《Animals》：RE-FB: An Efficient Vision Model for Feeding Behavior Detection and Group-Level Feeding Activity Assessment in Broilers Housed in Multi-Tier Cages
编辑推荐：
中文翻译（摘要）
自动化监测肉鸡采食行为可改善饲养管理，但在商业化多层叠笼中，遮挡与尺度变化阻碍了可靠检测。本研究开发了一种用于采食行为检测的轻量级视觉模型（RE-FB），并提出了一种用于群体水平评估的采食活动水平（feeding activity level
中文翻译（摘要）
自动化监测肉鸡采食行为可改善饲养管理，但在商业化多层叠笼中，遮挡与尺度变化阻碍了可靠检测。本研究开发了一种用于采食行为检测的轻量级视觉模型（RE-FB），并提出了一种用于群体水平评估的采食活动水平（feeding activity level, FAL）指标。2300张黄羽肉鸡标注图像按8:1:1划分为训练集、验证集和测试集。RE-FB结合了重参数化多分支特征提取、注意力机制与双向多尺度融合，用于检测采食鸡只并分割笼体和料槽区域。在测试集上，RE-FB-m实现了89.7%的精确率（precision）、87.3%的召回率（recall）、92.1%的框平均精度（box mAP@0.5）及99.6%的掩膜平均精度（mask mAP@0.5），参数量为810万，在测试平台上报告的模型推理速度为158帧/秒（FPS）。在评估的Faster R-CNN、RT-DETR和YOLO系列模型中，RE-FB-m在采食行为检测方面取得了最高的box mAP@0.5。随后，研究人员将RE-FB应用于四个固定群体的视频监测，观测期为11至17日龄。FAL被定义为每个监测群体中检测为采食状态的鸡只占总群体数量的时间平均比例，以百分比表示。四个群体的日龄特异性平均FAL值介于7.95%至8.74%之间，未检测到显著的日龄效应（p = 0.175）。在控制群体效应后，FAL与同日增重之间的关联不具有统计学显著性（偏相关系数r = ?0.106，p = 0.614）。RE-FB能够准确高效地检测笼养肉鸡的采食行为，并通过随时间聚合检测结果生成群体水平的FAL记录。该方法为肉鸡生产中采食活动的非接触式监测提供了技术基础，可为采食管理提供定量行为信息。
论文解读
一、研究背景与问题
黄羽肉鸡是中国重要的本土优质肉鸡品种，在国内家禽消费中占有相当份额，2025年预计年产量超过35.4亿只。与白羽肉鸡相比，黄羽肉鸡生产周期更长，饲料转化效率相对较低，而饲料成本通常占总生产成本的60%–70%。因此，实时检测采食行为并评估采食活动水平，可为优化饲喂策略、提高管理效率提供重要依据。
在多层叠笼饲养模式下评估采食活动，需要连续观察采食行为并测量采食持续时间。传统评估主要依赖人工观察，劳动强度大、耗时长，且易受观察者主观性影响，不适合大型农场的持续监测。基于传感器的替代方法中，射频识别（RFID）技术可监测个体鸡只对饲喂器和饮水器的访问，但需要为每只监测鸡佩戴标签并进行处理，读取性能还受标签方向、天线位置及周围金属结构干扰的影响。计算机视觉技术可在不附加设备的情况下同时观测多只鸡，但单独检测无法建立持久的个体身份，且视觉监测受相机覆盖范围、光照、视角及鸡只或饲养设备遮挡的制约。
在商业化多层叠笼环境中，视觉监测面临三重挑战：一是缺乏适合的公开数据集，限制了鲁棒模型的训练；二是鸡只相互遮挡和目标尺度差异大，降低检测精度，而大模型推理速度慢，难以满足实时性要求；三是模型精度不足和商业场景复杂性阻碍了实用的群体采食活动评估方法的开发。基于此，本研究旨在开发并评估RE-FB模型，用于多层叠笼肉鸡的采食行为检测与群体采食活动评估。
