復雜環境下蛋雞個體識別與自動計數系統研究

楊斷利 王永勝 陳 輝 孫二東 王連增

(1.河北農業大學信息科學與技術學院, 保定 071001; 2.河北省農業大數據重點實驗室, 保定 071001;3.河北農業大學動物科技學院, 保定 071001; 4.農業農村部肉蛋雞養殖設施工程重點實驗室, 保定 071001;5.河北桃木疙瘩農業科技股份有限公司, 保定 074300; 6.河北省蛋雞產業技術研究院, 邯鄲 056007)

0 引言

雞群數量清點是雞場資產評估中一項重要的工作,飼養密度計算可為蛋雞精準飼喂、提升蛋雞生產性能[1-2]和生產效益[3]提供數據依據。實際雞舍中,雞只數量較多雞體之間互相重疊遮擋、雞只活潑好動位置瞬時變化、雞舍光照條件有差異使雞體輪廓不清晰、雞舍復雜背景環境遮擋雞只[4-5]等問題,使得傳統的人工計數方法,不僅費時費力而且計數準確度較低。養殖企業迫切需要一種高精度、自動化蛋雞識別與計數系統。

隨著機器視覺和深度學習技術的不斷發展,研究者開始嘗試將數字圖像處理技術、深度學習算法引入動物個體識別與計數領域。勞鳳丹等[6]基于Lab顏色模型,利用極限腐蝕和凹點搜尋的方法,實現了對10只蛋雞的識別與計數。SO-IN等[7]基于傳統的圖像處理方法,實現了蛋雞個體的識別。楊碩[8]利用最大類間方差法結合R、G、B顏色分量,實現了粘連羊只圖像的分割和計數。傳統圖像處理技術進行動物個體分割與計數,分割效果依賴于研究人員的經驗。深度學習算法Faster R-CNN[9]、YOLO[10-14]等在目標檢測領域有著良好的表現。CAO等[15]使用DenseFCN模型,對包含大概20只雞的圖像,進行了雞只識別與計數。JIANG等[16]構建了MobileNetV2-SSD目標檢測網絡,在自建的數據集上,實現了對20只雞的識別。黃小平[17]將DenseNet網絡引入到 SSD 網絡中,利用粒子與卡爾曼濾波融合算法實現了奶牛的計數。金耀[18]通過YOLO v3網絡模型實現了生豬的識別與計數。深度學習識別個體與計數,可自動學習個體特征、提取個體高維特征[19],不僅避免了傳統圖像處理方法計數準確度不穩定的問題,同時還保證了計數精度,可實現計數的自動化。

雖然已經有學者基于數字圖像處理[6]和深度學習技術開展了雞只識別與計數方面的研究,但這些研究的雞舍環境普遍簡單且蛋雞個體數量較少,不能滿足實際生產的需求[15]。本文擬基于目前最為成熟的目標檢測算法YOLO v5模型[20-21],對存在背景(產蛋箱、食槽、飲水管等設備)、雞群個體數量較多、雞群位置不斷變化的復雜環境下的蛋雞個體識別與計數問題加以研究。

1 數據采集與預處理

1.1 數據采集

2022年6月24日—7月31日在河北桃木疙瘩農業科技股份有限公司中莊養殖基地,采集了太行山蛋雞日?；顒右曨l圖像,采集時間為每天07:00—17:00。此養殖基地蛋雞為半散養模式,白天蛋雞可以自由進出雞舍活動。通過觀察發現,07:10—07:40、12:00—12:30、16:00—16:30這3個時間段的光照強度、雞只數量有明顯差異,3個時間段的圖像示例如圖1所示。為了增強本研究模型的魯棒性,選擇這3個時間段的視頻用于制作蛋雞識別與計數數據集。此基地實驗雞舍長10 m,寬7 m,頂高6 m,檐高3.5 m,舍內共有6個食槽,1根長為9 m的引水管和3組產蛋箱,其中靠近窗戶和墻的產蛋箱都是上下兩排,每排有9個小箱子,靠近門一側產蛋箱有上下兩排,每排17個小箱子。本實驗在雞舍門口對面墻的墻角位置安裝了1個?？低曅蛷V角攝像機(DS-2CD3T56FWDV2-15型),攝像機安裝高度為距地面4 m,俯視角約為80°(水平向下傾斜角度),攝像機焦距為2.8 mm,視頻幀率為25 f/s,分辨率為2 560像素×1 920像素。圖像采集環境示意圖如圖2a所示,為了清楚觀察實驗雞舍的內部結構,將示意圖中外側墻設計成透明式,實際場景中為不透明墻體,現場采集環境如圖2b所示。

