基于定向边界框YOLO架构的蛋鸡呼吸道疾病早期症状计算机视觉监测方法

《Applied Sciences》：A Computer Vision Method for Monitoring Early Symptoms of Respiratory Diseases in Leghorn Laying Hens

　　

： 传染性喉气管炎（Infectious Laryngotracheitis, ILT）由α疱疹病毒（ILTV）引起，是一种急性呼吸道疾病，通过增加死亡率、降低增重和减少产蛋量，对家禽造成重大的经济损失和福利影响。目前的监测依赖于临床观察，随后进行劳动密集型的实验室诊断，这延误了早期干预。临床和行为体征，包括揉眼、点头、张口呼吸、聚集扎堆以及采食和饮水减少，通常先于严重结局出现，使得自动化早期检测对疾病控制至关重要。本项先导研究部署了基于视觉的目标检测方法来识别ILT相关体征，比较了YOLO11-obb和YOLO26-obb模型。研究人员将14只SPF来航鸡分为ILTV感染组（n = 7）和未感染对照组（n = 7）。在感染后7天内每天记录8小时高清视频，共获得1214张标注图像，按训练集（70%）、验证集（20%）和测试集（10%）划分。使用精确率、召回率、mAP@0.50和mAP@0.50–0.95评估模型。YOLO26x-obb取得了最高的整体性能，而采食和饮水行为在两种模型变体中的检测精确率均达到0.93至0.98。临床体征的检测范围为0.36至1.0，反映了行为之间的视觉重叠。这些发现建立了一个可扩展、非侵入性的ILT实时监测框架，能够在群体水平疾病传播之前实现更早的管理干预。

论文解读文章

一、研究背景与问题

呼吸道疾病是现代家禽生产可持续性和盈利能力的主要制约因素，对动物福利、生产力和全球粮食安全构成重大挑战。美国禽业是农业经济的重要贡献者，2024年禽业销售额达到702亿美元。尽管在生物安全和疫苗接种策略方面取得了进展，但禽流感、传染性支气管炎和传染性喉气管炎（Infectious Laryngotracheitis, ILT）等传染性呼吸道疾病仍通过增加死亡率、降低饲料效率、减少产蛋量和提高管理成本造成重大经济损失。ILT由Iltovirus gallidalpha 1引起，属于α疱疹病毒亚科和正疱疹病毒科。该病毒产生一种高度传染性疾病，主要靶向鸡的上呼吸道。临床表现差异很大，从轻度结膜炎和鼻分泌物到以咳嗽、喘气、伸头和张口呼吸为特征的严重呼吸窘迫。在易感鸡群中，发病率可接近100%，疫情常导致生产性能显著下降。以往研究表明，ILTV感染与采食和饮水减少、抑郁以及产蛋量显著下降相关，严重呼吸道疾病后有时会发生死亡。这些早期生理和行为改变凸显了及时检测对有效缓解疾病和防止群体水平传播的重要性。

行为反应日益被认为是家禽健康和福利状态的敏感且非侵入性指标。呼吸窘迫常伴随明显的行为变化，包括点头和伸颈以促进气流、喘气或张喙呼吸、嗜睡和不适。此外，揉眼、将头藏在翅膀下以及聚集或挤在角落等行为可能表明不适或疾病进展。重要的是，这些行为和临床体征通常先于严重病理结局，为早期干预提供了关键窗口。然而，使用传统观察方法持续监测这些行为在实验和商业家禽生产系统中均不切实际。人工观察劳动强度大、耗时且易受观察者偏差影响，仅提供间歇性数据快照。基于实验室的诊断方法如聚合酶链反应（PCR）具有高特异性和敏感性，但本质上是反应性的，需要事先怀疑疾病且缺乏实时监测能力。这些局限性凸显了对能够检测早期疾病指标的自动化、连续且非侵入性监测系统的需求。

精准畜牧业和人工智能的最新进展为自动化健康监测创造了新机遇。机器视觉结合深度学习已显示出在大规模分析动物行为方面的强大潜力。Ultralytics开发的目标检测框架如YOLO模型已成功应用于家禽系统，用于检测多种问题行为，包括堆叠、错产蛋、死亡率和足垫皮炎，以及自然或应用行为如沙浴、栖架使用、坡道使用、觅食和富集块啄击。然而，深度学习技术在检测呼吸道疾病早期临床体征方面的应用，特别是在受控感染条件下，仍然有限。此外，很少有研究系统比较不同深度学习架构在检测疾病特异性临床体征方面的性能。新兴YOLO架构如YOLO11提供改进的计算效率和实时部署适用性，而更深更复杂的模型如YOLO26旨在捕获更丰富的特征表示，可能增强对细微和重叠行为的检测精度。这两种模型在识别ILT相关临床体征和行为指标方面的直接比较尚未被探索。

二、研究内容与结论

本研究的目的是开发一种基于机器视觉的系统，用于在受控生物安全舱室条件下自动检测SPF蛋鸡中与ILT相关的早期临床和行为体征。此外，本研究旨在使用关键评估指标包括精确率、召回率和平均精度均值（mAP）比较两种最先进的目标检测模型YOLO11-obb和YOLO26-obb的性能。研究人员假设更先进的YOLO26-obb模型将因其增强的特征提取能力而优于YOLO11-obb。这项工作旨在通过提供可扩展、客观且非侵入性的早期呼吸道疾病临床体征检测框架，弥合家禽疾病病理学与精准畜牧业监测之间的差距，最终实现及时干预和改善鸡群健康管理。

