《Smart Agricultural Technology》:Multi?behavior recognition and health assessment of laying hens using RSA?YOLO under welfare?oriented farming
编辑推荐:
摘要:在福利导向(welfare-oriented)养殖中,蛋鸡行为是重要的健康指标,但自动化评估常受限于现有技术。本研究提出一种基于改进RSA-YOLO模型的多行为识别与健康评估框架。通过在YOLOv11n中集成RFAConv(Receptive-Field
摘要:在福利导向(welfare-oriented)养殖中,蛋鸡行为是重要的健康指标,但自动化评估常受限于现有技术。本研究提出一种基于改进RSA-YOLO模型的多行为识别与健康评估框架。通过在YOLOv11n中集成RFAConv(Receptive-Field Attention Convolution)、C3k2_KSFA(Kernel Selection & Spatial-Spectral Feature Aggregation)模块及ATFL(Adaptive Threshold Focal Loss),该轻量化模型(2.75 M参数)对六类行为(站立standing、采食feeding、栖木栖息roosting、理羽preening、啄羽feather pecking、静卧resting)达到88.3% mAP@50,优于基准模型。研究人员构建了以采食、活动及静卧行为加权计算的健康综合指数(Health Composite Index, HCI)。试点研究表明,健康参照鸡笼HCI(98.2)及采食占比(32.6%)均高于发生死亡鸡笼(分别为70.1与12.4%)。本试点研究中,采食减少等行为变化较产蛋率下降提前约一周出现,表明该框架具早期预警潜力。该研究为禽场健康监测提供了自动化定量工具。
论文解读:福利导向养殖模式下基于RSA-YOLO的蛋鸡多行为识别与健康评估
研究背景与意义
现代蛋鸡生产中,消费者日益关注动物福利,福利导向养殖需在维持生产的同时保障动物健康。动物健康状态常通过行为改变反映,如采食减少、静卧增加与疾病相关,但传统人工观察耗时且无法24小时监测,可穿戴设备成本高并引致应激反应,现有深度学习模型多关注少数行为且忽视轻量化设计,难以部署于小规模农场,也缺乏综合健康量化指标。为此,研究人员以山东农业大学团队(Pu et al.)开展本研究,旨在设计轻量高精度行为识别模型(RSA-YOLO)并结合多维健康综合指数(Health Composite Index, HCI 健康综合指数),验证其在福利导向养殖中对鸡群健康恶化早期预警与精准管理的可行性。相关成果发表于《Smart Agricultural Technology》。
主要关键技术方法
研究人员选用52周龄金粉6号(Jinfen No.6)蛋鸡30只分两笼(15只/笼,3 m×2 m×2 m地面平养),海康威视DS-2CD3T86FWDV3-LS摄像头顶视+双侧视70°采集24 h视频(3840×2160,20 fps),抽帧得2840张标注图像(X-AnyLabeling,TXT格式),经数据清洗、水平/垂直翻转、HSV调整、缩放、剪切增广为8520张,按7:2:1划分训练/验证/测试集。以YOLOv11n为基础,骨干网络标准卷积替换为RFAConv(感受野注意力卷积)以增强小目标与抗背景干扰能力;Neck中C3k2嵌入KSFA(核选择与空间-光谱选择模块,含空洞深度可分离卷积及空间-光谱选择机制)构成C3k2_KSFA,自适应融合多尺度特征缓解个体重叠混淆;分类损失改用ATFL(自适应阈值焦点损失,λ=3.5),动态区分难易样本缓解类别不平衡。模型训练300 epoch(Batch 16,lr0=0.001,Adam,weight_decay=0.0005,RTX 4090)。基于模型输出统计采食(feeding)、活动(movement=standing+feeding+preening+feather pecking平均帧间欧氏距离)及静卧(resting+roosting)比例,以健康参照笼(Cage 1:采食32.6%、静卧17.5%、运动3.4 pixel)设定参考值(采食33%、静卧17%、运动3.5 pixel),分别计算采食得分(FS)、运动得分(MS)、静卧得分(RS,超17%线性惩罚),加权求和HCI=FS×0.4+MS×0.3+RS×0.3,开展两笼对照试点验证。
研究结果
3.1. Superior performance of the lightweight RSA-yolo model(轻量化RSA-YOLO模型的优越性能)
消融实验表明,加入RFAConv使mAP@50由83.2%升至84.9%(+1.7%),再加C3k2_KSFA达88.0%(+3.1%),最后引入ATFL达88.3%(+0.3%),参数量仅增至2.75 M、GFLOPs 7.9,证明三模块分别针对小目标特征提取、多尺度行为区分及难样本聚焦协同增效。与YOLOv3(104 M,mAP@50 91.0%)、YOLOv5n、YOLOv6s、YOLOv9t、YOLOv11n对比,RSA-YOLO mAP@50高出YOLOv11n 5.1个百分点,各类行为AP均优于或持平基线,其中最难识别的啄羽(feather pecking)AP达64.0%(较YOLOv11n +14.7%),可视化检测在复杂视角与遮挡场景下无漏检、误检及冗余框,验证其精度与泛化鲁棒性平衡,适合边缘端部署。
3.2. HCI and behavioral patterns effectively differentiate flock health status(HCI与行为模式可有效区分鸡群健康状况)
Cage 1(健康参照,产蛋率90.48%,无死亡)采食占比32.6%、静卧合计20.0%、HCI=98.2;Cage 2(发生啄羽致死事件)采食占比12.4%(↓62%)、日间栖木栖息占比31.5%(Cage 1为8.8%)、静卧合计31.8%、HCI=70.1。Cage 2虽平均运动距离略高(4.2 px vs 3.4 px),但因采食急剧下降致HCI大幅降低,印证喂饲权重(0.4)设置合理及需多指标综合评估。将六行为划为活跃(standing、feeding、preening、feather pecking)与静止(resting、roosting),Cage 1活跃行为占比显著高于Cage 2,与HCI高低一致,说明HCI可量化区分健康与亚健康/病态鸡群。
3.3. Behavioral indicators as early-warning signals for health decline(行为指标可作为健康下滑的早期预警信号)
相关性分析显示采食得分与HCI正相关、静卧得分负相关,运动距离无明确线性趋势。Cage 2啄羽致死事件前已出现采食骤减与静卧升高,且该行为异常较产蛋率可见下降提前约7天出现,证实采食与静卧比例结合HCI可先于传统生产指标发出健康预警。
讨论与结论总结
研究人员指出,本研究仅限金粉6号地面平养及两笼试点,后续需在更多品种、饲养模式及大样本中验证普适性。结论如下:本研究通过建立结合RSA-YOLO与HCI的蛋鸡行为识别—健康评估一体化框架,轻量化模型实现六类行为88.3% mAP@50,HCI成功量化鸡群健康差异,采食减少与静卧增加等行为偏移较产蛋率下降提前约一周出现。该非侵入式系统为福利导向禽业持续健康监测与早警管理提供了实用方案,有助于兼顾动物福利与生产效益提升。