融合HVI颜色空间变换与可微直方图编码的轻量级低产蛋鸡识别模型

《Sensors》：Poor-Laying Hen Identification by Integrating HVI Color-Space Transformation and Differentiable Histogram

　　

识别低产蛋鸡对于减少饲料浪费具有重要意义，但人工视觉筛查劳动强度大。受产蛋状态与色素沉着关系启发，研究人员提出CHIC（Color-Histogram Integrated Classifier，颜色-直方图集成分类器），一种轻量级模型，将HVI（Horizontal, Vertical, Intensity，水平、垂直、强度）变换与学习特征激活及全局平均池化特征的可微直方图编码相结合。评估采用来自单一设施6个笼中20只母鸡的四类头腿图像块数据集，标签为笼级产蛋状态。在采用不同开发数据折的10次训练运行和固定帧级测试集上，CHIC在头部图像块和腿部图像块分别取得平均二分类F1分数92.21%和96.06%，超过MobileNetV4-S基线。该分类器具有269万参数，在NVIDIA Jetson Orin Nano Super上每图像块平均前向传递延迟为21.87 ms。组件比较显示配置依赖性效应；直方图集成亦使灰度输入受益，而采用HVI输入的均值-标准差池化取得与CHIC相近的平均性能。当检测到的头部和腿部区域预测聚合为母鸡级决策时，分类优势得以保持。然而，在未见过的笼上性能显著下降。这些发现支持CHIC作为自动化低产蛋鸡筛查的候选方案，但仍需在独立母鸡和农场中进一步验证。

研究背景方面，全球蛋鸡产业规模大，产蛋率是决定农场生产力和盈利能力的关键指标，而饲料成本占蛋鸡或鸡蛋生产总成本约60%–70%。低产蛋鸡消耗饲料与产蛋鸡相近但产蛋贡献低，因此早期识别和管理低产蛋鸡对减少饲料资源浪费、提高生产效率十分重要。传统识别主要依靠工人视觉检查或触诊，在大规模蛋鸡场中需反复检查大量个体，存在时间、劳动和判断一致性限制。精准畜牧养殖（PLF）中计算机视觉已用于动物检测计数、异常症状检测和不同舍饲条件下监测，但低产蛋鸡识别不同于一般检测、计数或行为识别，其关键视觉证据是产蛋状态相关的细微外部生理线索，尤其是喙和胫的黄色素沉着差异以及鸡冠颜色和形态变化。持续产蛋母鸡将体内叶黄素用于蛋黄形成，导致喙、脸和腿逐步脱色；低产蛋鸡因产蛋活动降低，色素向蛋黄转移减少，可能在喙、脸和腿保留较强黄色素沉着。因此头腿区域可作为低产蛋鸡识别的重要视觉线索。现有家禽视觉研究多集中于宏观形态或行为信息，近期深度学习低产蛋鸡识别多依赖普通RGB图像和CNN分类结构，未充分从光照和亮度变化中分离反映产蛋状态的色彩信息；RGB各通道中色度和亮度信息纠缠，舍内不均匀光照可能混合真实色素差异与简单亮度差异，妨碍模型稳定学习产蛋状态相关颜色差异。基于此，研究人员提出CHIC，将HVI颜色空间变换与可微直方图编码结合用于头腿图像低产蛋鸡识别。

研究人员开展的研究与结论意义方面，CHIC以HVI变换将色度分量与强度分离，并以可微直方图层编码骨干网络学习特征激活的分布，将分布描述符与全局平均池化特征融合分类。研究使用全南大学实验蛋鸡舍采集数据，6个笼共20只56周龄Hy-Line Brown蛋鸡，3笼产蛋鸡、3笼低产蛋鸡，笼级28天产蛋率用于验证现场筛查标签；构建四类头腿图像块数据集，并在10次不同开发数据折训练、固定帧级测试集上评估。CHIC在头部和腿部图像块平均二分类F1分别为92.21%和96.06%，超过MobileNetV4-S基线；模型参数2.69×10⁶，在NVIDIA Jetson Orin Nano Super上平均前向传递延迟21.87 ms；将检测到的头腿区域预测聚合为母鸡级决策时优势保持，但在未见笼上性能显著下降。该研究支持CHIC作为自动化低产蛋鸡筛查候选方案，同时指出需在独立母鸡和农场中进一步验证。

