雏鸡性别鉴定是家禽生产中实现早期性别区分的关键环节。传统翻肛性别鉴定法准确率较高，但依赖需经多年培训的专业人员操作，劳动强度大且难以规模化推广，同时熟练技术人员日益短缺。针对这一挑战，研究人员提出VentVision自动化视觉分类系统，利用计算机视觉与深度学习技术提升雏鸡性别鉴定的效率与可扩展性。该系统采用四阶段流程：多模态视频采集、时序片段筛选、泄殖腔区域检测及性别分类，实现翻肛性别鉴定的自动化。研究人员分别评估了RGB成像、红外（IR）成像及基于双流架构的多模态RGB-IR特征级融合框架的性能。结果显示，多模态模型准确率达98.09%，优于单一模态方法。这表明VentVision可达到专家级雏鸡性别鉴定水平，无需数年专业培训，仅需人工暴露泄殖腔即可完成操作，显著简化了性别鉴定工作流程。
研究背景方面，雏鸡性别鉴定是家禽养殖产业链的核心环节。蛋鸡养殖仅需雌性雏鸡，雄性雏鸡通常在孵化后淘汰，肉鸡育种则需精准性别管控。传统方法中，羽色性别鉴定仅适用于特定遗传品系，泛用性受限；翻肛性别鉴定虽适用于几乎所有鸡种且准确率高，但需操作人员经2年以上专业训练才能识别雄性雏鸡泄殖腔外翻后微小的白色突起结构，该结构对比度低、形态细微，易因操作挤压、遮挡或光照变化导致误判。同时，人工翻肛操作具有侵入性，不当操作易造成雏鸡损伤甚至死亡。当前机器学习技术已成功应用于羽色性别鉴定自动化，但翻肛鉴定因依赖低对比度细微形态特征，自动化研究仍十分匮乏，工业级系统缺乏公开可复现的技术方案。因此，开发非侵入、高泛用性且低专业依赖的自动化翻肛性别鉴定系统具有重要产业价值。该研究由阿肯色大学研究团队完成，发表于《Smart Agricultural Technology》。
关键技术方法方面，研究人员构建了包含315只1日龄雏鸡（176雌、139雄）的样本队列，通过商业孵化场预鉴定确保性别基准真实。采用双摄像头同步采集系统，以25帧/秒速率同步获取RGB与红外视频，拍摄距离约50厘米并配备均匀光源。数据预处理阶段通过时序片段筛选提取有效泄殖腔暴露帧，利用TrackMe标注工具结合插值算法完成泄殖腔区域标注与裁剪，最终形成20560张RGB图像与20412张红外图像的配对数据集。建模采用ResNet-50作为主干网络，分别构建RGB单模态、红外单模态及双流RGB-IR特征级融合三种框架，通过5折交叉验证（按雏鸡ID分层划分）评估性能，优化器采用Adam，学习率为1×10-5，损失函数为二元交叉熵。
研究结果部分，首先单模态模型性能显示，RGB模型平均ID准确率为97.17%，召回率、精确率、F1值均超97%，AUC达98.70%；红外模型平均ID准确率为97.46%，略高于RGB模型，其中3个折准确率达100%。其次多模态融合模型性能方面，特征级融合框架将双流ResNet-50输出的2048维特征拼接为4096维联合表征，经多层感知机输出性别概率，平均ID准确率达98.09%，召回率97.07%、精确率98.60%、F1值97.80%，AUC达99.18%，三项指标均优于单模态模型，且无折准确率低于96%。混淆矩阵分析表明，融合模型雌性误判数为0.4、雄性误判数为0.8，误差分布较均衡。Grad-CAM++可视化结果显示，模型注意力均聚焦于泄殖腔区域，雄性样本中激活区对应白色突起结构，与专家判定依据一致；红外模型的激活区域比RGB模型更集中，印证了红外成像对低对比度结构的增强效果。
讨论与结论部分，研究人员指出多模态融合的优势源于RGB与红外成像的互补性：RGB提供纹理与结构信息，红外提供独立于可见光的反射对比度，可有效降低光照干扰。误差分析发现，RGB模型雌性误判更少，红外模型雄性误判更少，融合模型进一步降低了雌性误判率，但未完全保留红外的雄性识别优势，这与雌雄判别的形态学基础差异有关——雌性判别依赖整体区域特征，雄性判别依赖局部微小突起，后者更易受成像条件影响。该研究首次公开了可复现的翻肛性别鉴定视觉框架，准确率媲美专家人工操作，仅需6个月设备调试即可部署，显著降低了对资深技师的依赖。局限在于仍需人工翻肛与可控成像环境，未来将优化非受控场景鲁棒性并减少人工干预。研究结论明确，RGB与红外成像可为翻肛性别鉴定提供互补信息，多模态融合可实现超过98%的鉴定准确率，为家禽产业提供了可扩展的自动化解决方案。