二、研究内容与结论
研究人员构建了一个包含2300张标注图像的肉鸡采食行为数据集，图像采集自扬州大学智能养殖移动实验平台（三层A型笼）和江苏立华牧业柳南美丽牧场（四层H型笼），涵盖14–21日龄及14、28、50日龄的黄羽肉鸡，涉及多种视角和笼层。标注采用SAM 2辅助的半自动方法，以鸡头进入料槽采食区域作为采食判定标准，同时标注采食目标、笼体和料槽三类区域。
研究人员设计了RE-FB轻量级视觉模型，包含重参数化多分支特征提取模块（RepMBConv和RepFusedMBConv）、CBAM注意力机制和双向多尺度特征融合（BiFPN）颈部结构，实现采食鸡只检测与笼体、料槽区域分割。通过消融实验验证了各模块的有效性，并通过复合深度-宽度缩放构建了RE-FB-n/s/m/l/x五个尺度版本。RE-FB-m在测试集上取得了最高的采食目标检测性能，box mAP@0.5达92.1%，mask mAP@0.5达99.6%，参数量810万，推理速度158 FPS，优于Faster R-CNN、RT-DETR及YOLO v8-m、v10-m、v11-m、v12-m等对比模型。
研究人员将RE-FB应用于四个固定群体（每组40–46只鸡）11至17日龄的连续视频监测，通过空间关联将采食检测分配到各笼组，计算采食活动水平（FAL）。结果显示，四个群体的平均FAL介于7.95%至8.74%之间，日龄间无显著差异（p = 0.175）；群体间呈现ID=04 > ID=03 > ID=02 > ID=01的稳定描述性排序；FAL与同日增重的群体调整后关联不显著（偏相关r = ?0.106，p = 0.614）。该研究为多层叠笼肉鸡采食活动的非接触式监测提供了技术基础，可生成群体水平的定量行为记录，为采食管理提供参考。
三、关键技术方法
本研究采用的关键技术方法包括：一是构建了包含2300张标注图像的肉鸡采食行为数据集，图像采集自扬州大学智能养殖移动实验平台和江苏立华牧业商业多层叠笼鸡舍，涵盖不同日龄、视角和笼层；二是设计了RE-FB轻量级检测模型，其骨干网络包含RepMBConv和RepFusedMBConv重参数化多分支卷积模块，颈部采用BiFPN双向多尺度特征融合，并嵌入CBAM通道-空间注意力机制，预测头实现采食目标检测与笼体、料槽实例分割；三是定义了采食活动水平（FAL）指标，通过将逐帧采食检测结果与笼体、料槽区域进行空间关联，按固定群体聚合计算时间平均采食比例；四是采用消融实验验证各模块贡献，并与Faster R-CNN、RT-DETR和YOLO系列模型进行对比评估。
四、研究结果
消融实验。 研究人员设计了五种配置的消融实验评估各模块效果。E1基线获得82.9%的box mAP@0.5；E2将骨干特征提取单元替换为RepMBConv后，box mAP@0.5提升至88.5%，参数量从27.59 M降至16.89 M；E3加入BiFPN后参数量降至8.29 M，但box mAP@0.5下降至79.0%；E4将浅层RepMBConv替换为RepFusedMBConv后，box mAP@0.5回升至87.9%，推理速度达149 FPS；E5加入CBAM后box mAP@0.5达到91.0%，精确率90.0%，召回率84.7%，推理速度153 FPS。E5即RE-FB-l，综合了RepMBConv、RepFusedMBConv、BiFPN和CBAM四种模块。
模型缩放。 研究人员采用复合深度-宽度缩放策略构建了五个尺度的RE-FB模型。RE-FB-n（0.80 M参数）获得82.9%的box mAP@0.5，推理速度208 FPS；RE-FB-s（2.32 M参数）获得88.7%的box mAP@0.5，推理速度200 FPS；RE-FB-m（8.10 M参数）在五个尺度中获得最高的92.1% box mAP@0.5，精确率89.7%，召回率87.3%，推理速度158 FPS；RE-FB-l和RE-FB-x分别为8.80 M和19.31 M参数，box mAP@0.5为91.0%和83.8%。结果表明，超过RE-FB-m的模型规模并未在测试集上带来检测性能的进一步提升。
