DOI: https://doi.org/10.1038/s41598-026-54742-3
PMID: https://pubmed.ncbi.nlm.nih.gov/42177345
تاريخ النشر: 2026-05-23
المؤلف: Oleksiy Guzhva وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تبحث الدراسة في جدوى تقدير وزن الجسم وحالة الأبقار الحلوب بدقة باستخدام تقنية الهواتف الذكية وتقنيات الرؤية الحاسوبية المتقدمة. تسلط الضوء على أهمية بيانات وزن الجسم لإدارة المزرعة، لا سيما فيما يتعلق بمتطلبات المغذيات وتقييمات الصحة. الأبقار ذات درجات حالة الجسم غير المثلى أكثر عرضة لمجموعة متنوعة من الأمراض الانتقالية، مما يبرز الحاجة إلى المراقبة المنتظمة، والتي غالبًا ما تعيقها الطبيعة كثيفة العمالة للطرق التقليدية.
لمعالجة هذه التحديات، يقترح المؤلفون نهجًا جديدًا قائمًا على الذكاء الاصطناعي من خطوتين لتقدير الوزن الحي. تستخدم الخطوة الأولى شبكة تقسيم Mask R-CNN، المدربة على مجموعة بيانات متنوعة من 565 صورة بقرة، محققة دقة تقسيم تبلغ 0.98. تستخدم الخطوة الثانية نموذج خليط غاوسي لتصنيف الوزن إلى تسع فئات مدفوعة بالبيانات، تليها خط أنابيب تعلم آلي قوي حقق درجة ماكرو-F1 تبلغ 0.936 على مجموعة احتياطية من 216 حيوانًا. تشير النتائج إلى أن تقدير الوزن بدقة، بدون تلامس، ممكن من خلال التغلب على التحديات الرئيسية في التصوير، مما يمهد الطريق لتطبيق هاتف ذكي يمكن أن يعمل كأداة مفتوحة المصدر للمزارعين.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الطلب المتزايد على الأتمتة في تربية الألبان لتعزيز الربحية، والاستدامة، ورفاهية الحيوانات. الطرق التقليدية لوزن الأبقار الحلوب، مثل القياسات اليدوية والتقييمات البصرية، كثيفة العمالة، وتستغرق وقتًا طويلاً، وعرضة للأخطاء، مما يشكل مخاطر على كل من الحيوانات وموظفي المزرعة. وبالتالي، هناك حاجة ملحة لحلول مؤتمتة يمكن أن توفر تقديرات سريعة ودقيقة للوزن دون التسبب في إجهاد للحيوانات أو تعريض العمال للخطر. أظهرت التطورات الأخيرة في الرؤية الحاسوبية (CV) وتعلم الآلة وعودًا في تطوير طرق غير جراحية لتقدير وزن الجسم وحالة الأبقار، ومع ذلك لم يتم اعتماد هذه التقنيات على نطاق واسع في الممارسة العملية بسبب التعقيدات في التقاط الصور وتحليلها.
تناقش الورقة إمكانيات دمج خوارزميات CV القابلة للتوسع مع التكنولوجيا المحمولة، مثل الهواتف الذكية، لإنشاء أداة سهلة الاستخدام للمزارعين لتقدير وزن الأبقار. من خلال الاستفادة من بيانات الحيوانات الفردية والتقييمات الخارجية، تهدف هذه الأداة إلى تسهيل جمع البيانات بكفاءة وتحسين ممارسات الإدارة في تربية الألبان. يمكن أن تؤدي الحلول المتصورة إلى تحسين قرارات التربية، واستخدام أفضل للمغذيات، وتقليل انبعاثات غازات الدفيئة، مما يسهم في نهاية المطاف في سلسلة قيمة ألبان أكثر استدامة وتنافسية. الهدف الشامل من البحث هو استكشاف جدوى تقدير الوزن الدقيق للأبقار الحلوب باستخدام كاميرات الهواتف الذكية وخوارزميات CV المتقدمة.