圖1 不同時間段數據集示例Fig.1 Example data sets for different time periods

圖2 數據采集環境Fig.2 Data acquisition environment

攝像機視頻通過網線傳輸到容量為2TB的海康威視DS-7804N-K1/4P(D)型網絡硬盤錄像機中,然后將數據從錄像機輸入到計算機進行處理。

1.2 數據預處理

選取不同時間段、不同蛋雞數量和姿態的視頻,利用OpenCV函數按照每隔100幀提取1幀的方式,進行圖像幀提取,保存質量較好的573幅圖像作為蛋雞識別與計數的原始數據。為了增強模型的魯棒性[22],隨機選擇亮度變換、旋轉、加噪、縮放,以及鏡像的方式對原始圖像進行離線增強,最終獲得含有2 292幅蛋雞圖像的數據集。利用LabelImg工具對原始圖像數據進行標注,制作Pascal VOC[23]格式數據集。將數據集按照6∶2∶2的比例劃分為訓練集、驗證集和測試集。數據集中蛋雞個體實例數量及邊界框分布如圖3所示。

圖3 蛋雞數據集統計Fig.3 Statistical plots of laying hens dataset

從圖3a可以看出,2 292幅蛋雞圖像經過標注后共得到了433 988個蛋雞圖像實例,平均每幅圖像中包含189.35個蛋雞實例,蛋雞數量較多。由圖3b可見,蛋雞集中分布在300像素×300像素以內,利用300像素×300像素與采集的圖像大小(2 560像素×1 920像素)進行相除,計算得到蛋雞個體僅約占整幅圖像像素的1.83%,表明蛋雞個體較小,相較于豬、牛、羊等大個體,蛋雞的識別難度更大。

2 蛋雞識別與計數模型

YOLO v5s網絡模型整體結構可以劃分為輸入端、Backbone部分、Neck部分和輸出端4部分。輸入端輸入數據集圖像,YOLO v5s網絡模型在輸入端通過Mosaic數據增強和自適應錨框計算方法對輸入圖像進行處理。Mosaic數據增強過程如下:首先通過隨機縮放、隨機裁剪、隨機排布的方法對圖像進行變換,然后對變換后的圖像進行拼接,用于豐富圖像的背景。在網絡訓練過程中,網絡在初始錨框的基礎上,通過自適應錨框的計算,輸出預測框,預測框與真實框進行比對,計算兩者差距,再進行反向更新,迭代網絡參數,進行模型參數優化。Backbone部分,YOLO v5s模型中主要采用CSPNet網絡中的CSP1_X結構,用來提取輸入端傳來的數據中的有效特征。Neck部分,YOLO v5s模型采用FPN和PAN結構,利用這兩種結構,對Backbone部分提取到的有效特征進行融合。輸出端的作用是對目標對象生成邊界框并預測目標所屬類別。YOLO v5s模型的輸出端利用CIOU_Loss作為Bounding box的損失函數,并采用加權NMS(非極大值抑制)運算的方法,在目標檢測后處理過程中,對多個目標框進行篩選[24]。

