基于两阶段深度学习的肉鸡禽痘实时识别数据高效框架研究

为解决禽痘对肉鸡健康与养殖经济的影响，研究人员开发了一种结合YOLOv8n目标检测与Deep SVDD异常识别的两阶段深度学习框架。该研究在仅使用1000张自定义图像数据集的情况下，实现了99.8%的鸡头定位准确率（mAP@50）和92.71%的异常检测准确率，为数据稀缺条件下的禽病监测提供了创新解决方案。

　　

禽痘病毒（Avipoxviruses）引发的肉鸡皮肤病变是困扰全球家禽业的重大健康威胁，传统人工检测方式效率低下且易漏诊。更棘手的是，早期病变图像数据极度匮乏，导致常规监督学习模型难以训练。这一困境直接制约了自动化监测系统的开发，而肉鸡养殖场亟需能实时识别禽痘的智能工具来降低经济损失。

针对这一挑战，研究人员设计了一种创新的两阶段框架：首先通过轻量化YOLOv8n模型精准定位鸡头（主要病变区域），再采用仅需健康样本训练的Deep SVDD（深度支持向量数据描述）网络识别异常。该研究构建了包含1000张农场图像的专属数据集，YOLOv8n在鸡头检测中取得99.8%的mAP@50近乎完美表现；而仅用健康头部分析的Deep SVDD模型，在外部验证集上实现92.31%的F1-score和97.67%的异常检测精度，特异性高达97.92%。

关键技术包括：1）基于农场实景图像构建鸡头检测数据集；2）采用YOLOv8n实现实时目标检测；3）设计三卷积块CNN架构的Deep SVDD特征提取器；4）利用互联网开源数据验证模型泛化能力。

研究结果显示：

1. 鸡头检测阶段：YOLOv8n在不同角度、遮挡条件下均保持稳定输出，为后续分析提供可靠ROI（感兴趣区域）。
2. 异常识别阶段：测试集中87.5%的禽痘病变被成功检出，且健康样本误报率仅2.08%。ROC曲线下面积（AUC）达0.99，证明模型具有极强的判别力。
3. 可视化分析：异常评分分布图显示健康与病变样本显著分离，验证了特征空间的良好构建。

这项研究的突破性在于：首次将工业缺陷检测领域的Deep SVDD创新应用于农业健康监测，通过"学习正常、识别异常"的范式，完美规避了病害样本稀缺的瓶颈。虽然当前测试数据规模有限，但框架展现的92.71%总体准确率已远超传统人工检测效率。未来通过融合多源农场数据和边缘计算优化，该技术有望成为禽类疾病智能监测的标准方案，为养殖业数字化转型提供关键技术支撑。论文成果发表于《Smart Agricultural Technology》，为农业AI在数据受限场景的应用树立了新标杆。