一种在无需补充照明的商业笼养鸡舍中进行死鸡检测的低应激且准确的方法

《Computers and Electronics in Agriculture》：A low-stress and accurate method for dead chicken detection in commercial caged poultry houses without supplemental lighting

　　

• •
  在无补充照明条件下实现了准确、低应激的死鸡检测。
• •
  所构建的成像模块提高了图像可见度并减少了遮挡。
• •
  LEAFNet 有效解决了弱光、遮挡和不规则尸体姿态的问题。
• •
  轻量级变体以 0.6 M 参数实现了 98.1% 的死鸡平均精度 (AP)。

引言

受鸡蛋需求上升、环境压力增加和土地资源缩减的驱动，具有高空间利用率和生产效率的高密度多层笼养系统在亚洲、拉丁美洲和非洲等地区的蛋鸡养殖中得到了广泛应用（FAO, 2025, Maciel et al., 2024, Semwogerere et al., 2018）。在这种集约化生产条件下，如何在持续提高生产效率的同时有效保障动物健康与福利，已成为现代农场管理的主要挑战之一（Neethirajan, 2022, Schillings et al., 2021）。在日常农场运营中，及时检测和移除死鸡是农场工人的首要任务，因为这种做法可以维持动物健康和良好的卫生状况，同时显著降低疾病传播的风险（He et al., 2022, Schuck-Paim et al., 2021）。

随着传感技术的进步，行业开始利用机器视觉替代人工进行劳动密集型的死鸡检测任务。然而，目前中国大多数商业笼养鸡舍采用的照明布置是上下交替照明，导致整体光照相对昏暗。这种设置还会在笼层之间、笼内外以及不同养殖区域之间造成显著的光照差异。为了获取清晰的图像，研究人员构建了安装在移动平台上的带光源视觉模块，逐个鸡笼拍摄图像。通过集成深度学习算法，系统能够实现死鸡的自主检测（Ma et al., 2024）。Wu 等人（2025）在工业 RGB 相机上方安装了方形白色 LED 光源以提供补充照明。为了增强模型从不规则目标中提取特征的能力，将可变形卷积引入主干网络，使网络能够适应死鸡的姿态形变和形状变化。

尽管补充照明可以缓解鸡舍照明不足的问题，但不适当的照明条件可能会给产蛋鸡带来额外的干扰，可能导致产蛋量下降（Abo-Al-Ela et al., 2021）。由于死鸡和活鸡体表温度的显著差异，能够获取详细温度信息的热红外相机被引入作为检测死鸡的替代方案。Muvva 等人（2018）研究了利用配对的热成像和可见光图像在鸡舍中自动识别死鸟。他们的方法从热成像中提取活鸟，从可见光图像中提取所有鸟，然后通过将处理后的热成像从处理后的可见光图像中减去来识别死鸟区域。结果显示，对于较年轻的鸟，该方法准确率很有前景，但随着鸟的年龄增加，由于体温与背景温度梯度的减小以及身体交互的增加，性能有所下降。Quoc 等人（2024）使用固定热相机对产蛋鸡进行连续监控。他们的方法首先使用 YOLOv8（Ultralytics, 2023）检测低温感兴趣区域，然后应用光流来确定这些区域是否随时间保持静止，从而识别疑似死鸡。虽然热红外相机可以缓解照明限制并在一定程度上避免补充照明带来的额外鸡群干扰，但其有限的温度测量精度和相对较低的图像分辨率限制了其在实际死鸡检测中的有效性。当鸡刚死亡时，其体表温度接近活鸡，使得准确识别具有挑战性。而且，随着死亡时间的推移，死鸡的体表温度逐渐与环境温度趋于一致。在现有研究中，移动式检查方法因此通常依赖于间接推断而非明确的死目标识别，而固定热成像监控通常需要长时间观察以确认持续静止的目标。然而，在需要高效大规模检查和灵活监控的商业蛋鸡农场中，这两种策略的实用性都有限。

