给猪称重是件麻烦事。把猪赶上秤，猪应激、人费工，还有交叉感染的风险。用摄像头做非接触估重是近几年精准畜牧的热门方向，但一直卡在一个细节上：猪不会站好给你拍。
发表在 Smart Agricultural Technology 第15卷（文章号102679）的论文《Weight-posture joint modeling for body weight estimation of unconstrained pigs》，把这个细节当成主问题来处理。研究团队的做法不是让算法忽略姿态，而是让模型同时学会“这是什么姿势”和“这有多重”。
姿态和体重一起建模
输入用 RGB-D（彩色加深度）。消融实验给出的数字比较清楚：RGB-D 相比只用 RGB，平均绝对误差（MAE）降低约1.9%；特征融合放在中间层比早融合、晚融合都好，MAE 为5.82公斤。
训练数据用哪些姿态，影响比想象中大。只用站立姿态训练的模型，与“站立加侧卧”组合训练的模型相比，后者 MAE 降低5.5%。有意思的是，把站立、侧卧、腹卧三种姿态全用上，成绩只排第二——论文的判断是腹卧带来的遮挡让问题变复杂；但从落地角度看，全姿态训练的模型在真实猪舍里更适用，因为姿势的多样性是躲不掉的。
论文还报告了一个正相关：姿态分类分支的 F1 分数越高，估重误差下降越明显。这说明“先认对姿势”确实在直接帮忙，而不是一个可有可无的辅助任务。
三个还没解决的限制
作者自己列了三条局限，都值得认真看。第一是标签噪声：图像级的体重标签是用两次人工称重记录做线性插值估出来的，没法反映采食饮水带来的短期波动。第二是泛化：数据来自单一品种（长白猪）和单一养殖环境，换品种、换栏舍、换光照，性能可能下降。第三是场景：采集采用单猪设置，没有评估群养栏里的个体间遮挡与身份识别。
这三条恰好对应国内智慧猪场最常遇到的三道坎。体重估测在很多场子里已经能做到“能看”，但要做到“能算钱”——比如据此调整饲喂曲线、判断出栏时机——需要的是稳定、连续、可追溯的个体数据，而不是一张好看的截图。
论文提出的下一步是扩充数据集的多样性与姿态类别，并研究轻量化模型设计与部署优化。这个方向和过去一年边缘设备上的趋势一致：模型先瘦下来，才谈得上装进栏舍。
编者按：从“站好再称”到“随便站、随便躺都能估”，看起来只是精度提高了几个百分点，实际上决定了这套系统能不能离开试验栏。群养遮挡与个体识别这道关，比模型结构更难。
来源：Smart Agricultural Technology（2026）｜原文链接：https://doi.org/10.1016/j.atech.2026.102679