2.1 YOLO v5s模型改進

2.1.1SimAM注意力機制添加

在真實場景中,產蛋箱、引水管、食槽等設備的存在會對蛋雞的個體識別造成一定的干擾,并且由于蛋雞個體較小、光照變化等因素的存在,導致特征提取時容易將背景因素與蛋雞特征相混淆。Attention-YOLO[25]在主干網絡中引入了非3D的帶參數注意力機制,可以很好地提升模型的特征表示能力。基于此,本研究提出在YOLO v5s模型的Neck結構中引入SimAM[26]注意力機制的方法,對YOLO v5s模型的Neck部分進行優化,通過端到端的方式削弱產蛋箱、食槽等背景對檢測效果的干擾,以提升模型的魯棒性。

深度學習領域中,現有的通道注意力模塊和空間注意力模塊,都需要生成一維通道或二維空間權重,并擴展通道或空間注意的權值,擴展過程中會產生大量參數,而SimAM注意力機制通過在某一層中直接對特征圖推導出3D關注權重,減少了擴展過程,無需向原始網絡中添加參數[27]。并且SimAM注意力模塊的大多數算子,是根據定義的能量函數的解來進行選擇的,在對SimAM注意力模塊中算子的調整上節省了大量時間。SimAM注意力機制通過3D權重,對特征中的每一個點都賦予一個單獨的標量,使得特征更具有全局性。SimAM注意力機制過程為

(1)

(2)

⊙——點積運算符號

E——每個通道上的能量函數,整個過程通過sigmoid函數限制E中可能出現的較大值

t——輸入的特征值,t∈X

λ——常數,取10-4

μ——X中每個通道上的均值

σ2——X中每個通道上的方差

2.1.2空間金字塔池化模塊改進

由于蛋雞個體目標較小,為了進一步擴大模型對小目標個體的感受野,增強模型對不同尺度特征的融合能力,使得模型可以學習到更多的蛋雞個體特征,本研究利用SPPCSPC結構[14]代替YOLO v5s原模型的SPPF結構,對YOLO v5s模型進行優化,以期提取到更深層次的蛋雞有效特征。

SPPCSPC模塊主要包括SPP結構(空間金字塔池化)[28]和并聯的CSP結構。SPP結構如圖4所示,SPPCSPC結構如圖5所示。

圖4 SPP結構圖Fig.4 SPP structure diagram

圖5 SPPCSPC結構圖Fig.5 SPPCSPC structure diagram

從圖4可以看出,SPP結構內部有4個并行的分支,這4個并行的分支包括3個最大池化操作和1個跳躍連接操作。SPP首先經過CBL結構(Conv+Batch Normalization+Leaky ReLU),然后經過3個并行的,池化核大小分別為5×5、9×9和13×13的最大池化操作,和1個從CBL結構之后不進行任何操作的跳躍連接分支。然后,利用Concat操作對4個分支結果進行拼接,最后再經過1次CBL結構。

從圖5可以看到,SPPCSPC結構輸入包括2個分支:分支1和分支2。分支1首先依次經過卷積核大小為1×1、3×3和1×1的3次卷積操作,然后將3次卷積操作后的結果分別進行池化核大小為5×5、9×9和13×13的3次最大池化操作。再將3次最大池化操作后的結果進行Concat操作,再依次進行卷積核大小分別為1×1和3×3的2次卷積操作,作為分支1的最終結果。分支1進行操作的同時,分支2進行卷積核大小為1×1的卷積操作,分支2卷積操作結果與分支1的最終結果進行Concat操作,操作結果最后再進行1次卷積核大小為1×1的卷積操作。

2.1.3特征融合網絡改進

YOLO v5s模型的特征融合部分采用FPN[29]和PAN[30]結構。FPN和PAN結構只是將Backbone部分獲得的不同尺寸特征圖,調整為統一尺度后進行累加,沒有對不同尺寸特征圖特征進行融合,由于特征圖尺寸的不一致,容易導致特征圖的噪聲變大,識別效果變差[31]。

為了解決上述問題,本研究在YOLO v5s原模型的Neck結構后引入自適應特征融合模塊ASFF[32]。ASFF結構能夠自適應地學習不同尺度特征的空間權重,并利用學習權重參數的方式將不同層之間的特征融合在一起[33],加強了不同特征的融合,提升了蛋雞個體的識別效果。ASFF結構如圖6所示。

