陶雪陽　施振旦　郭彬彬　戴子淳

摘要：為解決群養(yǎng)種鵝個體產(chǎn)蛋信息監(jiān)測難度大的問題，提出一種基于射頻識別技術(shù)（radio frequency identification，RFID）與目標檢測算法的種鵝個體產(chǎn)蛋信息監(jiān)測方法。首先，使用134.2 kHz低頻RFID實現(xiàn)無接觸獲取產(chǎn)蛋種鵝身份信息。其次，引入目標檢測算法實時獲取種鵝與鵝蛋的位置與數(shù)量信息，采用微調(diào)訓(xùn)練的方法分階段訓(xùn)練目標檢測模型，以增加模型在小數(shù)據(jù)集情況下的收斂速度與精度。利用種鵝定點產(chǎn)蛋的行為特點，將圖像中每個獨立產(chǎn)蛋區(qū)域提取為感興趣區(qū)域，實現(xiàn)對每個產(chǎn)蛋區(qū)域的獨立監(jiān)測。最后，設(shè)計目標計數(shù)算法減小計數(shù)結(jié)果的誤差，通過判斷種鵝與鵝蛋的數(shù)量變化情況，獲得種鵝個體開始產(chǎn)蛋時間、結(jié)束產(chǎn)蛋時間及產(chǎn)蛋結(jié)果。試驗結(jié)果表明，YOLOv4目標檢測模型檢測種鵝與鵝蛋的平均精度均值（mAP）為93.59%，種鵝個體身份信息的監(jiān)測準確率為98.5%，產(chǎn)蛋行為信息的監(jiān)測準確率為91.3%，符合產(chǎn)蛋信息監(jiān)測的要求。

關(guān)鍵詞：種鵝；產(chǎn)蛋監(jiān)測；無線射頻識別；目標檢測；YOLOv4；目標計數(shù)

中圖分類號：S126；TP391.41文獻標志碼：A

文章編號：1002-1302（2023）05-0200-08

我國是鵝生產(chǎn)和消費大國，鵝產(chǎn)業(yè)規(guī)模總量占據(jù)世界的95%，但鵝養(yǎng)殖技術(shù)和產(chǎn)業(yè)發(fā)展水平較低［1］。養(yǎng)鵝業(yè)的現(xiàn)代化發(fā)展受到鵝繁殖性能的制約，由于鵝應(yīng)激性較大難以個體籠養(yǎng)而不易準確記錄產(chǎn)蛋信息，導(dǎo)致產(chǎn)蛋信息獲取效率和準確性低，從而影響了養(yǎng)殖從業(yè)者對高產(chǎn)種鵝選育工作的開展?，F(xiàn)階段，自動化監(jiān)測雞、鴨產(chǎn)蛋信息的相關(guān)研究較多［2-3］，而在鵝個體上的相關(guān)研究較少，且難以運用在實際生產(chǎn)中。傳統(tǒng)的人工記錄方法，工作量大，易對鵝造成應(yīng)激，不滿足動物福利要求也降低了生產(chǎn)效益。因此，研究一種適用于群養(yǎng)種鵝個體的產(chǎn)蛋信息監(jiān)測方法，對提高高產(chǎn)種鵝選育、提高種鵝養(yǎng)殖經(jīng)濟效益、增加畜牧養(yǎng)殖過程自動化具有重要意義。

