漆海霞 李承杰 黃桂珍

摘要：針對(duì)目前死淘雞目標(biāo)檢測(cè)研究較少，高精度檢測(cè)算法體積大難以部署至移動(dòng)式設(shè)備等問(wèn)題，提出一種基于YOLOv4的輕量化死淘雞目標(biāo)檢測(cè)算法。采集大規(guī)模蛋雞養(yǎng)殖工廠(chǎng)籠中死淘雞圖片，建立目標(biāo)檢測(cè)數(shù)據(jù)集；在算法中引入MobileNetv3主干提取網(wǎng)絡(luò)與深度可分離卷積來(lái)降低模型體積；并在最大池化層前添加自注意力機(jī)制模塊，增強(qiáng)算法對(duì)全局語(yǔ)義信息的捕獲。在自建數(shù)據(jù)集中的試驗(yàn)結(jié)果表明，改進(jìn)算法在死淘雞目標(biāo)檢測(cè)任務(wù)中有更高的準(zhǔn)確度，其mAP值與召回率分別達(dá)到97.74%和98.15%，模型大小縮小至原算法的1/5，在GPU加速下幀數(shù)達(dá)到77幀/s，檢測(cè)速度提高1倍，能夠滿(mǎn)足嵌入式部署需求。

關(guān)鍵詞：死淘雞識(shí)別；深度學(xué)習(xí)；輕量化網(wǎng)絡(luò)；MobileNet；深度可分離卷積

中圖分類(lèi)號(hào)：S831.4+9

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2024） 05-0195-07

收稿日期：2022年9月19日? 修回日期：2023年2月27日*基金項(xiàng)目：廣州市科技項(xiàng)目（20212100026）

第一作者：漆海霞，女，1969年生，湖南株洲人，博士，副教授；研究方向?yàn)橹腔坜r(nóng)業(yè)、農(nóng)業(yè)機(jī)器人、農(nóng)業(yè)無(wú)人系統(tǒng)等。E-mail： qihaixia_scau@126.com

Dead chicken target detection algorithm based on lightweight YOLOv4

Qi Haixia1， 2， 3， Li Chengjie1， Huang Guizhen1

（1. School of Engineering， South China Agricultural University， Guangzhou， 510642， China;

2. National Precision Agriculture International Joint Research Center for Aerial Pesticide Application Technology，

Guangzhou， 510642， China; 3. Guangdong Provincial Laboratory of Lingnan Modern Agricultural Science and

Technology， Guangzhou， 510642， China）

Abstract：

Aiming at the problems that there are few studies on dead chicken target detection and the large size of the high-precision detection algorithm makes it difficult to deploy to mobile devices， a lightweight dead chicken target detection algorithm based on YOLOv4 is proposed. Firstly， the team collects images of dead chickens in cages from large-scale egg production plants to build a target detection dataset. Then， MobileNetv3 backbone extraction network with depth-separable convolution is introduced in the algorithm to reduce the model size. Finally， a self-attentive mechanism module is added before the maximum pooling layer to enhance the algorithms capture of global semantic information. Experimental results in a self-built dataset show that the improved algorithm has higher accuracy in the dead pheasant target detection task， with mAP values and recall rates of 97.74% and 98.15% respectively. The model size is reduced to 1/5 of the original algorithm， and the frame rate reaches 77 frames/s under GPU acceleration， doubling the detection speed and meeting the requirements of embedded deployments.

Keywords：

identification of dead chicken; deep learning; lightweight network; MobileNet; deep separable convolution

0 引言

隨著工業(yè)化智能化設(shè)備在養(yǎng)殖業(yè)上的應(yīng)用，我國(guó)的畜禽養(yǎng)殖企業(yè)正在向智能化、無(wú)人化方向高速發(fā)展，其中養(yǎng)雞業(yè)的規(guī)模化、產(chǎn)業(yè)化程度正在與日俱增［1］。在大型雞舍的規(guī)?；B(yǎng)殖中氨氣、溫度、濕度、光照強(qiáng)度等外在因素對(duì)雞的生長(zhǎng)健康與免疫功能等產(chǎn)生重大影響，同時(shí)可能造成雞群的行為變化和發(fā)育異常，甚至產(chǎn)生傳染性疾?。?］。雞是恒溫動(dòng)物，對(duì)生活環(huán)境穩(wěn)定性要求高，現(xiàn)代化農(nóng)業(yè)使得高產(chǎn)指標(biāo)成為雞遺傳因素的關(guān)鍵，這使得雞群對(duì)環(huán)境要求變得更加苛刻，因此雞舍中每日都會(huì)大量死淘雞出現(xiàn)［3， 4］。為降低雞群的死亡率，對(duì)雞舍的環(huán)境控制與雞群的福利化養(yǎng)殖成為研究重點(diǎn)，多種防控技術(shù)整合、多功能便攜式監(jiān)測(cè)設(shè)施的研發(fā)，有利于促進(jìn)智能化雞舍的發(fā)展［5］。

