|
|
图片来源：Vencomatic Group
「曦曦博士 x UGA Poultry」系列 大家好呀~今天分享一篇佐治亚大学家禽系柴立龙老师的一篇文章：一种精确跟踪散养鸡的方法|A Precision Method for Tracking Cage-free Hens on the Floor。
<hr/>在蛋鸡产业，随着消费者喜好的变化，散养鸡是越来越多了。与传统的笼养蛋鸡相比，散养的蛋鸡能够自由活动，进行觅食、打滚、玩耍等自然行为，不过，却也实在增加了养殖户监控鸡群情况和健康状况的难度。
要做好日常的鸡群监测，「计算机视觉技术 + 机器学习」也许是一个好的办法 —— 它没有侵入性，通过摄像机或者地面机器人来收集图像或视频，然后通过机器学习进行分析，便能做到「实时自动检测」。
目前，大多数针对家禽的自动检测模型研究都集中在肉鸡上，鲜有研究对无笼蛋鸡进行探究。因此，佐治亚大学家禽系的老师们开发了一种散养条件下的蛋鸡实时检测系统。
来瞅瞅这黑科技~~
试验设备
地点：UGA大学的家禽研究中心，4间屋子（长 7米 x 宽 6米 x 高 3米）
动物：800只1日龄的海兰W-36蛋鸡
饲养管理：每个房间配备6个喂食器，2个饮水器和1个便携式A式鸡栖架。由自动系统控制环境条件，相对湿度为40~60%，温度为21~23℃，光照强度为20 lux，光照周期为19L:5D。
研究所用的场地
计算机视觉设备：在每个房间的天花板和侧墙上安装了高清防水摄像机（看下图），用于收集蛋鸡的视频数据。为了保护镜头、确保视频的清晰度，每周要用镜头清洁布擦拭灰尘。录像数据会及时转移到大型硬盘上，存储在系里的数据中心。
鸡舍里安装的摄像机
数据分析模型
为了确保这个方法能够同时适用于雏鸡和成年蛋鸡，这个研究里，我们记录了8-16周龄这个阶段的视频。去除模糊图像后，总共约1200张照片被用于模型训练和测试。
图像标记鸡舍里的鸡
模型本来的名字叫做「YOLOv5x」 —— 这是目前最常用的几种「目标检测模型」之一，是基于深度学习的目标检测算法YOLOv3模型基础上演变而来的。
而我们通过整合蛋鸡的图像信息，将模型进行了改进和创新，取了个新名字：「YOLOv5x-hens」。
几个不同的YOLO模型对比
YOLOv5x模型的结构 （具体的模型细节可以参考文末拓展阅读）
YOLOv5x-hens模型的性能
1）YOLOv5x-hens模型的性能
下面这张图总结了YOLOv5x-hens模型的性能指标，并与广泛使用的YOLOv3模型进行了比较 —— 可以看出，两个模型在目标检测方面都表现良好，而YOLOv5x-hens模型的recall和F1 score更高，说明模型的质量更高。
2）目标检测器的收敛结果
在机器学习中，「损失函数」是衡量模型预测值与真实值之间差异的指标。在训练模型时，通常使用训练集来调整模型参数以最小化损失函数。然后，使用验证集来评估模型性能并检查是否存在过拟合问题。如果训练集和验证集的损失函数值逐渐接近且趋于稳定，则说明模型正在收敛并且有望在新数据上表现良好。
在下图中，可以看出，当训练数据达到280左右时，训练集和验证集的损失函数值变平缓，说明模型的准确度和精度达到峰值。
训练集和验证集的损失函数（图中Box和Objectness是训练集的帧损失和蛋鸡的损失；Val box和Val object是验证集的帧损失和蛋鸡的损失）。
3）灯光对模型的影响
比较模型在不同光照强度（10 vs. 30 lux) 的表现，发现精度差不多（95.15%和95.02%）。
YOLOv5x-hens模型在不同光照强度下识别的鸡的数量：10lux (a) vs. 30lux (b)
4）鸡群密度对模型的影响
比较不同养殖密度对模型识别精度的影响：低密度（每平方米0~5只）、中密度（每平方米5~9只）、高密度（每平方米9~18只）—— 发现低密度和中密度的正确率没有差异 （95.60% and 95.58%）；但到了高密度时，由于鸡的重叠和遮挡，模型的精度就开始下降了（60.74%）。
YOLOv5x-hens模型在低密度和中等密度下对鸡的识别：低密度(a) vs.中等密度(b)
YOLOv5x-hens模型在高密度下对鸡的识别：原图(a) & 识别图像(b)
5）摄像机角度对模型的影响
在这个试验中，我们的相机是安装在天花板（垂直角度）和侧壁（水平角度）的，这两个角度相比较，发现垂直角度的精度（96.33 %）优于水平角度（82.24 %）。
YOLOv5x-hens模型在水平角度和垂直角度下对鸡的识别：水平角度(a)和垂直角度(b)
6）日龄对模型的影响
在这个试验中，我们还用了第1、8、16、18周的视频数据来验证YOLOv5x-hens模型在不同日龄下的准确性。
结果发现，从第8周到第16周，模型的精度可以达到96.0%，但对于小于1周的雏鸡，模型的准确率仅达到25.6%左右。YOLOv5x-hens模型的监测精度随着鸡龄的增加而提高，到了第16、17周，当鸡的体型与成熟蛋鸡差不多时，精度就比较稳定了。
YOLOv5x-hens模型在不同日龄下对鸡的识别：1周(a)，8周(b)，16周(c)和18周(d)
总结一下
这个研究建立了一个新的机器视觉系统和深度学习模型「YOLOv5x-hens」 —— 通过在学校鸡舍的评估，可以看出，YOLOv5x-hens模型在不同光照强度、摄像角度、鸡群密度下可以进行对8-16周龄蛋鸡的有效实时检测。
当然，鸡舍里难免出现蛋鸡抱团扎堆的行为，不均匀的光照强度、和设备遮挡图像等原因，会让模型出现一些错误识别，还需要进一步研究，来提高模型的检测效率和适用性。
原文链接
https://site.caes.uga.edu/precisionpoultry/2022/09/a-precision-method-for-tracking-cage-free-hens-on-the-floor/
视频链接
https://kaltura.uga.edu/media/t/1_rhfvor4z
拓展阅读
这个研究的发表文献，有更多细节：
Yang, X., Chai, L., Bist, R. B., Subedi, S., & Wu, Z. (2022). A Deep Learning Model for Detecting Cage-Free Hens on the Litter Floor. Animals, 12(15), 1983.
https://doi.org/10.3390/ani12151983
现代化养鸡 | 分享5个酷酷的鸡舍机器人
对话 | 柴立龙教授：当我们在谈精准家禽养殖时，我们在谈些什么？ |
|
发表于 2023-6-23 21:13:01
