進行預測，將預測得到的掩膜圖轉換為所需要的二值化圖像，對二值化圖像進行特征參數提取，把提取到的6種特征參數作為體重模型的輸入數據。通過2種實例分割算法的比較發現Mask2former模型的性能較優。在體重估測模型方面，使用評價指標對模型進行評估。

4.1MaskR一CNN和Mask2former性能評估

使用PyCharmPython和Pytorch搭建mmdetection實例分割模型。在mmdetection中分別配置MaskR一CNN和Mask2former兩種不同的實例分割算法，在2個算法訓練結果中，使用平均精度均值mAP作為最終性能評價指標， mAP 值越高，說明算法的分割效果越好； mAP 分為 seg_-mAP （分割平均精度均值）和box_mAP（邊界框平均精度均值）。性能評價結果如表1所示，Mask2former的seg_mAP和box_mAP值均比MaskR—CNN高，最終選擇Mask2former實例分割算法。

4.2育肥群豬圖像特征參數提取

利用實例分割模型得到育肥群豬分割預測圖，使用OpenCV提取其6個特征參數數據，分別是二值化圖像像素面積、總離心率、總長軸長度、總短軸長度、凸船體面積和總輪廓周長。部分育肥豬的特征數據提取結果如表2所示，表2中的每一個特征參數都需要作為模型的輸入數據，用來估測育肥豬群體體重。

4.3育肥豬群體體重估測模型的對比

決定系數 R² 是回歸分析中評價模型擬合優度的統計量。決定系數越高，表示模型預測的結果與實際結果的一致性越好。平均絕對誤差 mAE 是預測值與實際值之間的絕對誤差的平均值，平均絕對誤差越小，表示模型預測的結果與實際結果之間的差異越小，即模型的預測準確性越高。平均相對誤差mRE是觀測值與真實值之間的相對誤差的平均值，通常以 % 形式表示。平均相對誤差越小，表示模型預測的結果與實際結果之間的差異越小，但更注重相對差異而不是絕對差異。將提取出來的不同特征參數數據放人各個模型中進行訓練與測試，選擇效果最好的模型作為最終的體重估測模型。由表3可知，在各個模型的評價指標結果中，發現只有回歸樹模型的決定系數小于0.9，其余模型的決定系數均大于0.9，而且AdaBoost回歸與隨機森林的決定系數相等，LightGBM與xgboost回歸的決定系數相等，平均絕對誤差均小于10.4kg ，平均相對誤差均小于 3.4% 。

表3各個模型的評價指標結果Tab.3Evaluation indexresultsofeach model

表2部分育肥群豬的特征數據提取結果

由表3可知，對比各模型的評價指標結果，發現隨機森林模型的評價指標都優于其他模型，說明隨機森林的擬合效果最好，其決定系數為0.94，平均絕對誤差為 7.92kg ，平均相對誤差為 2.58% ，其體重預測值與體重實際值的擬合結果如圖6所示。因此，最終選擇隨機森林作為育肥豬群體體重估測模型。

隨機森林模型和回歸樹模型的部分育肥豬測試樣本體重的預測結果如表4所示。

由表4可知，回歸樹算法的相對誤差平均值為8.96% ，預測效果較差；隨機森林算法的相對誤差平均值為 2.63% ，預測效果較好。

5 結論

1）提出一種基于實例分割與機器學習進行結合的育肥豬群體體重估測方法。采用MaskR一CNN和Mask2former兩種不同的實例分割方法進行育肥群豬目標檢測與實例分割。Mask2former模型能夠在豬舍的復雜環境中較好地將豬只分割出來，分割平均精度均值為0.9898。提取6種特征參數數據作為體重估測模型的輸入，將各模型的結果進行比較，發現隨機森林模型取得較好的預測結果，其決定系數 R² 為0.94，平均絕對誤差為 7.92kg ，平均相對誤差為 2.58% 。