隨著深度學(xué)習(xí)技術(shù)在近幾年的快速發(fā)展，基于深度學(xué)習(xí)的圖像識(shí)別技術(shù)在蔬果農(nóng)業(yè)、畜禽養(yǎng)殖領(lǐng)域取得了較大的突破［6-9］。目前對(duì)豬、牛等大型畜禽動(dòng)物的研究較多，通常是通過(guò)圖像識(shí)別技術(shù)對(duì)豬、牛等的健康狀態(tài)與生活行為進(jìn)行研究［10-13］。任曉惠等［10］通過(guò)支持向量機(jī)對(duì)奶牛的行為方式進(jìn)行分類(lèi)，楊秋妹等［12］使用機(jī)器學(xué)習(xí)算法對(duì)豬只的飲水行為進(jìn)行識(shí)別，余秋冬等［14］采用輕量化的YOLOv4算法對(duì)高遮擋、高密度豬群進(jìn)行識(shí)別，識(shí)別率與召回率高達(dá)96.85%和91.75%。目前對(duì)于蛋雞的研究較少，已有的研究主要集中在對(duì)蛋雞生活行為的識(shí)別，勞鳳丹等［15， 16］應(yīng)用機(jī)器視覺(jué)對(duì)蛋雞的采食、躺、站、坐等行為進(jìn)行識(shí)別，為了進(jìn)一步研究多蛋雞的群體行為（分布指數(shù)、水平活躍等），該團(tuán)隊(duì)繼續(xù)基于深度圖像對(duì)雞的運(yùn)動(dòng)、飲水等動(dòng)作進(jìn)行研究，識(shí)別率能達(dá)到90%左右。趙守耀等［17］基于輪廓特征對(duì)單只蛋雞行為進(jìn)行研究，首先獲取蛋雞俯視圖獲得輪廓的幾何特征，然后用極限學(xué)習(xí)機(jī)（ELM）對(duì)四種特征進(jìn)行訓(xùn)練，最后結(jié)合最佳的特征組合對(duì)蛋雞進(jìn)行識(shí)別，對(duì)采食、躺臥等特征識(shí)別率達(dá)到91.5%。李娜等［18］基于深度學(xué)習(xí)對(duì)雞的采食、站立、啄羽等行為做進(jìn)一步研究。

蛋雞養(yǎng)殖密度高、數(shù)量大，一個(gè)規(guī)模在五萬(wàn)只雞左右的雞舍每天能夠產(chǎn)生10～20只死淘雞，由于雞舍的恒溫溫度較高，蛋雞死亡將產(chǎn)生大量的細(xì)菌、病毒和有害氣體，若蛋雞因?yàn)榍萘鞲械燃膊∷劳龆鴽](méi)得到及時(shí)處理，更可能導(dǎo)致大規(guī)模的感染和嚴(yán)重的經(jīng)濟(jì)損失［19］。大部分規(guī)模化蛋雞工廠(chǎng)采用飼養(yǎng)員巡檢的方式清理死淘雞，大型雞舍通常有四層雞籠，飼養(yǎng)員巡檢時(shí)需要借助推車(chē)，這種工作方式效率低下，不但給飼養(yǎng)員增加了繁重的工作量與安全風(fēng)險(xiǎn)，而且人為巡檢方式漏檢率也較高，因此在雞舍中進(jìn)行智能巡檢、實(shí)時(shí)檢測(cè)變得十分重要［20］。

