一种用于猪异常检测的具有自适应行为建模的专家门控新型数据集与框架

《Information Processing in Agriculture》:A novel dataset and expert-gated framework with adaptive behavior modeling for pig anomaly detection

【字体: 大 中 小 】 时间:2026年05月29日 来源:Information Processing in Agriculture 7.4

编辑推荐:

  精准畜牧养殖要求具备稳健的异常检测能力,以保障猪只健康与福利。畜牧监测中的一个关键挑战在于实现可靠的早期异常检测,而现有大多数方法主要关注静态视觉特征,同时忽视了动态行为模式。当前解决方案主要采用单模型架构,例如用于视觉分析的卷积神经网络,或孤立的时间序列分类

  
精准畜牧养殖要求具备稳健的异常检测能力,以保障猪只健康与福利。畜牧监测中的一个关键挑战在于实现可靠的早期异常检测,而现有大多数方法主要关注静态视觉特征,同时忽视了动态行为模式。当前解决方案主要采用单模型架构,例如用于视觉分析的卷积神经网络,或孤立的时间序列分类器,但这些方法难以有效整合时间行为建模、自适应阈值确定以及多特征行为分析。为解决这些局限性,研究人员开发了一种综合性方案:通过多维特征分析进行健康行为模式建模,包括构建健康猪行为模式库,并结合遗传算法(GA)优化加权、基于聚类的自适应阈值确定以及门控混合专家(MoE)决策融合对该模式库进行增强。该行为模式库基于来自多个商业化猪场、850头猪共1480 h的视频数据构建,并由兽医人工标注了460个30 min片段。实验结果表明,所提出的完整MoE系统提升了检测准确性与鲁棒性,实现了85.3%的宏平均F1值、在5%假阳性率下84.9%的召回率、82.0%的早期检测率(EDR)以及95.0%的AUC-ROC。与最强基线模型XGBoost(F1 = 70.4%,EDR = 69.2%)相比,该方法的F1值提升了21.2%,EDR提升了18.5%。这些结果表明,所提出框架为猪只健康自动监测提供了一种实用且可扩展的解决方案,并在支持商业化畜牧系统中的疾病早期干预方面具有较强潜力。
该论文发表于《Information Processing in Agriculture》,围绕商业化养猪环境下猪只健康异常的自动早期识别问题,提出了一个集数据集构建、行为模式建模、时间异常分析与异构专家融合于一体的完整技术框架。研究背景在于,精准畜牧养殖 increasingly 依赖连续监测系统来保障动物健康与福利,但现实猪场存在遮挡、光照变化、群养干扰以及行为个体差异等复杂因素,使得异常检测模型既要具有较高准确率,又要具有真实部署条件下的稳定性。现有视觉方法多依赖姿态、颜色等静态外观特征,尽管通过改进YOLO、注意力机制、多目标跟踪等手段提升了检测鲁棒性,但本质上仍偏重视觉表征,缺乏对行为时间动态的刻画。另一方面,基于序列网络的行为识别虽尝试建模时间依赖,却在异质行为序列对齐、长期依赖建模以及多维健康指标联合分析方面仍存在不足。此外,不少基于行为阶段的方法依赖固定时间切分和启发式阈值,适应性有限,难以应对个体差异与猪场条件变化。因此,开展一项将多维行为特征、动态权重、自适应阈值与异构模型融合起来的研究,具有明确的方法学必要性与应用价值。

研究人员据此提出了一个自适应行为建模框架,用于猪异常的早期检测。该框架不再依赖预定义活动阶段或静态阈值,而是以健康猪只的多维行为特征为基础,构建数据驱动的行为模式库,涵盖采食、饮水、站立、卧躺和坐姿5类核心行为。在此基础上,研究引入遗传算法(GA)对行为特征权重进行自适应优化,以更合理地衡量不同行为指标在异常识别中的判别贡献;进一步设计时间异常专家(TAE),利用聚类边界分析与自适应阈值校准增强对细微时间偏离的感知能力;最后采用门控混合专家(MoE)决策框架,融合TAE与多种静态判别模型,从而提升不同环境条件和不同发育阶段下的鲁棒性。实验结果显示,完整MoE系统在宏平均F1值、5%假阳性率下召回率、早期检测率(EDR)和AUC-ROC等关键指标上均优于静态行为建模、传统机器学习基线、深度学习基线以及常规集成方法,说明该研究在复杂商业养殖场景中具有较强的实用性与可扩展性。

从方法上看,作者主要采用了以下关键技术:首先,基于多个商业化猪场850头Landrace/Yorkshire/Duroc杂交猪、1480 h视频和460个经3名执业兽医标注的30 min样本片段,构建异常检测数据集;其次,利用YOLOv11与ByteTrack从视频中提取个体行为轨迹,并量化5维行为特征;再次,以健康猪行为统计量建立基线模式,并通过Hotelling’s T2检验进行稳定性验证;随后,采用遗传算法(GA)优化特征权重,构建基于K-means++聚类边界和历史衰减的时间异常专家(TAE);最后,整合Extra Trees(ET)、Random Forest(RF)、XGBoost、K-Nearest Neighbors(KNN)与TAE,借助两层全连接门控网络和Top-2稀疏选择策略形成门控混合专家(MoE)系统。