圖6 ASFF結構圖Fig.6 ASFF structure diagram

圖6中Level 1、Level 2和Level 3分別為3個不同尺寸的特征圖,ASFF-1、ASFF-2和ASFF-3分別表示特征融合的過程。如ASFF-1,用Level 1、Level 2和Level 3共3層的特征與α(1)、β(2)和γ(3)權重相乘并相加,得到融合后的ASFF-1。

由于在計算過程中采用了相加的方式,所以Level 1、Level 2和Level 3的通道數與特征大小需要保持一致。首先,通過對不同層級進行下采樣或上采樣方式來調整尺寸,然后將Level 1、 Level 2和Level 3特征圖經過一個卷積核大小為1×1的卷積操作,得到權重參數α、β和γ,再將權重參數進行拼接并通過Softmax函數進行歸一化,最終將輸入映射到[0,1]范圍內,且三者的總和為1。

2.1.4改進后的YOLO v5s網絡結構

改進后的YOLO v5s網絡整體結構如圖7所示。從圖7可以看到,為了擴大模型的感受野,解決蛋雞個體較小、識別困難的問題,將YOLO v5s模型Backbone部分中的第9層SPPF(空間金字塔池化模塊)更改為SPPCSPC模塊。為了消除真實復雜環境下產蛋箱、食槽等設施對蛋雞個體識別帶來的干擾,在YOLO v5s模型的Neck部分的第18、22、26層引入SimAM注意力機制。為了獲得更豐富的蛋雞特征信息,提升模型的識別精度,在YOLO v5s的Neck結構后,添加自適應特征融合模塊ASFF,將不同尺度的蛋雞成像特征信息進行融合。

圖7 改進后的YOLO v5s網絡結構圖Fig.7 Structure diagram of improved YOLO v5s network

由于YOLO v5s本身只實現目標的檢測,不具備計數功能,因此本研究使用Python語言在改進模型的detect.py文件run函數內部,添加相應代碼,對模型識別出的蛋雞數量進行統計,實現了計數功能,并將計數結果顯示在預測圖像的左上角。

2.2 實驗參數設置

本研究采用的運行平臺是Intel Core i7-9700 CPU,主頻為3.0 GHz,運行內存為16 GB,顯卡為NVIDIA GeForce RTX 3060,開發環境為Python 3.8,Pytorch版本為1.8,Windows 10操作系統。本研究輸入的蛋雞圖像尺寸為768像素×768像素,迭代次數設置為300,訓練批量大小(Batch size)設置為8。每次訓練結束后保存最后一輪權重和最好權重。試驗中超參數設置如下:初始學習率設置為0.01,采用余弦退火算法進行學習率衰減,優化器為SGD,Momentum為0.937。

2.3 評價指標

本研究利用精準率(Precision)表示模型正確識別蛋雞的占比,召回率(Recall)表示識別圖像中蛋雞個體的完全程度。利用精度均值(Average precision, AP)表示每類目標識別的精度。利用平均精度均值(Mean average precision, mAP)表示所有類別蛋雞的平均識別精度,本研究由于只包括蛋雞一個類別,因此,AP值與mAP值相同。利用圖像傳輸速率(Frames per second, FPS)來評價模型實際識別蛋雞個體的速度。利用計數準確率(Accuracy)和計數平均準確率(mAcc)來評價模型對蛋雞的計數精度。

3 實驗結果與分析

3.1 消融實驗

為了對所提出的3種改進方法的有效性進行評價,以YOLO v5s原模型為基礎模型,利用精準率、召回率和平均精度均值作為評價指標,通過消融實驗進行驗證。各模型的改進結果如表1所示,表1中“√”表示使用此改進策略,“×”表示未使用此改進策略。