為解決規(guī)模雞養(yǎng)殖中的籠中死淘雞識(shí)別問(wèn)題，本文基于輕量化算法應(yīng)用，以YOLOv4算法為主要算法，采用MobileNetv3輕量化網(wǎng)絡(luò)［21］替代其主干網(wǎng)絡(luò)，同時(shí)加入自注意力機(jī)制［22］來(lái)提升對(duì)全局語(yǔ)義信息的識(shí)別，將算法頸部標(biāo)準(zhǔn)卷積替換成深度可分離卷積，在保證識(shí)別精度的同時(shí)，提升檢測(cè)速度、降低模型大小，為在嵌入式的移動(dòng)設(shè)備上應(yīng)用部署提供有利的條件。

1 材料與方法

1.1 數(shù)據(jù)集采集

本試驗(yàn)從模型的生產(chǎn)應(yīng)用角度展開(kāi)研究，算法所訓(xùn)練的數(shù)據(jù)集均為實(shí)際生產(chǎn)環(huán)境下采集。數(shù)據(jù)集來(lái)自廣東廣生元公司的蛋雞養(yǎng)殖場(chǎng)，該養(yǎng)殖場(chǎng)現(xiàn)有投入生產(chǎn)的雞舍26個(gè)，其中包含直立型4層、直立型8層與A字型3層三種雞舍，數(shù)據(jù)集選取23、25、26三個(gè)直立型4層雞舍，于2022年5月6—9日進(jìn)行活雞與死淘雞的數(shù)據(jù)集拍攝。在23號(hào)雞舍拍攝974張雞齡500天左右的大午金鳳品種蛋雞活雞圖；在25號(hào)雞舍拍攝1 105張雞齡800天左右換羽期的京粉1號(hào)品種蛋雞活雞圖；在26號(hào)雞舍拍攝703張雞齡500天左右的羅曼粉品種蛋雞活雞圖。為收集死淘雞圖，本團(tuán)隊(duì)于每日早上7：00與下午14：00對(duì)三個(gè)雞舍進(jìn)行巡檢篩查，在巡檢過(guò)程中共拍攝籠中死雞519張。根據(jù)光線(xiàn)條件與訓(xùn)練需求后篩選出400張清晰可用的死淘雞圖片與2 750張活雞圖片。

1.2 數(shù)據(jù)集制作

為保證訓(xùn)練所需數(shù)據(jù)集更為完整，首先對(duì)采集的數(shù)據(jù)圖片進(jìn)行水平翻轉(zhuǎn)、旋轉(zhuǎn)、添加噪聲、圖像直方均衡等方式進(jìn)行數(shù)據(jù)擴(kuò)充，具體標(biāo)注比例如表1所示，共擴(kuò)充為活雞圖5 500張，死雞圖2 000張，對(duì)數(shù)據(jù)集按8∶1∶1的比例分為訓(xùn)練集、驗(yàn)證集與測(cè)試集。本試驗(yàn)訓(xùn)練的數(shù)據(jù)集選用Pascal VOC格式，使用LabelImg圖片標(biāo)注工具對(duì)數(shù)據(jù)集圖片中的活雞與死淘雞進(jìn)行手動(dòng)標(biāo)注，標(biāo)注的區(qū)域?yàn)閱沃浑u的最小外接矩形，標(biāo)簽名分別為chickens與dead chickens，標(biāo)注后得到.xml格式文件用于后續(xù)模型訓(xùn)練。

2 輕量化死淘雞目標(biāo)檢測(cè)算法

2.1 YOLOv4目標(biāo)檢測(cè)算法

YOLOv4算法是2020年Alexey Bochkovskiy團(tuán)隊(duì)發(fā)表在CVPR會(huì)議上的一種目標(biāo)檢測(cè)算法，該算法在檢測(cè)精度與檢測(cè)速度上都比前代算法有一定提升，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

該算法為one-stage單階段算法，共包含主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、檢測(cè)頭三個(gè)部分。YOLOv4算法是在YOLOv3算法的基礎(chǔ)上升級(jí)而來(lái)的，主要的修改部分有將主干特征提取網(wǎng)絡(luò)由DarkNet53改為CSPDarkNet53，主干中的激活函數(shù)由Leaky relu替換為Mish激活函數(shù)，同時(shí)將YOLOv3中的FPN特征金字塔改為了PANet網(wǎng)絡(luò)，最后在訓(xùn)練方式上引入Mosaic數(shù)據(jù)增強(qiáng)方式、Label smoothing平滑操作與CIOU損失函數(shù)等技巧來(lái)提高模型的整體識(shí)別率。