关键技术方法可概括为：样本来自全南大学实验蛋鸡舍6笼20只56周龄Hy-Line Brown母鸡，六台固定相机单日采集1794幅原图，裁剪头腿区域形成10523个四类图像块（训练8443、验证1022、测试1058），标签结合现场筛查与28天笼级产蛋率；以ImageNet-1K预训练MobileNetV4-S（width 0.5）为骨干，输入224×224，经HVI变换，Stage 4特征接可微直方图层（2 bins、kernel 3、soft-binning），与全局平均池化特征拼接分类；300 epochs AdamW、余弦退火、warmup 5、label smoothing 0.1、batch 16；采用10折开发数据训练与固定帧级测试，并在Jetson Orin Nano Super测延迟；另用YOLO26n构建检测-分类端到端流水线、三折笼不相交评估及t-SNE、Grad-CAM、SAM3分析。

研究结果方面，4.3 性能评估（Performance Evaluation）：在十次不同开发数据折训练、固定帧级测试下，CHIC总体F1及头、腿F1最高；HVI单独使头F1升、腿F1降且总体无改善，加入直方图分支提升两区域；CHIC总体F1变异最低，参数2.69×10⁶、延迟21.87 ms；混淆矩阵显示腿内和跨部位混淆减少，二分类头腿均提升且腿部更大，t-SNE类簇更紧凑，Grad-CAM更集中于头腿区域；跨骨干比较中CHIC仅提升MobileNetV4-S，未提升EfficientNetV2-b0和GhostNetV3-100。4.4 消融研究（Ablation Study）：通过组件、光照、饱和度、直方图配置等实验考察贡献与稳定性。4.4.1 组件级消融与颜色空间比较：直方图分支提升所有输入表示的平均F1，HVI在无直方图时最高，CIELAB加直方图最高；灰度输入亦从直方图集成受益但低于彩色输入。4.4.2 光照相关扰动鲁棒性：HVI-only平均下降小于RGB，直方图配置在亮度、对比度、gamma扰动下平均F1更高，CHIC与RGB+直方图平均下降相近。4.4.3 色度敏感性分析：饱和度降低总体性能下降，RGB+直方图在强去饱和下最高；模拟CCT（相关色温）强偏移时所有模型显著下降，CHIC在2700 K最高但其他白点表现不一，无模型对强未校正色度偏移稳健。4.4.4 直方图层配置敏感性：Stage 4平均最高但范围窄；早期附着仅保留直方图特征更好，Stage 4单分支略高于融合；bin数变化窄，4 bins测试最高、16 bins验证最高。4.4.5 与统计池化比较：均值-标准差池化接近CHIC，HVI-Mean-Std与CHIC接近且无一致优势，RGB-Mean-Std总体最高。4.4.6 未见笼泛化：三折笼不相交测试中所有模型测试F1远低于验证，CHIC平均测试最高但由94.82%降至60.51%，腿部波动大。4.4.7 笼身份与输入扰动分析：笼身份可由特征预测，直方图增强模型探针准确率更高；背景移除比padding移除降低更多，CHIC在两种条件下F1最高，但不能确定因果。4.4.8 手工颜色特征分类：颜色直方图优于颜色矩，HVI在颜色矩最好、HSV在颜色直方图最好；去padding一般提升、去背景不一致，最高仍低于CHIC。4.4.9 与既往研究比较：CHIC总体F1最高且头腿均优；MobileNetV3-S参数和延迟最低但F1较低，ConvNeXt-Tiny较高但CHIC参数更少且F1更高，延迟高于ConvNeXt-Tiny低于SE变体。4.5 端到端流水线评估：同一YOLO26n检测器下，CHIC区域级E2E成功率和联合mAP@0.5:0.95更高，母鸡级E2E成功和分类准确率更高；CHIC母鸡级分类准确率98.38%，全标注母鸡E2E成功率79.00%，检测覆盖和部件分配限制全流程。