目前，射頻識別技術(shù)（radio frequency identification，RFID）與計算機視覺技術(shù)被廣泛應(yīng)用畜禽目標檢測與行為跟蹤，且取得了較多成果。RFID是一種可通過非接觸的方式獲得目標物體信息的技術(shù)［4］，常用于獲取畜禽的身份信息。目標檢測是計算機視覺中的一項基礎(chǔ)任務(wù)，畜禽的目標分割、行為跟蹤、關(guān)鍵點檢測等均以目標檢測為基礎(chǔ)。以YOLOv4目標檢測算法為例，該算法使用多種方法提高檢測模型的檢測精度與速度，能較為準確地預(yù)測目標的位置信息，在工農(nóng)業(yè)與科研領(lǐng)域均有應(yīng)用［5］。在家禽產(chǎn)蛋監(jiān)測研究中，有學(xué)者采用RFID技術(shù)對產(chǎn)蛋鵝個體的產(chǎn)蛋行為進行自動化記錄［6-7］，將RFID與光電傳感器結(jié)合實現(xiàn)種鵝、蛋雞的產(chǎn)蛋自動監(jiān)測，配合嵌入式控制器，以較低的成本實現(xiàn)產(chǎn)蛋信息的監(jiān)測［8-9］，以及使用YOLO v4目標檢測模型自動監(jiān)測雞舍中雞的行為，并根據(jù)視頻圖像時序提取出超過時間閾值的行為［10］，利用攝像機與多種深度神經(jīng)網(wǎng)絡(luò)實現(xiàn)畜禽行為自動跟蹤［11-12］。上述方法均表明，RFID與計算機視覺方法對實現(xiàn)家禽目標檢測與行為跟蹤有較好的效果。但由于家禽行為的復(fù)雜性與不確定性，使用單一的技術(shù)方法難以實現(xiàn)較高的準確率，以至于現(xiàn)有的種鵝產(chǎn)蛋信息自動化監(jiān)測的相關(guān)研究無法兼顧產(chǎn)蛋信息獲取的準確率與效率［6］。

本研究以產(chǎn)蛋期的種鵝為對象，在已有研究的基礎(chǔ)上，將RFID與基于深度神經(jīng)網(wǎng)絡(luò)的目標檢測方法相結(jié)合，并設(shè)計相關(guān)的算法，旨在實現(xiàn)對小規(guī)模群養(yǎng)環(huán)境下的種鵝個體產(chǎn)蛋信息的監(jiān)測。

1 種鵝個體產(chǎn)蛋信息監(jiān)測方案構(gòu)建

1.1 監(jiān)測流程設(shè)計

種鵝的產(chǎn)蛋信息包括種鵝個體身份信息與產(chǎn)蛋行為信息，即種鵝個體身份、開始與結(jié)束產(chǎn)蛋時間、產(chǎn)蛋結(jié)果。種鵝具有定點產(chǎn)蛋的行為特征，根據(jù)該特征，所設(shè)計的產(chǎn)蛋信息監(jiān)測方法包括硬件部分和模型部分，硬件主要包括計算機、RFID模塊、支持紅外功能的互補金屬氧化物半導(dǎo)體（complementary metal oxide semiconductor，CMOS）傳感器攝像機，及獨立的產(chǎn)蛋區(qū)域。該方法的工作原理為：由攝像機獲取包含產(chǎn)蛋區(qū)域的圖像信息，并由目標檢測算法與目標計數(shù)算法分別對每個產(chǎn)蛋區(qū)域種鵝、鵝蛋進行計數(shù)，根據(jù)產(chǎn)蛋區(qū)域種鵝與鵝蛋數(shù)量的變化得到產(chǎn)蛋行為信息，并由RFID模塊獲取對應(yīng)的種鵝身份信息，并將以上信息記錄至數(shù)據(jù)庫。種鵝個體產(chǎn)蛋信息監(jiān)測方法的硬件組成見圖1。

模型部分包括基于深度神經(jīng)網(wǎng)絡(luò)的目標檢測算法（YOLOv4）、目標計數(shù)算法。目標檢測算法對圖像內(nèi)的目標物體進行檢測分類并標記出高于置信度閾值的目標，并給出目標在像素坐標系下的位置與邊界框信息［13-14］。種鵝個體產(chǎn)蛋信息監(jiān)測工作流程如圖2所示，它是對單個產(chǎn)蛋區(qū)域內(nèi)種鵝個體產(chǎn)蛋信息的監(jiān)測流程，流程出口在任意位置均可。