2.2 輕量化YOLOv4死淘雞檢測(cè)算法

改進(jìn)后的算法結(jié)構(gòu)如圖2所示。主干網(wǎng)絡(luò)的具體參數(shù)如表2所示。

YOLOv4算法有較好的識(shí)別精度與識(shí)別速度，但是仍有缺陷，特別是主干中的CSPDarkNet53模塊將大量的殘差結(jié)構(gòu)進(jìn)行堆疊，這種結(jié)構(gòu)導(dǎo)致模型訓(xùn)練速度慢、模型體積大和難以部署到移動(dòng)式設(shè)備中等問(wèn)題，這限制了高精度算法在畜禽養(yǎng)殖業(yè)的應(yīng)用。為解決移動(dòng)設(shè)備的部署問(wèn)題，拓展深度學(xué)習(xí)算法在畜禽養(yǎng)殖業(yè)的使用，本文基于YOLOv4算法設(shè)計(jì)了輕量化的死淘雞檢測(cè)算法。改進(jìn)算法使用MobileNetV3的主干特征提取網(wǎng)絡(luò)替代原有的CSPDarkNet53模塊，然后在池化層之前加入自注意力機(jī)制模塊以增加算法對(duì)全局信息的提取能力，最后將算法頸部的大部分普通卷積替換成深度可分離卷積，以降低算法體積、減少參數(shù)量。

MobileNetV3特征提取網(wǎng)絡(luò)是Google團(tuán)隊(duì)基于前兩代版本于2019年提出的新一代特征提取網(wǎng)絡(luò)，它很好地繼承了V1、V2版本的優(yōu)點(diǎn)，保留了深度可分離卷積結(jié)構(gòu)與逆殘差結(jié)構(gòu)，整體速度相比V2版本提高了25%。本文選取精度更高的MobileNetV3-large主干特征提取網(wǎng)絡(luò)替代CSPDarkNet53主干網(wǎng)絡(luò)（表2），其中主要包含7個(gè)Bneck_A模塊與8個(gè)Bneck_B模塊。

2.2.1 Bneck模塊

本文選取的MobileNetV3特征提取網(wǎng)絡(luò)的主要組成部分是Bneck結(jié)構(gòu)，Bneck分為無(wú)輕量注意力結(jié)構(gòu)的Bneck_A和加入輕量注意力模塊的Bneck_B兩種結(jié)構(gòu)，該模塊首先通過(guò)一個(gè)1×1卷積與一個(gè)非線(xiàn)性激活函數(shù)進(jìn)行升維，然后通過(guò)一個(gè)3×3的深度可分離卷積與一個(gè)非線(xiàn)性激活函數(shù)，在Bneck_B結(jié)構(gòu)中還加入了輕量級(jí)注意力模型SE模塊，SE模塊的作用主要是對(duì)之前特征矩陣的每個(gè)通道進(jìn)行權(quán)重分析，然后給更重要的通道賦予高權(quán)重以增加算法精準(zhǔn)度，最后再通過(guò)一個(gè)1×1卷積降維，模塊結(jié)構(gòu)如圖3所示。

2.2.2 自注意力機(jī)制模塊

在雞籠死淘雞目標(biāo)檢測(cè)任務(wù)中，環(huán)境的全局語(yǔ)義信息非常重要，不僅要判斷死淘雞的所在區(qū)域，同時(shí)死淘雞附近的信息也很關(guān)鍵，只有掌握好圖片的全局信息才能更準(zhǔn)確的定位死淘雞所在區(qū)域。將自注意力機(jī)制加入神經(jīng)網(wǎng)絡(luò)中可以根據(jù)圖片區(qū)域重要性對(duì)其分配相應(yīng)權(quán)重，自注意力機(jī)制擁有良好的全局感受野，可以根據(jù)上下文信息捕獲更多的全局語(yǔ)義信息，給信息給予不同的權(quán)重值能夠使特征信息與目標(biāo)有更強(qiáng)的關(guān)聯(lián)性，這可以讓整體網(wǎng)絡(luò)訓(xùn)練時(shí)更加聚焦在關(guān)鍵信息上。

