《Journal of Thermal Biology》：CSP-YOWO-TrajNet: A Spatio-Temporal Detection Method for Laying Hen Heat Stress Behavior
编辑推荐：
实时监测蛋鸡热应激行为的三维时空检测模型CSP-YOWO-TrajNet提出，通过2D CNN与3D CNN结合优化空间特征提取和动态建模，并添加轨迹预测模块解决遮挡、标签粗略及边缘设备资源限制问题，实验验证模型精度达94.1%且可部署于边缘设备。
余振伟|张丽颖|万丽青|林海|库拉姆·优素福|严戈奇|焦洪超|王朝阳|田富阳
山东农业大学机械电子工程学院，泰安，271018，中国
摘要
心理健康和身体健康是使产蛋鸡表现出自然行为的重要因素。为了保障其福利和生产效率，监测产蛋鸡在热应激下的行为变化非常困难。本研究提出了一种实时检测这些变化的方法。然而，在笼养系统中存在三个问题：鸡只之间会相互遮挡，行为标记不够精细，且边缘设备的资源有限。为了解决这些问题，我们提出了一种名为CSP-YOWO-TrajNet的三维时空行为检测器。设计了一个2D CNN和一个3D CNN来跟踪和感知轨迹。首先，在2D分支中加入了CSPDarknet53-SPA以增强空间特征提取；其次，在3D分支中采用了3D ResNeXt-50进行高效的时间建模；最后，添加了TrajNet模块以提高感知和跟踪能力。我们构建了一个包含281个鸡行为视频片段的数据集进行评估。所提出的CSP-YOWO-TrajNet的精确度达到了94.1%，mAP@50达到了96.1%。与基线方法YOWO相比，精确度和mAP@50分别提高了3.0%和3.6%，模型大小也从134.0 MB减少到了78.8 MB。在跟踪方面，F1分数达到了95.4%，跟踪准确率达到了89.2%。因此，该检测器能够实时识别产蛋鸡的热应激行为，并可用于边缘设备。
引言
产蛋鸡的热应激表现为呼吸急促和喉咙收缩频率增加，这被认为是家禽生产中的一个关键福利问题（Hu等人，2021；Kim等人，2021）。由于产蛋鸡的身体被羽毛覆盖且缺乏汗腺，它们无法有效散热。因此，热应激会引发一系列生理异常，包括进食抑制、内分泌紊乱、产蛋量下降，在某些情况下甚至会导致大规模死亡。这些事件对养殖业的经济效益构成严重威胁（Biswal等人，2021；Elnagar等人，2010；Kim和Lee，2023）。手动测量和监测这些行为既困难又耗时，容易出错。随着计算机视觉和机器人技术的进步，已经开发出自动化系统来监测动物行为并减少错误（Fang等人，2021；Wu等人，2022）。
在基于图像的检测方法中，Hao等人（Hao等人，2022）使用Faster R-CNN结合ResNet101-PAN特征和IoU损失实现了对笼养鸡进食行为的检测；Paneru等人（Paneru等人，2024）通过选择YOLOv8x-PB实现了无笼系统的栖息行为识别；另一项研究中，通过修改YOLOv8n开发了一种轻量级的对象检测算法YOLO-HGP（Yan等人，2024）。在这项研究中，引入了“ORC比率”作为评估产蛋鸡典型热应激行为的有效指标。Yu等人（Yu等人，2022）基于SOLOv2框架提出了改进的FPN-DenseNet-SOLO模型，其中高效通道注意力（ECA）和DropBlock正则化优化了DenseNet-169骨干网络，通过集成特征金字塔网络（FPN）的语义和掩码分支实现了对家禽热应激的识别。
Chen等人（Chen等人，2025）使用YOLOv8n-Pose网络定位奶牛的鼻孔关键点，通过随机森林模型拟合体温，并结合头部运动时的呼吸曲线来获取呼吸频率。Laleye等人（Laleye和Mousse，2024）开发了一种基于循环神经网络的多标签分类模型，用于收集产蛋鸡的共定位信号。该模型结合了时域和频域特征以及语义类别分配来识别产蛋鸡的行为。Derakhshani等人（Derakhshani等人，2022）使用可穿戴惯性传感器结合机器学习（ML）模型来识别和分类产蛋鸡的静态、半动态和高度动态行为。Shimmura等人（Shimmura等人，2024）提出了一个监督机器学习工具，用于自动分类和计算肉鸡的行为，并实现了行为之间的空间映射。
尽管有上述研究，但仍然存在个体遮挡、热应激行为识别粒度粗糙以及边缘设备性能要求高等挑战。这种情况导致了检测精度与实时部署之间的权衡。为了解决这些问题，本研究提出了一种适用于边缘设备的轻量级3D行为识别框架。该框架基于YOPO，首先提取空间特征，然后将其输入到时间建模中，实现高效的时空融合。一个嵌入的轨迹跟踪模块保持了行为的连续性，整个流程将安装在巡逻机器人上以实现实时边缘推理。
实验设置
在这项研究中，使用产蛋鸡作为研究对象。设计了一种实验方案，利用检测机器人收集产蛋鸡在高温条件下的热应激行为数据。实验在山东农业大学的气候控制环境舱（型号ECC-12，Saifu Environmental Systems）中进行。环境参数被精确调节：
实验参数设置
本研究使用Ubuntu 18.04.6 LTS操作系统构建深度学习平台。软件环境包括Python 3.7.0、PyTorch 1.10.3和CUDA 11.3。硬件配置包括Intel Xeon Gold 5218R处理器和NVIDIA RTX 3090 GPU。为了消除图像缩放引起的信息冗余，YOLOv8、YOLOv8-TCE和CSP-YOWO-TrajNet模型的输入尺寸统一设置为640×640像素。超参数配置如下：
结论
本研究提出了一种基于CSP-YOWO-TrajNet的产蛋鸡热应激行为实时检测方法。该方法有效解决了在多层笼养系统中严重遮挡条件下平衡检测精度和实时性能的挑战，这些条件受到强烈的行为连续性和有限的边缘计算资源的限制。通过引入CSPDarknet53-SPA架构，优化了2D CNN的空间特征提取能力。
作者贡献声明
余振伟：撰写 – 审稿与编辑。万丽青：调查、数据整理。张丽颖：撰写 – 原始草案、方法论。库拉姆·优素福：可视化、软件实现。林海：调查、数据整理。焦洪超：可视化、资源协调。严戈奇：可视化、软件实现。田富阳：撰写 – 原始草案。王朝阳：撰写 – 审稿与编辑
资金来源
本研究部分得到了山东省自然科学基金（资助编号ZR2024QF048）和中国国家重点研究计划（2021YFD1300405）的支持。数据可用性：用于支持本研究发现的数据包含在文章中。
利益冲突声明
我们声明与任何可能不恰当地影响我们工作的个人或组织没有财务和个人关系，对任何产品、服务和/或公司没有专业或其他性质的利益，这些利益可能会影响本文所述内容或“CSP-YOWO-TrajNet：一种用于产蛋鸡热应激行为的时空检测方法”手稿的评审。
