答辩博士：唐瑜嵘
指导教师：沈明霞教授
论文题目：基于多源数据的笼养蛋鸡关键异常表征识别技术与健康评估方法研究
答辩委员会
主席：
徐焕良教授/博导 c7娱乐app下载
委员：
陈坤杰教授/博导 c7娱乐app下载
周 俊教授/博导 c7娱乐app下载
熊本海教授/博导北京畜牧兽医研究所
包文斌教授/博导 扬州大学
秘书：
陆静讲师c7娱乐app下载
答辩时间：2026年5月31日09点
答辩地点：滨江校区人工智能c7官网登录入口appA727会议室
论文简介
规模化笼养蛋鸡养殖中，人工巡检存在覆盖范围有限、连续性不足和异常发现滞后等问题，难以满足复杂生产场景下鸡群健康监测与评估需求。行为异常、异常发声和异常鸡粪是反映蛋鸡健康状态变化的重要外显表征，但笼养鸡舍中普遍存在目标密集、遮挡频繁、背景复杂、声学噪声强以及边缘端部署受限等问题，导致关键异常表征获取困难、识别结果分散、健康状态表达缺乏有效支撑。针对上述问题，本文以笼养蛋鸡为研究对象，面向真实生产场景，开展了基于多源数据的关键异常表征识别与健康评估方法研究，构建了由多源数据采集、异常表征识别、来源回溯、健康评分和平台可视化组成的技术体系。
本文主要工作如下：
（1）构建了面向笼养场景的多源数据采集与预处理体系。针对行为、声音和鸡粪三类表征在采集方式、空间位置、时间尺度及主要干扰来源上的差异，分别建立了相应的数据获取方案。在行为数据部分，利用巡检机器人搭载视觉采集设备获取鸡只行为图像与视频，完成采食、张口呼吸、自啄和互啄等行为样本的采集、筛选、标注与预处理；在声音数据部分，搭建鸡舍连续音频采集平台，对鸡只叫声、喷嚏类异常声及其他背景声样本进行切分、标注、降噪和时频特征构建，并结合染病鸡只试验获取健康状态变化数据；在鸡粪数据部分，基于清粪带固定视角建立鸡粪图像采集流程，完成正常与异常鸡粪样本的定义、标注、增强与质量控制。该部分为后续模型训练和方法验证提供了数据基础。
（2）提出了笼养蛋鸡轻量化行为识别方法。针对笼养鸡舍中鸡只分布密集、笼体遮挡明显、小目标行为特征弱及边缘部署受限等问题，本文以YOLOv8n为基础，对网络结构进行轻量化改进，并围绕主干特征提取、特征融合和检测头等关键环节开展优化，实现了对采食、张口呼吸、自啄和互啄四类典型行为的自动识别。结果表明，所提方法能够较好适应真实笼养环境下的行为检测任务，四类行为的召回率分别达到0.97、0.91、0.92和0.95，为鸡群活动状态监测和异常行为发现提供了视觉感知手段。
（3）建立了笼养蛋鸡异常发声识别与声学生理关联分析方法。针对鸡舍复杂声环境中风机、设备运行和群体背景声持续干扰下异常声事件提取困难的问题，本文构建了“叫声—喷嚏类—其他”三分类识别任务，采用对数梅尔频谱表征鸡只声音样本，并对SimpleCNN、Inception V3、ResNet-50等模型进行比较，进一步开展时频差异分析、梅尔频谱特征分析、Grad-CAM可解释性分析、预训练策略比较和多次随机重复试验，系统评估不同模型在真实场景下的类别均衡性与稳定性。结果表明，SimpleCNN在该任务中表现出较好的场景适应性和综合性能，其中“喷嚏类”类别的精确率、召回率和F1值均为0.91，“其他”类别召回率达到1.00。随后本文进一步结合鸡只染病前后的生理及病理变化，构建声学特征序列并分析其与生理指标之间的关联关系，结果表明部分声音特征与机体损伤和炎症反应指标存在显著相关性，说明声音信息不仅可用于异常事件识别，也可在一定程度上表征鸡只健康状态波动。
