《AgriEngineering》：Behavioral Welfare Monitoring in Laying Hens: From Ethology to Artificial Intelligence—A Narrative Review
摘要：蛋鸡（Gallus gallus domesticus）福利相关行为的自动化监测随着计算机视觉、深度学习和精准畜牧业（PLF）的发展而不断进步。本叙述性综述将福利指标的动物行为学基础与监测技术的发展及就绪程度相结合。综述区分了常规表达的诊断性行为，包括梳理、运动、沙浴、采食、饮水和筑巢，以及高优先级的福利风险，如攻击、堆叠、啄羽和不动或趴卧。综述追溯了从人工行为谱到半自动化工具以及近期人工智能（AI）应用的进展，包括基于You Only Look Once（YOLO）的检测、结合BoT-SORT（一种基于鲁棒关联的跟踪算法）的多目标跟踪、姿态估计和多模态传感器融合。针对特定应用的技术就绪水平（TRL 1–9）表明，大多数行为分析系统仍处于TRL 4–6。若干技术延伸至TRL 6–8，而少数成熟系统达到TRL 9。持续存在的障碍包括生产条件下的域偏移、标注成本、不一致的验证协议以及有限的经济可及性。通过将福利相关性、评估层级和部署证据联系起来，本综述确定了在商业化蛋鸡生产中实现可扩展且可操作的监测的优先事项。
1. 引言
连续行为监测是精准畜牧业（PLF）的重要目标，PLF利用传感器、算法和决策支持系统，在个体和群体层面提供关于动物福利的可操作信息。蛋鸡是一个要求较高的案例，因为福利评估依赖于梳理、沙浴、觅食、筑巢、运动和社会互动等行为。商业鸡群可能包含数万只鸡，使得连续人工观察不切实际。在欧盟内部，第1999/74/EC号理事会指令自2012年1月1日起禁止非富集笼，而富集笼在满足最低标准的情况下仍被允许。加之自愿的无笼承诺，这些变化增加了对非笼养系统中可扩展监测的需求，因为大群体和复杂的三维环境可能增加堆叠、啄羽和产蛋错位的风险，同时减少个体监督。
监测方法已从人工行为谱和闭路电视（CCTV）记录发展而来。早期大规模研究还表明，在解释群体水平福利时，必须将饲养和管理条件与饲养密度一并考虑。后来的方法引入了光流分析、射频识别（RFID）跟踪，以及能够检测、分类和跟踪研究和商业禽舍环境中行为的深度学习模型。
近期综述已分别表征了这一领域的多个方面：用于家畜行为的计算机视觉应用、PLF工具及其福利意义、用于蛋鸡和肉鸡管理的深度学习，以及基于人工智能（AI）的福利评估。然而，现有综述均未将行为福利指标的动物行为学基础、历史技术轨迹、深度学习应用的现状以及技术就绪水平（TRL）映射整合为单一连贯的综合分析。这种整合对于确定该领域当前的立场、哪些技术真正准备好用于商业采用，以及必须弥合哪些研究空白是必要的。本综述的范围和四个整合维度在图1中总结。
本综述有四个目标。第一，描述家养母鸡的行为谱，并将特定行为与福利状态联系起来。第二，追溯监测从经典观察到半自动化系统的发展。第三，评估近期AI应用，包括实时检测、多目标跟踪、姿态估计、多模态传感器融合和基础模型。最后，将关键应用在TRL 1–9范围内的就绪程度进行映射，并确定商业部署的障碍。由此产生的综合分析支持在商业蛋鸡生产中实现可扩展、面向福利的监测研究议程。
2. 方法论
2.1 文献识别与选择
本文设计为叙述性综述而非系统综述或荟萃分析。文献来源包括Web of Science核心合集、Scopus和Google Scholar，并通过关键综述和原始研究的前向和后向引文追踪进行补充。数据库搜索最初覆盖截至2025年8月可获得的记录。在修订过程中，针对性的引文和产品搜索增加了少量2026年相关来源，以更新技术就绪水平框架、新兴技术和当前商业部署。这些添加未改变综述的叙述性设计。
检索词结合了物种描述词（蛋鸡、肉鸡、家鸡、家禽）与行为福利相关词（行为监测、行为指标、行为学、动物福利、福利评估）。技术相关词包括精准畜牧业、计算机视觉、人工智能、机器学习、深度学习、YOLO、光流、姿态估计、多目标跟踪、射频识别、可穿戴传感器、声学监测和传感器融合。当早期出版物需要建立动物行为学基础或监测技术的历史发展时，予以保留。