表1 消融實驗結果對比Tab.1 Comparison of results of ablation experiments %

通過表1發現,單獨增加SimAM注意力機制、SPPCSPC模塊和ASFF模塊后的模型2、3、4,對蛋雞識別的精準率、召回率和平均精度均值均有提升,說明在增加SimAM注意力機制、SPPCSPC模塊和ASFF模塊后,模型能夠解決產蛋箱、食槽和飲水管等因素給蛋雞個體識別帶來的影響,能夠擴大模型感受野,解決蛋雞個體較小、模型識別較困難的問題,能夠融合不同尺度蛋雞特征,提升蛋雞個體識別的精度。

在模型5、6、7中,將SimAM注意力機制模塊、SPPCSPC模塊和ASFF模塊,分別進行兩兩組合,加入到YOLO v5s原模型中,對蛋雞個體進行識別,所得結果相比于Baseline模型均有所提高,且3個評價指標均高于單獨添加SimAM注意力機制模塊、SPPCSPC模塊和ASFF模塊的模型2、3、4。表明,將SimAM注意力機制模塊、SPPCSPC模塊和ASFF模塊分別進行兩兩組合,對模型識別蛋雞個體均有一定的促進作用。

模型8為本研究提出的模型,將3種改進方法進行融合后,精準率、召回率和平均精度均值相比于模型1分別提高2.37、2.55、2.20個百分點。表明三者融合后仍然會起到一定的促進作用,能夠有效提升模型對蛋雞個體的識別效果。

3.2 不同時間段下檢測結果分析

為了驗證本文模型在不同時間段下對蛋雞個體的識別效果,將本研究測試集中的537幅圖像按照時間段07:10—07:40、12:00—12:30、16:00—16:30分類,并利用改進后的YOLO v5s模型進行測試,通過精準率、召回率和平均精度均值評價指標進行模型性能評估。不同時間段檢測結果如表2所示。

表2 不同時間段檢測結果對比Tab.2 Comparison of detection results in different time periods

通過對比表2可以發現,在07:10—07:40時間段,本文模型對蛋雞個體檢測的精準率、召回率和平均精度均值均高于其他兩個時間段,其中平均精度均值為89.02%。在12:00—12:30時間段,本文模型對蛋雞個體檢測的精準率和平均精度均值最低,其中平均精度均值為86.95%。07:10—07:40時間段對蛋雞檢測的平均精度均值比12:00—12:30時間段的平均精度均值高2.07個百分點,分析原因為,在12:00—12:30時間段,光照強度高于其他兩個時間段,光照導致雞體輪廓不清晰,蛋雞特征不明顯,不易于模型對特征的學習,致使模型對蛋雞個體檢測精度較其他兩個時間段低。

3.3 不同模型檢測結果分析

為了檢驗改進的YOLO v5s模型對蛋雞個體識別的性能,利用本研究制作的蛋雞數據集,分別對YOLO v3-tiny、YOLO v4-tiny、YOLO v5s、PPYOLOE-s、YOLO v7-tiny和本文模型進行訓練,并利用相同的測試集,通過精準率、召回率、平均精度均值、圖像傳輸速率作為指標評估模型的檢測精度和運算速度。各模型結果對比如表3所示。

表3 不同模型性能對比Tab.3 Performance comparison of different models

通過表3可知,在模型檢測精度方面,本文模型的精準率、召回率和平均精度均值明顯高于YOLO v3-tiny和YOLO v4-tiny模型,與YOLO v5s模型相比,分別高2.37、2.55、2.20個百分點,與PPYOLOE-s模型相比,分別高4.01、9.04、6.43個百分點,與YOLO v7-tiny模型相比,分別高6.33、0.95、4.77個百分點。在模型檢測速度方面,本文模型的圖像傳輸速率高出YOLO v7-tiny模型16.54 f/s,與YOLO v5s幾乎相同。綜合考慮模型識別精度和檢測速度,本文模型識別效果更優,能夠勝任真實復雜環境下對蛋雞個體進行識別的任務。

