《Applied Animal Behaviour Science》：Exploring the use of an adapted computer vision model to estimate laying hen positions in a cage-free housing system
编辑推荐：
笼养无笼舍系统蛋鸡空间行为计算机视觉追踪方法研究，通过单层无笼舍系统55、85周龄200只蛋鸡的定位误差分析，发现视觉映射程序在x轴方向存在26cm系统偏差，y轴误差与摄像机距离呈显著负相关，验证了计算机视觉在蛋鸡空间行为量化分析中的可行性及优化空间。
吉迪恩·阿吉博拉（Gideon Ajibola）|洛根·奥里安斯（Logan Orians）|哈维尔·加西亚（Javier Garcia）|埃斯特万·费尔南德斯-朱里奇克（Esteban Fernández-Juricic）|迪安娜·琼斯（Deana Jones）|格雷格·弗雷利（Greg Fraley）|帕特里克·佐尔纳（Patrick Zollner）|达林·卡彻（Darrin Karcher）|玛丽莎·埃拉斯姆斯（Marisa Erasmus）
普渡大学动物科学系，印第安纳州西拉斐特
摘要
随着美国家禽业越来越多地采用无笼饲养系统（CFS）进行鸡蛋生产，有必要了解这种系统如何满足产蛋鸡的行为需求，以符合该行业的福利承诺。产蛋鸡的位置数据可以为测量无笼饲养鸡的空间行为及其对CFS的适应提供量化指标。目前用于追踪鸡只并确定其在CFS中位置的方法包括给重点鸡只佩戴可穿戴传感器。然而，当前用于标注无笼饲养鸡位置数据的追踪方法受到设备成本的限制，从而影响了研究方法。为了解决这些技术和后勤挑战，本研究提出了一种非接触式计算机视觉（绘图程序）追踪方法，用于估计200只55周龄和85周龄无笼饲养系统中的鸡只位置。我们记录了这些鸡只的行为视频，并将其导入绘图程序，通过鼠标点击重点鸡只即可生成其空间坐标。我们获得了鸡只在10分钟观察期间行为变化时的x, y坐标，并将位置数据与真实值（手动估计的坐标）进行了比较。我们使用线性混合效应模型评估了位置估计方法（手动标注与绘图程序）对产蛋鸡位置估计的影响。研究结果表明，绘图程序平均低估了x坐标的值26厘米，而在y轴上，随着距离相机的增加，估计精度会下降。总体而言，基于图像的追踪方法的表现受到相机遮挡和鸡只与相机距离的影响，需要进一步改进。
引言
过去四年中，美国无笼饲养鸡的数量增加了63%（USDA AMS，2020年，USDA AMS，2024年）。饲养环境及其资源的特点影响着产蛋鸡的活动和福利（Li等人，2016年；Fiorilla等人，2024年）。因此，了解无笼饲养系统中产蛋鸡的时空活动（空间占用、移动和行为）至关重要。这些信息有助于揭示无笼饲养系统的物理特征如何影响产蛋鸡的生产力和福利，指导研究人员和家禽业开发符合鸡只行为需求的新饲养设计，提高农场效率。与传统的笼养系统相比，无笼饲养系统的环境更为复杂，为鸡只提供了更大的空间。因此，监测无笼饲养系统中的鸟类活动具有挑战性（Rufener等人，2018年）。
位置定位，即使用坐标系统确定物体在空间中的位置，可以提供关于复杂无笼饲养系统中产蛋鸡空间行为（移动、导航和定向）的详细信息，因为鸡只的行为与其健康状况密切相关。先前的研究表明，鸡只的健康状况可以从它们的运动活动中推断出来。例如，跛脚和生病的鸡只的活动水平低于健康的鸡只（van der Sluis等人，2021年；Kim等人，2023年）。Taylor等人（2020年）报告称，行走距离更远的肉鸡腿部健康状况更好。在一项关于产蛋鸡的研究中，Daigle等人（2014年）利用位置数据观察了无笼饲养鸡，并发现了个体在空间使用和活动范围上的差异。在奶牛研究中，位置数据被用来推断跛行情况（Frondelius等人，2022年）、估计奶牛的进食活动（Tullo等人，2016年）以及研究基于奶牛在进食区、躺卧时间和与同类相处时间的社会关联（Melzer等人，2021年）。位置数据以空间坐标的形式表示，还提供了关于奶牛如何利用牛舍内不同功能区域的信息（Melzer等人，2021年；Frondelius等人，2022年）。与大型奶牛相比，追踪和定位单个鸡只更具挑战性。尽管如此，研究人员仍尝试定位产蛋鸡的位置。
传统的追踪鸡只和确定其位置的方法包括给重点鸡只佩戴可穿戴传感器或进行现场观察（Stadig等人，2018年；Wolc等人，2021年）。例如，Daigle等人（2014年）使用可穿戴传感器获取了无笼饲养鸡的位置数据，但只有0.04%的研究对象佩戴了传感器以收集数据。可穿戴传感器的一个局限性是获取所需样本量所需的资金投入（Doornweerd等人，2023年）。作为替代方案，Soko?owicz等人（2020年）和Wolc等人（2021年）通过现场观察记录了无笼饲养鸟类的时空活动（空间占用和行为）。然而，在无笼环境中进行现场观察可能无法获得客观的位置数据（x, y空间坐标），因为观察者可能存在视野盲区或偏见，除非地面有可供观察者使用的网格。此外，观察者的存在可能会影响鸟类的行为。