讨论部分总结：与既往RGB外观分类和专用高光谱传感方法相比，CHIC显式分离色度与亮度并编码特征分布；贡献在于将产蛋状态与色素沉着的生理动机纳入颜色变换和特征分布编码结合的分类架构，将原用于低光增强的HVI颜色空间转为生理动机输入表示，并将可微直方图层用于畜牧图像学习特征值分布编码。组件比较显示收益依赖配置：HVI单独并非始终更优，HVI输入的均值-标准差池化接近CHIC，CHIC集成未提升所有骨干；敏感性分析涉及附着阶段与卷积核或bin数与通道维度的耦合变化，未确立2 bins为最优。实际部署使用商品RGB相机和轻量模型，CHIC在边缘设备延迟21.87 ms，部署流程为固定相机图像经轻量检测器定位母鸡及头腿区域，裁剪后由CHIC输出图像块产蛋/低产概率，再按母鸡箱聚合为筛查分数，超阈值个体转人工核验；端到端评估表明同一检测器下CHIC在区域和母鸡箱级保持优势，但检测漏检和部件分配失败限制全流程。局限包括：产蛋状态标签为笼级，不能捕捉笼内个体差异，初始筛查包含色素相关性状，结果不能视为色素沉着生理机制的独立验证；图像来自单一实验蛋鸡舍单日六台固定相机，同一母鸡可出现在多帧，图像级划分不保证个体级独立，未见笼评估性能显著下降，笼身份探针和输入扰动提示可能对笼相关信息及视觉背景敏感但未分离原因；光照分析依赖合成扰动，CCT模拟仅近似sRGB域色度变化且未做白平衡校正；评估限于单一品种；端到端性能受检测覆盖和部件分配限制。研究结论翻译：本研究提出CHIC，一种用于低产蛋鸡识别的轻量级图像分类架构，动机为产蛋状态与蛋鸡头腿区域色素沉着模式之间的生理关系。CHIC设计结合颜色空间变换与学习特征分布的显式编码，以区分低产蛋鸡与产蛋鸡。CHIC整合两个组件：HVI颜色空间变换分离色度分量与强度分量；可微直方图层编码HVI变换输入提取特征的分布特征，并与全局平均池化表示融合。通过将轻量骨干空间特征与直方图分布特征结合，CHIC形成用于低产蛋鸡识别的联合表示。实验结果表明，基于MobileNetV4-S的CHIC模型相对width-0.5 MobileNetV4-S基线改善头部和腿部图像块产蛋状态判别，参数2.69×10⁶，在NVIDIA Jetson Orin Nano Super上每图像块平均前向传递延迟21.87 ms。组件级消融显示HVI变换和直方图集成的收益依赖配置，HVI输入的均值-标准差池化取得接近CHIC的性能；跨骨干比较显示MobileNetV4-S上的改善未扩展至所有测试骨干。进一步分析中，混淆矩阵和t-SNE支持类别判别改善，Grad-CAM和定量注意分析显示与头腿区域更大的空间对齐但未识别具体视觉线索；光照鲁棒性分析表明CHIC在亮度、对比度和gamma相关变化下较RGB基线保持更稳定性能；饱和度敏感性分析和灰度训练比较支持色度信息有用，直方图集成在灰度输入下的收益表明其贡献不限于颜色信息；所有模型仍对强模拟色温偏移敏感，凸显白平衡控制重要性。局限包括单实验舍、笼级标签、未见笼性能下降、跨农场未验证、单品种、全流程受检测覆盖和部件分配限制；未来工作需在更多样商业鸡舍条件（不同农场布局、笼结构、相机视角、遮挡模式和品种）下验证CHIC，改进遮挡和姿态变化下头腿区域定位，开展多会话采集、个体级划分和独立验证个体产蛋记录，并在资源受限边缘设备评估全检测-分类流水线延迟和部署性能。