结合公共与现场数据集及异构检测器融合的商业肉鸡舍肉鸡检测与计数

《Agriculture》：Combining Public and On-Farm Datasets for Deep Learning-Based Broiler Detection and Counting in a Commercial Broiler House

　　

国内肉鸡产业的高密度饲养环境导致鸡只相互重叠和遮挡，这是基于目标识别的监测性能下降的主要因素；因此，对基于视频的自动化分析技术的需求日益增长。为此，研究人员通过将公共数据集与现场闭路电视（CCTV）数据集相结合以确保现场适应性，并整合异构检测器融合与多目标跟踪，建立了一个从目标检测到个体计数的集成视频监测流程。通过将AI-Hub智能禽舍肉鸡视频数据集与从商业化肉鸡养殖场采集的CCTV影像相结合，构建了训练数据集。基于卷积神经网络的YOLOv8m和基于Transformer的RT-DETR-L被独立训练，随后使用加权框融合（WBF）对其预测结果进行融合。应用ByteTrack进行跟踪以维持目标身份跨帧一致性，并实现了虚拟线穿越计数算法，以自动确定跟踪轨迹与视频内设置的虚拟线的交点，从而按方向计算目标的累积数量。实验结果表明，经过现场数据训练后，基于YOLOv8m的模型在交并比（IoU）阈值为0.5时的平均精度均值（mAP@0.5）达到0.9880；与仅使用公共数据训练的模型对中最佳单模型相比，WBF融合将mAP@0.5提升了26.4%。使用组合数据训练的YOLOv8m模型在帧级目标计数中实现了6.33只的平均绝对误差和97.60%的准确率，并在虚拟线穿越计数中记录了0.856的F1分数。本研究证实，使用公共和现场数据进行组合训练可有效缓解领域差距，且帧级目标计数可作为群体监测的指标。

随着全球肉类消费持续增长，肉鸡产业对生产规模和效率的要求不断提高。商业化肉鸡舍普遍采取高密度饲养模式，每栋鸡舍饲养数万只鸡，传统人工巡检方式劳动强度大、主观性强，人员进场还会带来禽流感等生物安全风险，且难以实现24小时连续监测。高密度环境下鸡只相互遮挡、重叠，加上光照变化、生长阶段差异等因素，导致基于目标识别的监测性能显著下降。已有深度学习方法如YOLO和DETR系列虽在肉鸡图像检测上取得进展，但多数模型基于公共数据集训练，与真实商业化鸡舍CCTV影像之间存在显著领域差距，直接应用时性能大幅衰减。此外，针对异构检测器融合和多目标跟踪计数在真实农场条件下的系统验证仍显不足。因此，本研究旨在构建并评估集检测、跟踪、计数于一体的视频监测流程，验证结合公共数据与现场数据对提升领域适应性的效果。

研究人员利用AI-Hub公共数据集和韩国谷城郡某商业肉鸡舍的CCTV视频构建训练集，分别训练了YOLOv8m和RT-DETR-L检测器，采用WBF融合预测，并接入ByteTrack跟踪和虚拟线穿越计数。结果显示，结合现场数据后YOLOv8m在现场评估集上的mAP@0.5达到0.9880，帧级计数平均绝对误差仅6.33只，准确率97.60%；WBF在仅用公共数据时显著提升性能，但在组合训练后未进一步改善。这表明将公共数据与现场数据结合可有效缓解领域差距，帧级计数可作为鸡群监测的量化指标，为商业肉鸡舍自动化监测提供了实用方案。

关键技术方法方面，研究人员采用AI-Hub“智能禽舍数据（肉鸡、蛋鸡）”中的肉鸡视频目标检测子集作为公共数据，并在韩国全罗南道谷城郡一栋商业化肉鸡舍采集CCTV影像（516张现场图像，按时间顺序划分训练311张、验证96张、评估109张）；训练数据组合包括仅公共数据、公共+现场数据、仅现场数据三种。检测器选用基于CNN的YOLOv8m和基于Transformer的RT-DETR-L，均以COCO预训练权重初始化，输入分辨率1280像素；预测融合采用WBF，并在验证集上优化IoU阈值、模型权重、置信度阈值和置信度聚合方式；跟踪采用ByteTrack，计数采用虚拟线穿越算法；评估指标包括mAP、精确率、召回率、F1-score以及MAE、MAPE、偏差、RMSE、R²和计数准确率。

