基于大规模视频追踪技术对商品肉鸡群体运动行为变异的特征分析

《Poultry Science》：Characterizing locomotor behavior variability in commercial broiler flocks using large-scale video tracking

　　

商品肉鸡福利监测需要能够在商业化生产条件下捕捉行为动态变化的客观且可扩展的方法。该研究利用大规模视频观察对商业化饲养条件下的肉鸡群体运动行为进行了特征分析。研究在四座商业化鸡场部署了多摄像头监控系统，涵盖12个群体、超过14,500小时的录制时长。研究人员通过自动检测与追踪肉鸡，提取其时空运动描述符。随后分析了三个互补性指标：基于轨迹分段的不活动比例、活动轨迹分段的平均速度，以及反映运动瞬时同步性的群体运动事件。通过统计模型估计了各指标随日龄、每日活动时段、性别和鸡场变化的预期时间轨迹及预测区间。研究结果揭示了不同生产周期和鸡场间结构化的运动行为组织模式，从而能量化常规商业化条件下行为变异的预期范围。当应用于非例行条件下录制的观察数据时，偏离这些参考范围的情况更为频繁，表明群体运动动态偏离了典型模式。上述发现证明，大规模视频观察能够为商业化条件下肉鸡运动行为提供定量化的参考模式。建立此类基线为商业化家禽生产系统中旨在识别非典型群体活动模式的行为监测方法奠定了实践基础。

该研究发表于《Poultry Science》，旨在解决商品肉鸡福利评估中缺乏客观、可扩展监测手段的核心难题。现代家禽业面临伦理期待与可持续高效管理需求的双重驱动，但商业化条件下福利评估受到动物、环境与管理 routine 复杂交互作用的制约，连续且客观的群体尺度评估尤为困难。自动监测技术被视为实现非侵入性、高分辨率行为评估的关键工具，其中视频追踪与计算机视觉系统已在个体与群体层面实现了运动行为的精确量化。近年来，深度学习的发展进一步提升了在可变光照与饲养密度条件下可靠检测、追踪和表征肉鸡行为的能力，加之目标检测架构的演进，使大规模商业化群体的可扩展监测在技术上成为可能。

现有自动化方法多聚焦于识别特定福利问题，但此类靶向检测策略依赖行为与福利结果之间因果关联的先验知识，而这些关联在商业化条件下往往难以稳健建立，且可能因情境而异、具有场特异性。更根本的问题在于，目前对于商业化条件下肉鸡受损福利的特定或普适行为标志尚未达成共识。鉴于此，该研究提出了一种替代策略：首先表征例行商业化条件下的行为变异范围，进而将结构化的偏离识别为系统功能改变的潜在信号。这种基于偏离的逻辑与强调行为适应性和情境敏感监测的近期福利监测视角一致。

该研究在法国布列塔尼地区四座商业化肉鸡场开展，采用Ross 308品种，每座鸡场监测三个连续群体，共计12个群体。鸡场为性别分离的重型肉鸡生产系统，配备环境控制舍与独立的雌雄分区。每栋舍安装六台4K分辨率摄像头，覆盖雄性与雌性区域各三台，每台摄像头覆盖约8.35×3.33 m的固定采样区域。录制安排于每日三个90分钟时段：开灯后、光照中期和熄灯前，从雏鸡入舍持续至45日龄，总计14,580小时 footage。

研究采用的关键技术方法包括：基于Brown-Conrady模型的几何畸变校正；利用86,924个标注实例训练的YOLOv8n检测模型；结合BoT-SORT算法实现跨帧个体追踪，处理帧率为15 fps；以及构建广义线性模型框架进行行为基线建模。具体而言，研究建立了三个互补的运动行为指标：不活动比例（Proportion of Inactivity, PI），通过自适应速度阈值对轨迹分段进行分类并计算群体水平的不活动比例；活动轨迹分段的平均速度，采用Gamma广义线性模型（Gamma generalized linear model）进行建模；以及群体运动（Collective Movement, CM）事件，基于平均归一化速度矢量的对齐强度识别瞬时同步运动 episode，并衍生出事件强度、面积和参与比例三个结构描述符。统计建模采用logit变换后的线性模型分析PI，利用三次B样条（cubic B-splines）构建 Gamma_SexSmooth 模型拟合平均速度，并通过连续时间标准化程序为CM事件建立参考基线。模型验证采用分层交叉验证（stratified cross-validation）和分组交叉验证（grouped cross-validation）策略，评估模型在不同运营场景下的泛化性能。