当出版物涉及蛋鸡或肉鸡，并对行为福利指标、自动化或半自动化监测、计算机视觉、声学监测、可穿戴或射频识别传感、多模态系统或技术就绪程度提供证据时，予以考虑。优先考虑描述传感模态、数据集或实验材料、算法、监测目标、验证程序或操作环境的同行评审实证研究。仅关注生产性能而无行为或福利成分的研究、其他物种无明确可转移方法学贡献的研究、会议摘要、社论、推广材料和缺乏足够技术信息的文件未作为核心证据使用。标题和摘要经过相关性检查，随后对可能符合条件的出版物进行全文评估。由于这是叙述性综述，研究选择具有解释性；未进行系统评价和荟萃分析优先报告条目（PRISMA）流程图、正式偏倚风险评估或荟萃分析。
最终参考文献列表包含118个来源，包括历史动物行为学、主要实证研究、综述、政策或指南文件，以及仅用于验证高TRL部署的产品材料。家禽技术证据代表来自北美、欧洲、亚洲和其他地区的研究团队，并有意纳入2024–2025年的近期出版物以扩大地理和团队覆盖。由于选择是叙述性和解释性的，未应用PRISMA流程计数或定量地理加权。
2.2 数据处理与叙述性综合
书目记录和全文按结构化证据矩阵组织。对于每项保留研究，记录以下信息（如可得）：出版和研究区域、物种或生产类别、饲养或实验环境、样本或数据集描述、传感器或输入模态、算法或模型、行为或福利目标、验证设计、报告的性能指标以及运营部署证据。重复报告通过数字对象标识符、标题、作者身份和研究描述进行识别。当多篇出版物描述同一系统时，仅当每篇提供独特的方法学或验证证据时予以保留。缺失的数据集或性能信息报告为未指定而非推断。评估单元也单独编码为帧级检测、鸡只级检测或跟踪、事件级检测、日或群体级指标或警报，以及连续运营性能；这些级别不等同。
证据通过定性、描述性比较进行分析，因为物种、饲养系统、传感器配置、行为定义、数据集和性能指标的异质性排除了定量合并。研究被分为动物行为学基础、经典和半自动化监测工具、人工智能和计算机视觉、多模态和声学系统，以及技术就绪和商业部署。表中的性能值按来源研究报告的方式复制，不视为跨数据集或验证协议直接可比。对比结果予以保留，并根据实验环境、规模、遮挡、传感器配置和验证设计进行解释。未使用统计合并或专门的荟萃分析软件。
对于技术就绪水平评估，每项技术使用第7节中描述的适应性标准进行评估，以实证验证环境、运营整合、重复或多地点使用以及商业支持证据作为主要指标。公开可用的制造商文档和产品材料仅用于验证评估为TRL 7–9的技术的产品可用性和部署；这些来源不作为独立性能验证的替代品。由此产生的叙述性综合用于填充汇总表并确定研究和部署空白。
3. 家养母鸡的行为谱与福利指标
3.1 行为指标作为福利评估和计算检测目标
动物行为被广泛认为是家养母鸡福利的基本指标。对行为模式的系统观察允许推断痛苦、恐惧、沮丧和疼痛状态，并识别未满足的行为需求。这种方法基于以下前提：自然行为谱的表达反映了适当的环境条件和物种特定生物学需求的满足。
行为需求的概念描述了动机强度如此之高以至于其抑制损害福利的行为，无论其直接适应功能如何。这些需求可通过偏好测试和剥夺-反弹范式进行量化，揭示沙浴和筑巢等行为的动机强度。家养母鸡的行为谱组织为相对稳定的日常模式，在探索、维护、资源使用和休息之间交替。在丰富环境中，母鸡大部分清醒时间用于有限的一组活动：采食、饮水、梳理、运动、筑巢、栖息和休息，组织为短暂、频繁的行为回合。从PLF角度看，这些日常活动模式构成了自动化监测系统必须可靠检测、量化和时间表征的主要观察目标，将行为科学转化为可测量的、机器可读的福利信号。
3.2 梳理：情感状态的诊断指标
梳理包括使用喙进行羽毛清洁和整理，以及皮肤自我维护，在成体中还包括涂抹尾脂腺分泌物。它在发育早期出现，伴随羽毛成熟，对于表皮完整性、体温调节和外寄生虫清除至关重要。从福利评估角度看，梳理具有特殊意义：接受巴甫洛夫条件反射的蛋鸡在预期积极事件时表现出比中性或消极事件更高的梳理和扇翅频率，表明这种舒适行为与积极情感状态相关。丰富有稻草捆、平台和多样底物的环境促进长时间梳理并减少对人类处理的恐惧反应。相反，抑制舒适行为的条件同时升高恐惧反应，确立梳理频率和持续时间作为鸟类情感状态的敏感双向指标。