隨機選擇一幅圖像,各模型檢測效果如圖8所示。通過觀察圖8b、8c中黃色框發現,由于位于攝像頭遠端的蛋雞目標更小,有效特征也非常少,YOLO v3-tiny和YOLO v4-tiny模型中出現了大量的漏檢現象。觀察圖8d、8f中藍框位置發現,由于飲水管對蛋雞造成了遮擋,導致蛋雞部分有效特征丟失,致使YOLO v5s和YOLO v7-tiny模型出現誤識別現象,將一只蛋雞識別為多只。通過對比圖8e、8g中綠框處發現,雖然PPYOLOE-s與本文模型均能正確識別出蛋雞,但是PPYOLOE-s模型識別出的置信度低于本文模型。通過實際圖像對比發現,本文模型對真實環境下蛋雞的個體識別效果更優。綜合考慮模型檢測精度、運算速度和實際識別效果,本文模型具有更優的性能。

圖8 各模型檢測效果Fig.8 Test effect diagrams of each model

3.4 蛋雞計數結果分析

本研究537幅測試集中的蛋雞數量最少為120只,最多為247只。為了檢驗改進的YOLO v5s模型在不同蛋雞數量下的計數精度,將測試集按照雞只數量劃分為120～180只、181～210只、211～247只3個區間,分別利用YOLO v5s模型、本文模型對3個區間圖像中的蛋雞進行識別,并通過計數平均準確率指標評估計數性能。改進前后模型計數平均準確率對比如表4所示,改進前后模型對每幅圖像誤識別數量對比如圖9所示。計數效果如圖10所示。

表4 改進前后模型計數準確率對比Tab.4 Comparison of model counting accuracy before and after improvement

圖9 改進前后模型對每幅圖像誤識別數量對比Fig.9 Comparison of number of misrecognition of each image by model before and after improvement

圖10 蛋雞計數效果Fig.10 Renderings of laying hens counting

由表4可知,在雞只數量為120～180只區間時,本文模型計數準確率最高,為95.42%,較YOLO v5s模型高2.15個百分點。隨著蛋雞數量的不斷增多,雞體間的遮擋現象也逐漸嚴重,模型計數準確率有所下降。在雞只數量為211～247只區間時,本文模型計數準確率最低,為94.16%,較YOLO v5s模型高2.86個百分點。本文模型在120～247只區間的計數平均準確率為94.77%,較YOLO v5s模型提升2.49個百分點。結果表明,本研究所提出的方法能夠為飼養者提供一個自動化、高精度的蛋雞計數方法。

從圖9中可發現,在同一幅蛋雞圖像上,YOLO v5s模型的誤識別數量大部分都高于改進后的YOLO v5s模型的誤識別數量,表明本文模型對蛋雞的計數效果更優。

由圖10可知,計數結果顯示在圖像左上角。圖10左上角顯示的146,為置信度閾值為0.40時,利用改進后的YOLO v5s模型識別蛋雞個體并獲得的計數結果。

4 蛋雞識別與計數系統設計

PyQt是一種用于可視化界面開發的工具,是Python編程語言和Qt程序開發庫的結合,它不僅具有Python編程語言的易用性,又具有Qt程序開發庫的高效性,可以將PyQt理解成Qt框架的Python實現[34]。本研究運用PyQt5進行蛋雞識別與計數系統設計。

4.1 蛋雞識別與計數系統總體設計

為了提升系統的實用性,本研究擬設計一種頁面簡介、功能齊全且易于操作的系統。用戶只需進行簡單的操作,就可實現自動計數,同時會自動計算出飼養密度。蛋雞識別與計數系統的總體框架如圖11所示。整個系統主要由5個模塊組成。

圖11 蛋雞識別計數系統總體框圖Fig.11 General framework of laying hens identification and counting system

