《Smart Agricultural Technology》：CageDAR-DeepSORT: An Improved Real-time Multi-object Tracking Algorithm for Caged Chickens Based on DeepSORT
编辑推荐：
为解决笼养蛋鸡规模化、高密度饲养模式下个体外观高度相似、环境遮挡严重导致的频繁身份切换（ID Switching）难题，研究人员提出了CageDAR-DeepSORT改进模型。该模型在检测、重识别（ReID）和数据关联三方面协同优化，集成了YOLOv11-AD轻量化检测器、针对鸡头特征的双对齐重识别网络（DARNet）以及结合CIoU与轨迹等级匹配（Rank Matching）的改进关联策略。实验表明，该算法在保持高检测速度（63.3 FPS）的同时，显著降低了ID切换次数（IDSw=2）并提升了IDF1分数（81.69%），为笼养鸡的精准行为分析与健康监测提供了高效可靠的技术方案，推动了家禽养殖的智能化管理。
在全球农业经济和蛋白质供应中，蛋鸡养殖业扮演着至关重要的角色。然而，为了实现高效的规模化生产，现代养殖场普遍采用高密度笼养模式。这种模式在提升效率的同时，也给每只鸡的个体化精准管理带来了巨大挑战。试想一下，在层层叠叠的鸡笼中，成百上千只外观几乎一模一样的鸡挤在一起，它们频繁移动、相互遮挡。如果想通过摄像头自动追踪某一只鸡，分析它的进食频率、活动量变化，或者观察它是否有长时间趴窝、精神萎靡等异常行为，从而实现对疾病或应激状态的早期预警，现有的技术常常“力不从心”。最大的难题就是“脸盲”——由于鸡只外观高度相似，加上笼内环境复杂、遮挡严重，传统的追踪算法很容易“认错鸡”，导致同一只鸡在视频中被反复赋予不同的身份编号（ID），这种现象称为身份切换（ID Switching）。一旦身份频繁切换，基于个体时序数据的分析就会变得混乱不可靠，无法将健康事件精准关联到特定个体，后续的精准饲喂、个体产蛋记录、福利评估等智能化管理应用也就无从谈起。因此，开发一种能够在复杂笼养环境中保持高身份一致性的多目标跟踪算法，是实现从群体监测到真正个体监测转型的关键技术基础，对于提升养殖效率、保障食品安全具有重大现实意义。近期，一项发表在《Smart Agricultural Technology》上的研究“CageDAR-DeepSORT: An Improved Real-time Multi-object Tracking Algorithm for Caged Chickens Based on DeepSORT”针对这一痛点提出了创新性的解决方案。
该研究主要应用了几项关键的技术方法。首先，在数据采集与构建方面，研究团队在山东荣成和内蒙古巴彦淖尔的两个养殖场，使用大华双光夜视监控摄像头，在不同光照时段（清晨、午后、夜晚）和不同饲养密度条件下，拍摄了海兰褐和京红1号蛋鸡的活动视频，构建了用于目标检测、多目标跟踪和重识别的专用数据集。其次，在算法模型上，研究构建了一个名为CageDAR-DeepSORT的改进型实时多目标跟踪系统。该系统包含三个核心优化模块：(1) 检测模块：采用引入ADown模块的轻量化YOLOv11-AD检测器，在保持高精度的同时将参数降至2.09M，实现了63.3 FPS的实时检测速度；(2) 重识别模块：针对鸡头的鉴别性特征（如鸡冠、喙部位置），设计了双对齐重识别网络（DARNet），该网络包含全局分支、垂直局部分支和水平局部分支，并引入了动态匹配局部信息（DMLI）机制，在鸡重识别数据集上达到了95.7%的mAP；(3) 跟踪关联模块：提出了结合改进关联度量（CIoU）与轨迹等级匹配（Rank Matching）的策略，有效缓解了因短暂遮挡引起的ID混淆。
研究结果如下：
- •
改进的YOLOv11多目标检测器性能：实验对比了YOLOv5、YOLOv8和YOLOv11等模型。结果显示，引入ADown模块的YOLOv11-AD在精度（mAP@0.5:0.95达到71.1%）和召回率（Recall达到85.4%）方面表现优异，同时模型参数量（Parameters）和计算量（FLOPs）显著降低，检测速度（FPS）提升至63.3，实现了精度与速度的良好平衡，满足了后续实时跟踪的需求。
- •
基于双对齐融合机制的重识别网络DARNet性能：在构建的包含176个不同身份、6057张图像的数据集上，DARNet与AlignedReID、ABD-Net等基准模型进行了对比。结果表明，DARNet取得了最优的识别性能，其平均精度（mAP）达到95.7%，Rank-1准确率达到97.7%。可视化分析显示，DARNet能够更好地聚焦于鸡冠高度、眼部位置等具有判别性的垂直特征。
- •
基于等级匹配策略的改进DeepSORT跟踪性能：在独立构建的跟踪数据集上，将CageDAR-DeepSORT与SORT、DeepSORT、ByteTrack等先进算法进行对比。评估指标显示，CageDAR-DeepSORT在关键指标上表现突出：身份切换次数（IDSw）最低，降至2次；身份识别F1分数（IDF1）最高，达到81.69%；多目标跟踪精度（MOTA）为77.28%。特别是其IDF1值显著高于其他对比算法，证明了其在维持目标身份一致性方面的优越性。消融实验进一步验证了CIoU匹配和Rank Matching策略各自对降低IDSw、提升IDF1和MOTA的有效贡献。
- •
模型泛化能力测试：为了评估模型在未知场景下的鲁棒性，研究在来自不同养殖场、不同品种（京红1号）、不同日龄（250天）和不同饲养密度的泛化测试集上进行了零样本（zero-shot）测试。结果显示，CageDAR-DeepSORT依然保持了稳定的跟踪性能，IDF1达到74.07%，MOTA为72.37%，显著优于其他对比算法，证明了其良好的泛化能力。
研究结论与意义：本研究针对笼养蛋鸡规模化养殖中个体精准跟踪的难题，成功提出并验证了CageDAR-DeepSORT这一改进型实时多目标跟踪模型。该模型通过集成轻量化检测器（YOLOv11-AD）、针对性的强判别力重识别网络（DARNet）以及结合运动与外观特征的鲁棒关联策略（CIoU + Rank Matching），协同攻克了检测速度、个体区分和遮挡后身份维持三大挑战。实验结果表明，该系统能够以高实时性（63.3 FPS）稳定追踪笼养鸡个体，并将身份切换次数控制在极低水平（IDSw=2），其核心性能指标IDF1（81.69%）显著超越现有主流算法。这项工作的重要意义在于，它为高密度、高相似性、强遮挡环境下的动物个体稳定跟踪提供了高效可靠的技术解决方案。该技术的应用，能够为后续基于个体的精细行为分析（如采食、饮水、活动模式）、早期疾病预警、精准营养调控以及动物福利评估等智慧养殖核心应用奠定坚实的技术基础，有望推动家禽养殖业从传统的群体管理向真正的数据驱动、个体化精准管理范式转变，对提升养殖经济效益、保障动物健康和食品安全具有重要的实践价值。