因此，梳理行为的自动检测已成为PLF研究人员的优先目标。该行为在运动上具有独特性，涉及沿身体表面的重复喙触运动，但以短回合出现且可能在密集鸡群中被视觉遮挡，使其成为计算机视觉系统的要求较高的目标。
3.3 沙浴：行为需求与福利指标
沙浴是一种刻板的运动模式，包括挖掘、底物浸入、垂直抖翅、喙耙和头部摩擦。其功能是将细颗粒掺入羽毛以去除多余脂质和外寄生虫，重新排列羽毛微结构。在自然条件下，沙浴约每两天发生一次，并表现出强烈的昼夜节律控制，剥夺后出现代偿性反弹，这是动机性行为需求的标志。被剥夺沙浴底物的母鸡表现出增加的反常行为和消极生理指标，确立沙浴剥夺作为可靠的福利应激源。底物偏好一致：沙子和泥炭优于木屑或稻草，早期经验通过与先天倾向和学习的相互作用调节成年偏好。从计算机视觉角度看，沙浴提供了丰富且时间延长的运动序列——侧滚、展翅、底物耙抓和头部摩擦——其刻板结构使其成为易处理的检测目标，尽管密集鸡群中的部分遮挡和底物变异性仍然是自动量化的技术挑战。
3.4 运动与身体健康
行走、奔跑、扇翅和跳跃等行为在发育早期出现，表现出显著的昼夜节律。在丰富环境中，这些剧烈运动活动与肌肉骨骼健康和预防集约化系统中常见的运动障碍相关。能够进入物理复杂环境（设有坡道、平台和充足地面空间）的母鸡表现出更高的奔跑、跳跃和玩耍行为频率，这些被认为是积极情感状态的指标。运动限制与足垫病变、骨骼疾病和肌肉萎缩发生率增加相关，确立运动活动作为肉鸡和蛋鸡的核心福利指标。使用顶置摄像头结合多目标跟踪流水线自动估计运动参数——行走速度、轨迹长度、活动回合频率和姿势转换——在技术上可行，使运动成为商业PLF中最具部署准备度的行为目标之一。
3.5 觅食、筑巢和资源行为
觅食包括底物啄食和抓挠，即使在营养完全饲料现成可得的情况下也可占据活跃白昼时间的大部分，反映了独立于营养状态的强内在动机。觅食机会的剥夺在功能上与啄羽相关，表明重定向的探索性挫败感是这种伤害行为发展的基础。从早期获得适当底物可降低啄羽严重性和频率。
筑巢行为整合了巢穴搜索、探索、材料耙抓和直到产蛋的长时间占用。提供巢箱的母鸡以高度可预测的产蛋前序列使用它们。可用巢穴的限制或不适当会产生增加的运动、发声和受挫的产蛋尝试，被解释为动机性挫败感，确认筑巢是经典的行为需求。
限制进入合适巢穴或其他强烈动机活动也可产生刻板踱步，其特征为重复、相对不变的运动路线而无成功目标完成。因此，持续踱步不同于普通探索，可能表明挫败感或环境不足。对于自动化监测，轨迹重复性、低路径熵、递归转弯位置和回合持续性可帮助区分刻板踱步与正常运动。
采食和饮水虽然主要面向生存，但也反映鸟类的健康和情绪状态：采食模式紊乱、饮水频率异常或群体内资源获取不对称可能表明环境应激、疾病或社会竞争。采食和饮水访问的时空规律性使其特别适合自动化监测：使用固定顶置摄像头 footage 结合目标检测和轨迹分析，可估计采食线占用率和饮水器使用频率，而无需个体识别。
3.6 社会行为与积极福利指标
社会行为应同时作为群体属性和个体经验分布进行评估。行为同步性——多只母鸡在同一时间窗口内且通常空间邻近地执行相同活动——可反映社会凝聚力和协调的休息、采食、觅食、沙浴或运动场使用。然而，同步性是情境依赖的：低同步性可能反映干扰、恐惧、竞争、资源空间不足或不平等获取，而非常高的聚集可能表明拥挤或堆叠风险而非积极凝聚力。因此，自动化系统应报告相对于一天中的时间、资源可用性和群体特定基线的行为特异性同步性，而不是将单一同步性评分视为直接福利标签。RFID数据已证明自由放养母鸡中存在非随机同步运动场使用，2024年的一项研究将像素变化分析与YOLO家族鸡只计数结合，使用YOLOX量化育成母鸡的资源使用同步性。