2）在多變的光照條件和復雜的環境因素作用下，傳統的目標檢測與分割技術常常面臨挑戰，難以高精度定位和分離出圖像中的目標區域，主要原因是這些方法在處理圖像受光不均、陰影、反射以及背景雜亂等問題時具有局限性。Mask2former實例分割算法顯著提高目標檢測與圖像分割的穩定性和準確性。借助這種先進的算法，即使在不理想的光照或復雜的環境中，也能夠有效地執行目標檢測任務，為各種計算機視覺應用提供可靠的技術支持。

參考文獻

[1］何東健，劉冬，趙凱旋．精準畜牧業中動物信息智能感知與行為檢測研究進展[J].農業機械學報，2016，47（5）：231—244.He Dongjian，Liu Dong，Zhao Kaixuan. Review ofperceiving animal information and behavior in precisionlivestock farming[J].Transactions of the Chinese SocietyforAgriculturalMachinery，2016，47（5）：231-244.

[2]沈明霞，劉龍申，閆麗，等．畜禽養殖個體信息監測技術研究進展[J].農業機械學報，2014，45（10）：245—251.ShenMingxia，Liu Longshen，YanLi，etal.Reviewofmonitoring technology for animal individual in animalhusbandry [J].Transactions of the Chinese SocietyforAgriculturalMachinery，2014，45（10）：245—251.

［3］楊艷，滕光輝，李保明，等．基于計算機視覺技術估算種豬體重的應用研究初探[C].中國數字農業與農村信息化學術研究研討會論文集，2005：450-454.

[4]Jun K，Kim SJ，JiH W.Estimating pig weights fromimages without constraint on posture and illumination [J].Computers and Electronics in Agriculture，2Ol8，153：169—176.

[5]Kongsro J. Estimation of pig weight using a MicrosoftKinect prototype imaging system [J]. Computers andElectronics in Agriculture，2014，109：32—35.

[6]Wang Y，Yang W，Winter P，et al．Walk-throughweighing of pigs using machine vision and an artificialneural network [J]. BiosystemsEngineering， 2008，100（1）： 117—125.

［7］李卓，毛濤濤，劉同海，等．基于機器視覺的豬體質量估測模型比較與優化[J].農業工程學報，2015（2）：155—161.Li Zhuo，Mao Taotao，Liu Tonghai，et al. Comparisonand optimization of pig mass estimation models based onmachine vision [J]. Transactions of the Chinese Society ofAgricultural Engineering，2015（2） ： 155—161.

[8]Shi C，Teng G，Li Z.An approach of pig weightestimationusing binocularstereo system basedonLabVIEW[J]. Computers and Electronics in Agriculture，2016，129：37-43.

[9]Pezzuolo A，Guarino M， Sartori L，et al.On-barn pigweight estimation based on body measurements byaKinect v1 depth camera [J]. Computers and Electronics inAgriculture，2018，148：29—36.

[10]李卓．基于立體視覺技術的生豬體重估測研究[D].北京：中國農業大學，2016.Li Zhuo. Research of pig weight estimation based on stereovisiontechnology[D]. Beijing： ChinaAgriculturalUniversity， 2016.

[11］楊艷，滕光輝，李保明，等．基于計算機視覺技術估算種豬體重的應用研究[J]．農業工程學報，2006（2）：127-131.Yang Yan， Teng Guanghui， LiBaoming，et al.Measurement of pig weight based on computer vision [J].Transactions of the Chinese Society of AgriculturalEngineering，2006（2）：127—131.

[12]王文志．非接觸式牦牛體尺測量及體重估測方法研究[D].西寧：青海大學，2022.

[13］張建龍，冀橫溢，滕光輝．基于深度卷積網絡的育肥豬體重估測[J].中國農業大學學報，2021，26（8）：111—119.Zhang Jianlong，JiHengyi，Teng Guanghui．Weightestimation of fattening pigs based on deep convolutionalnetwork [J]. Journal of China Agricultural University，2021，26（8）： 111—119.

