用于提升蛋鸡福利评估与生产力优化的多模态AI系统

未来的鸡蛋生产取决于用数据驱动的人工智能监控生态系统取代主观、依赖人工的福利检查。传统福利评估——受限于人类观察和单一传感器数据——无法完全捕捉现代养鸡场中蛋鸡福利的复杂、多维特性。多模态人工智能（AI）提供了突破性解决方案，通过整合视觉、声学、环境和生理数据流，揭示鸟类福利动态的深层见解。本研究突显了中等（特征级）融合策略的变革性潜力，这种方法在现实鸡养条件下实现了鲁棒性与性能之间的最佳平衡，比早期或晚期融合方法在可扩展性方面具有优势。关键采纳障碍包括对 harsh farm 环境中脆弱传感器的脆弱性、高昂的部署成本、不一致的行为定义以及有限的跨场所通用性。为此，我们引入了两项新型评估工具——领域迁移得分（Domain Transfer Score, DTS）用于衡量模型在不同农场设置之间的适应性，以及数据可靠性指数（Data Reliability Index, DRI）用于评估在运行约束下的传感器数据质量。我们还提出了面向蛋鸡环境的模块化、情境感知部署框架，旨在实现多模态感知的可扩展且实用化集成。本工作为从被动、单一模态监控向主动、精准化福利系统的转型奠定了基础，使生产效率与科学、伦理的动物护理相结合。