优势动态决定了哪些个体发起、接受或避免社会互动，以及哪些母鸡获得采食器、饮水器、巢穴、栖息架和偏好区域。稳定的等级制度可能减少重复争斗，但等级不稳定或持续向下攻击可使从属母鸡暴露于慢性社会压力、回避、采食中断和空间边缘化。Grethen等人发现大小蛋鸡群体中均存在高等级陡度和传递性，排名最高的鸟占记录互动的70%以上，挑战了大群体缺乏组织化优势结构的假设。Carvalho等人同样表明社会不稳定性、等级制度、攻击、生理应激和生产力相互关联。因此，福利监测应检查等级轨迹、资源处位移、重复受害和社会网络位置变化，而不仅仅是总群体活动。
攻击也必须与伤害性啄羽区分。攻击性啄击通常有力且主要针对争斗遭遇中的头部或颈部，而严重啄羽通常针对背部、臀部或尾部，被认为是一种具有部分不同动机起源的伤害行为。两者均可引起恐惧、伤害、羽毛损失、资源访问受限，严重时导致同类相食和死亡；然而，将它们合并为单一“啄击”类别模糊了其福利意义。机器视觉研究已使用YOLOv5模型检测无笼母鸡的啄击行为及相关损伤，但自动化系统应进一步区分行为者和接受者、目标身体区域、回合持续时间、重复、追逐或退缩以及损伤结果。
技术上，社会监测需要持久的个体识别和关系感知分析。仅目标检测可计数鸟类但无法重建谁与谁互动；实用流水线因此需要多目标跟踪、姿态或身体部位估计和时间动作识别，随后进行成对或基于图的度量，如最近邻距离、关联强度、互动发起和接受率、追逐和回避序列、位移网络以及Elo评分或社会网络估计。主要挑战包括密集鸡群遮挡、视觉上相似的啄击和采食运动、身份切换、变化照明、小身体部位运动以及不同层上鸟类的观察不完整。将视频与RFID或声学线索结合可改善身份和事件解释，而不确定性标志和人工验证对于罕见或模糊事件仍至关重要。验证应针对行为谱在事件和个体两个层面进行，因为群体平均值可掩盖影响少数从属或受害母鸡的持续问题。
近期关于蛋鸡和肉鸡积极福利指标的综述将探索、沙浴、筑巢、栖息和玩耍行为确定为良好生活质量的潜在标志。它们在适当情境中的自发表达被认为是福利的标志而不仅仅是痛苦缺失，符合当代五域福利框架。实地研究证实，更大的环境复杂性与更高的行为多样性、更多玩耍和减少恐惧反应相关，直接将行为观察与福利诊断联系起来。
这些动物行为学发现共同定义了自动化监测系统必须可靠检测、量化和时间表征的行为目标。图2提供了按福利效价和自动检测优先级组织的行为谱概览。表1列出了主要福利相关行为、其福利效价及其与积极或消极状态的既定联系。
4. 从行为谱到半自动化监测：经典工具包
蛋鸡和肉鸡行为监测工具的技术演进（1990–2025）在图3中说明，按四个技术时代组织。
4.1 人工行为记录方法
家养母鸡的行为评估数十年来基于直接观察和通过行为谱进行的人工记录，这些繁琐程序使用焦点动物、扫描或连续事件采样协议。这些方法建立了家养母鸡和其他鸡形目行为谱的描述性基础，但带来了严重限制：高人员成本、观察者间偏倚风险、无法夜间覆盖、受限的观察窗口以及在商业鸡群规模上的不可行性。电子学进步和相机成本下降在整个1990年代开辟了第一条自动化路径：CCTV记录，使观察窗口无需额外人员成本即可延长。该时期的研究已记录了基于相机的蛋鸡群体空间分布、巢穴占用和昼夜活动模式监测。
4.2 视频跟踪与光流分析
行为记录系统化的里程碑是EthoVision（Noldus Information Technology）的开发，该视频跟踪软件自动从记录中提取轨迹、速度、位置和活动指标。尽管为小规模实验室群体设计，它被广泛用于蛋鸡和肉鸡行为研究，以测量运动活动、空间使用和测试场地互动。
Dawkins等人未使用光流或自动图像分析。其大规模商业农场研究评估了10个生产商管理的270万只肉鸡在五种目标饲养密度下的福利，同时记录饲养和管理因素，包括温度、湿度、垫料质量和空气质量。生产者之间的环境和管理差异对福利结果的影响大于单纯饲养密度。因此，该研究在此被引用为证据，表明在解释后来传感器衍生的群体活动时必须考虑饲养环境，而非作为计算机视觉研究。
光流算法计算连续视频帧之间的表观运动场，被证明特别适用于个体跟踪不可行的高密度肉鸡舍。Dawkins等人证明光流指标结合体重和耗水量数据可作为商业肉鸡群足垫皮炎和飞节灼伤的早期预警系统，比常规检查提前数天预测病变诊断。系统综述确认自动视频分析是最常测试的蛋鸡和肉鸡行为监测技术，通过占用面积、位移速度和事件频率等指标覆盖运动活动、采食、饮水、沙浴、觅食和恐惧表达。