为了解决家禽研究中传统追踪方法的局限性，近年来研究人员越来越多地采用基于计算机视觉模型的非接触式追踪方法。特别是深度神经网络模型（例如You Only Look Once (YOLO)）可以实时识别候选家禽行为，追踪和识别个别鸟类，并为鸡只分配唯一的识别号码（Fang等人，2020年；Yang等人，2022年；Neethirajan等人，2022年；Guo等人，2023年；Subedi等人，2023年；Yang等人，2023年；Bist等人，2023年；Mehdizadeh等人，2024年）。然而，这些基于视觉的追踪模型只能提供少量鸟只位置的定性描述。尽管关于计算机视觉驱动的鸡只识别有大量信息，但在个体识别和运动模式分析之间仍存在差距。利用在饲养系统内指定时间间隔的鸡只定量位置信息可以填补这一研究空白。据我们所知，尚未有研究使用计算机视觉技术来标注无笼饲养环境中产蛋鸡的位置数据（x, y坐标），这是计算鸡只运动模式和行进距离的第一步。计算距离和运动模式的能力可以提供必要的信息，以了解鸡只的能量消耗及其对生产力的影响，以及为更高效的产蛋鸡饲养系统和饲养系统内的资源布局提供依据。
在本文中，我们使用单应性（homography）将像素坐标转换为实际（牛舍）坐标，以估计无笼饲养环境中的鸡只位置。单应性是一种数学变换，通过投影变换矩阵关联一个平面的两个视角，在图像拼接、物体追踪和图像融合中得到广泛应用（Huang等人，2023年；Habeenzu等人，2024年；Liao等人，2024年）。在三维环境中应用单应性的一个挑战是，单摄像头配置会将三维动物运动简化为二维投影，从而增加遮挡的概率（Nasir等人，2025年）。研究人员提出了多摄像头三角测量和深度视觉作为单应性的替代方案；然而，这些追踪方法需要大量的计算资源，并且在高密度群体中由于遮挡会导致性能下降（He等人，2025年；Phan等人，2025年）。因此，我们从逻辑、技术和经济效率的角度考虑了单应性的应用。
这项研究是更大规模研究的一部分，旨在开发无笼饲养环境中产蛋鸡的代理模型，这需要绘制鸡只的位置坐标。在这里，我们评估了一个改编的开源计算机视觉绘图程序的性能，将其与手动标注（产蛋鸡位置估计的真实值x, y空间坐标）进行了比较。
方法与材料
普渡大学机构动物护理和使用委员会批准了所有实验程序。
结果
x轴：我们发现估计方法有显著影响（F1,18 = 102.36，P < 0.001），计算机视觉绘图（1.37 ± 0.04）相对于手动标注（1.63 ± 0.04）低估了x轴的值，差异为0.26 ± 0.03米。我们还发现距离相机的距离（F9, 247 = 4.88，P < 0.001）和位置（F1, 155 = 415.09，P < 0.001）也有显著影响，但我们根据它们之间的显著交互作用效应（F9, 267 = 3.97，P < 0.001；图）来解释这些结果。
讨论
我们使用了一个基于单应性的开源、用户友好的绘图程序，从视频帧中估计无笼饲养鸡的位置（x, y空间坐标）。研究结果表明，绘图程序低估了x坐标的值（偏差为26厘米），而其在y轴上的表现取决于与相机的距离（在5米距离时低估，在10米距离时高估）。对于绘图程序的这种行为，可能有以下解释：
结论
本研究提出了一个框架，用于探索基于计算机视觉的测量方法在无笼饲养环境中估计产蛋鸡位置的应用。绘图程序在y轴上的表现尚可，但在x轴上的值被低估了。房间的大小和资源、相机遮挡以及相机的放置位置影响了绘图程序的估计精度。我们建议优化相机放置和定位以最小化估计误差。
CRediT作者贡献声明
迪安娜·琼斯（Deana Jones）：写作——审稿与编辑、资金获取、概念化。
埃斯特万·费尔南德斯-朱里奇克（Esteban Fernández-Juricic）：写作——审稿与编辑、可视化、资金获取、正式分析、概念化。
哈维尔·加西亚（Javier Garcia）：写作——审稿与编辑、资金获取、概念化。
洛根·奥里安斯（Logan Orians）：写作——审稿与编辑、初稿撰写、软件开发、方法论。
吉迪恩·阿吉博拉（Gideon Ajibola）：写作——审稿与编辑、初稿撰写、项目管理、方法论、正式文件
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可能影响本文所述的工作。
致谢
作者感谢Jason Fields和普渡大学家禽部门的动物护理人员对产蛋鸡的妥善管理。本研究得到了美国农业部-NIFA基础与应用科学计划（拨款编号：2022-68014-36666）的支持。
