🔍 耿同学打假报告

论文信息

• 标题：猪三维点云体尺自动计算模型 Pig Back Transformer
• 作者：王宇啸，石源源，陈招达，吴珍芳，蔡更元，张素敏，尹令
• 期刊：智慧农业（中英文） Smart Agriculture
• DOI：10.12133/j.smartag.SA202401023
• 发表年份：2024
• 论文来源：view (2).pdf

综合评定：✅ 清白

详细发现

⚠️ 发现 1：图片背景同源与局部匹配异常（良性解释）

• 位置：Figure 11 / Figure 12 (Page 8) / 对应原图像文件 img-010 与 img-012
• 描述：视觉分析显示，图11（模型生成的测量关键点）与图12（人工标记的测量关键点）中使用的猪体点云背景高度相似；机器取证（PRNU）显示这两张图的传感器噪声高度同源。此外，在多张算法流程图和点云可视化图中（如 img-000, img-001 等），检测到大量规律的 copy-move 匹配块。提示存在图像复用的可能，但经核实，这源于合理的实验设计与图表排版。
• 证据：机器取证证据（图像传感器噪声分析）指出 img-010 与 img-012 的噪声特征高度同源。同时在部分流程图中检测到规则的匹配块。论文图11和图12的图注表明，两图分别展示同一输入点云下的“模型生成关键点”与“人工标记关键点”，背景本应一致。
• 严重程度：🟡
• 复核状态：⚠️ 存在良性解释（图11与图12本就是同一输入点云的模型预测结果与人工标记真值的对比展示，背景相同是计算机视觉领域的标准操作；流程图中的匹配块可能由重复的坐标轴、文本框或排版元素导致，机器取证中的 PRNU/copy-move 现象均由统一导出管线或合理复用引起，不构成造假证据。）

发现 2：误差数据波动具有合理性（无异常）

• 位置：Table 2 / Table 3 / Table 4 (Page 12-13)
• 描述：表格中的测量误差和多次重复实验的数据呈现出真实世界的物理噪声特征。末位数字分布均匀，没有编造的连续等差数列痕迹。特别是前体高误差的标准差（2.199）远大于平均误差（1.132），这种“不太完美”的数据反而排除了随机数生成器捏造的嫌疑。
• 证据：前体高误差标准差为2.199，后体高误差标准差仅为0.678；猪姿态剧烈变化时，表3中2号猪在第4次测量出现了109.0cm的异常偏离（其他多为100cm左右），随后恢复正常。作者在正文中对此给出了合理解释（“极端情况下因运动幅度过大会产生少数异常值”）。
• 严重程度：✅
• 复核状态：✅ 成立

发现 3：时间线与设备使用逻辑自洽（无异常）

• 位置：1.1 采集和数据预处理 (Page 4-5)
• 描述：论文分两次采集数据，明确指出了使用不同批次、不同分辨率的设备（Kinect V2 与 Azure Kinect），且各项参数及时间线完全符合现实发展逻辑，不存在“穿越”使用未上市设备的问题。
• 证据：第一次采集在2020年7月，使用深度分辨率512×424的 Kinect V2；第二次在2022年7月，使用深度分辨率1024×1024的 Azure Kinect。论文于2024年1月21日收稿。
• 严重程度：✅
• 复核状态：✅ 成立

耿同学辣评

计算机视觉算法论文造假重灾区，但这篇论文的取证结果可以说是“清流”。表2里那个极高的前体高标准差（2.199），恰恰是猪低头导致点云截取翻车的铁证——造假党最喜欢用随机数生成器一键生成平滑完美的误差表格，绝不会给自己挖这么个不完美的坑。至于机器查出的图片复用和同源报警？拜托，拿同一头猪的同一个点云去对比“AI预测点”和“人工标记点”，本来就是计算机视觉论文的标准操作，要是这俩图不一样那才叫造假呢！时间线、设备参数也全部经受住了考验。

建议后续行动

• （无需执行）文本和视觉未发现核心数据造假证据。
• 建议作者在开源仓库公开模型代码与部分去敏点云数据集，以进一步提升学术公信力。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。