《AgriEngineering》:Deep Learning and Thermal Imaging Approaches for the Assessment of Feather Coverage in Cage-Free Laying Hens
Samin Dahal,
Bidur Paneru,
Anjan Dhungana and
Lilong Chai
编辑推荐:
蛋鸡的羽毛覆盖度是其生产力和福利的重要指标。传统的手动羽毛评分程序费力、主观且对鸡只造成应激。热成像技术(Thermography)为解决这些问题提供了现代替代方案。热像仪捕捉辐射热损失,而羽毛缺失区域的辐射热损失相对更大。已有研究试图建立与特定羽毛缺失区域相
蛋鸡的羽毛覆盖度是其生产力和福利的重要指标。传统的手动羽毛评分程序费力、主观且对鸡只造成应激。热成像技术(Thermography)为解决这些问题提供了现代替代方案。热像仪捕捉辐射热损失,而羽毛缺失区域的辐射热损失相对更大。已有研究试图建立与特定羽毛缺失区域相关的标准温度范围。然而,此类基于温度的方法相互不一致。相比之下,本研究利用深度学习技术,通过热图像自动评估背部羽毛评分。研究人员捕获了不同羽毛损伤程度的非笼养蛋鸡背部热图像(n=1575)。进行了手动羽毛评分,根据羽毛缺失严重程度的增加将图像分为羽毛评分(0–2)。共筛选出1222张图像,过滤掉了质量较低的图像。训练并评估了两种计算机视觉模型:分类模型和物体检测模型。训练了一个定制的卷积神经网络(CNN)将热图像分类为羽毛评分类别。此外,研究人员训练并优化了You Only Look Once(YOLO)物体检测模型,以检测羽毛损伤区域并预测羽毛评分。CNN模型实现了0.81的总体准确率,对严重羽毛缺失具有高精度。基于YOLO的物体检测模型在YOLO11n上达到最优,实现了0.81的精度、0.73的召回率以及0.5交并比(IoU)下0.84的平均精度均值(mAP)。结果表明,将热成像与深度学习技术相结合进行客观、自动和可扩展的羽毛评分程序具有潜力。未来的研究应关注数据多样性、多部位评分和语义分割以实现稳健性能。
论文解读文章
蛋鸡的羽毛覆盖度既是生产性能(如饲料转化率和产蛋率)的重要影响因素,也是动物福利的关键指标。传统手动羽毛评分方法依赖人工操作,不仅耗时费力、主观性强,而且在抓取和限制鸡只过程中易引发应激反应,影响鸡只福利。热成像(Thermography)技术通过检测羽毛缺失区域辐射热损失来间接评估羽毛覆盖度,但以往基于固定温度阈值的标准化方法因环境参数(如温湿度)变化而难以统一,不同研究间的温度范围不一致。为克服上述局限性,研究人员提出将深度学习(Deep Learning)与热成像相结合,实现客观、自动且可规模化部署的羽毛评分。该项研究发表于《AgriEngineering》,旨在通过比较分类模型与物体检测模型的性能,为精准家禽养殖提供技术支撑。
研究人员为开展研究主要采用了以下关键技术方法:在非笼养实验设施(美国乔治亚大学家禽研究设施)中,使用FLIR T530热像仪(发射率0.98,固定高度0.8 m,环境温度约20 °C)获取80–86周龄Lohmann LSL-Lite蛋鸡背部热图像(n=1575)。依据Welfare Quality Network(2019)协议进行手动羽毛评分(0=轻微或无缺失,1=中度缺失,2=严重缺失),筛选出1222张高质量图像。分类模型采用自定义卷积神经网络(CNN)(2个卷积层、全局平均池化、全连接层,15个epoch,Adam优化器),检测模型采用YOLO11n(100个epoch,使用CVAT.ai对羽毛缺失区域标注边界框,仅标注评分1和2)。数据集划分:分类任务80%训练/20%验证,检测任务70%/20%/10%训练/验证/测试。
研究结果如下:
**3.1 分类(Classification)**
**3.1.1 性能指标(Performance Metrics)**
分类模型在训练后验证准确率达0.81,微平均精度、召回率和F1-score均为0.81,但宏平均F1-score仅0.68,表明类别间性能差异。模型对严重羽毛缺失(评分2)表现出高精度(0.91)、召回率(0.9)和F1-score(0.9),而对中度缺失(评分1)性能较差(精度0.61、召回0.4、F1-score 0.48)。
**3.1.2 混淆矩阵(Confusion Matrix)**
模型对评分2的准确率为0.9,评分0为0.78,评分1仅0.4。误分类主要集中在评分1和评分0被误判为评分2(分别占26%和19%),而评分2误判为评分0或1的比例较低(均≤5%)。
**3.2 检测(Detection)**
**3.2.1 性能指标(Performance Metrics)**
最优检测模型YOLO11n在测试集上实现精度0.81、召回率0.73、mAP50(0.5交并比下的平均精度均值)0.84。训练损失稳定下降:边界框损失从1.62降至0.83,分类损失从2.92降至0.52,分布焦点损失从1.29降至0.8。验证损失在约75个epoch后下降趋缓。
**3.2.2 混淆矩阵(Confusion Matrix)**
检测模型对评分2的准确率达0.96,对评分1为0.75。误分类主要表现为评分1被误判为背景(20%)或评分2(5%),评分2误判为背景(3%)或评分1(1%)均较少。评分0因无标注区域而被视为背景,未在矩阵中单独列出。
**3.2.3 模型测试(Model Test)**
以0.65为置信度阈值,模型可正确检测无缺失区域(评分0,无边界框)、中度缺失(评分1,边界框置信度0.68)和严重缺失(评分2,边界框置信度0.85)。若图像中出现多个检测框,取最高评分作为最终羽毛评分。
讨论部分总结:分类模型和检测模型均能可靠识别严重羽毛缺失,但对中度缺失的区分能力有限,这与数据集类别不平衡及中等程度特征不鲜明有关。分类模型推理速度快、无需详细标注,适合大规模快速筛查;检测模型可定位缺失区域,对中度缺失的识别准确率(0.75)优于分类模型(0.4),但推理时间更长。两者结合可构成更稳健的自动监控管线。研究局限性包括:数据集规模较小(1222张)、仅来自单一设施同一品种、鸡只姿势(如展翅)导致的热伪影可能引起误判,以及未纳入生理因素(如换羽、代谢活动等)。未来方向应扩大数据多样性(年龄、品种、环境、体部位)、采用加权损失函数、数据增强和过采样策略,并探索多模态融合(热像、视觉、环境数据)以提升模型鲁棒性。
研究结论:研究人员证明了基于深度学习的热成像方法可有效评估蛋鸡背部羽毛评分。定制CNN分类模型实现约0.81准确率;YOLO11n检测模型实现精度0.81、召回率0.73、mAP50 0.84。分类模型适用于无需定位的应用场景,检测模型适用于需要精确缺失区域定位的场景。将模型集成到实时监测系统中,可提升商业家禽生产中羽毛评分的客观性和实用性。未来研究应扩大数据集规模与多样性,纳入不同日龄、品种、舍饲系统和环境条件的鸡只,以进一步提高模型鲁棒性和准确率。