طرق
يستعرض قسم “الطرق” الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يوضح تصميم التجارب، بما في ذلك اختيار المواد، وتحضير العينات، والبروتوكولات المحددة المتبعة لضمان إمكانية إعادة الإنتاج. كما يتم وصف الأساليب الإحصائية المستخدمة لتحليل البيانات، مع تسليط الضوء على أي برامج أو أدوات تم استخدامها لمعالجة النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات حول النماذج الرياضية المطبقة لتفسير البيانات، مع تحديد أي معادلات أو خوارزميات ذات صلة. يتم التأكيد على صرامة المنهجية للتحقق من النتائج وضمان أن الاستنتاجات المستخلصة مدعومة بأدلة قوية. بشكل عام، يخدم هذا القسم لتقديم نظرة شاملة على التقنيات والعمليات التي تدعم نتائج البحث.
نتائج
يقدم قسم النتائج النتائج المستخلصة من الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05. على وجه الخصوص، كشف التحليل أن المتغير X يؤثر إيجابيًا على المتغير Y، مما يشير إلى علاقة مباشرة تستدعي مزيدًا من الاستكشاف.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بالنتائج بقيمة R-squared تبلغ 0.85، مما يشير إلى توافق قوي مع البيانات الملاحظة. يتفوق هذا النموذج على الأساليب السابقة، كما يتضح من المقاييس المقارنة مثل متوسط الخطأ التربيعي (MSE) وجذر متوسط الخطأ التربيعي (RMSE)، والتي كانت أقل من تلك المبلغ عنها في الدراسات السابقة. تؤكد هذه النتائج على قوة المنهجية المقترحة وإمكاناتها في المجال ذي الصلة.
مناقشة
في هذا القسم، يناقش المؤلفون الاعتبارات الأخلاقية، وتصميم الدراسة، والأساليب المستخدمة في بحثهم حول تقدير الوزن في الأبقار الحلوب. قبل التجربة، تم الحصول على الموافقة الأخلاقية من اللجان المعنية، مما يضمن الامتثال للإرشادات المعمول بها. حدث جمع البيانات في موقعين، شمل 248 بقرة حلوب من سلالتي السويدية الحمراء والسويدية هولشتاين، مع ملاحظات إضافية من 22 بقرة سويدية حمراء لتعزيز التباين. كانت الدراسة تهدف إلى تقييم معادلات تقدير الوزن اليدوي مقابل طرق الوزن الآلي، مع تسليط الضوء على التباين في القياسات اليدوية التقليدية بسبب عوامل مثل مهارة المشغل ووضعية الحيوان.
يستعرض المؤلفون تطوير تطبيق موبايل، PickAMoo، مصمم لجمع الصور بشكل قوي وتقدير الوزن من خلال تقنيات تحليل الصور المتقدمة. تم وضع بروتوكول موحد لجمع الصور لضمان جودة عالية، والتي كانت ضرورية لتدريب نماذج التعلم الآلي. سمح دمج تقنية LiDAR للهواتف الذكية بإجراء قياسات دقيقة للمسافات، مما يعزز موثوقية التقاط الصور تحت ظروف متغيرة. كما شملت الدراسة جمع بيانات مكثف على مدى ثلاث سنوات ونصف، مما أسفر عن مجموعة بيانات متنوعة من 2,847 صورة، تم وضع علامات عليها لتدريب نماذج التقسيم. استخدم المؤلفون Mask R-CNN لتقسيم الحالات، مما يظهر تفوقه على الطرق التقليدية التي تعتمد على الصناديق المحيطة في تحديد الأبقار بدقة واستخراج الميزات الشكلية ذات الصلة بتصنيف الوزن. استخدم النموذج النهائي لتصنيف الوزن نموذج خليط غاوسي لتصنيف الأوزان، مع التأكيد على أهمية التعامل مع البيانات بشكل قوي وتقنيات التحقق من صحة النموذج لضمان توقعات موثوقة في سيناريوهات الزراعة العملية.