3. Results and analysis
研究结果表明,完整MoE系统在综合性能上表现最佳。与单特征静态阈值法相比,所提方法的宏平均F1值从62.1%提升至85.3%,说明基于多维行为模式和专家融合的设计显著增强了异常识别能力。与表现最强的传统基线XGBoost相比,完整系统的F1值从70.4%提高到85.3%,AUC-ROC达到95.0%,在5%假阳性率下召回率达到84.9%,同时早期检测率(EDR)达到82.0%。论文据此指出,该框架不仅提高了分类准确性,也显著增强了早期预警性能,体现出时间建模与自适应决策机制的协同优势。

在特征权重优化方面,研究通过分析遗传算法的收敛过程发现,特征权重随着迭代逐渐稳定,F1值由启发式多特征基线的62.1%逐步提升到约64.2%。这一结果说明,遗传算法优化得到的行为权重配置优于经验设定权重,能够更有效地区分不同健康状态下的行为模式。该部分结果支持了动态特征加权的必要性,也为后续TAE和MoE模块提供了更优的输入表征。

在与深度学习基线的比较中,1D-CNN与LSTM分别取得63.5%和61.8%的F1值,均低于XGBoost,更明显低于完整MoE系统。研究人员指出,当前输入并非高频原始时序,而是30 min窗口聚合后的行为统计特征;同时样本规模仅为460个片段,在此数据条件下,高容量神经网络更易出现过拟合,其结构优势难以充分发挥。相比之下,所提方法通过TAE中的自适应阈值与历史衰减机制显式建模时间动态,因此在该特定任务和数据规模下更适合。

在ROC性能方面,完整MoE系统在整个假阳性率范围内保持较优的真正率,尤其在实际部署具有临床意义的5%假阳性率工作点上,仍能实现84.9%的召回率。这说明该系统在抑制误报的同时,能够维持较高灵敏度,满足养殖监测场景对稳定报警性能的需求。

在早期预警能力方面,完整MoE系统的EDR为82.0%,较最佳静态方法的61.8%提高32.7%,较最佳基线XGBoost的69.2%提高18.5%。这一结果与模型设计高度一致,即通过时间异常专家中的自适应时间阈值和时间敏感行为特征,实现对异常征兆的更早捕获。论文将这一点视为模型在健康管理应用中的重要价值,因为早发现往往直接关系到疾病干预时机和福利管理效果。

4. Discussion
讨论部分强调,该框架通过整合时间行为建模、自适应特征加权和专家融合,有效减少了由日常行为波动带来的误报,并提高了复杂群养环境中的监测鲁棒性,这对于精准畜牧系统的连续运行至关重要。为分析各组成模块的作用,研究开展了消融实验。去除动态权重模块后,F1值由85.3%降至80.8%,表明GA驱动的特征加权对行为判别具有实质贡献。关闭自适应时间阈值后,召回率由84.9%降至82.8%,EDR由82.0%降至80.2%,说明该模块对早期异常识别尤其关键。去除门控网络后,F1值降至78.8%,而EDR进一步下降至76.5%,提示门控机制不仅影响分类精度,更显著影响异常检测的时效性。讨论还结合混淆矩阵指出,咳嗽与足痛之间存在一定误分,反映两类异常在运动表现上可能具有部分重叠,但总体上三类行为的真阳性率较为均衡,说明模型具有较好的类别泛化能力。

在部署可行性方面,研究报告YOLOv11与ByteTrack组成的上游视觉管线在NVIDIA A100 GPU上可实现30 FPS处理速度,即33.3 ms/帧,能够匹配常规视频采集速率,说明连续监测条件下的特征提取不会成为瓶颈。以30 min窗口计,MoE推理耗时为8.9 ms,略高于单一XGBoost的6.2 ms,但内存占用为3.2 GB,仍处于可接受范围。结合性能提升幅度来看,该额外开销具有现实可接受性。论文同时指出两个限制:其一,在极端遮挡条件下系统性能下降12%–15%;其二,稳定的专家权重优化至少需要200个标注异常样本。这些内容被明确界定为当前局限,而非外推性结论。

研究结论部分指出:本研究提出了一个面向商业化养猪环境自动健康监测的猪行为异常检测框架及一个新型数据集。所提出方法通过整合自适应行为模式建模、动态特征加权和门控混合专家(MoE)架构,能够在复杂猪场条件下对个体和群体层面的行为变化进行稳健分析。实验结果表明,该系统在F1值、召回率、早期检测率和AUC-ROC方面均持续优于现有机器学习与深度学习基线。该框架为精准畜牧养殖提供了一种实用且可扩展的方法,并显示出支持商业化生猪生产系统中疾病早期干预与福利导向管理策略的较强潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号