Biosystems Engineering Vol. 263 2026-09-20·9月20日 · 周日论文农业人工智能与决策模型阅读 3
Advancing pig lameness detection with a multi-task framework: Leveraging multi-view 3D pose estimation and wavelet convolution（多任务框架推进生猪跛行检测：利用多视角3D姿态估计与小波卷积）
论文解读
78精选
速览
提出PoseGait-MT多任务框架，用多视角3D姿态与小波卷积同时检测生猪跛行程度和患肢。
方法
多视角2D视频重建3D骨骼，提取步态时空特征，结合小波卷积WTConv。
发现
5折交叉验证跛行程度准确率94.7%、患肢识别95.7%，独立测试集为89%和91.4%。
机会点
可探索轻量化实时部署与跨农场泛化，并融合多模态数据提升早期跛行预警能力。
影响力18
信息增量22
专业深度18
信源权威14
时效性6
核心期刊论文，方法新颖且实验数据扎实，对智慧养殖中的动物健康监测有实质参考价值，值得进入每日精选。
原文摘要
Xiang Li、Wang Haidong、Hu Zixuan、Norton Tomas、Jiang Tian、Xue Yueju等在Biosystems Engineering 1537-5110 Vol. 263 Paper: 104393（2026）发表。研究针对生猪跛行检测提出PoseGait-MT多任务分类框架，可同时检测跛行严重程度与受影响肢体。框架从多视角2D视频重建3D骨骼以缓解遮挡与视角依赖问题；提取3D步态时空特征（空间跟踪距离sTRK、头部上下振幅HBA、关节屈曲角JFA），并结合小波卷积（WTConv）增强低频特征提取、抑制高频噪声。实验结果显示：PoseGait-MT在5折交叉验证下对跛行严重程度分类平均准确率94.7%、受影响肢体识别95.7%；独立测试集上分别89%、91.4%。