蛋雞識別與計數系統的總體流程為:用戶輸入正確的用戶名和密碼進入蛋雞識別與計數系統,然后選擇本地蛋雞圖像、視頻或者調用攝像頭,蛋雞識別模塊利用網絡模型對圖像、視頻或者攝像頭數據進行識別并計數。在參數設置模塊中,可對模型的置信度閾值和NMS閾值進行調整,也可以輸入蛋雞雞舍的長度和寬度,用于蛋雞飼養密度計算。最后通過結果顯示模塊對識別效果、計數結果以及蛋雞飼養密度進行輸出。

4.2 蛋雞識別與計數系統界面設計及系統測試

登錄界面主要包括“用戶名”、“密碼”文本框和“登錄”按鈕;操作主界面如圖12所示,主要包括:“圖片檢測”、“視頻檢測”、“攝像頭檢測”以及對應的“打開圖片、視頻、攝像頭”按鈕和“檢測結果”按鈕,在主界面最上方可以手動輸入置信度閾值、NMS閾值、雞舍長度和寬度;主界面中間顯示輸入的圖像、視頻或攝像頭數據以及對應的檢測效果;在主界面最下方顯示檢測出的蛋雞數量以及蛋雞飼養密度。

圖12 蛋雞識別與計數系統操作主界面Fig.12 Main interface of operation of laying hens identification and counting system

蛋雞識別與計數系統計數效果如圖13所示。當系統軟件啟動以后,先輸入用戶名和密碼進行登錄,進入主界面;如果點擊了界面左側“圖片檢測”、“視頻檢測”和“攝像頭檢測”按鈕,在右側分別會有一個按鈕用來打開圖像、視頻或者是調用攝像頭,然后點擊“檢測結果”按鈕,在界面中部可以顯示檢測效果圖,并在最下方顯示識別出蛋雞個數和蛋雞飼養密度。整個系統只需要用戶輸入用來計數的蛋雞數據和雞舍長度和寬度,系統能夠自動實現蛋雞個體的識別與計數功能,并能夠顯示蛋雞飼養密度。

圖13 蛋雞識別與計數系統計數效果圖Fig.13 Laying hens identification and counting system counting effect picture

設計的蛋雞識別與計數系統可以利用本地存儲的圖像、視頻進行蛋雞個體識別與計數,也可以通過直接調用攝像頭,進行實時的蛋雞個體識別與計數。本文基于機器視覺技術研發的蛋雞個體識別與計數系統,可以實現實時計數,即使雞只位置發生了瞬時變動,也可以立即獲得任一時刻的計數結果,解決了由于蛋雞位置隨機瞬時變動,致使人工計數容易產生視覺錯亂,計數結果偏差較大的問題。并且此系統能夠實時顯示蛋雞的飼養密度,可以為養殖戶合理控制蛋雞數量,維持最佳飼養密度,獲得最佳的蛋雞生產性能提供數據依據,具有很高的實用價值。

5 結論

(1)提出了一種基于改進的YOLO v5s模型識別真實環境下蛋雞個體的方法。在YOLO v5s模型的Neck中引入SimAM注意力機制,有效解決了真實環境下產蛋箱、食槽、飲水管等物體給蛋雞的識別帶來的干擾。將YOLO v5s模型的SPPF(空間金字塔池化模塊)改進為SPPCSPC模塊,擴大了模型的感受野,解決了蛋雞個體較小、識別較困難的問題。在YOLO v5s的Neck結構后添加自適應特征融合模塊ASFF,更好地融合了蛋雞不同尺度的特征信息,提升了模型的識別效果。

(2)改進后的YOLO v5s模型對蛋雞個體識別的平均精度均值為87.53%,較YOLO v5s模型提高2.20個百分點,圖像傳輸速率為58.14 f/s。當蛋雞數量在120～247只范圍內,計數平均準確率為94.77%,較YOLO v5s模型提升2.49個百分點。

(3)在改進的模型中通過調用檢測接口,增加計數函數,實現了蛋雞個體的計數。最后,對算法進行封裝,開發了蛋雞個體識別與計數系統,并能根據計數結果進行飼養密度的自動計算,為蛋雞養殖者對蛋雞數量的自動清點,合理控制飼養密度提供了有效的技術支持。