近日，機械與電子工程學院田富洋副教授團隊在《Poultry Science》在線發表了題為“Cyclic Consistent Migration Neural Network: An enhancement algorithm study for head characteristics of caged chickens detection”的研究論文。山東農業大學為完成該論文的第一單位，于鎮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分品種和基因的標志，更是反映雞只健康狀況和生產能力的重要指標，在籠養蛋雞福利化養殖中發揮重要作用。然而，疊層籠架的遮擋會導致雞頭部關鍵小目標特征無法被模型準確提取，影響模型對家禽健康狀態的判斷。同時，有遮擋的圖像也會導致數據集質量下降，影響家禽健康監測模型的泛化能力和魯棒性，制約家禽健康預警系統在籠養雞舍的推廣應用。

圖1. 模型結構圖

因此，本研究提出了一種籠養蛋雞頭部特征增強檢測模型（CCMNN模型）。該模型基于大數據和深度學習循環一致遷移神經網絡進行籠門去除。如圖1所示，設計的核心是通過兩個生成器和兩個判別器構成的對抗網絡進行訓練。生成器分別用于源域中的圖像轉換和目標域中的圖像轉換；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練生成器和判別器。

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

該研究得到了山東省重點研發項目和國家重點研發項目的資助。

論文鏈接：

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

編      輯：萬    千 

審      核：賈    波