与其他模型对比。 研究人员将RE-FB-m与YOLO v8-m、YOLO v10-m、YOLO v11-m、YOLO v12-m、Faster R-CNN和RT-DETR在相同训练条件下进行了对比。RE-FB-m取得了最高的精确率（89.7%）、召回率（87.3%）和box mAP@0.5（92.1%），分别超过YOLO v11-m、RT-DETR和Faster R-CNN达5.4、3.8和6.9个百分点。在参数量方面，RE-FB-m较YOLO v11-m减少63.8%，较RT-DETR减少74.2%，较Faster R-CNN减少80.5%。推理速度方面，RE-FB-m以158 FPS领先，而Faster R-CNN和RT-DETR分别为42 FPS和68 FPS。
采食活动评估。 研究人员将RE-FB应用于四个固定群体11至17日龄的连续视频分析。四个群体的平均FAL分别为ID=01组6.06 ± 0.22%、ID=02组7.69 ± 0.30%、ID=03组8.61 ± 0.41%、ID=04组10.45 ± 0.60%，群体排序ID=04 > ID=03 > ID=02 > ID=01在全部七个日龄均一致，组内变异系数为3.60%至5.70%。Friedman检验未检测到FAL在日龄间的显著差异（χ2(6) = 8.97，p = 0.175）。日增重方面，11至17日龄的平均日增重分别为23.75、43.75、50.00、46.25、30.00、33.75和28.75 g，Friedman检验未检测到显著差异（χ2(6) = 11.69，p = 0.069）。以群体ID为固定效应的线性模型分析显示，FAL与同日增重的关联弱且不显著（偏相关r = ?0.106，p = 0.614）。
五、讨论与结论
讨论部分指出，RE-FB结合采食目标检测与笼体、料槽分割，可生成群体水平的采食活动记录。FAL描述的是在视觉判定标准下群体中鸡只头部位于料槽采食区域的时间平均比例，反映采食参与情况而非采食量。研究中观察到的群体间稳定排序可能受相机视角、可见性和遮挡等检测相关因素的贡献，现有评估无法将行为差异与检测差异分开。FAL与同日增重的关联不显著，且研究未测量采食量、个体采食时长或饲料转化效率，无法确定这些变量如何解释观察到的FAL值和增重。FAL分析仅包含四个固定群体、连续七天观测，统计功效和普适性受限；模型开发数据始于14日龄，而应用覆盖11至13日龄，超出训练数据范围；未进行独立的基于视频的采食计数和群体分配验证；速度基准仅衡量模型推理，完整监测工作流的吞吐量和延迟未评估。未来验证应纳入更多独立群体、更长的并发行为和生长记录，进行外部农场测试，并评估完整工作流的持续监测性能。
结论部分指出，RE-FB是为多层叠笼肉鸡采食目标检测和群体采食活动评估而开发的模型。RE-FB-m在测试平台上实现了92.1%的采食目标box mAP@0.5和99.6%的笼体与料槽mask mAP@0.5，参数量810万，模型推理速度158 FPS。研究人员将空间分配的采食检测聚合为四个固定群体11至17日龄的FAL记录，并利用FAL探索了群体平均采食时长估计与日增重之间的关联。FAL与同日增重的群体调整后关联不显著。FAL分析为探索性研究，仅覆盖四个群体、七天观测，生物学验证有限。在FAL用于商业条件下评估采食效率、健康或福利之前，需针对实测采食量及相关生产、健康和福利指标进行独立验证。