4.3 基于RFID的个体跟踪
群体水平图像分析提供群体指标，但无法实现个体化行为监测，这是社会等级、巢穴使用模式、差异资源获取和个体行为变异性研究的重要空白。RFID应答器通过在天线处自动记录标记个体——安装于巢穴入口、饮水器和栖息架——生成无观察者干扰的时间位置序列。
Siegford等人展示了RFID、加速度计和相机的集成使用，以直接观察无法达到的时间分辨率跟踪大群体中个体蛋鸡的活动和位置。随后的发展——RFID仪器的智能巢箱——自动记录每只个体的身份、巢穴占用持续时间和产蛋发生，无需额外处理。Ellen等人综述了蛋鸡育种中的传感器技术，强调通过RFID进行的自动化行为表型分析使得巢穴使用、栖息架占用和采食器访问频率作为选育程序中的变量成为可能，用于啄羽抗性，这在所需规模上以前是不可行的。
4.4 可穿戴传感器与加速度计
可穿戴传感器——附着于背部或腿部的三轴加速度计——记录加速度和空间方向模式，通过监督分类器区分行走、奔跑、梳理、沙浴、躺卧和采食等行为，在同步直接观察验证时具有高精度。其关键优势是独立于照明条件以及捕获相机视野之外发生的行为的能力。Ben Sassi等人指出加速度计可监测与运动障碍诊断相关的运动指标，这是肉鸡的主要福利问题。Siegford等人确认加速度计与RFID耦合相比任一单独技术扩展了个体诊断能力。关于传感器小型化和非厌恶附着方法的研究仍在继续，因为设备重量可能改变被监测的行为。
4.5 声学监测
早期声学监测方法使用安装在蛋鸡和肉鸡舍内的麦克风连续记录群体发声，并提取预定义声学特征，如叫声率、主频、幅度、持续时间和频谱分布。这些变量随后与动机状态、应激、资源可用性和社会互动相关联。与直接行为观察相比，声学传感提供连续、非侵入且相对低成本的群体水平监测。然而，经典系统严重依赖手动定义的信号处理规则，并且对通风系统、饲喂器和其他农场设备产生的背景噪声敏感。从这些基于特征的方法到基于深度学习的发声分析的转变在第5.6节讨论。
4.6 红外热成像
红外热成像（IRT）提供体表温度和非接触式空间热模式测量，为热负荷、外周血管舒缩反应、炎症和病变风险提供间接评估。在肉鸡中，红外研究已识别与饲养密度相关的热生理和福利指标变化。随后的多传感器应用将热数据与红绿蓝、近红外或深度图像结合，以支持死鸡检测、病理状况和羽毛损伤严重性评估。
与视频跟踪或加速度测量不同，独立IRT不直接分类行为；其主要输出是体表温度图、热梯度和局部热区或冷区。测量受相机角度和距离、发射率设置、羽毛覆盖、环境温度、相对湿度、气流、遮挡和校准程序影响。因此，红外热成像应被解释为补充性生理和福利监测模态，当热信息与RGB视频、深度数据、声学信号或直接观察同步时，其行为意义得到增强。
4.7 经典工具包的综合
这些工具共同实现了从定性行为学观察到定量、自动化监测的渐进式转变。表2总结了主要经典和半自动化技术、其目标行为、验证输出和主要局限性，为第5节描述的深度学习进展提供了评估基准。
5. 精准畜牧业中的AI与现代计算机视觉
用于实时行为福利监测的PLF系统概念架构——整合了本综述审查的技术，跨越四个功能层——在图4中说明。
5.1 蛋鸡和肉鸡监测中的深度学习革命
计算能力指数增长、低成本传感器普及和大规模标注数据集可用性的融合，在2010年代后半期产生了AI在动物生产中应用的质的飞跃。虽然经典工具提供群体水平指标，深度学习架构现在能够从标准视频相机同时检测、分类和时间跟踪多个个体行为，这一能力对商业蛋鸡和肉鸡舍具有直接操作相关性。
卷积神经网络（CNN）及其衍生物特别擅长自动提取相关视觉特征而无需人工工程，实现密集群体视频中的多行为分类。Li等人综述了CNN在畜牧生产中的计算机视觉应用，记录了超过90%准确率的研究，用于从商业蛋鸡和肉鸡舍中的低成本相机分类觅食、沙浴和筑巢等行为。Morrone等人将这些进展置于工业4.0框架内，认为低成本传感器、物联网（IoT）连接和AI算法的融合现在构成生产规模连续自动化福利监测的技术基础。
