Con la urgencia creciente de la transformación digital en granjas de capas enjauladas a gran escala, los métodos tradicionales para monitorear el entorno y la salud de las gallinas, que a menudo dependen de la experiencia humana, enfrentan desafíos relacionados con la baja eficiencia y el deficiente rendimiento en tiempo real. En este estudio, nos enfocamos en las gallinas de capa enjauladas y propusimos un modelo mejorado de detección de pico anormal basado en el marco You Only Look Once v8 (YOLOv8). La recolección de datos se realizó utilizando un robot de inspección, mejorando la automatización y consistencia. Para abordar la interferencia causada por las jaulas de las gallinas, se integró un mecanismo de Atención Eficiente de Múltiples Escalas (EMA) en el módulo Spatial Pyramid Pooling-Fast (SPPF) dentro de la red principal, mejorando significativamente la capacidad del modelo para capturar características detalladas del pico. Además, los bloques convolucionales estándar en el cuello del modelo original fueron reemplazados por módulos de Convolución Agrupada Aleatoria (GSConv), reduciendo efectivamente la pérdida de información durante la extracción de características. El modelo se implementó en dispositivos de computación en el borde para la detección en tiempo real de características anormales del pico en gallinas de capa. Más allá de la detección local, se desarrolló un sistema de monitoreo remoto de gemelos digitales, combinando modelado tridimensional (3D), Internet de las cosas (IoT) y colaboración en la nube-borde para crear un mapeo dinámico en tiempo real de las granjas de capas físicas a sus contrapartes virtuales. Este enfoque innovador no solo mejora la extracción de características sutiles, sino que también aborda los desafíos de oclusión comúnmente encontrados en la detección de objetivos pequeños. Los resultados experimentales demuestran que el modelo mejorado logró una precisión de detección del 92.7%. En términos de la métrica de evaluación integral (mAP), superó al modelo de referencia y a YOLOv5 en un 2.4% y 3.2%, respectivamente. El sistema de gemelos digitales también demostró ser estable en escenarios del mundo real, mapeando efectivamente las condiciones físicas a entornos virtuales. En general, este estudio integra el aprendizaje profundo y la tecnología de gemelos digitales en un sistema de agricultura inteligente, presentando una solución novedosa para la transformación digital de la cría de aves.