农业机械学报

作者：赵春江，梁雪文，于合龙，王海峰，樊世杰，李斌

单位：吉林农业大学;北京市农林科学院,吉林农业大学;北京市农林科学院,吉林农业大学,北京市农林科学院,北京市华都峪口禽业有限责任公司,北京市农林科学院,

关键词：笼养鸡/蛋;YOLO v7-tiny;深度过参数化深度卷积层;计数;边缘计算

基金：北京市平谷区博士农场项目、国家科技创新2030-“新一代人工智能”重大项目（2021ZD0113804）、北京市农林科学院改革发展专项、北京市农林科学院科研创新平台建设项目（PT2022-34）和北京市博士后基金项目（2022-ZZ-18）

笼养模式下鸡/蛋自动识别与计数在低产能鸡判别及鸡舍智能化管理方面具有重要作用，针对鸡舍内光线不均、鸡只与笼之间遮挡及鸡蛋粘连等因素导致自动计数困难的问题，本研究以笼养鸡只与鸡蛋为研究对象，基于YOLO v7-tiny提出一种轻量型网络YOLO v7-tiny-DO用于鸡只与鸡蛋识别，并设计自动化分笼计数方法。首先，采用JRWT1412型无畸变相机与巡检设备搭建自动化数据采集平台，获取2146幅笼养鸡只图像用于构建数据集。然后，在YOLO v7-tiny网络基础上应用指数线性单元（Exponential linear unit，ELU）激活函数减少模型训练时间；将高效层聚合网络（Efficient layer aggregation network，ELAN）中的常规卷积替换为深度卷积减少模型参数量，并在其基础上添加深度过参数化组件（深度卷积）构建深度过参数化深度卷积层（Depthwise over-parameterized depthwise convolutional layer，DO-DConv），以提取目标深层特征；同时在特征融合模块引入坐标注意力机制（Coordinate attention mechanism，CoordAtt），提升模型对目标空间位置信息的感知能力。试验结果表明，YOLO v7-tiny-DO识别鸡只和鸡蛋的平均精确率（Average precision，AP）分别为96.9%与99.3%，与YOLO v7-tiny相比，鸡只与鸡蛋的AP分别提高3.2、1.4个百分点；改进后模型内存占用量为5.6MB，比原模型减小6.1MB，适合部署于算力相对有限的巡检机器人；YOLO v7-tiny-DO在局部遮挡、运动模糊和鸡蛋粘连情况下均能实现高精度识别与定位，在光线昏暗情况下识别结果优于其他模型，具有较强的鲁棒性。最后，将本文算法部署到NVIDIA Jetson AGX Xavier边缘计算设备，在实际场景下选取30个鸡笼开展计数测试，持续3d。结果表明，3个测试批次鸡只与鸡蛋的计数平均准确率均值分别为96.7%和96.3%，每笼平均绝对误差均值分别为0.13只鸡和0.09枚鸡蛋，可为规模化养殖场智能化管理提供参考。

来源：2023年第7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7期