补充这些算法进展，van Veen对商业蛋鸡群体健康与福利监测的基于传感器方法进行了全面调查，证明自动化传感器系统能够以足够实际部署的灵敏度检测福利相关的行为变化。
5.2 实时目标检测：YOLO架构
蛋鸡和肉鸡舍应用的一个重大实践发展是实时You Only Look Once（YOLO）检测器及其连续版本的巩固，从YOLOv5到YOLOv8及更高。YOLO模型本身是卷积神经网络（CNN）架构。其计算优势在于将目标定位和分类视为统一的单阶段预测，而两阶段检测器首先生成区域提议然后分类或细化。这种端到端设计支持快速帧推理，并可提供使用标准互联网协议（IP）相机的连续监测的计算基础。然而，参考文献[10,11,65]中报告的系统作为研究原型进行评估，不应解释为连续商业运行的证据。
Bist等人开发了基于YOLOv6的检测器用于无笼蛋鸡堆叠行为。模型使用来自四个研究性无笼设施的9000张图像进行训练和测试，实现平均召回率70.6%，mAP@0.50为98.9%，mAP@0.50:0.95为63.7%；未报告商业规模操作验证。Yang等人使用YOLOv5x-hens检测和计数研究性无笼设施中垫料地面的母鸡，报告精确率和召回率均为96%，mAP@0.50为95%。Bist等人开发了YOLOv5-FELB模型用于地面产蛋行为。该研究使用四个相同的研究性无笼鸡舍，每舍200只Hy-Line W-36母鸡，栖架和垫料地面设计为模拟商业多层栖架系统；作者明确提议在商业无笼鸡舍中进行未来验证。
除北美研究外，欧洲和亚洲团队对基于YOLO的行为检测做出了重大贡献。Yan等人开发了与Hybrid-SORT跟踪集成的YOLO-HGP模型，用于识别热应激下蛋鸡的热应激行为，实现应激相关姿势的可靠区分。Jiang等人提出了一种注意力机制增强的YOLO-Chicken框架，用于密集笼养鸡群的实时跟踪，证明相比基线YOLO架构检测召回率有所提高。Wahjuni等人应用基于YOLO的模型检测肉鸡群体的采食和攻击行为，确认了这些检测框架的地理可转移性。Willems等人使用夜视相机监测蛋鸡的栖息架占用模式并同时检测家禽红螨感染，证明夜间行为监测提供标准白天视频无法获得的福利相关信息。
表3提供了PLF中具有代表性的基于深度学习的计算机视觉研究摘要，按行为目标、模型架构、传感器配置和报告的性能指标组织。经典图像处理方法，包括光流，在第4节和表2中单独总结。
5.3 多目标跟踪与个体监测
单独检测个体鸟本身并不产生纵向行为信息；这需要多目标跟踪（MOT），即在连续观察会话期间将检测到的鸟跨帧持续关联。这在高密度蛋鸡和肉鸡环境中计算要求很高，原因在于遮挡、个体间视觉相似性和变化相机角度。
Siriani等人应用BoT-SORT跟踪小型栖架中20只一组饲养的无笼蛋鸡。基于3623张标注图像训练的鸡只检测器实现mAP 98.5%，15分钟视频的轨迹用于量化移动方向、行进距离以及被分类为休息、探索或奔跑的时间。该研究证明了研究条件下短期个体跟踪；未验证全天资源访问或商业鸡舍运行。
Neethirajan报告了ChickTrack，一个整合重识别特征用于多鸟场景的个体跟踪系统。商业规模的个体跟踪仍然是该领域计算要求最高的挑战之一，特别是在无云基础设施的嵌入式硬件部署方面。
国际团队近期贡献扩展了基于跟踪的行为监测的分类学和方法学范围。Hu等人结合改进的YOLOv8s检测器、ByteTrack和带时空注意力模块的三维ResNet-50（3D-ResNet50-TSAM）用于五种肉鸡行为。检测器实现mAP@0.50 99.50%，跟踪器实现平均多目标跟踪精度（MOTA）93.89%，行为分类器实现97.84%准确率。Campbell等人在商业肉鸡舍评估了概念验证系统：检测器实现精确率98%、召回率90%、F1分数94%，而跟踪MOTA为74.7%，轨迹聚类与人类观察的一致性范围为6.0%至99.7%。这些结果支持短期活动监测，而非经验证的连续福利警报系统。Triyanto等人整合YOLOv8与BoT-SORT和ByteTrack绘制跛行鸡的空间分布。