三、关键技术方法

研究人员在佐治亚大学家禽诊断与研究中心的生物安全隔离舱室中开展实验。38枚SPF来航鸡胚胎在孵化器中孵化，21日龄时随机分为ILTV感染组（n = 7）和未感染对照组（n = 7），分别置于两个相同的隔离舱室中。28日龄时，感染组经气管内和眼内途径接种强毒ILTV株（1874C5），剂量为10^3.8 TCID₅₀/200 μL，对照组仅接受组织培养液。每个舱室配备两台天花板安装的高清夜视监控摄像头，在攻毒后7天内每天8:00至17:00连续记录RGB视频。视频以15帧/秒的速率提取为图像，随机选取2000张并人工筛选出1214张包含临床体征和正常行为的图像。使用开源标注工具cvat.ai由经验丰富的研究人员手动绘制定向边界框（oriented bounding box, OBB）进行标注，标注类别包括揉眼、点头、藏头、扎堆角落、张口呼吸、采食和饮水。数据集按70%、20%、10%划分训练、验证和测试集。研究使用YOLO11-obb和YOLO26-obb两种模型进行训练和评估，采用精确率、召回率、mAP@0.50和mAP@0.50–0.95作为评估指标。

四、研究结果

4.1 总体模型性能

仅呈现ILT感染组鸡群的模型性能结果，因为目标检测的是呼吸道疾病临床体征，而对照组中不存在这些体征。对所有YOLO11-obb和YOLO26-obb变体的综合评估确定YOLO11n-obb和YOLO26x-obb为其各自模型变体中的最优模型，在大多数行为和临床体征类别中持续优于其他变体。

4.2 YOLO11n-obb性能

YOLO11n-obb在采食、饮水和临床体征检测方面展现出YOLO11-obb变体中最强的整体平衡。采食是最可靠检测的类别，精确率为0.93，召回率为0.89，mAP@0.50为0.95，mAP@0.50–0.95为0.71。饮水同样检测良好，精确率为0.93，召回率为0.89，mAP@0.50为0.95，mAP@0.50–0.95为0.71。在ILT相关临床体征中，检测性能差异显著。藏头结果中等，精确率为0.60，召回率为0.41，mAP@0.50为0.54。张口呼吸精确率中等但召回率和mAP较低，而点头和揉眼整体检测性能最弱。最显著的结果是扎堆角落，实现了近乎完美的召回率（1.00），mAP@0.50为1.00，mAP@0.50–0.95为0.80，是所有评估类别中最高的检测性能。

4.3 YOLO26x-obb性能

YOLO26x-obb在行为和临床体征类别中实现了YOLO26-obb变体中最高的整体性能。采食是最可靠检测的类别，精确率为0.98，召回率为0.88，mAP@0.50为0.94，mAP@0.50–0.95为0.76。饮水以中高精确率和召回率检测，但mAP@0.50–0.95相对较低，表明跨帧变异性更大。在临床体征中，揉眼和点头的召回率和mAP值最低，而藏头表现出中等可检测性。张口呼吸实现了高精确率和扎实的mAP值，因为其清晰可见。扎堆角落再次达到近乎完美的召回率和mAP@0.50，具有强大的mAP@0.50–0.95，确认为两种模型变体中最一致可检测的临床指标。

五、讨论总结与结论翻译

讨论部分指出，研究结果表明使用定向边界框YOLO架构的机器视觉目标检测能够可靠检测正常家禽行为和选定的ILT相关体征，性能随行为类型和视觉显著性系统变化。空间上突出的行为以高精确率检测，而细微、短暂和细粒度的临床体征对帧级检测方法仍具挑战性。采食和饮水行为在两种模型中均以最高精确率和mAP值检测，这与先前家禽研究一致，因为这些行为具有视觉上独特、高频且时空和姿态特征稳定的特点。扎堆角落达到最高的检测性能，归因于其空间上独特的呈现方式，即鸡只在特定角落区域的密集聚集，与正常群体分布模式形成强烈视觉对比。相比之下，细微的ILT相关临床体征包括揉眼、点头和张口呼吸的检测仍有限，这些行为短暂、占据图像帧内小空间区域，且常缺乏与背景活动的足够视觉对比。混淆矩阵分析确认背景误分类是这些类别的主要错误来源，而非类别间混淆。类别不平衡加剧了这一局限性，采食实例数量远超稀有临床体征类别。YOLO26x-obb与YOLO11n-obb之间的性能差异在张口呼吸等行为上最为明显，更大更新的YOLO26x-obb架构展示了相对更强的精确率和mAP。未来工作方向包括扩展训练数据集以实现稀有临床体征类别的更平衡表示，结合时间信息通过视频或序列感知检测架构，以及更高分辨率成像以减少遮挡和姿态变异的影响。

结论部分翻译如下：本研究证明，基于机器视觉的监测能够在受控生物安全条件下准确检测鸡的采食和饮水行为，并识别多种ILT相关临床体征。obb检测模型的实施使得关键行为的准确识别成为可能，YOLO11n-obb和YOLO26x-obb在采食和饮水活动中均表现出强劲性能。在测试模型中，YOLO11n-obb和YOLO26x-obb表现强劲，采食和饮水行为观察到最高检测精确率，而揉眼、点头、藏头、扎堆角落和张口呼吸等临床体征以低至中等精确率检测。这些发现表明，自动化视觉监测作为ILT相关呼吸窘迫早期检测的非侵入性工具具有强大潜力。总体而言，这项工作为及时的群体水平干预奠定了坚实基础，改善了疾病监测，并减少了对家禽生产中人工观察的依赖。需要在商业饲养条件下和更大数据集上进一步验证，以提高稳健性和实际部署能力。