An AI-enabled radiometric ocular thermography framework for monitoring heat vulnerability and welfare in poultry
本研究提出了一种利用 YOLO11n-seg 模型和基于 Web 的移动平台实现家禽眼部热成像自动化的 AI 赋能框架，揭示了幼年鸡的眼部温度显著高于成年鸡，从而为热应激监测和福利评估提供支持。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
热量是家禽养殖领域中一个沉默但无情的对手。当鸡类暴露在持续的高温下时，它们的身体会难以应对，导致生长减缓、产蛋量下降，严重时甚至会导致死亡。对于农户而言，挑战在于如何在禽类表现出明显的疾病迹象之前，及早检测到这种应激状态。眼睛提供了一个至关重要的线索。由于眼睛的温度与鸟类的核心体温密切相关，监测眼睛可以作为热应激的一个早期预警系统。然而，在拥挤的鸡舍中检查每一只鸟的温度是一项艰巨的任务。手动进行这项工作需要停止禽群、抓取每只鸟并进行读数，这个过程速度缓慢，不仅会让动物感到压力，而且无法在大规模成千上万只鸟的规模下实现。
为了解决这个问题，研究人员转向了热成像技术与人工智能的结合。热摄像机可以在不接触动物皮肤的情况下，观察到其散发的热量，从而生成一张热量较高的区域显示为较亮部分的图像。然而，仅靠摄像机无法分辨哪部分是鸟的眼睛，也无法从充满移动禽类的混乱场景中自动计算出该特定部位的温度。这正是人工智能发挥作用的地方，它扮演着数字助手的角色，能够学习识别特定的身体部位，并从复杂的图像中提取精确的数据。目标是创建一个系统，让农户只需走入鸡舍，捕捉图像，即可立即获得一份关于禽群热健康状况的报告。
在印度开展的一项近期研究中，一位独立研究人员专门针对家禽开发并测试了这样一个系统。该工作致力于创建一个完整的框架，使其能够在移动设备上自动寻找热图像中的鸡眼并测量其温度。该研究是在一个炎热的夏季月份，在奥迪沙邦（Odisha）的两座家禽舍中进行的。其中一个鸡舍饲养的是成年鸟，大约二十六周龄；而相邻的另一个鸡舍则饲养的是较年轻的雏鸡，约十三周龄。研究人员手持连接到智能手机的手持式热摄像机走过鸡舍，捕捉移动中的禽类图像。摄像机同时记录了一张标准可见光照片和一张原始热图像，后者包含了帧中每个像素点的实际温度数据。
该项目的核心在于教计算机程序如何识别并分离鸡的眼睛。研究人员首先使用专业软件在选定的图像中手动标记眼睛，从而创建一组供计算机学习的示例。这些示例被用于训练一种被称为分割网络（segmentation network）的人工智能模型。不同于仅仅在鸟类周围画框的模型，该系统经过训练，可以精确地勾勒出仅属于眼睛的轮廓，将其从鸟头及周围环境中分离出来。研究人员训练了两个版本的模型：一个专门针对成年鸟，另一个针对较年轻的雏鸡，因为两者眼睛的大小和外观存在差异。
模型训练完成后，研究人员在捕捉到的数百张图像上对其进行了测试。该系统成功识别并勾勒出了123只成年鸟和128只雏鸡的眼睛。对于每一个识别出的眼睛，软件都从相应的热图像中提取了温度数据。分析显示，两组之间存在明显且显著的差异。雏鸡的平均眼温比成年鸟高出0.741°C。这一发现表明，与更成熟的成年鸟相比，较年轻的鸟类正在经历更大的热应激，或者其自身散热效率较低。统计分析证实，这种差异并非随机波动，而是观察到的一个一致模式。
为了确保结果的可靠性，研究人员对发现进行了严格测试。他们运行了数千次模拟重采样测试，以观察当数据被重新洗牌并重新分析时，温度差异是否依然成立。在绝大多数测试中，较年轻的鸟类始终表现出较高的温度。研究还讨论了任务的难度，指出针对雏鸡训练的模型精确度略低于成年鸟模型，这可能是因为雏鸡眼睛的特征较小且不明显，使得计算机在拥挤、移动的禽群中难以定位。尽管存在这一挑战，系统仍成功处理了数据并提供了清晰的鸟类热剖面。
这项研究的成果是一个实用的工具。研究人员构建了一个移动端 Web 应用程序，用户只需上传一张鸡的热图像，选择它是成年鸟还是雏鸡，即可立即获得鸟类眼温的估算值。该应用还会提供等级分类，帮助用户了解该温度是代表健康状态还是热应激的警告信号。这种方法提供了一种无需干扰动物或使用昂贵固定设备的手段，来监测禽群的福利。通过自动化检测热应激，该系统使农户能够及早干预，从而避免禽类遭受更严重的过热后果。
虽然这项研究展示了一个极具前景的解决方案，但研究人员也承认了某些局限性。由于数据采集自两个不同的鸡舍，因此除了年龄以外的其他因素（例如两个建筑之间微气候或通风的细微差异）都可能影响温度读数。此外，鸡舍内的拥挤程度意味着一些鸟类可能被部分遮挡，这对任何成像系统来说都会带来挑战。研究人员建议，虽然热眼成像是一个强大的工具，但它最好与观察饮水量或禽类整体姿态等其他指标相结合，以形成对禽群健康的完整认知。
最终，这项工作证明了利用人工智能将简单的热照片转化为详细的家禽健康报告是完全可能的。研究证实，较年轻的鸟类确实比年长的同类更容易受到夏季高温的影响，而这一事实现在可以通过自动化的方式进行监测。通过使这项技术在移动平台上变得触手可及，该研究为畜牧管理设定了新标准，即通过精准且细致的追踪，确保禽群的福祉，从而在热应激演变成危机之前将其检测并予以解决。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。