一种基于群体运动轨迹拓扑分析的蛋鸡异常行为早期预警方法与流程

本发明涉及禽类养殖智能化管理，具体涉及一种基于群体运动轨迹拓扑分析的蛋鸡异常行为早期预警方法。

背景技术：

1、随着我国禽类养殖业的规模化发展，蛋鸡养殖已逐步从传统散养模式转向集约化笼养模式。以年产3000万枚鸡蛋的规模化蛋鸡养殖场为例，单栋鸡舍饲养密度高、蛋鸡数量大，传统的人工巡检方式难以实现对鸡群状态的实时、全面监控。在规模化养殖环境中，鸡群的异常行为（如应激反应、疫病初期传播、设备故障引起的行为变化等）若不能被及时发现，将导致产蛋率下降、死亡率上升等经济损失。

2、现有的蛋鸡异常行为监测技术主要包括以下几类：

3、第一类是基于个体行为识别的方法。该方法通过计算机视觉技术识别单只蛋鸡的采食、饮水、运动、休息等行为，通过统计个体行为异常的比例来判断鸡群状态。然而，该类方法存在以下局限性：仅关注个体行为而忽略了鸡群整体的群体动态特征，而蛋鸡的许多异常状态首先表现为群体行为模式的变化；在蛋鸡数量众多的规模化养殖舍中，逐只识别和跟踪的计算开销巨大，难以满足实时性要求；个体行为异常的统计需要达到一定的异常比例才能触发预警，存在滞后性。

4、第二类是基于环境参数监测的方法。该方法通过传感器监测鸡舍内温度、湿度、氨气浓度、光照强度等环境参数，间接判断鸡群是否处于异常环境。然而，该类方法存在以下局限性：环境参数异常与鸡群行为异常之间并非一一对应关系，存在滞后性；环境参数在正常范围内时，鸡群仍可能因其他原因（如疫病初期、社交应激等）出现行为异常，而该方法无法检测此类异常。

5、第三类是基于群体统计特征的方法。该方法通过计算鸡群运动速度的均值、方差、密度分布等统计指标来描述鸡群状态。然而，该类方法存在以下局限性：统计特征仅描述了鸡群运动的"数量"信息，丢失了鸡群空间分布的"形状"和"结构"信息。例如，鸡群呈均匀分布、环形聚集、线性排列等不同空间分布模式可能具有相近的密度统计值，但对异常行为的指示意义完全不同；统计特征对噪声敏感，在个体遮挡、检测遗漏等情况下鲁棒性不足。

6、第四类是基于拓扑数据分析的群体行为监测方法。该方法将持续同调等拓扑数据分析工具应用于生物群体运动模式分析，已有学者将其用于鱼群运动行为的拓扑特征提取（topaz等，2015），在鱼群异常检测、人群拥挤分析等领域有初步研究。然而，该类方法存在以下局限性：均未针对笼养蛋鸡养殖场景进行适配，笼养环境下个体运动空间受限、遮挡严重，与开放水域中的鱼群或开放空间中的人群存在显著差异；仅基于单帧或单时间点的拓扑特征进行分析，未建立时间窗口内多帧持续图的聚合机制；缺乏基于正常行为数据的基线模型和动态阈值预警机制，无法实现异常行为的自动检测和早期预警；未建立拓扑特征变化模式与异常类型之间的对应关系，无法对异常进行分类判别。

7、综上所述，现有技术缺乏一种能够针对笼养蛋鸡养殖场景、从拓扑结构层面刻画鸡群群体运动模式、并在拓扑特征偏离正常基线时实现异常类型判别和早期预警的方法。

技术实现思路

1、为实现上述目的，本发明提供一种基于群体运动轨迹拓扑分析的蛋鸡异常行为早期预警方法，包括以下步骤：

2、步骤一：通过视觉采集装置获取蛋鸡养殖舍内鸡群的连续运动图像序列；

3、步骤二：对所述图像序列进行目标检测与跟踪，提取鸡群中每个个体在连续帧中的空间位置坐标，形成个体运动轨迹数据；

4、步骤三：采用滑动时间窗口对所述个体运动轨迹数据进行时间分段，在每个时间窗口内的每个时间帧中，根据鸡群中所有个体的瞬时空间位置坐标构建该帧的空间点云；

5、步骤四：对每个时间窗口内各帧的空间点云构建vietoris-rips复形过滤序列，计算持续同调，获取各帧在0维、1维和2维上的持续图，将所述各帧的持续图取并集，构成该时间窗口的持续图；

6、步骤五：从所述持续图中提取拓扑特征向量，所述拓扑特征向量包括betti曲线、持续熵和持续景观函数中的至少两种；

7、步骤六：基于蛋鸡正常养殖时段内多个时间窗口的拓扑特征向量，构建基线拓扑特征模型；

8、步骤七：计算当前时间窗口的拓扑特征向量与所述基线拓扑特征模型之间的马氏距离，当所述马氏距离超过根据基线模型的统计分布确定的动态阈值时，判定鸡群存在异常行为并发出预警。

9、本发明相对于现有技术具有以下有益效果：

10、（1）首次针对笼养蛋鸡养殖场景，提出适配的持续同调拓扑分析预警方案。与传统的统计特征不同，拓扑特征能够刻画鸡群空间分布的"形状"信息，包括连通性（鸡群分散程度）、环结构（环形聚集模式）和空腔结构（群体内部包围模式），这些信息在传统统计方法中被丢失，但对异常行为的早期识别具有重要指示意义。

