自动呼吸检测技术将微环境动态与笼养产蛋鸡的实际热应激阈值联系起来

《Biosystems Engineering》：Automated panting detection links microenvironmental dynamics to practical heat stress thresholds in caged laying hens

　　

陈玉佳|郑伟超|秦文香|于立阳|南松健|王洋

中国农业大学农业结构与环境工程系，北京，100083，中国

摘要

传统的温度-湿度指数（THI）阈值用于评估热应激（HS），但往往无法考虑集约化家禽生产中的微环境异质性和鸟类反应的差异。为了为笼养母鸡建立更实用的热应激阈值，研究人员在夏季使用配备YOLO_KAN深度学习模型的检测机器人对49,010只Jing Ting No.6母鸡进行了监测，以检测其喘息行为。在14个区域测量了温度和湿度数据，并自动计算了每个笼子和区域的喘息得分（P_s），即可见喘息母鸡的比例。结果表明，YOLO_KAN的AP@0.5达到了96.5%，AP@[0.5:0.95]达到了81.9%，显示出在高密度和遮挡条件下仍能保持稳定的检测能力。测试期间，笼内温度在23.3至34.0°C之间波动，相对湿度在67%至98%之间变化，存在显著的空间差异（P < 0.001）。值得注意的是，尽管THI值相同，不同区域的P_s水平却有所不同。相关性分析显示，温度（r = 0.881）和THI（r = 0.908）与P_s之间存在强烈的正相关关系（P < 0.001），而相对湿度的相关性较弱（r = 0.145）。分段二项式广义线性混合模型（GLMM）确定了两个关键阈值：一个是27.5°C（THI 80.0）的警报阈值，此时开始出现喘息；另一个是30.0°C（THI 83.3）的危险阈值，超过该阈值后P_s急剧增加。这些发现填补了热调节理论与精确通风之间的空白，为商业设施中的热管理提供了一种基于行为的实用策略。

引言

由于家禽羽毛密集且缺乏汗腺（Liu et al., 2020），它们容易受到热应激（HS）的影响。热应激会扰乱体温调节平衡，降低饲料摄入量，损害肠道免疫和形态（Emami et al., 2021），从而导致生产力下降25%至30%，死亡率超过15%（St-Pierre et al., 2003; COPA-COGECA, 2003）。在全球变暖、现代高产基因型代谢产热增加以及饲养密度提高的背景下，这一问题尤为严重，尤其是在笼养系统中（Ritchie et al., 2023）。为了缓解热应激，商业家禽舍通常依赖通风和蒸发冷却系统，如隧道风扇和冷却垫，这些系统会在环境条件超过预设阈值时启动（Vandana et al., 2021）。然而，这些阈值通常是静态的（基于温度或THI），并未考虑到由于品种（Chepete & Xin, 2004）、年龄（Meltzer et al., 1982）、体重（Chepete et al., 2001）、羽毛状况（Mahmoud et al., 2015）、饲料摄入量（Li et al., 1992）和之前的热暴露（Deshazer et al., 1970）等因素导致的母鸡耐热性的显著差异。因此，单一阈值可能导致冷却过早或过晚，从而增加能源成本或使母鸡暴露于不必要的热应激中。Daniel et al.（2024）的研究表明，静态阈值几乎使风扇能耗翻倍，并且与动态控制策略相比死亡率更高。

传统上，理想的母鸡热环境与热中性区（TNZ）相关，在该区域内体温保持稳定，代谢产热和蒸发散热没有显著变化（Van, Mitchell, & Siegel, 1979），从而使能量能够用于产蛋。评估耐热性的常用方法是呼吸测定和产热测量，但这通常基于禁食或强制喂食的小样本群体，限制了其在商业环境中的代表性（Walsberg & Hoffman, 2005）。另一种广泛使用的方法是使用基于体温调节指标（如呼吸频率、表面温度或核心体温）的THI模型来评估综合热负荷。Livestock Weather Safety Index（Hahn et al., 2009）通常将THI分为四个等级：正常（≤90 bpm）、警报（90 - 110 bpm）、危险（110 - 130 bpm）和紧急（≥130 bpm）。多项研究表明，当家禽的呼吸频率升至60 - 67 bpm时会发生热应激（El Hadi & Sykes, 1982; Kang et al., 2020），且不同品种的反应各不相同（Nascimento et al., 2012）。虽然呼吸频率的增加是对热应激的生理反应，但在大规模商业设施中难以手动和连续监测（Merenda et al., 2024）。因此，迫切需要基于动物行为的自动化、可扩展的方法来直接监测热应激。