1.2 RFID通信方案設(shè)計

為獲得種鵝身份，將電子標簽佩戴在種鵝的腳上，RFID閱讀器與天線放置在產(chǎn)蛋區(qū)域的下方。本研究采用低頻閱讀器，頻率為134.2 kHz，最大識別距離為10 cm， 該距離可有效避免電子標簽的誤讀、信號干擾的問題。實際腳環(huán)距離閱讀器的距離為7～8 cm，符合閱讀器的工作距離要求。

考慮RFID閱讀器與計算機的通信便捷性，采用基于Modbus RTU通信協(xié)議的RFID閱讀器［15］，閱讀器型號為KEZLIY-JY-L860-485M。將多個閱讀器通過RS485總線連接至計算機（圖3），將硬件通信與目標檢測算法結(jié)合，當檢測到目標則發(fā)送消息幀至閱讀器，返回代表種鵝身份的腳環(huán)信息，即完成一次通信。

2 監(jiān)測模型構(gòu)建

2.1 數(shù)據(jù)集采集

試驗數(shù)據(jù)集采集自江蘇省農(nóng)業(yè)科學(xué)院六合基地禽場，采集對象為小規(guī)模群養(yǎng)環(huán)境下，正處于產(chǎn)蛋期的揚州鵝，固定拍攝距離，使用攝像機錄制處于產(chǎn)蛋區(qū)域的種鵝與鵝蛋的視頻，由于鵝舍內(nèi)日夜光照條件不同，夜晚采集的圖像為紅外圖像，細節(jié)特征與白天相差較大。因此，隨機取不同時間段的圖像信息，以保證數(shù)據(jù)集同時包含夜晚與白天的圖像，并在數(shù)量上保持相對平衡。最終共采集種鵝與鵝蛋圖像1 100張，將圖像尺寸由1 920×1 080像素裁剪為1 056×704像素，并使用LabelImg工具對種鵝與鵝蛋以VOC數(shù)據(jù)集格式進行標注。

2.2 數(shù)據(jù)增強

數(shù)據(jù)增強可有效增加數(shù)據(jù)集的豐富性［16］，本節(jié)對數(shù)據(jù)增強方式進行設(shè)計。為減少使用縮放造成的尺度變化，未采用YOLOv4使用的Mosaic數(shù)據(jù)增強方法，而是采用仿射變換、裁剪、亮度變化、翻轉(zhuǎn)的方式來隨機對1張圖片進行多次處理，以增加不同條件下輸入的可能性。裁剪與亮度變化即對圖像的像素值做變換，仿射則計算原圖中每個像素點在變換后的位置，即可得到變換后的結(jié)果，翻轉(zhuǎn)則與仿射變換原理類似。設(shè)圖像中某點A（x，y），角度為α，則逆時針旋轉(zhuǎn)θ角度后該點A′（x′，y′）的坐標變換如下：

2.3 YOLOv4目標檢測模型

目前，具有代表性的目標檢測模型有Faster R-CNN［17］、SSD［18］、YOLO系列等。YOLOv4是YOLO系列目標檢測模型中最優(yōu)的一種，有較好的小目標檢測能力，對硬件的需求低、應(yīng)用成本小，適用于復(fù)雜的實時檢測場景。主要由CSPDarknet53主干特征提取網(wǎng)絡(luò)及Neck、YOLOv3 Head組成［13］，Neck由空間金字塔池化層（spatial pyramid pooling，SPP）［19］與特征金字塔（feature pyramid network，F(xiàn)PN）［20］、路徑聚合網(wǎng)絡(luò)（path aggregation network，PANet）［21］組成。YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)見圖5，當種鵝與鵝蛋圖像以416×416尺寸輸入網(wǎng)絡(luò)后，經(jīng)主干特征提取得到19×19大小的特征圖，經(jīng)SPP層4次不同尺寸的池化，得到融合不同尺度特征的特征圖，再經(jīng)FPN與PANet結(jié)構(gòu)，將深層的語義特征與淺層特征融合，進一步提高檢測精度。YOLOv3 Head通過回歸得到多個預(yù)測結(jié)果，經(jīng)非極大值抑制得到更為準確的目標位置信息。