5.4 姿态估计与跛行检测
姿态估计——从图像或视频自动定位解剖关键点（头、颈、背、翅、腿）——使得计算关节角度、步长、支撑基宽度和位移速度成为可能，产生以高精度表征运动的运动学参数。应用于家养母鸡，这种方法已转变运动障碍的评估，运动障碍是肉鸡生产中的主要福利挑战之一。
Fodor等人开发并验证了肉鸡自动化姿态估计系统。自动提取的运动学参数，包括步长、支撑基宽度和步态速度，以与专家步态评分相当的精度区分不同跛行等级的鸟，而时间和成本仅为一小部分。Wurtz和Riber比较了主观视觉步态评分、自动跟踪系统和姿态估计模型，结论是自动化方法已显示出足够的验证，可用于商业规模的福利监测计划。Dawkins主张应将主动行走作为工业肉鸡生产的旗舰福利指标，自动化姿态估计使这一目标在规模上技术上可行。
将姿态估计扩展到肉鸡模型之外，Zhao等人将基于关键点的行为识别应用于笼养鸭，开发了笼网消除算法以减轻围栏 enclosure 固有的遮挡伪影，从而在结构上不同于典型蛋鸡或肉鸡福利研究的生产环境中实现可靠的姿势检测和行为分类。
5.5 多模态传感器融合
多模态系统可组合红绿蓝（RGB）相机与深度传感器（立体或飞行时间）和热红外相机。每种模态捕获不同信息：视觉纹理和颜色、三维几何或热状态。当同步、校准和验证充分时，组合这些输入可改善福利相关分类。
Zhang等人开发了RGB-深度-热配准和三维重建流水线用于蛋鸡羽毛损伤评估。重建的多模态表示相对于二维RGB或热图像支持改进的视觉评估，但研究未报告常规严重性分类准确率。Luo等人配准了热红外（TIR）、近红外（NIR）和深度图像，并比较了单源、双源和三源输入用于商业蛋鸡农场的死鸡检测。最佳NIR-深度/Deformable DETR模型实现AP@0.50 99.7%和召回率99.0%，而三源模型实现AP@0.50:0.95 76.7%，且未显著优于最佳双源组合。Elmessery等人分别在肉鸡病理现象的视觉和热图像上训练了YOLO模型；热YOLOv8模型实现mAP@0.50 98.8%和F1分数97.2%。这些研究证明了多种模态的互补价值，但本身并未确立商业运营中同步的实时传感器融合。
尽管有这些有希望的结果，实际农场多模态部署引入了在受控实验中常被最小化的技术约束。RGB、热、深度和声学传感器以不同采样率、分辨率、视野和处理延迟操作。因此其输出需要共同时间戳、同步采集或有限时间窗口，以及延迟或缺失帧的明确处理。视觉模态还需要内参校准和跨传感器空间配准，以便RGB区域对应于热和深度流中的同一只鸟或禽舍区域。相机移动、振动、清洁或温度变化后校准可能漂移。在商业蛋鸡和肉鸡舍中，遮挡、灰尘、变化照明、热反射、风扇和设备噪声以及间歇性网络连接进一步降低对齐质量，并可能导致一种模态暂时不可靠。
融合策略因此影响准确性和可部署性。数据级或早期融合组合对齐的原始测量可保留详细的跨模态关系，但需要紧密同步、校准、带宽和存储。特征级融合使用模态特定编码器后接拼接、注意力或学习加权，在空间和时间对应充分时提供实用折衷。决策级或晚期融合组合独立模型输出；它更模块化且容忍缺失传感器，尽管可能无法捕获仅在跨模态中可见的交互。混合和可靠性感知方法可使用模态掩码、置信度加权和当流不可用时的后备单传感器模型。对于实时实现，边缘缓冲、基于窗口的时间对齐、模态特定归一化、不确定性校准和传感器健康监测应包含在系统架构中。这些选择必须在不同农场、住房布局、气候、生产阶段和传感器配置中进行报告和验证，然后多模态性能才可推广到常规商业运营。
5.6 声学深度学习
连续声学监测系统——麦克风置于战略位置，馈送深度学习发声分类器——已通过叫声率和频谱分布的特征性改变来检测应激状态、兴奋和呼吸系统疾病得到验证。Aziz等人综述了蛋鸡和肉鸡农场的计算机视觉和声学监测，确认声学系统对先于可见物理变化的福利相关群体状态特别敏感。将声学分析与计算机视觉和环境传感器数据整合到统一IoT平台构成下一代PLF系统的基础架构。基于第4.5节所述的特征声学系统，深度学习模型现在直接从声谱图或音频序列学习判别性发声模式，减少对人工声学描述符的依赖。
