3. 视频数据预处理与增强

养殖场摄像头采集到的原始视频，几乎不可能直接送进异常识别模型。原因很实际：连续视频里大量帧是冗余的，猪只趴卧不动时前后几十帧几乎一样；夜间红外画面噪声大、对比度低；不同栏舍的光照差异悬殊；而异常事件（如咬尾、跛行、堆压）往往只占很短时间窗口。因此预处理与增强的核心任务不是"美化画面"，而是在保留异常判别信息的前提下，把原始视频整理成模型能稳定学习的样本。本节按处理链路依次展开：解码抽帧、分辨率与帧率调整、去噪与光照补偿、数据增强，并说明每一步对异常识别结果的实际影响。

一、解码抽帧：先决定"看多密"

解码是把 H.264/H.265 码流还原为图像帧的过程。工程上常用 OpenCV 的 VideoCapture 或 FFmpeg 按时间戳取帧。抽帧策略直接决定样本密度与算力开销，常见三种：

• 固定间隔抽帧：如每 5 帧取 1 帧（25fps 源视频即 5fps）。实现简单，适合行为持续时间较长的场景，如采食、饮水。
• 按时间抽帧：每 0.5 秒或 1 秒取一帧，与源帧率解耦，多路摄像头统一节奏时更稳妥。
• 事件触发抽帧：先用轻量运动检测或背景差分筛出"有变化"的片段，再在片段内加密抽帧。适合咬尾、突然惊群等短时异常，可显著降低无效样本。

抽帧过稀会漏掉短时异常——例如一次持续 2 秒的争斗，若 1fps 抽帧可能只留下 2 帧，模型难以判断动作连续性；抽帧过密则样本冗余、标注成本翻倍。一个可操作的判断依据是：异常事件的最短持续时间 × 目标帧率 ≥ 3～5 帧，才能让时序模型捕捉到动作过程。示例设定：某育肥舍异常事件平均持续 3 秒，取 2fps 抽帧可得约 6 帧，基本够用。

二、分辨率与帧率调整：在细节和算力间取舍

分辨率决定"看得清不清"。养殖场常见 1080P 或 4MP 摄像头，但远景栏舍里一头仔猪可能只占几十像素。若统一缩放到 640×640 送入模型，远处小目标会进一步模糊。实践中可按目标尺度反推：设仔猪在画面中约占 1/20 画面高度，1080P（高 1080）下约 54 像素，缩放到 640 后仅剩约 32 像素，接近检测下限。此时应优先裁剪感兴趣区域（ROI）再缩放，而不是整幅缩小。

帧率调整则影响时序特征。行为识别模型常以 8～16 帧片段为输入，若源视频 25fps 直接取连续帧，1 秒动作被压缩进 16 帧会丢失节奏；改为按固定时间间隔重采样到 10fps，动作速度感更接近真实。下表给出示例参数组合（属教学假设，非实测）：

三、去噪与光照补偿：让画面"稳定可学"

养殖场视频的干扰主要有三类：红外夜视的高斯噪声与椒盐噪声、粉尘和水汽造成的低对比度、以及侧窗强光或补光灯造成的局部过曝。去噪常用中值滤波（对椒盐噪声有效）或双边滤波（保边去噪，适合保留猪只轮廓）；对夜间红外画面，可先做轻度高斯滤波再配合直方图均衡化提升对比度。

光照补偿要区分两种情况：全局偏暗可用 CLAHE（限制对比度自适应直方图均衡）分块增强，避免整幅拉伸导致噪声放大；局部过曝则不宜强行拉回，因为过曝区域信息已丢失，更合理的做法是在训练集中纳入同类过曝样本，让模型学会忽略。需要提醒的是，去噪与增强会改变像素统计分布，若训练集做了 CLAHE 而推理端未做，模型性能会明显下降——预处理必须训练与推理保持一致，这是最容易踩的坑。

四、数据增强：扩样本，但别改语义

养殖场数据天然不均衡：正常行为样本海量，异常样本稀少。数据增强通过几何与色彩变换扩充样本多样性，提升模型泛化。常用三类：

• 翻转：水平翻转最常用，可模拟摄像头左右视角差异。但要注意方向语义——若任务依赖"猪只朝向料槽"或"从栏门进入"的方向判断，翻转会制造错误标签，此时应只对姿态、计数类任务使用。
• 裁剪：随机裁剪模拟不同距离、部分遮挡。建议裁剪面积比例控制在 0.7～1.0，并保证裁剪框仍包含完整目标；对咬尾这类需要"两头猪相对位置"的任务，过度裁剪会破坏空间关系。
• 色彩抖动：调整亮度、对比度、饱和度，模拟昼夜、补光灯开关、粉尘造成的色偏。幅度要克制，例如亮度扰动 ±20%、饱和度 ±15%，过大可能把健康肤色改成病态色，反而干扰识别。

增强有一条铁律：几何变换必须同步变换标注框和关键点，否则标签错位比不增强更糟。另外，验证集和测试集不做随机增强，只做与推理一致的确定性预处理，否则评估结果不可信。

五、把链路串起来：一个可执行的检查顺序

实际落地时，建议按"先定抽帧、再定尺度、后做增强"的顺序推进，并用小批量样本验证每一步。例如先取某栏舍 10 分钟视频，按 2fps 抽帧得到约 1200 帧，人工抽查异常片段是否被完整保留；再对含仔猪的远景区域做 ROI 裁剪，确认目标像素数不低于 40；随后统一施加去噪与 CLAHE，并把同一套参数固化到推理服务；最后在训练侧开启翻转与色彩抖动，抽样 50 张增强图目视检查标签是否同步。判断是否达标，可看两个信号：异常片段召回是否稳定、验证集与线上推理的指标差距是否收敛。若线上明显掉点，优先排查预处理不一致，而不是急着换模型。