自注意力機(jī)制由問(wèn)題（Q）、鍵（K）、值（V）三個(gè)基本元素組成，通過(guò)計(jì)算Q、K之間的相似度可以得到語(yǔ)義信息權(quán)重值。通常采用縮放點(diǎn)積函數(shù)計(jì)算Q、K的相似度，緊接著將縮放后的相似度與Softmax歸一化后可以得到語(yǔ)義權(quán)重值，最后將每個(gè)語(yǔ)義權(quán)重值加權(quán)求和即可得到自注意力特征，具體如式（1）所示。

P1、P2分別代表活雞與死淘雞的識(shí)別率，R1、R2分別代表活雞與死淘雞的召回率，F(xiàn)11、F12分別代表活雞與死雞的F1得分，mAP為活雞與死淘雞的平均識(shí)別率。

由表3可知，本文算法對(duì)比YOLOv4算法死淘雞準(zhǔn)確率提高0.22%，召回率提高3.90%，F(xiàn)1值提高0.02，mAP值提高0.98%；同時(shí)改進(jìn)后的算法將主干識(shí)別網(wǎng)絡(luò)替換成MobileNetv3網(wǎng)絡(luò)，模型大小為54.1 M減少為YOLOv4模型大小的1/5，并且FPS提升到77.17幀/s；與YOLOv4-tiny相比，本文算法的檢測(cè)速度不如YOLOv4-tiny快，但是在mAP、召回率、F1值上有明顯優(yōu)勢(shì)，分別提升1.84%、39.82%、0.16。在電腦端GPU加速下，改進(jìn)算法識(shí)別一張圖片的速度為0.013 s，在僅有CPU加速時(shí)識(shí)別速度為0.08 s/張，均可滿(mǎn)足實(shí)時(shí)識(shí)別需求。

為證明本文對(duì)YOLOv4算法改進(jìn)是有效的，本文進(jìn)行消融試驗(yàn)來(lái)與原算法進(jìn)行比較，對(duì)比結(jié)果如表4所示。

當(dāng)僅將主干特征提取網(wǎng)絡(luò)替換成MobileNetv3時(shí)，模型大小減少103 M，mAP減少3.88%，檢測(cè)速度提升1倍，證明MobileNetv3網(wǎng)絡(luò)對(duì)體積縮小的有效性，同時(shí)說(shuō)明MobileNetv3對(duì)算法準(zhǔn)確率有比較大的影響。在此基礎(chǔ)將算法中的普通卷積替換成深度可分離卷積后，模型體積再次減少104 M，mAP降低0.52%，F(xiàn)PS增大3.82幀/s，說(shuō)明深度可分離卷積不僅能進(jìn)一步減小模型體積，同時(shí)對(duì)檢測(cè)速度與準(zhǔn)確率影響不大。最后在此基礎(chǔ)上加入自注意力機(jī)制模塊，模型稍微增大5 M，檢測(cè)速度保持穩(wěn)定，mAP提高5.38%，證明了自注意力機(jī)制模塊能夠增強(qiáng)特征的提取能力。

為更加直觀地體現(xiàn)算法的改進(jìn)效果，本文對(duì)比分析了幾種算法在死淘雞目標(biāo)檢測(cè)測(cè)試集上的測(cè)試結(jié)果，隨機(jī)抽取了兩張結(jié)果圖片如圖7所示。

從圖7可以看出，YOLOv4-tiny和EfficientDet-D3算法在多遮擋情況下的死淘雞識(shí)別存在明顯不足。Faster R-CNN檢測(cè)的整體表現(xiàn)不錯(cuò)，但是雙階段檢測(cè)算法識(shí)別時(shí)間長(zhǎng)、模型大，無(wú)法應(yīng)用于嵌入式設(shè)備。改進(jìn)算法與YOLOv3、YOLOv4算法相比在遮擋情況下有著更優(yōu)秀的檢測(cè)結(jié)果，同時(shí)在死淘雞識(shí)別上本文算法有更高地準(zhǔn)確度。