为了进一步克服单一传感器的局限性，研究人员使用多种传感器并开发多模态融合算法，利用不同传感器之间的互补信息来增强检测鲁棒性。Luo 等人（2023）构建了一种集成的移动式多源成像设备，结合热红外相机和深度相机进行热红外 (TIR)、近红外 (NIR) 和深度采集，并使用深度引导的像素级配准来对齐这些模态。他们的最佳结果达到了 99.7% 的 AP50（交并比阈值为 0.5 时的平均精度），而对比实验进一步表明，尽管系统复杂性和标定需求增加，但三源设置在性能上没有明显优于最佳双源组合。Yang 等人（2026）开发了一种基于 Transformer 的 RGB-T 框架，集成 MCIFusion-Mamba 和改进的 RT-DETR-R18，用于同时检测异常和死产蛋鸡，死鸡检测的 AP50 达到 96.8%。Wu 等人（2026）构建了一种结合 RGB 相机和热红外相机的双模态成像系统，安装在喂料车上，用于商业笼养鸡舍的死鸡检查。为了实现时空同步，将 RGB 图像从 1280 × 1024 映射到热成像分辨率 384 × 288，不可避免地减少了精细纹理信息。他们进一步提出了具有自适应 RGB-T 特征融合的 DS-DCDNet，死鸡检测的 AP50 达到 97.5%。与加权融合相比，DS-DCDNet 将 mAP50（交并比阈值为 0.5 时的平均平均精度）提高了 1.0%，死鸡 AP50 提高了 1.7%，表明中层双流融合优于像素级早期融合。多传感器融合方法不仅可以避免给鸡带来应激，还可以有效提高死鸡检测的准确性。然而，多传感器系统结构相对复杂，使用前需要校准（Fu et al., 2020）。而且，跨模态配准通常涉及将高分辨率 RGB 图像下采样以与低分辨率模态的分辨率对齐，这可能导致精细纹理细节的损失。此外，收集的大量数据对后续的计算处理和硬件性能提出了很高的要求。而且，整个系统的成本要高得多。

除了改进成像系统以应对笼养鸡舍照明不足和不均匀的挑战外，一些研究人员还试图通过图像增强技术处理无补充照明捕获的 RGB 图像来缓解此问题。Yang 等人（2024）首先应用去网算法移除网孔遮挡，并在数据增强期间引入 Retinex 增强以恢复暗区细节，从而提高了弱光区域鸡的轮廓和纹理的可见度。他们的结果表明，Retinex 增强与数据增强的结合有效减少了暗笼区域的漏检。为了便于轻量级部署，他们进一步用 MobileNetv3（Howard et al., 2019）替换了 YOLOv7（Wang et al., 2023）主干网络，并通过知识蒸馏恢复了压缩模型的性能下降，蒸馏后死鸡检测的 AP50 为 86.2%，计算量为 40.7 GFLOPs（十亿次浮点运算每秒）。结果表明，Retinex（Land, 1977）增强技术为上述问题提供了一种替代方案。然而，由于它主要是作为数据增强策略引入的，而不是集成到检测网络本身中，其改进仍然有限，并且整体流程仍然涉及多个处理阶段，计算需求相对较高。

总之，照明是使用视觉技术进行死鸡检测的核心挑战。现有研究表明，成像系统优化和算法改进都是解决此问题的有效方法。然而，笼养鸡舍的照明分布仍然不清楚。目前的 RGB 成像系统通常依赖补充照明，这可能导致鸡的应激反应。多传感器成像系统成本相对较高。而仅使用图像增强算法带来的改进有限。而且，笼具结构、鸡蛋和鸡造成的遮挡，以及死鸡的不规则姿态进一步损害了基于视觉的检测精度。这些瓶颈限制了现有死鸡检测技术在实际养殖场景中的应用性能和普及。因此，明确笼养鸡舍的照明分布模式，据此设计合适的成像模块，并将其与特定任务的轻量级算法优化相结合（Zhou et al., 2020），可能为笼养鸡舍的死鸡检测提供更准确、低应激的解决方案。

因此，本研究的目的是提出一种笼养鸡舍死鸡检测的低应激且准确的方法。为实现这一目标，首先量化了商业笼养鸡舍的照明分布。在此基础上，构建了一个无补充照明的高灵敏度 RGB 成像模块，并根据笼具几何结构进一步优化其安装位置，以实现笼深可见度和笼前遮挡之间的平衡。随后，提出了一种低光照感知增强与自适应特征网络（LEAFNet），以提高弱光、遮挡和死鸡不规则姿态下的特征表示和检测性能。最后，建立了一个具有掩码生成式蒸馏的压缩轻量级变体，以在保持低计算复杂性的同时补偿模型压缩导致的性能损失。

章节片段

实验农场

本研究在中国浙江省建德市的一个商业笼养鸡舍——吉和家农场进行。实验在标准的四层 H 型多层笼养鸡舍中进行，每个鸡舍长约 80 米，宽 18 米，总共容纳约 5 万只产蛋鸡。每个鸡舍内，10 排笼架沿纵向排列。每个笼架总高 280.0 厘米，底层抬高

环境照明分布

商业笼养鸡舍的环境照明低且不均匀，笼层之间和笼内区域存在明显的亮度梯度。为了量化这种分布，根据鸡舍内的上下交替照明布置和笼具结构，在多个位置测量了环境照明，并将原始数据转换为对数标尺（图 9）。第 1 层到第的照度中位值

结论

该方法实现了无补充照明条件下笼养鸡舍死鸡的低应激和高准确度检测。上下交替照明导致不同笼层、笼内外以及每个笼内不同位置的照度存在显著差异。专门设计的 RGB 成像模块表现出高灵敏度和宽动态范围，确保了一致清晰的可见度和

伦理声明

本研究符合以下动物福利和/或报告指南：关于管理事务的条例

利益冲突声明

作者声明不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。

Yi Lu|Dihua Wu|Zhenghao Fei|Di Cui