撰文者：張怡穎 

鴨隻體重與體型是生產管理的重要性狀，常用於觀察個體發育是否正常、評估飼養管理效果，或作為後續育種選拔與生產調整的參考。然而，目前鴨隻體重與體型測量仍多仰賴人工操作，以秤或尺逐隻量測，不僅需要保定鴨隻，容易造成其緊迫，也相當費時費力，影響現場作業效率。

近年來，隨著影像辨識、深度學習與人工智慧技術發展，畜禽量測方式正逐步由人工走向自動化。但相較於牛、豬等大型家畜，鴨隻體型較小、動作活潑複雜、姿勢變化大，還可能在水裡游，在影像收集上即有一定程度的困難。且家禽羽毛外觀與拍攝距離都會影響影像判讀，因此要以非接觸方式準確估測體型與體重，較家畜更具挑戰性。也因如此，若能建立適用於鴨隻的非接觸量測方法，將有助於家禽精準管理技術進展。

在中國便有研究以1,023隻臨武鴨為試驗動物，量測體重、頸長、龍骨長、胸寬、胸深及脛長等體型性狀，並建立多視角影像與三維空間資訊結合的非接觸式量測流程，收集超過5,000組樣本。研究團隊設計了一個傾斜的拍攝箱克服拍攝距離與活動空間的問題，另開發軟體可同時從多個鏡頭捕捉圖像並生成點雲資料，即透過捕獲對象表面數千或數百萬個三維座標來表示對象的形狀和空間資訊。團隊利用這些不同角度的 RGB 影像及點雲資料，搭配人工量測之體重與體型性狀，建立模型訓練所需資料集。由於過去其他研究顯示動物的非標準姿勢可能影響預測準確度，研究團隊在同一隻鴨收集多組不同姿勢的資料，以讓深度學習模型學習同一個體在不同姿勢之間的關係。

研究結果顯示，同時整合多視角影像與三維幾何特徵的模型可獲得較佳預測效果。在整體體型預測方面，平均絕對百分比誤差約為 5.73%，R²為 0.953；體重預測方面，平均絕對百分比誤差則為 10.49%，R²為 0.952。可見，這套方法在不直接接觸鴨隻的情況下，已能提供相當接近人工量測的結果。研究也指出，若拿掉深度影像或三維空間特徵，預測準確度會明顯下降，顯示空間資訊對鴨隻體型與體重估測具有關鍵作用。然而現階段結果仍有其適用範圍，由於該研究主要以單一鴨種與特定日齡資料進行訓練，未來若要提升通用性，仍須持續擴充不同品種、生長階段與場域條件下的資料，並降低設備與導入成本。

但此篇研究成果仍證明鴨隻體型與體重不再只能依靠人工逐隻量測。非接觸式量測亦有助於減少人工作業與鴨隻緊迫，兼顧生產效率與動物福利。若後續能進一步結合自動拍攝、資料即時回傳與分析系統，將有機會應用於生長監測、異常個體篩查、飼養管理調整，甚至作為育種與場內管理決策的輔助工具。

原始文獻：

Xiao, W., Q. Han, G. Shu, G. Liang, H. Zhang, S. Wang, Z. Xu, W. Wan, C. Li, G. Jiang, and Y. Xiao. 2025. Multimodal Feature-Driven Deep Learning for the Prediction of Duck Body Dimensions and Weight. Agriculture 15:1021.

https://www.mdpi.com/2077-0472/15/10/1021