农业机械学报

作者：杨断利，王永胜，陈辉，孙二东，曾丹

单位：河北农业大学,河北农业大学,河北农业大学,河北桃木疙瘩农业科技股份有限公司,河北省蛋鸡产业技术研究院,

关键词：蛋鸡;啄羽;异常行为识别;个体分类;YOLO v6-tiny

基金：国家自然科学基金项目（32172779）、财政部和农业农村部：国家现代农业产业技术体系项目（CARS-40）和河北省科技研发平台建设专项（225676150H）

针对目前蛋鸡啄羽异常行为（包括啄和被啄）识别精度比较低的问题，提出了一种基于改进YOLO v6-tiny模型进行啄羽异常行为识别的方法。该方法通过在YOLO v6-tiny模型中引入DenseBlock结构并融入CSP结构的SPP模块（SPPCSPC）的方式，增强了YOLO v6-tiny模型的特征提取能力，扩大了模型的感受野，提升了模型的检测精度。在识别出啄羽异常行为的基础上，对如何基于异常行为发生次数，进行蛋鸡个体分类进行了研究。提出了基于YOLO v6-tiny模型进行蛋鸡个体识别，并将啄羽异常行为识别结果输入个体识别网络，进行蛋鸡个体分类的方法。同时，本文还分别对2种不同的养殖密度、一天当中3个不同的时间段，异常行为发生次数的变化规律进行了分析。实验结果表明，优化后的模型对啄和被啄异常行为的识别平均精度（AP）分别为92.86%和92.93%，分别比YOLO v6-tiny模型高1.61、1.08个百分点，比Faster R-CNN模型高3.28、4.00个百分点，比YOLO v4-tiny模型高6.15、6.63个百分点，比YOLO v5s模型高2.04、4.27个百分点，比YOLO v7-tiny模型高5.39、3.92个百分点。本文方法可以识别出啄和被啄羽异常行为，为蛋鸡异常行为的智能检测提供了技术支撑。

来源：2023年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第5期