在商业实践中，农民通常通过观察喘息行为来识别热应激，其特征是快速、浅表的呼吸和张开的喙（Dawson, 1982; Mack et al., 2013）。由于喘息行为具有明显的视觉特征，可以在群体层面量化为喘息得分（P_s），即观察期间可见喘息的母鸡比例。像P_s这样的基于行为的指标实用、可扩展，并直接反映了母鸡的体温调节反应，避免了在大规模群体中手动测量呼吸频率的挑战，便于集成到精准畜牧业系统中。计算机视觉和深度学习的最新进展促进了喘息行为的自动化检测。红外成像、物体检测网络和时间运动分析在识别喘息行为方面显示出潜力（Yan et al., 2024; Viet & Yen, 2025）。Zhou et al.（2025）使用120个摄像头的YOLOv10-BCE网络发现，“参数合规”与“群体不适”可以同时存在，这表明将环境指标转化为福利指标存在挑战。然而，大型固定摄像头网络成本高昂、维护困难且带宽消耗大。在这种情况下，移动机器人检测平台提供了一种灵活、可扩展的替代方案，尤其是在空间和时间上存在环境异质性的多层笼养系统中（Jiang et al., 2025; Wang et al., 2025）。

基于这些考虑，我们提出以下假设：（1）使用检测机器人结合深度学习的自动化喘息检测系统可以准确评估商业笼养系统中的热应激；（2）群体层面的P_s表现出反映微环境变化的时空异质性；（3）通过对P_s与热指数的分段建模，可以确定实用的热应激阈值。

因此，本研究的目标是：（1）开发并验证一个双尺度喘息检测框架，用于个体和群体层面的评估；（2）量化笼子和通道层面的温度和湿度时空变化，并研究其与喘息行为的关系；（3）使用分段二项式广义线性混合模型（GLMM）建立基于行为的警报和危险阈值。这些创新旨在提高对产蛋母鸡热应激反应的理解，并提供实用的管理参数，以优化层养舍的热环境。

章节摘录

饲养环境、管理和产蛋母鸡

本研究于2023年6月至8月在中国东南部福州（25°36′ N, 119°17′ E）的一个多层笼养层养舍进行，该地区具有亚热带海洋性气候，夏季炎热潮湿。所有母鸡在实验期间都保持健康。

养舍长96.0米，宽12.2米，高5.3米，方向为南北向。通风系统由16个排风扇（每个风扇的通风量为47,700立方米/小时）提供。

图5展示了YOLO_KAN模型的训练过程。模型快速收敛，前50个周期内所有关键性能指标均超过90%。第100个周期后，模型性能稳定，准确率和召回率接近94%，AP@0.5达到96.5%。

YOLO_KAN与多种YOLO变体及RT-DETR进行了基准测试（表2）。所有模型均表现出

结论

随着全球变暖的加剧，热应激对集约化养殖系统中的家禽福利和生产力构成了重大挑战。本研究提出了一种简单的方法，通过使用检测机器人自动跟踪母鸡的喘息行为来评估其热适应情况，帮助农民根据不同的生产条件设置有效的冷却系统触发机制。

所提出的YOLO_KAN模型在复杂的笼养条件下表现出稳定的检测能力，其性能优于基线模型

陈玉佳：撰写 – 审稿与编辑，初稿撰写，可视化，验证，软件开发，调查，数据分析，概念化。郑伟超：撰写 – 审稿与编辑，监督，资源协调，项目管理，方法论，资金获取，概念化。秦文香：初稿撰写，可视化，验证，软件开发，调查，数据分析。于立阳：软件开发，资源协调，调查，数据管理。

本研究的数据未存放在任何官方数据库中。支持研究结果的数据可应要求提供。

本研究的准备过程中未使用任何生成式AI或AI辅助技术。

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。

本研究得到了国家自然科学基金（32272924和32573285）、农业农村部与中国农业科学院联合农业研究系统（CARS-40）以及2023年烟台大学-地方融合发展项目（2023XDRHXMPT12）的支持。

作者感谢曹欣、刘畅和李宝明在研究过程中的支持与宝贵讨论。同时感谢福建广阳蛋业有限公司提供的合作。