文／朱玟霖 中興大學生物產業機電工程學系副教授兼農業自動化中心主任
江信毅 中興大學動物科學系副教授兼農業暨自然資源學院學術秘書
圖／中興大學生物產業機電工程學系
當前臺灣畜牧產業面臨的首要挑戰為勞動力短缺與人力成本增加。在例行性的牧場管理作業中，動物照護的任務愈發沉重，特別是體重監測、健康評估及飼料營養管理等關鍵環節，現行牧場仍高度仰賴現場人員的專業知能與判斷。然而，操作者之間經驗差異常導致量測結果出現偏差，使資料蒐集缺乏科學一致性，進而影響管理決策的嚴謹度，因此開發智慧監測系統已成為提升精準管理效能的關鍵路徑。
在傳統實務現場，乳牛體重的量測通常採用2種方法。第1種是較為簡便的公式推估法，僅人工測量胸圍與體長並代入經驗公式進行初步計算。第2種是人工測量肩高、胸圍、體長及腹圍等多項參數，再透過統計學迴歸模型進行資料擬合，以求得個體體重的預估值。即便上述方法行之有年，卻難以擺脫接觸式量測帶來的實質限制。
限制包含動物福祉及人工成本，因頻繁的實體接觸極易引發乳牛的生理緊迫，不僅可能干擾量測資料的準確性，甚至會對牛隻的健康狀態或產乳表現產生負面影響。此外，人工量測極為耗時耗力，尤其大規模牧場量測乳牛體重更是大工程。為符合現代化畜牧業的發展需求，將傳統經驗轉化為標準化的智慧監測系統，已是產業邁向自動化管理不可或缺的一環。
非接觸式深度影像技術的實驗設計
為了減輕牧場勞動力負擔並提升動物福祉的目標，團隊於中興大學的校乳牛實驗場域開發自動化乳牛體重預測系統。捨棄傳統繁瑣的接觸式測量，改以Intel® RealSense™ D455深度相機，該款感測器不僅能捕捉肉眼所見的可見光影像，更能同步獲取高精度的深度資料，為自動化體重預測跨出關鍵的第一步。
在實踐技術的過程，團隊在中興大學動物科學系之畜牧場的地磅區域架設3臺深度相機，分別針對乳牛的背部、側面及臀部進行多視角拍攝。在擷取影像時，紀錄當前電子磅秤的真實體重作為模型的真實答案。拍攝3個部位主要的目的為比較哪一個視角最能預測體重最為準確。
若能篩選出具代表性的單一視角，未來農友在布建系統時，就能減少相機使用數量，大幅壓低硬體購置與後續維護的負擔。本項研究不只是追求實驗室裡的模型準確度，更要將AI技術轉化為酪農管理牧場的好幫手，讓精準畜牧真正走進農村日常。
影像處理技術排除干擾
如何從牧場現場複雜的環境中，精確提取乳牛的完整生理資訊，是系統穩定性的首要考驗。為確保系統能精確提取乳牛的完整深度影像，團隊設計2階段演算法進行影像雜訊的濾除。第1階段針對深度影像所記錄的距離資訊，根據乳牛的高度設定距離閾值，能有效濾除場域中高於或低於牛隻體高的雜訊背景。
接著，系統進一步導入物件偵測技術針對取像區域內的人員與牛隻進行識別。若偵測框發生重疊，代表影像受到人員干擾而無法呈現牛隻完整影像，系統將自動判定該畫格為無效資訊並予以剔除。透過2道防護網，既能排除背景雜訊，也可以避免人為因素對生理特徵提取的干擾，確保後續體重預測模型具備高度的科學嚴謹度與穩定性。
在排除環境雜訊後，接著要面對的問題為乳牛的尾部或頭部常因擺動而遮蔽關鍵部位，或是牛隻因走動導致關鍵特徵未能完全納入取像範圍，若將此類影像納入計算，將導致特徵的推估產生偏差。為此，研究團隊特別建立一套基於二元分類的篩選模型。
該模型能針對每一畫格的深度影像進行評估，自動辨識影像中的個體是否符合「完整特徵」的標準，僅保留身體部位齊全、具備高度代表性的有效影像進入下一階段的特徵提取，並果斷剔除特徵缺失的殘缺畫面。透過這數層演算法的嚴格把關，能確保後續運算的每一筆資料皆具備高品質的科學基礎，進而強化自動化體重預測系統的穩定性與實務價值。
數位影像到物理特徵的轉化
如何將深度相機蒐集的原始資料提取為重要特徵，是研發過程中的核心環節。透過深度影像資訊，即可計算出乳牛的體高、關鍵部位的像素總量，以及感測器與牛隻間的距離。然而，若要準確估算乳牛的「體面積」，則需建立一套嚴謹的空間轉換基準。為此，研究團隊特別設計了標準化的標定板，實驗設計模擬乳牛體高分佈，在130～150公分的不同水平高度，以及多組深淺距離條件下進行拍攝。透過標定板已知「I」、「H」和倒三角形的面積與影像中對應像素數量的比例關係，並結合相機至目標物的平均距離，成功建構出一套精準的指數迴歸模型。模型能針對物體在不同距離下，量化物體的體表面積。
導入AI能更精確掌握乳牛體重
在體重預測模型的建置上，本研究結合人工智慧算法與傳統估算方式。首先，前饋神經網路（Feedforward Neural Networks，FNN）憑藉其優異的非線性映射能力，能精確捕捉生理特徵與目標體重間的複雜關係。其次，高斯過程迴歸（Gaussian Process Regression，GPR）結合了自動相關性確定（Automatic Relevance Determination，ARD）機制，透過為各特徵分配獨立的長度尺度參數，進一步量化不同變數對預測結果的影響權重。最後，則以傳統牧場經驗公式為基準，利用體斜長與腰圍進行體重推估，以作為自動化模型的對照。
進入產後測試階段後，環境干擾與牛隻行為改變成為技術應用的嚴峻考驗。雖然臀部與側部視角受限於乳牛活動導致的形變，以及深度相機背光問題等影響，導致預測結果產生較大偏差，但背部視角仍維持相對穩定的趨勢捕捉。在此視角下，高斯過程迴歸（GPR）模型展現出極佳的穩定性，其預測結果較前饋神經網路（FNN）更貼近實際體重趨勢。
值得注意的是，傳統農場估算法在產後階段出現極為顯著的偏差與劇烈波動，曲線與實際體重脫節。此結果進一步證實，以背部影像視角為基礎的自動化監測，能有效克服傳統人工量測在生理過渡期失效的困境，是未來實務應用中最具精準度與穩定性的核心視角。
智慧農業實踐精準畜牧
從傳統高度仰賴經驗的接觸式量測，演進至非接觸式的深度影像監測，本研究透過影像技術與多重過濾演算法的整合，成功克服了傳統估算法在生理過渡期（如產後）易產生大幅偏差的困境。成功證明以背部視角作為體重預估核心的實務可行性。儘管實驗室的資料驗證已初步展現自動化監控的潛力，但這僅是技術落地的開端。未來，將進一步針對不同場域的環境耐受性與模型的泛化能力進行優化，目標是將這套跨學科的技術成果，轉化為產業現場真正可持續運行的自動化解決方案，在提升動物福祉的同時，也為精準畜牧轉型奠定實務基礎。