深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程均根據(jù)損失函數(shù)值來指導(dǎo)權(quán)值的更新，YOLOv4的損失函數(shù)L如公式（5）所示，由邊界框回歸損失（LCIOU）、分類損失（LCls）以及置信度損失（LConf）［13］構(gòu)成。

相比YOLOv3模型，YOLOv4將對角線長度、重疊面積及長寬比納入?yún)⒖?，因此增加了邊界框回歸的準確度與速度，對目標的預(yù)測精度有了較大的提升。公式（6）、公式（7）中b為預(yù)測框；bgt為真實框；ρ為歐式距離；α為權(quán)重系數(shù)；v表示長寬比的一致性；c為b與bgt的最小包圍框?qū)蔷€長度；IOU為b與bgt的交并比。

公式（8）中w、h分別表示預(yù)測框的寬、高；wgt、hgt分別表示真實框的寬、高。 αv則表示b與bgt之間長寬比的相似程度，在訓(xùn)練過程中模型盡可能保持長寬比接近。由公式（7）、公式（8）可知，當預(yù)測框與真實框長寬比完全相等時，αv項即為0，加入該項，從而保證預(yù)測框位置信息的準確度。對于分類損失與置信度損失，均采用交叉熵來計算每一類的損失并求和。

經(jīng)過上述理論研究分析，在種鵝與鵝蛋識別任務(wù)中基本采用了YOLOv4的所有方法，但未考慮Mosaic數(shù)據(jù)增強，輸入端的縮放方法未使用不失真縮放。

2.4 ROI提取與目標計數(shù)算法設(shè)計

2.4.1 ROI提取

定點產(chǎn)蛋是種鵝產(chǎn)蛋行為特征之一，在產(chǎn)蛋區(qū)域數(shù)量充足時，種鵝均會進入產(chǎn)蛋區(qū)域內(nèi)產(chǎn)蛋。此外，每個產(chǎn)蛋區(qū)域的大小僅能容納1只種鵝，因此只需對產(chǎn)蛋區(qū)域內(nèi)的種鵝與鵝蛋目標進行計數(shù)即可根據(jù)數(shù)量變化來判斷種鵝的產(chǎn)蛋行為信息。實際來自攝像機的圖像包含多個產(chǎn)蛋區(qū)域，即單個圖像內(nèi)同時存在多個產(chǎn)蛋區(qū)域、多只鵝的產(chǎn)蛋信息。考慮將圖像中的產(chǎn)蛋區(qū)域分別提取出來，即可同時記錄每個區(qū)域中的產(chǎn)蛋信息。本研究將提取出的產(chǎn)蛋區(qū)域稱為感興趣區(qū)域（region of interest，ROI）［22］。

取輸入視頻中某一幀圖像，以4個頂點所構(gòu)成的四邊形表示ROI（圖6）。在像素坐標系中，已知a1、a2、a3、a4的坐標，即可擬合出4條邊所在直線的方程。任意2點的坐標為（x1，y1），（x2，y2），則經(jīng)過2點直線的表達式由公式（9）、（10）得出。以同樣方式將圖像中其他完整可視產(chǎn)蛋區(qū)域提取為ROI，并將每個ROI的表達式寫入算法中。

系統(tǒng)運行過程中，目標檢測算法得到每個目標框中心坐標（x，y），判斷其是否在4條直線所構(gòu)成的ROI內(nèi)，并由計數(shù)算法統(tǒng)計數(shù)量。由圖7可知，深色框區(qū)域為ROI，即獨立的產(chǎn)蛋區(qū)域，可同時記錄3只鵝的產(chǎn)蛋信息。