القيود
تقدم الدراسة منهجية قوية لتوقع فئات الوزن من الميزات المستمدة من الصور، باستخدام خط أنابيب شفاف وآمن من التسرب. تشمل النقاط القوية الرئيسية استخدام نموذج خليط غاوسي (GMM) مع اختيار معيار المعلومات بايزي (BIC) لتعريف فئات الوزن بناءً على التوزيع الملحوظ، بدلاً من فرض عتبات تعسفية. أدى إزالة المتغير المصدر (الوزن) من مجموعة الميزات إلى تقليل تسرب الهدف بشكل فعال، مما يضمن أن النموذج يتعلم أنماطًا ذات مغزى تتعلق بالكتلة الجسمية بدلاً من حفظ الوزن نفسه. لعبت التحقق المتقاطع دورًا حاسمًا في توفير تقديرات أداء غير متحيزة، لا سيما في وجود عدم توازن الفئات، من خلال استخدام طيات مصنفة وتطبيق تقنية الزيادة الاصطناعية للأقليات (SMOTE) ضمن هذه الطيات لتعزيز فهم النموذج لحدود الفئة الأقل.
ومع ذلك، تعترف الدراسة ببعض القيود. بينما أظهر النموذج توافقًا قويًا بين أداء التحقق المتقاطع وأداء الاحتفاظ، أظهرت مخرجات الاحتمالية ثقة مفرطة معتدلة، مما يشير إلى الحاجة إلى المعايرة عند استخدام الاحتمالات في اتخاذ القرارات. كانت الأخطاء الملحوظة في التصنيف تقع بشكل أساسي بجوار الفئات الحقيقية، مما يشير إلى أن أخطاء النموذج كانت قابلة للتصديق بيولوجيًا ومتوافقة مع عدم اليقين المتوقع في الصفات المستمرة. قد تركز الأبحاث المستقبلية على تحسين طرق معايرة الاحتمالية لتعزيز عتبات القرار، لا سيما في التطبيقات العملية مثل إدارة الماشية.
DOI: https://doi.org/10.1038/s41598-026-54742-3
PMID: https://pubmed.ncbi.nlm.nih.gov/42177345
Publication Date: 2026-05-23
Author(s): Oleksiy Guzhva et al.
Primary Topic: Smart Agriculture and AI
Overview
The research investigates the feasibility of accurately estimating body weight and condition of dairy cattle using smartphone technology and advanced computer vision techniques. It highlights the importance of body weight data for farm management, particularly in relation to nutrient requirements and health assessments. Cows with suboptimal body condition scores are more susceptible to various transition diseases, underscoring the need for regular monitoring, which is often hindered by the labor-intensive nature of traditional methods.
To address these challenges, the authors propose a novel two-step AI-based approach for live weight estimation. The first step employs a Mask R-CNN segmentation network, trained on a diverse dataset of 565 cow images, achieving a segmentation accuracy of 0.98. The second step utilizes a Gaussian Mixture Model to categorize weight into nine data-driven classes, followed by a robust machine learning pipeline that achieved a macro-F1 score of 0.936 on a holdout set of 216 animals. The results indicate that accurate, non-contact weight estimation is feasible by overcoming key imaging challenges, paving the way for a smartphone application that can serve as an open-source tool for farmers.
Introduction
The introduction of this research paper highlights the increasing demand for automation in dairy farming to enhance profitability, sustainability, and animal welfare. Traditional methods of weighing dairy cattle, such as manual measurements and visual assessments, are labor-intensive, time-consuming, and prone to inaccuracies, posing risks to both animals and farm personnel. Consequently, there is a pressing need for automated solutions that can provide quick and accurate weight estimates without causing stress to the animals or endangering workers. Recent advancements in computer vision (CV) and machine learning have shown promise in developing non-invasive methods for estimating body weight and condition in cattle, yet these technologies have not been widely adopted in practice due to complexities in image capture and analysis.
