使用增强型 YOLOv8 框架对笼养产蛋鸡进行轻量级多尺度行为识别

为何观察鸡群能保障我们的食物安全

鸡蛋是全球早餐桌上的常见食品，但下蛋的母鸡常被圈养在拥挤的笼中，早期的疾病或压力迹象容易被忽视。本研究展示了一种紧凑的人工智能系统，能通过摄像头监控笼养产蛋鸡，自动识别与健康和福利相关的关键行为，并且速度足以在简单的农场硬件上运行。该工作指向一种愿景：安静的数字哨兵能实时标记异常，帮助维持鸡群健康并保障蛋品产量的稳定。

摄像头如何变成安静的饲养助手

研究人员首先搭建了一个能在商用鸡舍的粉尘、噪声和长日照环境中运行的实用监测平台。他们在南京一家大型农场的每层叠放笼架上安装摄像头，连接到低功耗的 Jetson Nano 小型计算机与电池组。摄像头在数周内从清晨到傍晚记录鸡群的活动，捕捉它们的移动、进食与互动。为保证图像有效，团队剔除了强阴影、模糊或被遮挡的帧，仅保留典型鸡舍生活的清晰快照。

将原始视频转为带标签的鸡只行为数据

在收集的数千帧视频中，科学家们使用开源软件精心标注了 2,035 张图像。他们聚焦于四类与头部相关的行为：正常进食、张口呼吸、自啄以及啄其他鸡。这后三类常被视为预警信号，先前研究将其与呼吸问题、疼痛或社会压力联系起来。在每张图像中，专家为鸡的头部画出边框并分配四类之一。随后将数据集划分为训练、验证和测试集，使计算模型可以在部分数据上学习，并在未见过的图像上进行公平评估。

更精简、更敏锐的数字观察者

系统的核心是对一种流行目标检测模型 YOLOv8 的改进版本。团队重构了其内部结构，使其能够高效识别小而密集的鸡头，而无需大型计算资源。他们替换为更轻量的构件以减少重复计算，加入一种注意力机制帮助模型聚焦于喙等重要区域，并采用智能上采样步骤以锐化微小目标的轮廓。同时引入新的训练方案，对难以分类的样本（例如部分被遮挡的个体）赋予更高权重，使学习更稳定且不偏向简单样本。

系统对鸡只行为的识别效果如何

在路口农场（Lukou）数据集上的测试表明，升级后的模型在保持小型化、适合实时运行的同时，达到了较高的目标行为识别准确率。与标准 YOLOv8 版本相比，其整体检测性能有所提升，模型体积减少近四分之一，计算需求也降低。系统在识别进食、自啄和互啄方面表现尤其出色，常见准确率评分超过 93%。而张口呼吸作为一种短暂且细微的动作，容易与啄食混淆，识别难度更大，精确率较低，尽管模型仍能检测到许多真实实例。作者指出，重叠的鸟体、笼条遮挡以及光照变化都会使单帧图像中这种行为更难区分。

这对未来智慧农场意味着什么

针对非专业读者，核心信息是农场可以开始使用相对简单的摄像头与精简的 AI 模型，持续监测鸡群福利，自动统计鸟只的进食频率、自啄或互啄行为。尽管系统并不完美，且目前仅在一座农场和一种禽类上测试，但已表明自动行为监测可在真实鸡舍环境与有限硬件上可行。通过引入更多样化的数据和基于短视频片段而非单帧的模型，这类工具有望成为早期预警系统，在问题扩散前提醒养殖者，从而同时促进动物福利与蛋品供应的稳定。

引用: Tang, Y., Wei, J., Xie, B. et al. Lightweight multiscale behavior recognition for caged laying hens using an enhanced YOLOv8 framework. Sci Rep 16, 14936 (2026). https://doi.org/10.1038/s41598-026-43523-7

关键词: 产蛋鸡, 动物行为, 计算机视觉, 智慧养殖, 家禽福利