4 結(jié)論

1）? 本文將輕量化MobileNetv3網(wǎng)絡(luò)替代YOLOv4算法的主干特征提取網(wǎng)絡(luò)，同時(shí)在最大池化層之前引入自注意力機(jī)制模塊增加對(duì)圖片全局信息的把握，最后將算法頸部的大部分標(biāo)準(zhǔn)卷積替換成深度可分離卷積，進(jìn)一步減少參數(shù)量降低模型大小，最后將改進(jìn)的輕量化YOLOv4目標(biāo)檢測(cè)算法應(yīng)用于籠中死淘雞目標(biāo)檢測(cè)。

2）? 改進(jìn)后算法的模型大小約為YOLOv4算法的1/5左右，在保證高識(shí)別準(zhǔn)確率與召回率的同時(shí)將目標(biāo)檢測(cè)時(shí)間降低到13 ms左右，檢測(cè)速度提升到Y(jié)OLOv4算法的一倍。算法的輕量化使其可以更好地部署到移動(dòng)式設(shè)備上。

3）? 根據(jù)實(shí)際生產(chǎn)環(huán)境與條件，本文通過(guò)現(xiàn)場(chǎng)采集的方式制作死淘雞目標(biāo)檢測(cè)數(shù)據(jù)集，并基于該數(shù)據(jù)集對(duì)輕量化死淘雞檢測(cè)算法在內(nèi)的6種算法進(jìn)行對(duì)比試驗(yàn)。對(duì)比結(jié)果表明：本文的輕量化死淘雞檢測(cè)算法在檢測(cè)速度、檢測(cè)精度上有較高地綜合性能，準(zhǔn)確率達(dá)到95.57%、召回率達(dá)到98.15%、調(diào)和平均值達(dá)到0.97、平均精度達(dá)到97.74%，同時(shí)模型大小僅為54.1 M，GPU加速下圖片檢測(cè)速度能達(dá)到77幀/s。

4）? 本文算法擁有高精度與高檢測(cè)速度，模型參數(shù)量小，算法的精度與速度滿(mǎn)足實(shí)際生產(chǎn)需要，能夠更好地應(yīng)用于移動(dòng)式檢測(cè)場(chǎng)景。

參 考 文 獻(xiàn)

［1］

李保明， 王陽(yáng)， 鄭煒超， 等. 畜禽養(yǎng)殖智能裝備與信息化技術(shù)研究進(jìn)展［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 42（6）： 18-26.

Li Baoming， Wang Yang， Zheng Weichao， et al. Research progress on intelligent equipment and information technology for livestock and poultry breeding ［J］. Journal of South China Agricultural University， 2021， 42（6）： 18-26.

［2］ 龍長(zhǎng)江， 譚鶴群， 朱明， 等. 畜禽舍移動(dòng)式智能監(jiān)測(cè)平臺(tái)研制［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（7）： 68-75.

Long Changjiang， Tan Hequn， Zhu Ming， et al. Development of mobile intelligent monitoring platform for livestock and poultry house ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（7）： 68-75.

［3］ Kristensen H H， Cornou C. Automatic detection of deviations in activity levels in groups of broiler chickens： A pilot study ［J］. Biosystems Engineering， 2011， 109（4）： 369-376.

［4］ 李保明， 王陽(yáng)， 鄭煒超， 等. 中國(guó)規(guī)?；B(yǎng)雞環(huán)境控制關(guān)鍵技術(shù)與設(shè)施設(shè)備研究進(jìn)展［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（16）： 212-221.

Li Baoming， Wang Yang， Zheng Weichao， et al.Research progress in environmental control key technologies， facilities and equipment for laying hen production in China ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（16）： 212-221.

［5］ 李保明， 王陽(yáng)， 鄭煒超. 我國(guó)規(guī)?；B(yǎng)雞環(huán)境控制技術(shù)的最新進(jìn)展［J］. 中國(guó)家禽， 2019， 41（9）： 1-7.

Li Baoming， Wang Yang， Zheng Weichao.Advances in environment control technology of poultry in China ［J］. China Poultry， 2019， 41（9）： 1-7.

［6］ Hla B， Cla B， Gla B， et al. A real-time table grape detection method based on improved YOLOv4-tiny network in complex background ［J］. Biosystems Engineering， 2021， 212（6）： 347-359.

［7］ Ahamed T. Real time pear fruit detection and counting using YOLOv4 models and deep sort ［J］. Sensors， 2021， 21（14）： 4803.

