基于自监督视频异常检测与多目标追踪技术的火鸡异常行为识别研究

研究人员针对畜牧业中火鸡异常行为检测耗时费力的问题，开发了结合YOLOX检测、改进ByteTrack追踪（Byte3Track）和HF2-VAD自监督异常检测的集成算法。通过构建包含35,489只火鸡标注的数据集，实现了87.7% MOTA和92.1% AUROC的检测性能，显著降低了人工标注需求，为畜禽健康监测提供了自动化解决方案。

　　

在现代化畜禽养殖中，火鸡等家禽的异常行为往往预示着健康或福利问题。传统人工观察方式效率低下，而现有传感器技术如加速度计或RFID难以捕捉复杂行为特征。视频监控虽能提供丰富信息，但海量数据标注成为瓶颈——异常行为发生率低导致标注样本稀缺，且群体饲养环境中个体外观相似性给追踪带来挑战。

针对这一系列难题，来自哈尔滨工程大学的研究团队在《Computers and Electronics in Agriculture》发表创新成果。研究提出融合目标检测、多目标追踪(MOT)和自监督学习的集成系统：首先采用YOLOX模型定位火鸡位置，通过改进的ByteTrack算法（增加基于头部区域的第三关联步骤）实现个体追踪，最后利用HF²-VAD模型通过光流重建和帧预测误差检测异常行为。

关键技术包括：1) 构建含1,808帧/35,489只火鸡的检测数据集，通过颜色空间变换自动标注头部区域；2) 开发Byte³Track算法，引入改进交并比(modIoU)提升遮挡场景下的追踪稳定性；3) 采用包含多级记忆模块的ML-MemAE-SC网络进行光流重建，结合条件变分自编码器(VAE)实现帧预测。

研究结果显示：在4段2.5分钟测试视频中，改进后的Byte³Track较原版ByteTrack的MOTA提升8.2%至87.7%，身份切换次数(N_ID)减少166次。异常检测模型在7段测试视频中取得92.1%的AUROC，成功捕捉翅膀扑打、快速转头等异常行为。特别值得注意的是，在5分钟长视频测试中，改进算法仍保持85.4% MOTA和72.5% HOTA，证实其长期追踪可靠性。

讨论部分强调，该方法通过三项创新突破技术瓶颈：1) 仅需检测阶段标注数据，MOT和异常检测均采用自监督学习；2) 头部区域特征利用有效缓解群体饲养中的外观混淆问题；3) 运动与外观特征联合分析提升异常检测特异性。研究构建的三大数据集（检测、追踪、异常数据集）为后续研究提供重要基础。未来可扩展至其他畜禽行为分析，并开发实时预警系统，对推进智慧养殖和动物福利研究具有重要价值。