中國農業大學副教授在人工智能與農林交叉學科領域國際權威期刊（IF=10.7）連發2項研究成果

近日，中國農業大學郭浩副教授團隊圍繞智慧農業中的關鍵點檢測問題，在人工智能與農林交叉學科領域國際權威期刊Computers and Electronics in Agriculture發表2項研究成果。兩項研究均聚焦家畜關鍵點這一動物視覺表型理解的基礎任務，分別從跨物種關鍵點檢測評價基準構建和基于預訓練基礎模型的無監督關鍵點檢測方法兩個方向展開，為家畜姿態估計、體尺測量、體型外貌評價和行為理解等下游任務提供了數據、技術方法和評價支撐。

論文《自動化家畜表型的無監督關鍵點檢測：基于預訓練基礎模型的跨物種方法》（Unsupervised keypoint detection for automated livestock phenotyping: A multi-species approach based on pre-trained foundation models）第一作者為土地科學與技術學院博士研究生韋冰雪，郭浩副教授和動物科技學院蘇華維教授為共同通訊作者。該研究面向家畜關鍵點檢測對人工標注依賴較強、跨物種泛化能力不足的問題，提出了一種基于預訓練基礎模型的無監督關鍵點檢測方法。

論文《面向精準畜牧業的前沿關鍵點檢測方法的性能評估》（Performance evaluation of a state-of-the-art keypoint detection method for precision livestock farming）第一作者為土地科學與技術學院碩士研究生王奕為，郭浩副教授為通訊作者。針對目前畜牧關鍵點檢測方法缺乏統一評測、公開多物種數據集與可復現基線相對不足的問題，團隊構建了一個高分辨率、多物種家畜關鍵點數據集，并在統一訓練與評測設置下對多種先進框架開展系統對比分析，有望為精準畜牧領域的關鍵點檢測研究提供可復現、可比較的公共基準，促進算法迭代與工程落地。

該研究構建了覆蓋馬、牛、羊、豬四類家畜的多物種圖像數據集，共2204張圖像，其中馬804張、牛309張、羊767張、豬324張，包含左視、右視和俯視等多視角圖像，并覆蓋站立、行走和跳躍等典型姿態。側視圖像標注14個關鍵點，覆蓋頭部、頸部、四肢、軀干和尾根等核心解剖部位；俯視圖像標注10個關鍵點，覆蓋雙耳、頸部、肩部寬點、髖部寬點、肩/髖中線中心和尾根等部位。

在方法上，研究融合Stable Diffusion在細粒度紋理感知和空間細節表達方面的優勢，以及DINOv2在結構語義相似性建模方面的能力，通過特征歸一化與加權融合實現多尺度語義對齊。針對單一模板在姿態差異、非剛性形變和背景干擾條件下容易產生異常匹配的問題，研究進一步提出多模板投票機制，結合Mean-Shift聚類，對多個參考模板得到的候選關鍵點進行穩健融合，從而提升關鍵點定位的穩定性。

實驗結果表明，預訓練基礎模型特征融合與多模板投票機制能夠有效增強家畜關鍵點檢測在姿態變化、非剛性形變和跨物種場景中的適應能力，為新物種、新場景和低標注數據條件下的視覺表型分析提供了新的技術路徑。

不同物種關鍵點檢測結果

不同視角下的無監督關鍵點檢測結果

不同姿態下的無監督關鍵點檢測結果

總體來看，兩項研究的切入角度不同，但均圍繞動物關鍵點檢測這一智慧養殖視覺感知基礎問題展開。前者側重建立統一、可復現、可比較的評測基準，幫助研究者和工程人員明確不同關鍵點檢測模型在精度、泛化和部署效率上的差異；后者側重探索低標注依賴條件下的無監督檢測方法，提升模型在多物種、多姿態和復雜場景中的遷移應用能力。

動物關鍵點檢測是連接原始圖像與高層表型信息的重要中間環節。穩定可靠的關鍵點定位結果，可進一步支撐體尺自動測量、體型外貌評價、步態與姿態分析、異常行為識別和智能健康監測等任務。兩項成果從數據基準、評價方法和算法創新等方面，為人工智能技術服務精準畜牧和智慧養殖提供了基礎支撐，也為后續構建多物種、多場景、多模態的動物視覺表型分析體系奠定了基礎。