编辑推荐：
为解决单摄像头监测肉仔鸡易受设备遮挡、监测效果有限的问题，研究人员开展多摄像头肉仔鸡定位与追踪研究。提出多摄像头方案，引入 MVBroTrack 数据集，多视图检测管道性能稳健，新无监督追踪方法提升 IDF1 score 3% 等，助力家禽研究与养殖。
在现代化家禽养殖中，保障肉仔鸡的福利与健康是行业关注的重点。通过观察肉仔鸡的行为活动和健康状况，能够及时发现潜在问题，采取相应措施，提升养殖效益。然而，传统的监测手段面临诸多挑战。目前，许多研究仍依赖人工视频分析，这种方法不仅耗时费力，还容易受到观察者主观因素的影响，导致监测的持续时间和范围受限，难以捕捉到肉仔鸡行为中细微但重要的变化，无法满足对肉仔鸡进行全面、精准监测的需求。同时，现有的监测系统多采用单摄像头设置，其视野范围有限，且容易受到其他动物、饮水或喂食设备的遮挡，导致检测精度下降，监测结果不完整，无法对整个鸡舍内的肉仔鸡进行有效监测。
为了突破这些瓶颈，来自国外的研究人员开展了针对肉仔鸡的多摄像头检测与追踪技术研究，相关成果发表在《Computers and Electronics in Agriculture》。该研究旨在开发一种更高效、准确的肉仔鸡监测方法，以实现对肉仔鸡个体的全面定位和追踪，为肉仔鸡的行为研究和福利评估提供更可靠的数据支持。
研究人员采用了以下主要关键技术方法：使用四台同步且经过精心校准的摄像头，从顶部视角对鸡舍进行全面拍摄；采用 YOLO（You Only Look Once）目标检测模型，基于自定义的 MVBroTrack 数据集对模型进行训练，生成每个摄像头的边界框检测结果；将各视角的边界框检测结果进行融合，创建地平面检测图，并引入启发式方法来近似肉仔鸡的脚部位置；提出一种新的轨迹片段融合算法，对来自不同摄像头的轨迹片段在地平面上进行时空融合，以实现更准确的追踪。
多摄像头肉仔鸡数据集
该部分介绍了 MVBroTrack 数据集，包括数据收集过程中的鸡舍设置、摄像头配置、注释程序以及用于评估管道性能的指标。该数据集涵盖了肉仔鸡从 5 天到 38 天的整个生命周期，为研究肉仔鸡在不同生长阶段的检测和追踪提供了丰富的数据支持。
结果和讨论
在多视图检测方面，研究测试了 YOLO 模型的各种超参数设置，如模型大小和图像输入分辨率，并将微调后的性能与 YOLOV11X 的预训练性能进行了比较。结果表明，多视图检测过程实现了 85.8% 的多目标检测准确率（MODA）和 93% 的召回率，展示了该管道在不同肉仔鸡年龄阶段的稳健性。在追踪方面，与传统的基于检测的追踪范式相比，新提出的轨迹片段融合方法显著提高了追踪性能，将身份 F1 分数（IDF1）提高了 3%，大部分被追踪的肉仔鸡比例增加了 5%，突出了该方法的有效性。
结论
本研究提出了一种多摄像头的肉仔鸡个体检测和追踪方法，结合先进的目标检测模型、动态点选择策略和精确的几何融合，实现了肉仔鸡定位的高准确性和稳健性。研究结果表明，该方法能够有效解决单摄像头监测中存在的遮挡和视野受限问题，为肉仔鸡的行为研究和福利评估提供了一种高效、准确的工具。新的轨迹片段融合方法提高了追踪性能，为肉仔鸡的连续监测提供了更可靠的技术支持。MVBroTrack 数据集和代码的公开提供，将有助于该领域的进一步研究和改进，推动家禽研究和养殖实践的发展，为提升肉仔鸡的福利和养殖效益奠定了坚实的技术基础。
