一种用于活体肉鸡翅膀和脚部表型非侵入性量化的深度学习框架

《Computers and Electronics in Agriculture》:A deep learning framework for non-invasive quantification of wing and foot phenotypes in live broiler chickens

【字体: 大 中 小 】 时间:2026年08月29日 来源:Computers and Electronics in Agriculture 10.3

编辑推荐:

  •CT成像和深度学习使活体肉鸡的表型自动确定成为可能。•从体积和质量的角度量化翅膀和脚的表型。•建立了四个多品种CT数据集,用于活禽表型分析。•所提出的DGCUNet能够准确分割翅膀和脚的八个表型目标。•回归模型揭示了预测体积与真实重量之间的关系。 引言 流行病学证据表明,与红

  •CT成像和深度学习使活体肉鸡的表型自动确定成为可能。•从体积和质量的角度量化翅膀和脚的表型。•建立了四个多品种CT数据集,用于活禽表型分析。•所提出的DGCUNet能够准确分割翅膀和脚的八个表型目标。•回归模型揭示了预测体积与真实重量之间的关系。

引言
流行病学证据表明,与红肉相比,白肉具有更优的脂肪酸谱和稳定的微量营养素组成,从而有助于改善血脂代谢并降低心血管疾病的风险(Rueda-De Torre等人,2025年;Zhao等人,2022年)。在各种白肉中,由于鸡肉富含蛋白质、脂肪含量低且价格实惠,因此被广泛消费(Zaheer等人,2015年)。在美国,鸡肉是购买量在第二位的新鲜肉制品,每年零售收入约为160亿美元(Shahbandeh,2023年)。同样,印度尼西亚中央统计局和农业部发布的官方统计数据显示(Kurnia和Daspar,2025年),2022年至2024年间该国鸡肉库存从3亿只增加到4.12亿只。需求的增加促进了家禽育种和生产的技术进步。因此,培育优良的家禽品种需要系统地、定期地表征具有经济意义的解剖学组成部分,包括大腿、小腿、胸肌、翅膀和脚。在这些解剖学组成部分中,翅膀和脚尤为重要,因为它们提供了宝贵的生物学、遗传学和经济信息。从生物学角度看,翅膀和脚的生长和形态反映了肌肉骨骼的发育、运动功能以及鸡的生理状态(Ogbuagu等人,2026年)。从遗传学角度来看,这些特征是有价值的表型指标,可以通过提供关于胴体组成和生产性能的补充信息来辅助遗传选择(Du等人,2023年;Mut等人)。从经济角度来看,鸡翅膀和脚在许多市场中都是高价值的商业产品,准确量化它们的大小和重量有助于客观评估胴体各部分的产量和商业价值(Elsesy等人,2015年;Nassar,2026年)。因此,准确且无创地测量翅膀和脚的特征对于品种改良和现代家禽育种计划非常有益。

身体和各部分的重量被视为表征表型特征的可靠指标(Ma等人,2024年)。传统方法通常通过将身体测量值作为预测变量纳入多元回归模型来估计体内组织或各部分的重量。例如,Rémignon等人(2000年)整合了体重和胸肌横截面积来评估胸肌的数量和产量。Kleczek等人(2006年)利用肱骨长度、胸围等测量值建立了十二个多元回归方程来预测鸭肉中的瘦肉和脂肪沉积。同样,Souza等人(2017年)使用形态测量特征(如体重和跗骨长度)来估计产蛋鸡的腹部脂肪质量,而Barcelos等人(2021年)通过多元回归分析结合身体部位组成和胴体尺寸来预测阉割后的公毛羊的全身和胴体化学组成。尽管这些方法减少了直接解剖胴体的需要,但仍需要手动收集身体指标,这在实际应用中可能会对动物造成压力反应。此外,它们在大规模表型分析中的可扩展性和鲁棒性尚未得到充分验证,因为所需的测量值主要通过手动程序获得。

深度学习的最新进展极大地推动了农业技术的创新(Sohrabipour等人,2025年)。图像处理技术的应用使得表型评估自动化和无创化成为可能。例如,Niu等人(2025年)开发了一种卷积神经网络(CNN)来区分RGB图像中的鸡毛,而He等人(2023年)提出了一种双流视觉变换网络来从RGB-深度图像预测猪的体重。基于计算机断层扫描(CT)成像,Kou等人(2024b)引入了一种元学习范式来微调预训练的FDTR网络以测量公鸡的睾丸,而Kou等人(2024a)提出了一种视觉变换模型来分割肉鸡的大腿骨和大腿肉。利用三维几何信息,Zheng等人(2025年)在深度相机拍摄的鸡背顶视点云数据上使用PointNet++(Qi等人,2017年)进行鸡体重预测。Zhu等人(2024年)开发了一个轻量级的分割框架,用于从X射线图像估计鸡胸肉的重量。此外,Li等人(2023年)使用从超声图像中提取的胴体相关特征拟合了一个基于决策树的算法。总的来说,这些研究展示了AI驱动的图像分析在畜牧业表型分析中的潜力。然而,现有研究很少关注翅膀和脚的详细特征的自动化量化,不同鸡品种和异构CT采集条件下的分割方法鲁棒性也尚未得到充分探索。

