4. 养殖场异常识别任务定义与标注规范

异常识别不是“让模型自己找不对劲”，而是先把“什么算异常”定义成可观察、可判定、可标注的任务。养殖场场景中，同一段视频可能同时出现猪只躺卧、局部聚集、人员闯入、设备冒烟等多种情况，如果类别边界模糊，标注员各自理解不同，后续训练和评估都会失真。本节围绕异常类别体系设计、标注工具使用、质量校验与一致性评估展开，目标是让团队产出一批“定义清楚、标注可复现、质量可度量”的数据集。

一、异常类别体系：从场景需求倒推标签

类别体系设计的第一步不是列标签，而是明确巡检要回答的问题。以育肥猪舍为例，常见需求包括：猪只是否长时间异常躺卧、是否出现挤压聚集、是否有人员或动物非法进入限制区域、设备是否冒烟或起火。由此可形成四类一级异常：躺卧异常、聚集异常、区域入侵、设备冒烟。每个一级类再拆成可判定的二级标签，例如躺卧异常可分为“单只侧卧不动”“多只集中躺卧且呼吸急促”“躺卧于料槽或水槽内”等；聚集异常可分为“采食区过度拥挤”“角落堆叠”“通道堵塞”。

类别设计要遵循三条原则。第一，互斥性：同一目标在同一时刻尽量只归入一个主类，避免“既算聚集又算躺卧异常”的重复计数；确实需要多标签时，明确主标签与辅助标签。第二，可观察性：标签必须能由画面中的位置、姿态、持续时间、区域关系判断，不能依赖“猪是否生病”这类不可见结论。第三，可操作性：每个类别配一条判定规则，例如“聚集异常”定义为“同一围栏内任意 2m×2m 区域内持续 30 秒以上出现不少于 6 头猪，且密度高于该栏日常均值 1.5 倍”。示例参数需按实际栏舍尺寸和猪只日龄校准，不能直接照搬。

二、标注工具的实际操作

视频巡检标注通常使用支持逐帧或抽帧标注的工具，如 CVAT、Label Studio 或自建平台。以 CVAT 为例，典型流程是：创建任务并导入视频，设置抽帧间隔（如每 5 帧取 1 帧，25fps 下约 0.2 秒一帧），建立标签集，然后对目标画框或画多边形。对于躺卧异常，用矩形框标出猪只整体，并在属性中填写姿态（侧卧/俯卧）、是否在料槽内、持续帧数；对于区域入侵，先用多边形画出限制区域，再对进入区域的人或动物画框并关联区域 ID；对于设备冒烟，用多边形勾勒烟雾扩散范围，并标注“初起/明显/浓烟”等级。

标注时要注意三个细节。其一，框的边界：猪只相互遮挡时，框应覆盖可见部分并保持同一目标跨帧 ID 一致，避免同一头猪在相邻帧被当成两个目标。其二，时间属性：异常往往由持续时间决定，工具中应记录起始帧和结束帧，而不是只标单帧。其三，区域与目标分离：区域入侵类应先标区域多边形，再标入侵目标，二者通过区域 ID 关联，便于后续统计“哪个区域被入侵几次”。

三、质量校验与一致性评估

标注完成后不能直接入库，需要做两级校验。第一级是规则校验：检查标签是否在允许集合内、框是否越界、起止帧是否倒置、区域 ID 是否缺失、同一目标跨帧 ID 是否跳变。第二级是一致性评估：抽取 10%～20% 的样本由第二名标注员独立复标，计算一致率。常用指标包括类别一致率（同一目标主类相同的比例）、框重叠度 IoU（同一目标框交并比，通常以 IoU≥0.5 视为位置一致）和时间区间重叠率（起止帧重合比例）。

假设抽取 200 个目标做复标，主类一致 186 个，则类别一致率为 93%；位置一致 178 个，IoU 一致率 89%；时间区间平均重叠率 0.82。若某类别一致率低于 85%，应回到类别卡检查定义是否含糊，而不是简单要求标注员“再仔细点”。例如“聚集异常”与“躺卧异常”在角落堆叠场景中容易混淆，就需要补充区分规则：以“是否以站立挤压为主”作为主类判据，躺卧占比超过一半才归入躺卧异常。

一致性评估的结果要能驱动改进。上图中类别一致率 93%、IoU 一致率 89%、时间重叠率 82%，其中时间重叠率低于 85% 阈值，说明标注员对“异常从哪一帧开始算”理解不一。此时应统一口径：以目标进入判定区域并满足持续条件的第一帧为起始帧，以连续不满足条件的最后一帧为结束帧，并在工具中用颜色标记起止帧供复核。对于争议样本，建立“争议集”，由第三人仲裁并记录理由，仲裁结论反写类别卡，形成闭环。

四、可直接使用的标注检查清单

为便于落地，可将关键检查项整理为标注任务验收清单，每条对应一个可勾选判断：

需要强调的是，类别体系不是一次定死的。随着巡检季节、猪只日龄、栏舍改造变化，原有阈值可能失效，例如夏季高温时猪只躺卧时间普遍延长，若仍用冬季阈值会把正常行为误判为异常。因此应定期用新样本回测一致率，把“定义漂移”当作数据质量问题管理，而不是模型问题。只有类别定义、标注操作和质量度量三者对齐，异常识别任务才具备可训练、可评估、可复现的基础。