［8］ 東輝， 陳鑫凱， 孫浩， 等. 基于改進(jìn)YOLOv4和圖像處理的蔬菜田雜草檢測(cè)［J］. 圖學(xué)學(xué)報(bào)， 2022， 43（4）： 559-569.

Dong Hui， Chen Xinkai， Sun Hao， et al. Weed detection in vegetable field based on improved YOLOv4 and image processing ［J］. Journal of Graphology， 2022， 43（4）： 559-569.

［9］ Li D， Zhang K F， Li Z B， et al. A spatiotemporal convolutional network for multi-behavior recognition of pigs ［J］. Sensors， 2020， 20（8）： 2381.

［10］ 任曉惠， 劉剛， 張淼， 等. 基于支持向量機(jī)分類(lèi)模型的奶牛行為識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（S1）： 290-296.

Ren Xiaohui， Liu Gang， Zhang Miao， et al.Dairy cattles behavior recognition method based on support vector machine classification model ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（S1）： 290-296.

［11］ Lao F， Brown-Brandl T， Stinn J P， et al. Automatic recognition of lactating sow behaviors through depth image processing ［J］. Computers and Electronics in Agriculture， 2016， 125： 56-62.

［12］ 楊秋妹， 肖德琴， 張根興. 豬只飲水行為機(jī)器視覺(jué)自動(dòng)識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2018， 49（6）： 232-238.

Yang Qiumei， Xiao Deqin， Zhang Genxing.Automatic pig drinking behavior recognition with machine vision ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（6）： 232-238.

［13］ Sa J， Choi Y， Lee H， et al. Fast pig detection with a top-view camera under various illumination conditions ［J］. Symmetry， 2019， 11（2）： 266.

［14］ 余秋冬， 楊明， 袁紅， 等. 基于輕量化YOLOv4的生豬目標(biāo)檢測(cè)算法［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2022， 27（1）： 183-192.

Yu Qiudong， Yang Ming， Yuan Hong， et al. Pig object detection algorithm based on lightweight YOLOv4 ［J］. Journal of China Agricultural University， 2022， 27（1）： 183-192.

［15］ 勞鳳丹， 杜曉冬， 滕光輝. 基于深度圖像的蛋雞行為識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（1）： 155-162.

Lao Fengdan， Du Xiaodong， Teng Guanghui.Automatic recognition method of laying hen behaviors based on depth image processing ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（1）： 155-162.

［16］ 勞鳳丹， 滕光輝， 李軍， 等. 機(jī)器視覺(jué)識(shí)別單只蛋雞行為的方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2012， 28（24）： 157-163.

Lao Fengdan， Teng Guanghui， Li Jun， et al.Behavior recognition method for individual laying hen based on computer vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2012， 28（24）： 157-163.

［17］ 趙守耀， 陸輝山， 王福杰， 等. 基于輪廓特征的單只蛋雞行為識(shí)別方法［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（2）： 143-147， 181.

Zhao Shouyao， Lu Huishan， Wang Fujie， et al. Recognition method of single layer behavior based on contour feature ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（2）： 143-147， 181.

［18］ 李娜， 任昊宇， 任振輝. 基于深度學(xué)習(xí)的群養(yǎng)雞只行為監(jiān)測(cè)方法研究［J］. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 44（2）： 117-121.

Li Na， Ren Haoyu， Ren Zhenhui. Research of behavior monitoring method of flock hens based on deep learning ［J］. Journal of Hebei Agricultural University， 2021， 44（2）： 117-121.

［19］ 瞿子淇. 無(wú)人養(yǎng)雞場(chǎng)死雞檢測(cè)方法研究［D］. 長(zhǎng)春： 吉林大學(xué)， 2019.

Qu Ziqi.Study on detection method of dead chicken in unmanned chicken farm ［D］. Changchun： Jilin University， 2019.

［20］ 胡子康. 死雞撿拾機(jī)器人欠驅(qū)動(dòng)末端執(zhí)行器的研究［D］. 保定： 河北農(nóng)業(yè)大學(xué)， 2021.

Hu Zikang. Research on underactuated end-effector of dead chicken picking robot ［D］. Baoding： Hebei Agricultural University， 2021.

［21］ Howard A， Sandler M， Chu G， et al. Searching for MobileNetV3 ［C］. 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. IEEE， 2020.

［22］ Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need ［C］. 2017 Advances in Neural Information Processing Systems. NIPS， 2017.