不活动比例分析结果表明，简化模型（reduced model）解释了logit变换后PI方差的80.7%。日龄与PI呈正相关（estimate=0.0655, p<0.001），表明不活动随日龄增长而渐进增加。每日活动时段显著影响不活动水平：与上午相比，下午（estimate=0.2580, p<0.001）和傍晚（estimate=0.1623, p<0.001）的不活动更高。雄性较雌性基线不活动更低（estimate=0.1235, p<0.001）。农场效应方面，农场2和农场4较参考农场（农场1）的不活动基线显著降低，农场3无显著差异。模型保留的两个交互项中，日龄×农场交互高度显著，表明年龄相关的不活动轨迹在不同农场间存在差异；日龄×性别交互亦显著，显示雌性不活动随日龄的增长速率高于雄性。95%预测区间定义了例行条件下的预期不活动范围，约5%的例行条件观察值落于区间外。当应用于非例行数据集时，9.5%的观察值被标记为警报（alerts），表明非例行条件下偏离基线的频率更高。模型稳健性分析显示，混合效应模型（mixed-effects model）与简化固定效应模型在分层交叉验证中预测性能相当，但信息准则更高；场无涉模型（farm-agnostic model）虽训练数据解释力略低，但在按农场分组的交叉验证中表现更优，提示模型选择应取决于部署场景。

活动鸟类平均速度分析显示，Gamma_SexSmooth模型整体拟合良好，AIC为?5682.6，估计离散参数σ2=0.0598。样本内预测精度较高（RMSE=0.129, MAE=0.088, R2=0.743）。样条-性别交互的唯一显著组分表明性别差异由平滑轨迹的局部偏离驱动，而非全局偏移。时段效应相对于上午参考值持续为负，确认下午和傍晚运动强度降低。实证均值-方差分析与残差诊断支持Gamma分布的适用性。交叉验证证实预测性能稳定：按农场分层交叉验证的均方根误差（RMSE）为0.130（SD=0.0058），按群体分层为0.131（SD=0.0036），按群体分组为0.144（SD=0.037）。解析95%预测区间的经验覆盖率为0.940，接近名义95%水平。应用于非例行数据集时，184个观察值（9.22%）被识别为警报，各农场性别组合的警报比例介于3.6%至17.3%之间。

群体运动事件分析表明，CM日频随日龄增长而逐渐下降，三个录制时段呈现一致模式。例行条件训练数据集与非例行数据集的重叠轨迹显示，CM日频是群体运动组织性的复发特征，而非区分两种条件的明确描述符。CM事件的结构特征（面积、峰值强度、参与比例）在两组间分布高度重叠，表明协调群体运动是肉鸡群体组织的常见特征。经连续时间标准化后的警报分析则揭示了更清晰的对比：非例行数据集中超过95th百分位的CM事件比例显著更高（训练集5.1% vs. 非例行11.3%, Fisher精确检验p<2.2×10^?16, OR=2.38, 95% CI=2.09–2.71）。雄性区域各农场均显示非例行条件下警报率升高，雌性区域则呈现更多异质性。

讨论部分指出，该研究引入了基于视频追踪的商业化肉鸡行为监测基线框架，其核心贡献在于定义了例行生产条件下群体运动指标的定量参考范围。该框架将警报解读为偏离例行条件行为基线的信号，而非直接的福利诊断。研究承认，所提议的参考范围最适用于遗传品系（Ross 308）、生产系统（性别分离重型肉鸡）和管理条件相似的系统。检测-追踪环节应被理解为轨迹分段（trajectory segments）而非持久个体身份，因为商业化饲养密度下的密集 grouping、视觉相似性、遮挡和视野出入限制了长期身份保持。事件注释的质量受限于商业化场景下记录的时空精度，例行条件数据集应被理解为无报告扰动时稳定商业化运作的经验参考，而非代表最优福利或无任何应激源。

不活动模型的结构化效应与既有知识一致：日龄增长导致不活动增加，反映体重增加带来的活动能力下降；每日光周期塑造不活动模式，与光照 schedule、环境条件和管理 routine 相关；雌性较雄性更不活跃，与既往报道一致。农场特异性效应及其与日龄的交互提示环境、管理、生产相关条件的贡献，但这些因素在分析中未显式纳入。平均速度模型捕捉了性别和时段特异性的日运动节律，农场效应虽显著但未根本改变总体轨迹，提示单一校准参考模型可在相似生产系统间泛化。群体运动分析则表明，非例行条件的特征不在于协调运动的"有或无"，而在于相对于情境特异基线而言异常大规模事件的频率增加。

研究结论（Conclusion）部分指出：该研究结果支持将视频追踪与人工智能技术相结合，用于监测商业化生产条件下的肉鸡运动行为。例行条件行为基线的建立为识别跨农场、日龄和运营情境的群体运动组织偏离提供了框架。然而，当前框架应被视为迈向行为监测的方法学步骤，而非即用的场内决策系统。未来工作需首要解决基线监测系统所产生偏离的解释与 operational 验证问题，包括前瞻性收集高分辨率情境注释、将多描述符整合入正式的多变量框架、纳入环境与生产数据、适应性基线校准以及农场特异性验证程序等。更大规模部署时，隐私保护协作建模方法（如联邦学习）可能具有相关性。