基于时空特征学习的鸡只行为识别与定位模型CBLFormer：提升高活动场景下的行为监测精度

针对家禽行为监测中行为转换时段识别精度不足的问题，浙江大学团队开发了基于时空特征学习的鸡只行为识别与定位模型CBLFormer。该模型整合级联编解码网络(CEDNet)、改进Transformer模块和加权距离交并比(WDIoU)损失函数，在测试集上实现mAP@0.5:0.95达98.34%，显著提升了对pantingr/pantinga等复杂行为边界的识别能力，为精准畜牧业提供智能化解决方案。

　　

在现代化家禽养殖业中，鸡只行为是评估健康状态和生产性能的重要指标。然而传统人工观察方法存在效率低下、主观性强等问题，而现有视频识别模型对行为转换时段的检测精度不足，难以满足高密度养殖场景的需求。特别是在高温环境下，鸡只的panting_r(躺卧喘息)与panting_a(站立喘息)等行为转换频繁，这些细微变化对评估热应激状态至关重要。针对这一技术瓶颈，浙江大学的研究团队在《Artificial Intelligence in Agriculture》发表了创新性研究成果。

研究团队采用多阶段技术路线：首先采集320只黄羽鸡在不同饲养密度(4-12只/m²)和年龄(4-8周)条件下的视频数据构建三个专用数据集；其次开发时空敏感预训练(TSP)模块进行特征提取；最终建立包含改进Transformer块、CEDNet结构和WDIoU损失的CBLFormer模型。通过迁移学习将模型适配至实际农场环境，并集成到时空行为检测系统中验证实用性。

研究结果显示：在模型架构方面，CEDNet贡献最大性能提升(98.00% mAP)，其多尺度特征融合能力显著优于传统FPN结构。可视化分析证实模型能准确捕捉行为转换边界，如从resting到activity的转换点分类得分峰值达0.98。在应用性能上，模型对panting_a行为的识别精度达99.8%，但对短时(<1s)行为转换的定位仍存在挑战，这主要源于部分行为(如饮水抬头动作)缺乏明确终止特征。

特别值得注意的是，研究揭示了两个关键发现：一是混合位置编码中的动态权重参数α能有效平衡全局与局部位置感知；二是WDIoU损失在α_d=0.6时达到最优，此时对行为区间重叠质量和中心点定位的平衡最佳。实际农场测试表明，经过迁移学习的模型mAP提升5.52%，但复杂光照条件仍会导致7.3%的漏检率，这为后续研究指明了改进方向。

该研究的创新价值体现在三个方面：首次将时序动作定位技术应用于家禽行为监测，提出针对panting_r/panting_a的细粒度分类策略，开发出计算效率(0.57 GFLOPs)与精度兼顾的轻量化模型。这些突破为建立自动化畜禽健康监测系统提供了关键技术支撑，对预防热应激引发的生产损失具有重要实践意义。未来研究可通过增加多品种、多视角数据来进一步提升模型鲁棒性，推动精准畜牧业的发展。