《Animals》：Health Status Recognition of Yellow-Feathered Broilers in Floor-Rearing Environments via Whole-Body and Comb Feature Fusion
编辑推荐：
在黄羽肉鸡商业地面平养环境中，对表现出可观测健康相关异常的肉鸡进行视觉筛查面临低光照、个体遮挡及局部鸡冠信息利用不足等挑战。研究人员提出一种面向黄羽肉鸡的两阶段全局—局部框架。图像采集自一家商业地面平养农场；经筛选后，1463张图像用于关键区域定位，构建203
在黄羽肉鸡商业地面平养环境中，对表现出可观测健康相关异常的肉鸡进行视觉筛查面临低光照、个体遮挡及局部鸡冠信息利用不足等挑战。研究人员提出一种面向黄羽肉鸡的两阶段全局—局部框架。图像采集自一家商业地面平养农场；经筛选后，1463张图像用于关键区域定位，构建2031个样本用于健康状态识别。样本由专家共识依据可观测表型特征标注为健康（Healthy）或不健康（Unhealthy），而非兽医确诊疾病诊断。第一阶段，Dual-Target YOLO（DT-YOLO）模型定位全身与鸡冠区域。第二阶段，Transformer网络整合来自成对或单一可用输入的全局与局部视觉信息进行分类。DT-YOLO在IoU阈值为0.5时平均精度均值（mAP）达97.56%。对于成对的全身—鸡冠输入，所提分类模型准确率为97.11%，宏精确率（Macro-Precision）为97.38%，宏召回率（Macro-Recall）为96.58%，宏F1（Macro-F1）为96.95%。在混合输入条件下，模型准确率维持在96.06%，宏F1为96.02%。结果表明，在当前数据集所代表的单场地面平养条件下，联合全身与鸡冠信息可支持不健康肉鸡的视觉筛查；其对其他农场、品种及管理条件的适用性需独立外部验证。
研究背景方面，中国黄羽肉鸡年产出规模庞大，地面平养因契合动物福利被广泛采用，但群体密度上升使个体级健康监测困难，不健康肉鸡（指出现可视异常表型而非兽医确诊者）若携病原体易快速传播。传统人工巡检依赖姿态、羽毛、鸡冠等表型，主观且漏检率高。现有计算机视觉研究分三路：全身步态/姿态法、头部或鸡冠局部色度法、特定疾病分类法，但全局全身表型与细粒度鸡冠特征的显式联合建模在地面平养场景中长期缺位，且低照度与互遮挡使单模态均受限。为此，研究人员在《Animals》发表该研究，旨在验证全身—鸡冠双源融合能否提升复杂场景下健康筛查鲁棒性。
关键技术方法上，研究人员于2025年7月在江苏高邮市一家商业地面平养黄羽肉鸡场（约50日龄）用海康HM-TD2B28T-3/T1工业相机以1920×1080分辨率、1.5 m高45°俯角采集2000张原始图，筛得1463张有效图（按养殖区编码划分训练/验证/测试约70%/10%/20%以防同群泄漏），据此标出8756个鸡身与7468个鸡冠框构成定位集；再由定位框按中心包含与欧氏距离匹配全身—鸡冠对，经半自动复核保留2031个实例样本（含成对、仅身、仅冠）由三名五年以上经验专家按鸡冠苍白/萎缩/下垂、羽毛蓬乱、姿态异常共识标注健康/不健康。第一阶段以YOLO-v8为基架嵌入双列Reversible Column（RevCol）骨干与C2f_InvSE颈段构建DT-YOLO；第二阶段以ImageNet预训练ViT-B/16分别提取全身与鸡冠768维特征，送入两层八头Transformer编码器经自注意力自适应融合，缺失区域自动降级为单源推理。
研究结果各节要点如下。关键区域定位结果中，DT-YOLO较YOLO-v8在mAP@0.5提升12.78%至97.56%，鸡冠类mAP@0.5由80.42%升至96.90%，消融表明数据增强、RevCol、InvSE依次贡献显著，严重遮挡与低照度可视化对比显示其漏检少于基线。健康状态识别有效性中，配对全身—鸡冠Transformer融合在测试集326样本中准确率97.11%、Macro-F1 96.95%，优于仅全身（94.80%/94.53%）、仅鸡冠（89.01%/88.68%）及拼接融合（93.60%/93.59%）；混淆矩阵显示9例误分多关联弱表型。与VGG-16、ResNet-18、EfficientNet-V2、MobileNet-V3双分支对比，所提模型准确率最高且推理75.82对/秒；缺失模态下混合输入仍维持96.06%准确率与96.02% Macro-F1。注意力图可视化表明模型可依样本在体羽蓬乱或鸡冠下垂间动态分配权重，但仅为解释性观察非诊断证据。
讨论部分指出，该框架在单场单品种单龄段由专家表型标注下成立，标签非兽医确诊，重复个体虽按区划分仍未完全独立，跨场、跨品种、跨光照与管理制式需外部验证；鸡冠表型受日龄性别基因型应激干扰，故仅作筛查辅助。结论部分翻译如下：本研究提出一种利用全身与鸡冠信息对不健康黄羽肉鸡进行视觉识别的两阶段框架。在所选商业地面平养场数据集中，第一阶段DT-YOLO同时定位全身与鸡冠mAP@0.5达97.56%；第二阶段Transformer融合成对输入准确率97.11%、Macro-F1 96.95%，优于单区域与直接拼接；混合输入下准确率96.06%、Macro-F1 96.02%。结果表明在当前评估数据集中联合全局全身与局部鸡冠信息可支持不健康肉鸡视觉筛查，但框架基于单场与可观测表型标签，跨场跨品种跨兽医确诊状态的性能须独立外部验证。
