在小型群体自然交配笼中，对种鹅进行准确的行为监测对于改善动物福利、健康管理和精细化育种管理具有重要意义。人工智能的最新进展使得有效的动物行为识别与监测成为可能。然而，在笼养环境中，种鹅的集群分布和视觉相似性给长期的个体识别及可靠的行为监测带来了重大挑战。为解决这些问题，研究人员提出了一种两级标记辅助视觉深度学习框架，集成了旋转目标检测、身份跟踪和行为识别。为实现长期的个体标记，研究人员设计了一种轻质颈圈，以为固定群体饲养笼中的种鹅提供明确的视觉身份线索。研究人员开发了一种高效的旋转检测Transformer（Transformer），用于在复杂的笼养条件下对种鹅进行个体识别。实验结果表明，该识别模型实现了98.7%的平均精度均值（mAP），参数量为2910万，推理速度为53.6帧/秒。一种固定集合身份一致性跟踪方法确保了遮挡情况下的稳定身份跟踪，实现了98.0%的更高阶跟踪精度（HOTA）和99.4%的身份匹配性能。在行为监测方面，一种具有短期时间聚合的分类器识别了四种行为：警戒（scanning）、休息（resting）、采食（eating）和饮水（drinking），在行为持续时间估计中达到了95.58%的一致性。在群体水平上，该框架捕捉了同步的行为节律，并可为未来的福利评估和管理决策提供有用信息。这些结果表明，所提出的框架是一个面向应用的工程框架，适用于小型群体笼养种鹅养殖场景中的长期个体识别、个体行为监测和群体水平行为分析。
论文解读：面向笼养种鹅个体身份跟踪与行为识别的两级深度学习框架
研究背景与问题提出
在畜禽精准养殖领域，小型群体自然交配笼是家禽生产中常见的繁殖布置，通常每个笼内饲养一只雄性和数只雌性种鹅。鹅相较于鸡和鸭对环境变化及应激更为敏感，其行为节律是反映健康、生长和福利状态的重要指标。在活动空间有限的笼养条件下，采食、饮水、休息和警戒等基本行为的异常频率可能反映疾病、生理状况不佳或环境应激。因此，对笼养种鹅进行连续、准确的个体行为监测，对于福利评估、健康管理、生产稳定性和成本效益的育种操作至关重要。
目前，传统的手动观察受限于主观偏差、效率低且无法提供连续的昼夜监测，难以满足精准畜牧养殖中细粒度行为监测的需求。虽然可穿戴传感技术已在猪、牛、羊和家禽的行为监测中得到探索，但在大规模家禽生产中，由于个体鸟类价值相对较低而群体规模大且成本敏感，基于可穿戴设备的监测在经济上仍面临挑战。因此，基于视觉的监测作为一种更具可扩展性和经济可行性的解决方案受到了越来越多关注。现有的视觉研究多集中于基于YOLO的检测器和RT-DETR等Transformer检测器进行行为识别和空间定位，但针对稳定社会群体内个体的长期身份保持跟踪（Identity-preserving tracking）关注较少。在长期自动化监测中，不仅需要准确检测，还需要可靠的跟踪和随时间稳定的身份维护。农场环境中的昼夜光照变化、反复遮挡和个体间干扰会逐步积累身份错误，破坏下游长期行为分析的可靠性。此外，与牛和猪相比，封闭笼养环境中的种鹅位置变化更频繁，个体间互动更密切，重叠和遮挡更持久，增加了身份混淆的风险。
为应对这些挑战，特别是视觉相似个体间保持身份一致性的困难，本研究未采用完全无标记跟踪方案，而是采用了标记辅助视觉方法。研究人员在种鹅颈部引入了带有独特视觉图案的易穿戴颈圈标签，为连续监测提供辅助身份线索。同时，可靠的跟踪仍依赖于准确表示鹅的身体位置、姿态和空间范围。水平边界框（Horizontal Bounding Box, HBB）无法准确拟合任意视角的动物，且常包含不属于动物身体的冗余区域；相比之下，旋转边界框（Rotated Bounding Box, RBB）检测器能更好拟合任意方向的目标，并为下游身份保持跟踪提供更可靠的参考。基于此，研究人员开发了名为GooseBehaviorTrack的两级标记辅助视觉框架。
主要关键技术方法
研究人员以约175日龄的荣昌种鹅为实验对象，于2024年8月20日至2025年3月10日在重庆荣昌的鹅舍开展研究。该鹅舍尺寸为50 m × 10 m × 3 m，内有100个金属网笼（5列20排），配备降温风扇和水帘。研究提出了GooseBehaviorTrack框架，第一阶段使用 collar-aware rotated detection（颈圈感知旋转检测）定位种鹅并提供可靠空间表示，同时利用FIC-ByteTrack进行身份保持的多目标跟踪以维持长期个体轨迹；第二阶段，利用保持身份的轨迹输出从笼景中连续提取个体鹅图像，随后使用结合短期时间聚合的SwiftFormer进行行为识别。其中，个体识别模型为专门设计的Breeder Goose Identification with Efficient Rotated-Detection Transformer（GIER-DETR）。
研究结果
Experimental site and data collection equipment（实验地点与数据收集设备）
研究在指定的重庆荣昌鹅舍开展，使用荣昌种鹅作为实验对象，并描述了栏舍的具体规格与内部笼具排列、温控设备配置及实时数据获取需求。
Comparison experiment with mainstream models（与主流模型的对比实验）
在笼养种鹅场景中，准确的个体识别是可靠跟踪和行为分析的前提。为全面评估提出的GIER-DETR模型，研究人员选取了十种代表性的旋转目标检测方法进行比较，包括YOLOv8-n-OBB、YOLOv8-L-OBB、YOLOv11-n-OBB、YOLOv11-L-OBB、R3Det、Oriented R-CNN、S2ANet、LSKNet-S、AO2-DETR和RT-DETR。所有模型均在相同数据集下统一设置和训练评估。结果显示，GIER-DETR在所有比较模型中总体性能最佳，达到98.7% mAP、98.8% mAP-D和98.5% mAP-N，参数量为29.1 M，推理速度53.6帧/秒；固定集合身份一致性跟踪方法在遮挡下实现了98.0% HOTA和99.4%身份匹配性能；行为识别分类器可识别四种行为（scanning、resting、eating、drinking），行为持续时间估计一致性达95.58%；框架还能捕获群体同步行为节律。
讨论与结论
该研究开发的GooseBehaviorTrack框架可用于小型群体自然交配笼中种鹅的长期个体身份跟踪、行为监测及群体水平行为分析。该框架被设计为两级标记辅助视觉系统，以在实际笼养条件下进行实用部署。在身份检测方面，GIER-DETR优于所有对比模型。综上所述，研究人员指出该框架是一个面向应用的工程框架，适用于小型群体笼养种鹅养殖场景中的长期个体识别、个体行为监测和群体水平行为分析，可为未来的福利评估和管理决策提供有用信息。
需要我帮你将这篇论文解读提炼成一份可以直接使用的学术汇报PPT大纲吗？