结果部分，按论文小标题分述如下：

3.1 目标检测性能：通过对比仅公共数据训练与组合数据训练的模型，研究发现仅公共数据训练的模型在现场CCTV评估集上mAP@0.5仅为0.3194（YOLOv8m）和0.3309（RT-DETR-L），分别仅达到其在公共域性能的35.3%和37.2%。误差模式方面，YOLOv8m召回率低至0.1900，主要漏检；RT-DETR-L召回率较高但精确率较低，误检较多。加入现场数据后，YOLOv8m和RT-DETR-L的mAP@0.5分别提升至0.9880和0.9484，F1-score分别达0.9788和0.9590。仅用现场数据训练的对照组mAP@0.5为0.9876，与组合训练相差仅0.0004，但组合训练在公共评估集上保持0.9039，而仅现场数据训练模型仅为0.1053，表明组合训练能适应新领域且不牺牲原有域性能。此外，RT-DETR-L因固定使用300个目标查询，在高密度帧中最多输出300个框，导致可达到的最大召回率受限。

3.2 基于WBF的集成性能：对于仅公共数据训练的模型对，WBF融合后mAP@0.5达0.4181，比最佳单模型RT-DETR-L（0.3309）提升26.4%，AR@1000提升24.7%。与其他融合技术相比，WBF性能最高，但与NMW和NMS差距较小。对于组合数据训练的模型对，WBF的mAP@0.5:0.95为0.8795，与最佳单模型YOLOv8m持平，mAP@0.75小幅提升0.7%至0.9737。研究人员分析认为，WBF的收益取决于构成模型间的误差互补性；当YOLOv8m全面优于RT-DETR-L时，融合未带来整体性能提升。

3.3 帧级肉鸡计数性能：在109帧现场评估集上，每帧真实肉鸡数平均264.3只。组合训练的YOLOv8m帧级计数MAE为6.33只，RMSE为7.48只，计数准确率97.60%，R²=0.9858；RT-DETR-L的MAE为11.02只，准确率95.83%。两种模型均呈现低估趋势，平均偏差分别为-4.28和-8.61只。YOLOv8m的有符号误差与真实数量呈弱负相关（r=-0.283，p=0.003），即目标越多低估越明显，但相对误差保持在2-3%。RT-DETR-L在真实数量超过300的帧中估计值收敛至300，最大绝对误差达81只，源于其固定查询数限制。

3.4 跟踪与虚拟线穿越计数性能：在120秒视频中，人工确认的穿越事件共113次。YOLOv8m、RT-DETR-L和WBF的F1-score分别为0.852、0.845和0.856，WBF最高。所有方法假阳性为6-7次，假阴性为24-26次，主要误差为漏计数。跟踪稳定性分析显示，在2700帧中，唯一轨迹数与每帧平均检测数之比为9.3-9.8，表明轨迹碎片化严重，可能导致穿越事件未被记录。

讨论部分指出，仅公共数据训练的模型在现场域性能下降与领域偏移现象一致；组合训练未能显著超越仅现场数据训练，但保留了公共域性能，这与本研究中现场数据仅来自单一鸡舍和摄像机、难以分离各因素影响有关。WBF融合效果依赖于模型间的错误互补性，在组合训练下YOLOv8m全面占优，因此融合不具优势。RT-DETR-L的固定查询数上限是高密度应用的关键限制。帧级计数中的低估偏差可作常数校正，但结果仅代表视野内数量，不能直接外推至整个鸡舍。虚拟线计数更适合特定通道场景，轨迹碎片化是漏计数的主要原因。研究局限性包括单一鸡舍、单一光照条件、事件数量有限等。

研究结论翻译如下：本研究为商业肉鸡舍开发了一个集目标检测、多目标跟踪和目标计数于一体的视频监测流程，评估了结合AI-Hub公共数据集与现场CCTV数据的训练策略的现场适应性，以及YOLOv8m与RT-DETR-L之间的WBF融合和基于ByteTrack的虚拟线穿越计数。仅用公共数据训练的模型在现场评估集上mAP@0.5不超过0.3309，而加入现场数据的第二模型将其提升至0.9880（YOLOv8m）。WBF在仅公共数据训练下使mAP@0.5相对最佳单检测器提升26.4%，而在组合数据训练下其mAP@0.5:0.95与最佳单模型持平，且未降低帧级计数误差。这表明异构检测器的融合效果更多取决于构成模型间的错误互补性，而非架构差异本身。组合训练的YOLOv8m在帧级目标计数中实现6.33只的平均绝对误差和97.60%的准确率。在虚拟线穿越计数中，WBF获得最高F1-score 0.856，但漏计数仍是主要误差，轨迹碎片化是可能原因。总体而言，将现场数据纳入训练显著提高了所评估商业肉鸡舍条件下的肉鸡检测性能，同时保持了公共评估集上的检测性能。所展示的帧级计数准确性和虚拟线穿越性能表明，该框架可为局部家禽占用率和指定区域移动提供定量指标，有助于农场人员优先安排巡查。然而，自动化异常行为检测、管理警报和养殖结果改善并未评估，且结果仅限于单栋鸡舍和单台摄像机，需要在不同农场和成像条件下进一步验证。