近日，機(jī)械與電子工程學(xué)院田富洋副教授團(tuán)隊在《Poultry Science》在線發(fā)表了題為“Cyclic Consistent Migration Neural Network: An enhancement algorithm study for head characteristics of caged chickens detection”的研究論文。山東農(nóng)業(yè)大學(xué)為完成該論文的第一單位，于鎮(zhèn)偉副教授為該論文的第一作者，田富洋副教授為該論文的通訊作者。

雞冠和雞眼睛等外部特征不僅是區(qū)分品種和基因的標(biāo)志，更是反映雞只健康狀況和生產(chǎn)能力的重要指標(biāo)，在籠養(yǎng)蛋雞福利化養(yǎng)殖中發(fā)揮重要作用。然而，疊層籠架的遮擋會導(dǎo)致雞頭部關(guān)鍵小目標(biāo)特征無法被模型準(zhǔn)確提取，影響模型對家禽健康狀態(tài)的判斷。同時，有遮擋的圖像也會導(dǎo)致數(shù)據(jù)集質(zhì)量下降，影響家禽健康監(jiān)測模型的泛化能力和魯棒性，制約家禽健康預(yù)警系統(tǒng)在籠養(yǎng)雞舍的推廣應(yīng)用。

圖1. 模型結(jié)構(gòu)圖

因此，本研究提出了一種籠養(yǎng)蛋雞頭部特征增強(qiáng)檢測模型（CCMNN模型）。該模型基于大數(shù)據(jù)和深度學(xué)習(xí)循環(huán)一致遷移神經(jīng)網(wǎng)絡(luò)進(jìn)行籠門去除。如圖1所示，設(shè)計的核心是通過兩個生成器和兩個判別器構(gòu)成的對抗網(wǎng)絡(luò)進(jìn)行訓(xùn)練。生成器分別用于源域中的圖像轉(zhuǎn)換和目標(biāo)域中的圖像轉(zhuǎn)換；判別器分別用于生成的圖像和真實圖像的判別。對抗性損失通過最小化生成圖像和真實圖像之間的差異來訓(xùn)練生成器和判別器。

測試結(jié)果表明，與未經(jīng)過CCMNN 處理的圖像相比，籠養(yǎng)雞的雞冠和眼睛的檢測精度分別提高了11.3%和10.2%。因此，該模型可以對籠養(yǎng)蛋雞圖像中一些關(guān)鍵信息的自動消除和恢復(fù)，獲得更完整的雞只輪廓圖像，并提高籠養(yǎng)雞冠和眼睛的檢測精度，從而有助于準(zhǔn)確評估家禽的健康狀況。

該研究得到了山東省重點研發(fā)項目和國家重點研發(fā)項目的資助。

論文鏈接：

https://doi.org/10.1016/j.psj.2024.103663

編      輯：萬    千 

審      核：賈    波