11、（2）实现了群体层面的异常行为早期预警。本方法不依赖于个体行为的逐一识别，而是直接从鸡群整体运动的空间拓扑模式中提取特征，能够更早地发现群体性行为异常。在鸡群因应激、疫病或环境变化导致行为模式发生拓扑结构改变的初期，即便个体行为尚未表现出明显异常，本方法即可触发预警。

12、（3）不同维度的拓扑特征变化对应不同类型的异常，实现了异常类型的自动判别。0维betti数变化反映鸡群分散程度，1维betti数变化反映环形聚集行为，持续熵变化反映运动模式多样性，为养殖管理者提供了差异化的预警信息，便于针对性地采取应对措施。

13、（4）本方法适用于大规模蛋鸡养殖场景。以年产3000万枚鸡蛋的规模化养殖场为例，单栋鸡舍蛋鸡数量可达数万只，本方法通过群体层面的拓扑分析，避免了逐只识别和跟踪的计算负担，具有较好的实时性和可扩展性。

14、（5）动态阈值设计使预警系统能够自适应不同养殖阶段的行为模式变化。蛋鸡在不同日龄、不同产蛋阶段的行为模式存在自然差异，基于统计分布的动态阈值避免了固定阈值导致的误报和漏报问题。

1.一种基于群体运动轨迹拓扑分析的蛋鸡异常行为早期预警方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，步骤二中，所述个体目标检测采用基于深度学习的目标检测模型对每帧图像中的蛋鸡个体进行检测，获取各个体的边界框位置；所述多目标跟踪采用基于检测关联的多目标跟踪算法，对每个个体分配唯一标识符并记录其在每一帧中的空间位置坐标，所述空间位置坐标为个体边界框中心点在图像平面上的二维坐标。

3.根据权利要求1所述的方法，其特征在于，步骤三中，所述滑动时间窗口的窗口长度为t秒，滑动步长为δt秒，其中t的取值范围为30秒至300秒，δt小于t以实现时间窗口的重叠采样；所述空间点云的构建方式为：对于每个时间窗口内的每个时间帧，将鸡群中所有个体的二维空间位置坐标作为平面上的离散点，以所述离散点构成的集合作为该帧的空间点云。

4.根据权利要求1所述的方法，其特征在于，步骤五中，所述拓扑特征向量的提取方法包括以下至少两种：

5.根据权利要求1所述的方法，其特征在于，步骤六中，所述基线拓扑特征模型的构建方法为：收集蛋鸡正常养殖时段内连续n天的多个时间窗口的拓扑特征向量，将所述拓扑特征向量拼接为综合拓扑特征向量，对所述综合拓扑特征向量进行标准化和降维处理后，计算其均值向量和协方差矩阵，构成多元高斯分布模型作为基线拓扑特征模型，其中n的取值范围为7天至30天；步骤七中，计算当前时间窗口的拓扑特征向量与所述基线拓扑特征模型之间的马氏距离，根据基线模型的统计分布计算马氏距离的均值μ和标准差σ，将动态阈值设定为μ+kσ，其中k的取值范围为2至4，当前时间窗口的马氏距离超过μ+2σ时发出一般预警，超过μ+3σ时发出紧急预警。

6.根据权利要求1所述的方法，其特征在于，还包括步骤八：当发出预警后，根据当前时间窗口中各维度拓扑特征相对于基线的变化模式进行异常类型判别，其中，中等过滤参数范围为最大点对距离的0.2至0.5倍，该范围根据基线数据中betti曲线变化最显著的过滤参数区间确定；预设倍数的取值范围为1.5至3.0，具体为：

7.根据权利要求1所述的方法，其特征在于，步骤一中，所述视觉采集装置安装于蛋鸡养殖舍内各笼层前方，以正面斜视角度覆盖各层鸡笼区域，采集帧率为每秒1帧至每秒5帧；所述蛋鸡养殖舍为层叠式笼养鸡舍，所述视觉采集装置为rgb-d深度相机，获取包含深度信息的三维图像序列，步骤二中提取的空间位置坐标为三维坐标，步骤三中构建的空间点云为三维空间点云，步骤四中对所述三维空间点云构建三维vietoris-rips复形过滤序列并计算持续同调，获取0维、1维、2维和3维上的持续图，步骤五中提取的拓扑特征向量相应增加3维betti曲线和3维持续熵特征，步骤六中对包含3维拓扑特征的综合特征向量进行标准化和降维处理后构建基线模型，步骤七中马氏距离基于降维后的三维拓扑特征向量进行计算。

8.根据权利要求1所述的方法，其特征在于，所述蛋鸡养殖舍为阶梯式笼养鸡舍，所述视觉采集装置为rgb工业相机，安装于蛋鸡养殖舍上方以俯视角度覆盖鸡笼排列区域，步骤二中提取的空间位置坐标为二维坐标，步骤三中构建的空间点云为二维空间点云，步骤四中对所述二维空间点云构建vietoris-rips复形过滤序列并计算持续同调，获取0维、1维和2维上的持续图。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于群体运动轨迹拓扑分析的蛋鸡异常行为早期预警方法。

10.一种基于群体运动轨迹拓扑分析的蛋鸡异常行为早期预警电子设备，其特征在于，包括：处理器和存储器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于群体运动轨迹拓扑分析的蛋鸡异常行为早期预警方法。