[14］郭蓓佳，籍穎，錫建中，等.基于圖像處理的蛋雞體重估測方法研究[J]．中國家禽，2021，43（11）：68—73.Guo Beijia，Ji Ying，Xi Jianzhong，et al.Study onestimation model of layer weight based on imageprocessing[J]. China Poultry，2021，43（11）：68-73.

[15］朱讓東，張太紅，郭斌．基于RBF神經網絡的伊犁馬體重估測模型[J].計算機技術與發展，2020，30（3）：198—203.ZhuRangdong， Zhang Taihong，Guo Bin． Weightestimation model of Yili horse based on radial basisfunction neural network [J].Computer Technology andDevelopment，2020，30（3）：198—203.

[16］郝雪萍．基于圖像處理的杜泊羊體重估算模型研究[D].武漢：武漢理工大學，2015.

[17]MollahRBM，HasanAM，SalamAM，etal.Digitalimage analysisto estimate the live weight of broiler[J].Computers and Electronics in Agriculture，2OlO，72（1）：48-52.

[18］陳佳，劉龍申，沈明霞，等．基于實例分割的白羽肉雞體質量估測方法[J].農業機械學報，2021，52（4）：266—275.Chen Jia，Liu Longshen，Shen Mingxia，et al. Breedingwhite feather broiler weight estimation method based oninstance segmentation [J].Transactions of the ChineseSociety for Agricultural Machinery，2O21，52（4）：266—275.

[19］萬世主．基于機器視覺與機器學習的育肥豬體重估測方法研究[D].南昌：江西農業大學，2022.WanShizhu.Research on body weight estimation methodof fattening pigs based on machine vision and machinelearning [D]. Nanchang：Jiangxi Agricultural University，2022.

[20]黃書琴，黃福樂，羅柳茗，等．基于FasterR—CNN的蔗田雜草檢測算法研究［J].中國農機化學報，2024，45（6）：208-215.Huang Shuqin，Huang Fule，Luo Liuming，etal.Research on weed detection algorithm in sugarcane fieldbased on Faster R—CNN [J]. Journal of ChineseAgriculturalMechanization.2024.45（6）：208-215.

[21]董婭蘭，胡國玉，劉廣，等.基于MaskR—CNN模型的葡萄藤關鍵結構分割方法［J]．中國農機化學報，2024， 45（2）：207—214，337. Dong Yalan，Hu Guoyu，Liu Guang，etal. Segmentation method for grapevine critical structure based on Mask RCNNmodel [J]. Journal of Chinese Agricultural Mechanization，2024，45（2）：207—214，337.

[22］張平川，胡彥軍，張燁，等．基于改進版Faster—RCNN 的復雜背景下桃樹黃葉病識別研究[J]．中國農機化學 報，2024，45（3）：219-225，251. Zhang Pingchuan，Hu Yanjun， Zhang Ye， etal. Recognition of peach tree yellow leaf disease under complex background based onimproved Faster—RCNN[J]. Journal of Chinese Agricultural Mechanization， 2024， 45（3）：219-225，251.

[23］莊超，沈明霞，劉龍申，等．基于神經網絡和機器學習的 白羽肉雞體重估測算法[J].中國農業大學學報，2021， 26（7）：107—114. Zhuang Chao， Shen Mingxia，Liu Longshen，et al. Weight estimat ion model of breeding chickens based on neural network and machine learning[J]. Journal of China Agricultural University，2021，26（7）：107—114.

[24］彭文，蘭玉彬，岳學軍，等．基于深度卷積神經網絡的水 稻田雜草識別研究［J]．華南農業大學學報，2020， 41（6）：75-81. PengWen，Lan Yubin，YueXuejun，etal.Research on paddy weed recognition based on deep convolutional neural network [J]. Journal of South China Agricultural University，2020，41（6）：75-81.