2.4.2 目標計數(shù)算法

由于目標檢測算法得到每一幀圖像內(nèi)的目標數(shù)量和位置，實時監(jiān)測時，由于目標檢測算法自身的系統(tǒng)誤差，及不可知的種鵝行為導(dǎo)致的隨機誤差，所檢測到的目標數(shù)量是非連續(xù)的，存在較大抖動，影響了產(chǎn)蛋信息的判定信號。為減小系統(tǒng)誤差所引起的抖動，采用遞推消抖算法來消除目標數(shù)量的波動，以增加判定信號的準確性。

遞推消抖算法的原理見圖8，將N個連續(xù)幀中檢測到的N個目標數(shù)量看成1個隊列，新的數(shù)據(jù)添加至隊列末尾，并刪除原來隊列的第1個數(shù)據(jù)，保證隊列長度不變。判斷隊列中出現(xiàn)次數(shù)最多的數(shù)據(jù)，則認為該N個采樣值所代表的一段時間內(nèi)視頻畫面中的目標數(shù)量，以該數(shù)量表示第N+1時刻的數(shù)量。缺點是修正后的目標數(shù)量相對于實際數(shù)量有延遲，該延遲取決于設(shè)定的N值大小與檢測速度，本研究取N為51，即在視頻輸入幀率為25幀/s時，取前2 s的數(shù)量作為參考。

種鵝產(chǎn)蛋結(jié)束離開產(chǎn)蛋箱后，達到時間閾值則對鵝蛋進行計數(shù)，但在計數(shù)前目標的數(shù)量可能存在波動，從而導(dǎo)致計數(shù)結(jié)果的錯誤。因此，在遞推消抖的基礎(chǔ)上設(shè)計二次消抖算法，具體方式為：以同樣的方法將遞推消抖后得到的數(shù)量固定為長度為N的隊列，取隊列中數(shù)量變化的次數(shù)，若變化次數(shù)大于設(shè)定的閾值，則認為視頻畫面不穩(wěn)定，或鵝蛋被短暫遮擋，因此延遲對產(chǎn)蛋區(qū)域數(shù)量的判定，直至數(shù)量穩(wěn)定。本研究取變化次數(shù)閾值為3。

隨后對目標進行計數(shù)并獲取產(chǎn)蛋信息。種鵝未進入ROI時，記錄鵝、鵝蛋初始數(shù)量；若區(qū)域內(nèi)種鵝數(shù)量在時間閾值5 s內(nèi)由0穩(wěn)定變化為1，則判定種鵝開始產(chǎn)蛋，系統(tǒng)從RFID閱讀器獲取種鵝身份并記錄時間；區(qū)域內(nèi)種鵝數(shù)量在5 s內(nèi)由1穩(wěn)定變化為0，則判定種鵝離開區(qū)域，此時獲得鵝蛋的數(shù)量，并與產(chǎn)蛋行為發(fā)生前區(qū)域內(nèi)鵝蛋的數(shù)量對比，得到產(chǎn)蛋結(jié)果并記錄時間。

2.5 模型訓(xùn)練

采用模型微調(diào)訓(xùn)練（fine-tune）的方式訓(xùn)練網(wǎng)絡(luò)，該方式是遷移學(xué)習(xí)的一種，已被證明適用于小數(shù)據(jù)集的訓(xùn)練任務(wù)［23］，有效提高模型的訓(xùn)練速度與特征提取能力［24］。本研究使用YOLOv4在大規(guī)模數(shù)據(jù)集中訓(xùn)練得到的權(quán)重作為訓(xùn)練初始化參數(shù)，具體分為2個階段。第一階段為凍結(jié)主干特征提取網(wǎng)絡(luò)，此時特征提取網(wǎng)絡(luò)不變，禁止凍結(jié)層參數(shù)的更新，僅對網(wǎng)絡(luò)進行微調(diào)；第二階段，特征提取網(wǎng)絡(luò)發(fā)生改變，網(wǎng)絡(luò)的所有參數(shù)均會更新。此外，使用Adam優(yōu)化器訓(xùn)練網(wǎng)絡(luò)模型，但修改了學(xué)習(xí)率的更新方式。在訓(xùn)練第一階段，采用固定步長衰減學(xué)習(xí)率（StepLR）加快模型的收斂，第二階段采用余弦退火學(xué)習(xí)率（CosineAnnealingLR）［25］，使模型收斂于全局最優(yōu)點。余弦退火策略使得學(xué)習(xí)率在設(shè)定范圍內(nèi)變化，使模型跳過局部最優(yōu)點，從而更準確地完成收斂。固定步長衰減學(xué)習(xí)率與余弦退火學(xué)習(xí)率的更新公式分別為公式（11）、公式（12）。