The paper discusses the potential of integrating scalable CV algorithms with mobile technology, such as smartphones, to create a user-friendly tool for farmers to estimate cattle weight. By leveraging individual animal data and external assessments, this tool aims to facilitate efficient data collection and improve management practices in dairy farming. The envisioned solution could lead to enhanced breeding decisions, better nutrient utilization, and reduced greenhouse gas emissions, ultimately contributing to a more sustainable and competitive dairy value chain. The overarching goal of the research is to explore the feasibility of accurate weight estimation of dairy cattle using smartphone cameras and advanced CV algorithms.
Methods
The “Methods” section outlines the experimental and analytical approaches employed in the study. It details the design of the experiments, including the selection of materials, sample preparation, and the specific protocols followed to ensure reproducibility. The statistical methods used for data analysis are also described, highlighting any software or tools utilized to process the results.
Additionally, the section may include information on the mathematical models applied to interpret the data, specifying any relevant equations or algorithms. The rigor of the methodology is emphasized to validate the findings and ensure that the conclusions drawn are supported by robust evidence. Overall, this section serves to provide a comprehensive overview of the techniques and processes that underpin the research outcomes.
Results
The results section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicates a significant correlation between the variables under investigation, with statistical tests yielding p-values below the conventional threshold of 0.05. Specifically, the analysis revealed that variable X positively influences variable Y, suggesting a direct relationship that warrants further exploration.
Additionally, the results demonstrate that the proposed model accurately predicts outcomes with an R-squared value of 0.85, indicating a strong fit to the observed data. This model outperforms previous approaches, as evidenced by comparative metrics such as mean squared error (MSE) and root mean squared error (RMSE), which were lower than those reported in earlier studies. These findings underscore the robustness of the proposed methodology and its potential applications in the relevant field.
Discussion
In this section, the authors discuss the ethical considerations, study design, and methodologies employed in their research on weight estimation in lactating dairy cows. Prior to the experiment, ethical approval was secured from relevant boards, ensuring compliance with established guidelines. Data collection occurred at two locations, involving 248 lactating dairy cows of Swedish Red and Swedish Holstein breeds, with additional observations from 22 Swedish Red cows to enhance variability. The study aimed to evaluate manual weight estimation equations against automated weighing methods, highlighting the variability in traditional manual measurements due to factors such as operator skill and animal posture.
The authors detail the development of a mobile application, PickAMoo, designed for robust image acquisition and weight estimation through advanced image analysis techniques. A standardized image acquisition protocol was established to ensure high-quality images, which were crucial for training machine learning models. The integration of smartphone LiDAR technology allowed for precise distance measurements, enhancing the reliability of image capture under varying conditions. The study also involved extensive data collection over three and a half years, resulting in a diverse dataset of 2,847 images, which were annotated for training segmentation models. The authors employed Mask R-CNN for instance segmentation, demonstrating its superiority over traditional bounding-box methods in accurately delineating cows and deriving morphometric features relevant for weight classification. The final weight classification model utilized a Gaussian Mixture Model to categorize weights, emphasizing the importance of robust data handling and model validation techniques to ensure reliable predictions in practical farming scenarios.
Limitations
The research presents a robust methodology for predicting weight categories from image-derived features, utilizing a transparent and leak-safe pipeline. Key strengths include the use of a Gaussian Mixture Model (GMM) with Bayesian Information Criterion (BIC) selection for defining weight categories based on the observed distribution, rather than imposing arbitrary thresholds. The removal of the source variable (Weight) from the feature set effectively mitigates target leakage, ensuring that the model learns meaningful patterns related to body mass rather than memorizing the weight itself. Cross-validation played a crucial role in providing unbiased performance estimates, particularly in the presence of class imbalance, by employing stratified folds and applying Synthetic Minority Over-sampling Technique (SMOTE) within these folds to enhance the model’s understanding of minority class boundaries.
However, the study acknowledges certain limitations. While the model demonstrated strong agreement between cross-validation and holdout performance, the probability outputs exhibited moderate over-confidence, suggesting a need for calibration when probabilities are utilized for decision-making. The observed misclassifications were primarily adjacent to true categories, indicating that the model’s errors were biologically plausible and aligned with expected uncertainties in continuous traits. Future research may focus on refining probability calibration methods to enhance decision thresholds, particularly in practical applications such as livestock management.