5.7 新兴前沿：数字孪生、可解释人工智能和基础模型
三个新兴研究方向与PLF特别相关。第一，数字孪生——由物理传感器实时馈送并由机器学习算法更新的蛋鸡或肉鸡舍的动态虚拟副本——已开始展示足够的保真度来模拟对管理干预的群体响应。虽然大多处于概念验证阶段，它们与行为监测数据的集成具有预测性福利优化而非反应性问题检测的潜力。
第二，可解释人工智能（XAI）解决了动物健康背景下可审计、可解释决策的关键需求。类激活映射（CAM）、SHAP（SHapley Additive exPlanations）和局部可解释模型不可知解释（LIME）等技术正被集成到监测系统中，以指示哪些图像区域或传感器变量支撑了分类，这是生产者信任和监管验证的要求。
第三，基础模型和大规模多模态模型，包括Segment Anything Model 2（SAM 2）和大语言模型（LLM），开始进入PLF领域。SAM 2的可提示、实时分割能力使对新鸟形态或环境的零样本或小样本适应成为可能，减少标注负担。LLM已被提议作为监测系统的自然语言查询接口，降低无专业培训生产者的采用技术障碍。这些发展在蛋鸡和肉鸡特定应用中仍处于早期TRL阶段，但可能支持未来应用。
两个近期案例研究说明了LLM在家禽应用中的价值和当前局限性。在肉鸡案例研究中，Leite等人评估了GPT-4o与检索增强生成（RAG）用于肉鸡生产的环境控制。系统检索领域材料以支持气候数据解释和关于通风、热管理和空气质量的建议生成。使用语义相似性比较有和没有RAG的响应，RAG配置产生显著更高的相似性分数。这种方法可使技术信息更易获取，并将环境数据转换为自然语言指导。然而，评估涉及响应质量而非商业鸡舍中的自主控制或纵向性能。其建议因此仍取决于检索语料库的覆盖范围和时效性、提示设计以及人工验证；RAG减少但不消除幻觉、不适当建议或上下文丢失。
在奶牛研究中，Lamanna等人使用ChatGPT-4从55篇科学论文中提取采食、反刍和躺卧时间预算数据。全局提取准确率约为75%，而标签准确率为67.3%；与人工提取的一致性因行为而异，躺卧时间估计几乎相同，但采食和反刍存在显著差异。该研究证明了LLM辅助证据提取的可扩展性及其减少重复人工工作的潜力，但也显示了对报告结构、歧义和类别定义的敏感性。综合来看，这些案例表明当前畜牧LLM最适合作为受监督的知识访问和决策支持层，而非自主福利或环境控制器。进一步障碍包括来源可追溯性、置信度校准、农场数据隐私、对云连接的依赖、模型和知识库更新，以及需要专家监督和针对可测量动物及农场结果的前瞻性验证。
6. 挑战与局限性
6.1 域偏移与环境变异性
部署AI监测系统的主要技术障碍是域偏移：在受控实验室条件或一个商业鸡舍中训练模型，当转移到新环境时精度下降。蛋鸡和肉鸡舍之间的照明变异性——从自然采光通过通风窗模式到人工发光二极管（LED）光周期——产生图像外观的剧烈变化，损害在固定条件下训练的检测器。相机镜头上的灰尘积累、变化湿度、冷凝和垫料颜色异质性进一步降低图像质量，这些是实验室训练集未捕获的。高饲养密度——商业无笼系统的典型特征——造成普遍遮挡条件，挑战检测和跟踪算法。解决域偏移需要多环境数据集整理、域适应训练策略或能够适应分布偏移而无需完全重新标注的自监督模型，这是一个活跃的研究前沿。
6.2 数据集标注成本与稀缺性
鲁棒深度学习模型的监督训练需要大型标注行为数据集，通常为数千至数万标注帧或由动物行为专家验证的事件标注。专家标注成本高昂，特别是对于需要行为学知识正确分类的行为事件（例如，区分梳理与攻击性啄羽，或区分运动障碍与自愿休息）。这一瓶颈不成比例地影响罕见但对福利关键的行为，如堆叠开始、伤害性啄击回合和产蛋前痛苦，在这些情况下，足够的正样本收集需要商业环境中长时间记录活动。半监督学习、主动学习和基于提示的基础模型适应（SAM 2）代表减少标注负担的有希望策略，但需在蛋鸡和肉鸡背景下验证行为特异性。
6.3 缺乏标准化验证协议
一个持续的治理空白是缺乏标准化、跨实验室验证协议，这将允许在等效条件下比较不同行为监测系统的性能，