基于上述文献,关于自动化家禽表型分析可以总结出两个关键观察结果:
- 多种成像模式为自动化表型测量提供了互补的优势。二维RGB、X射线和传统超声图像易于获取且包含丰富的局部信息。然而,这些模式提供的三维结构信息有限,而这是精确体积测量和重量估计所必需的。因此,包括LiDAR系统、红外深度相机和深度传感器在内的三维成像技术在畜牧业表型分析中受到了越来越多的关注(Pezzuolo等人,2018年;Huang等人,2018年)。作为代表性的数据形式,点云有效地编码了几何信息,并已广泛应用于动物称重。然而,多视图点云(Wang等人,2018年)通常包含大量冗余信息,而单视图点云(Li等人,2022年)仅捕获部分身体几何信息。与这些模式相比,CT提供了包含解剖结构的高分辨率体积图像。虽然由于成本较高和吞吐量有限,CT不适合常规农场表型分析,但它可以支持育种候选者的表型特征描述和高质量表型数据集的构建。

家禽表型分析涉及多种特征,不同鸡品种之间的差异进一步增加了自动化表型估计的复杂性。不同的育种计划有不同的选择目标,需要全面确定多个解剖学特征。如先前报道的那样,使用深度学习技术成功估计了鸡胸肉产量、体重、公鸡的睾丸特征、羽毛区分、大腿骨特征和大腿肉特征(Zhu等人,2024年;Zheng等人,2025年;Kou等人,2024a)。然而,代表经济价值的鸡翅膀和脚仍然缺乏准确和自动化的测量方法。精确量化这些详细特征可以促进胴体产量的评估,并为育种候选者的选择提供客观的表型信息。此外,中国拥有丰富的本土鸡品种的种质资源。因此,开发能够处理鸡品种间差异和CT采集系统变化的分析方法对于提高家禽育种的适用性至关重要。

为了解决这些挑战,我们提出了DGCUNet,这是一种旨在从CT图像中划分翅膀和脚结构的分割网络。具体而言,DGCUNet采用了混合编码器-解码器架构。在编码器中,采用了阶段特定的表示学习策略来提取五个层次的特征级别,并引入了扩张变换器(DTrans)来捕捉特征标记之间的长距离依赖性。随后,设计了一个轻量级解码器来生成目标体积掩码。为了评估,我们构建了四个涵盖白肉鸡、查淮黄鸡、金陵鹧鸪和雪山草鸡的CT图像数据集,并进行比较实验以评估DGCUNet的分割性能。此外,还建立了回归模型来研究分割体积与真实重量(GT)之间的关系,并进行了Bland-Altman分析以揭示估计重量与GT重量之间的一致性。图1展示了DGCUNet在育种候选者评估中的潜在应用。

主要贡献总结如下:
- 我们提出了一个非侵入性表型框架,利用CT成像和基于深度学习的分割技术来量化活鸡的翅膀和脚特征。
- 我们设计了DGCUNet,它由一个阶段特定的混合编码器和一个轻量级解码器组成,可以从CT图像中准确分割目标结构。
- 我们构建了四个多品种鸡数据集,为评估基于CT的表型测量方法提供了基准。
- 我们进行了广泛的实验,全面评估了DGCUNE的性能,并研究了分割体积与GT重量之间的关系。

材料与方法
本节首先描述了数据集构建过程,然后介绍了所提出的网络架构和实验设置。

评估指标
为了全面评估分割和重量回归性能,使用了六个评估指标。具体来说,Dice相似系数(DSC)、Hausdorff-95距离(HD95)和平均对称表面距离(ASSD)用于报告分割准确性,而平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)用于评估回归结果。这些指标的定义如下:

实验结果与分析
为了证明DGCUNet的有效性,我们将其与几个代表性的分割网络(例如DFormer(Wu等人,2023年)、ADHDCNet(Liu等人,2023年)、PFormer(Gao等人,2025年)在构建的鸡CT数据集上进行了比较。所有模型都使用 subjek-level 五折交叉验证进行了评估,结果以平均值±标准差的形式报告。实验结果在以下部分进行了详细分析。

基于CT的家禽表型分析的实际应用
所提出的框架并非用于常规的大规模商业肉鸡群体筛查。相反,它是为精确且无创地评估育种候选者设计的,在这种应用中,测量准确性优先于吞吐量。在实际育种计划中,只有少数鸡在初步选择后作为精英育种候选者保留下来,通常对这些选定的个体进行详细的表型评估。

结论
在这项研究中,我们提出了一个结合深度学习的CT成像框架,用于无创且准确地量化鸡翅膀和脚的特征。共收集了四种鸡品种的120张CT扫描图像,并手动标注了八个表型目标的体积标签。基于这些数据集,我们开发了DGCUNet,用于精确分割翅膀和脚的表型目标,并通过广泛的实验系统地评估其性能。

OnCRediT作者贡献声明
杨亚坤:写作——审阅与编辑、撰写——原始草案、方法论、概念化。
葛雪海:资源、数据管理。
吴伟:资源、数据管理。
沈千城:资源、数据管理。
寇旭鹏:验证、软件。
胡旭:软件、调查。
王龙和:监督。
薛洪成:验证。
李林:监督、资金获取。

伦理声明
本研究遵循ARRIVE(动物研究:体内实验报告)指南进行。本研究获得了中国 Agricultural University 的实验动物福利和伦理委员会的批准。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系,这些关系可能会影响本文报道的工作。

致谢
本研究得到了国家重点研发计划(项目编号2021YFD1300100)的支持。我们感谢国家模型动物表型和基因型分析设施(北京)的SolAriot高性能计算平台的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号