（4）提出了轻量化异常鸡粪检测与溯源方法。针对异常鸡粪目标尺度小、纹理特征弱、边界不规则、背景相似性高以及嵌入式部署条件受限等问题，本文以YOLO11n为基础构建了YOLO-MSLD模型，并结合知识蒸馏进一步提升模型检测性能。进一步地，面向养殖现场发现异常鸡粪后对来源笼位进行定位的实际需求，结合粪带运动特征、连续图像序列和鸡舍空间结构参数，建立了异常鸡粪来源笼位溯源方法，实现了异常鸡粪由表型识别到来源定位的延伸。结果表明，YOLO-MSLD的mAP@0.5达到95.3%，经知识蒸馏后提升至97.8%，召回率达到96.1%，模型大小降至4.5 MB；在Raspberry Pi 5和Jetson Orin Nano SUPER上的帧率分别达到33 frame/s和41 frame/s。
（5）完成了蛋鸡健康评分标准设计与智能监测评估平台实现。针对行为、声音、粪便、环境与生产信息分散、异常结果难以统一解释以及鸡群健康状态缺乏量化表达的问题，本文围绕养殖现场健康评估需求，建立了由健康状况、行为表现、生产性能和鸡舍环境组成的评分指标框架，设计了相应的指标构成、标准化处理、分层加权计算方法及健康等级划分方式，并对人工辅助信息在评估过程中的作用进行了规范化处理。在此基础上，设计实现了集行为分析、声音分析、粪便检测与溯源、健康评分、历史查询和状态展示于一体的智能监测评估平台，完成了平台总体架构、功能模块与数据库设计，并通过运行测试验证了系统在实际场景中的应用可行性。
本文的主要创新点如下：
（1）提出了适用于复杂笼养环境的轻量化关键异常表征识别方法。针对鸡舍中目标密集、笼体遮挡明显、背景复杂、声学噪声强以及边缘部署受限等问题，本文分别提出了轻量化行为识别、异常发声识别和异常鸡粪检测方法：在行为识别方面，基于YOLOv8n对主干特征提取、特征融合和检测头进行轻量化改进，实现了采食、张口呼吸、自啄和互啄等典型行为的有效识别；在声音识别方面，构建了“叫声—喷嚏类—其他”三分类任务，并结合时频差异分析、可解释性分析及重复试验验证了模型的场景适应性与稳定性；在鸡粪识别方面，构建了YOLO-MSLD模型并结合知识蒸馏，在保证检测精度的同时兼顾模型体量和嵌入式实时部署能力。
（2）构建了面向真实笼养场景的多源异常表征感知与健康评估技术体系。针对规模化笼养蛋鸡养殖中人工巡检覆盖有限、异常发现滞后以及多源信息分散难以统一表达的问题，本文以行为异常、异常发声和异常鸡粪为核心外显表征，系统构建了集多源数据采集、关键异常表征识别、来源回溯、健康评分与平台可视化于一体的技术体系；其中，分别建立了适配巡检机器人视觉采集、鸡舍连续音频采集和清粪带固定视角采集的数据获取与预处理流程，为复杂生产场景下蛋鸡健康状态的连续感知与综合评估提供了方法基础。
（3）实现了由异常表征识别向健康状态解释、来源定位与管理输出的延伸。本文进一步拓展了关键异常表征的应用深度：一方面，结合攻毒试验中的生理、生化和组织病理指标，分析了声学特征与机体损伤、炎症反应之间的关联关系，增强了异常发声识别结果的生理解释性；另一方面，结合粪带运动特征、连续图像序列和鸡舍空间结构参数，实现了异常鸡粪来源笼位回溯；在此基础上，构建了由健康状况、行为表现、生产性能和鸡舍环境组成的健康评分框架，并设计实现了集行为分析、声音分析、粪便检测与溯源、健康评分、告警管理和历史查询于一体的智能监测评估平台，形成了从异常感知到健康评估与管理输出的完整应用链条。
