在各种光照条件下，利用基于物联网（IoT）的系统对麝香鸭的行为进行识别及异常检测

《Computers and Electronics in Agriculture》：Behavior recognition and abnormality detection for Muscovy ducks under various lighting conditions using an IoT-Based system

基于IoT的智能农业光照调控与家禽行为识别研究

　　

尹建军|胡金超|刘有福|王汉东|肖德勤|李洪斌

中国农业农村部热带华南地区智能农业技术重点实验室，广东省

摘要

本研究提出的系统基于物联网控制的照明平台，能够实时监测家禽在不同光照条件下的行为。通过将基于物联网的环境控制系统与改进的深度学习模型（DBR-YOLOv8）相结合，该框架能够在多种光照条件下长期收集行为数据，并通过热图可视化和统计分析提供直观的解释能力，从而降低了在复杂光照环境下进行人工观察的难度。利用物联网平台，精确控制了包括照度、曝光时间和光谱配置在内的照明参数，同时记录了视频数据。在常规光照、模拟阳光、光谱变化和黑暗夜间条件下，DBR-YOLOv8的mAP值分别为92.0%、93.4%、96.1%和95.8%，显示出在多变光照环境下的强大行为识别性能。基于从180只麝香鸭收集的数据以及涉及18个饲养单元的多组重复实验设计中的超过1800万张图像，该系统进一步实现了对四种异常行为的定量分析。结果表明，光照持续时间、高强度曝光时间、光照强度和光谱变化显著影响了异常行为的频率。特别是，回归分析表明，在3000 lx的模拟阳光光谱下，4小时的高强度光照是一个优先考虑的配置，与减少异常行为表现相关。

引言

大规模养殖是现代家禽生产的主导趋势（Wu等人，2022年）。与传统露天饲养相比，室内系统可以更严格地控制温度、湿度，尤其是照明，从而提供更稳定的饲养环境。照明通过多种途径影响家禽，包括光周期和强度的调节以及光谱组成。例如，间歇性照明可以提高产蛋鸡的产蛋率和羽毛覆盖率（Geng等人，2023年），而光谱调节可能有益于福利和性能：蓝光可以减少羽毛啄食并改善羽毛状况（Hefnawy等人，2024年），橙光可以改善肉鸡的生产特性（A. S. Soliman等人，2023年）。然而，照明效果复杂，会因品种、发育阶段和遗传因素而异，并可能与其他环境因素（如饮食和饲养密度）相互作用（El-Sabrout等人，2022年）。因此，在大规模实施之前，通过控制实验评估照明策略仍然是必要的。

适当的照明模式可以提高生产性能（Erdem等人，2015年；Akyuz和Onbasilar，2018年；House等人，2021b年），而不适当的照明可能会增加压力、削弱免疫力并提高疾病风险（Mohamed等人，2017年；House等人，2021a年；Vasdal等人，2023年）。这些影响通常反映在梳理羽毛、摇尾巴和羽毛啄食等行为指标上（Nicol等人，2013年；Sultana等人，2013年）。在实践中，这些行为仍然主要通过人工观察来评估，这既耗时又费力且具有主观性，因此需要自动化和可靠的行为监测（El-Sabrout等人，2024年）。

最近，基于对象检测的方法已被应用于家禽行为识别（Ahmed等人，2024年）。现有的研究通常关注有限的行为类别，并且往往在相对均匀的光照条件下进行评估（Guo等人，2022年；Bai等人，2023年；Li等人，2020a年；Li等人，2020b年；Nasiri等人，2023年）。因此，当前的模型可能难以泛化到复杂多变的光照条件下，很少涉及与压力或福利相关的行为，尤其是在密集饲养的场景中。这凸显了一个明确的研究空白：开发能够在多样化光照环境下识别更广泛行为（包括与压力相关的行为）的强大高效模型。此外，由于照明强烈影响图像质量和模型鲁棒性（A. Wang等人，2020年），在研究照明对家禽行为的影响时，系统地结合不同的光谱和强度是必要的。

虽然之前的研究已经探索了在低光照条件下提高检测性能的方法（Xiao等人，2024年），但现有的自动化家禽行为识别系统有一个共同的局限性：它们主要在均匀或单光谱光照条件下开发和验证，很少将照明可控性与行为监测结合在一个闭环框架中。特别是，本研究要解决的两个具体问题是：（i）缺乏在多种实验控制光照条件下（包括光谱变化、强度调节和光周期差异）系统验证的行为识别模型；（ii）缺乏一个同时控制照明环境并量化其对压力相关行为影响的集成平台。这一双重空白——在异质光照下的强大识别和照明感知的行为分析——在该领域之前的研究中尚未得到解决。

为了解决上述问题，本研究扩展了我们之前的工作（Xiao等人，2024年），开发了一个紧凑的、可控制照明的实验箱，并使用它通过长期自动化监测来研究不同照明策略如何塑造群养麝香鸭的行为节奏和与压力相关的行为。由于科学终点依赖于在异质光照条件下的可靠行为统计数据，因此引入了一个以任务为导向的、对光照具有鲁棒性的行为识别模型，以支持在多样光照强度和光谱设置下的稳定行为量化。具体的研究贡献如下：

(i)

开发了一个基于物联网的可控制照明的实验箱，为群养鸭的长期行为监测和照明干预提供了一个稳定、可重复的平台。

(ii)

设计并集成了一种对光照具有鲁棒性的行为识别流程（DBR-YOLOv8），以确保在多变照度和光谱条件下可靠地检测常规行为和与压力相关的（过度表达的）行为。

(iii)

利用经过验证的平台和识别流程，我们量化了六种照明策略下的鸭子行为频率，并统计分析了行为节奏和异常相关模式的差异。

本文的其余部分组织如下：第2节描述了实验设计、数据集构建、模型架构和统计方法；第3节介绍了模型鲁棒性评估和行为分析结果；第4节提供了讨论和局限性；第5节总结了本文。

实验设计

本研究于2023年8月至2023年9月在中国广东省云浮市的飞雷肉鸭场进行。所有涉及动物的实验程序均符合相关的动物福利规定，并获得了华南农业大学动物伦理委员会的批准（批准编号：2023G038）。

本研究的整体工作流程如图1所示，涵盖了从照明控制到视频获取的整个流程

深度神经网络的训练

本研究使用的计算机配备了Intel(R) Core(TM) i5-13400F处理器，运行频率为2.50 GHz，NVIDIA GeForce RTX-4070显卡，拥有12 GB的视频内存和16 GB的RAM。该环境运行Windows 11操作系统，编程语言为Python 3.11。深度学习框架为PyTorch 2.1.2，图像处理框架为OpenCV，用于从视频中捕获帧。

讨论

目前，大多数关于家禽行为与光照条件之间关系的研究主要依赖于人工观察。虽然这种方法在受控条件下可以提供直观的数据，但它严重依赖于观察者的经验，导致效率低下、主观性强，并且在实现连续和大规模精确监测方面存在挑战。为了解决这些局限性，本研究在先前研究的基础上，引入了一种全面的基于深度学习的方法

结论

在这项研究中，我们开发了一个基于物联网的环境控制和监测系统，该系统与行为识别模块（DBR-YOLOv8）集成，以支持在多种光照条件下对麝香鸭行为的长期监测。主要贡献总结如下：

(1) 建立了一个基于物联网的闭环框架，以实现在不同照明策略下的连续行为数据采集，而轻量级的DBR-YOLOv8模型作为高效

CRediT作者贡献声明

尹建军：撰写——审稿与编辑，监督。胡金超：撰写——初稿，可视化，验证，软件，正式分析，数据管理。刘有福：撰写——审稿与编辑，撰写——初稿，监督，项目管理，方法论，调查，概念化。王汉东：调查，正式分析，数据管理。肖德勤：监督，资源管理，项目管理，调查，资金获取。李洪斌：资源管理，项目

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会影响本文报告的工作。

致谢

本研究得到了中国农业部和农业农村部的中国农业研究系统（CARS-42-13）、广东省科技计划：多维生命信息传感设备在畜禽养殖中的示范与推广（2022B0202160010）、广东省现代农业产业智能农业关键技术创新团队（2024CXTD28）以及国际杰出青年研究人员培养计划的支持