公式（11）中l(wèi)r′為上一次迭代（Epoch）的學(xué)習(xí)率；gamma為學(xué)習(xí)率更新系數(shù)，根據(jù)設(shè)定的步長更新學(xué)習(xí)率。公式（12）中i表示第i次運行；ηimax與ηimin表示學(xué)習(xí)率的最大值與最小值，學(xué)習(xí)率在該范圍內(nèi)以余弦規(guī)律變化；Tcur表示當前周期已經(jīng)完成的Epoch數(shù)；Ti表示第i次周期中的Epoch總數(shù)，訓(xùn)練過程中，每次達到最小學(xué)習(xí)率時會重新初始化Tcur。

3 結(jié)果與分析

3.1 參數(shù)與硬件

本試驗所使用的硬件參數(shù)為：Intel i9-10900k處理器，Nvidia Geforce RTX 3090顯卡，windows 10操作系統(tǒng)，使用Pytorch-1.8.0深度學(xué)習(xí)框架，加速環(huán)境為CUDA11.2、cuDNN8.1，Opencv-4.1.1，使用python作為程序開發(fā)語言。所使用的RFID設(shè)備通過Modbus RTU協(xié)議通信，電氣接口為雙線制RS485，使用Modbus_tk庫開發(fā)通信程序。

訓(xùn)練目標檢測模型時，設(shè)置初始學(xué)習(xí)率為 0.000 4，前50次Epoch的學(xué)習(xí)率以等間隔減小的方式下降，步長為1，更新系數(shù)gamma為0.92，之后采用余弦退火學(xué)習(xí)率，學(xué)習(xí)率變化范圍為2×10-5～5×10-6，學(xué)習(xí)率變化周期Ti為5，批大?。˙atch-size）為12。

3.2 試驗方法

試驗主要分3個部分進行，一是驗證目標檢測模型的準確性，二是驗證RFID設(shè)備獲取種鵝個體身份信息的準確性，三是驗證整體算法對種鵝產(chǎn)蛋行為信息監(jiān)測的準確性。在江蘇省農(nóng)業(yè)科學(xué)院六合基地禽場搭建小規(guī)模種鵝群養(yǎng)環(huán)境，錄制種鵝產(chǎn)蛋視頻并用于驗證種鵝個體產(chǎn)蛋監(jiān)測方法的準確率，并通過模擬驗證RFID設(shè)備獲取種鵝個體身份信息的準確率。目標檢測模型的準確性則通過制作的數(shù)據(jù)集來驗證。

采用精度均值（average precision，AP），平均精度均值（mean average precision，mAP）及幀率（frames per seconds，F(xiàn)PS）作為評價目標檢測算法的標準。其中，精確率（precision，P）與召回率（recall，R）為中間計算指標。計算公式如公式（13）～公式（16）所示。

公式（13）、公式（14）中TP為將正類預(yù)測為正類的數(shù)量；FP為將負類預(yù)測為正類的數(shù)量；FN為將正類預(yù)測為負類的數(shù)量；i表示類別；N表示類別總數(shù)。AP體現(xiàn)了目標檢測模型對每一類目標的綜合檢測效果。

RFID設(shè)備獲取種鵝個體身份的準確性與整體算法對種鵝產(chǎn)蛋行為信息監(jiān)測的準確性均以準確率指標來評價。

3.3 結(jié)果分析

為驗證YOLOv4在本方法中的有效性，分別訓(xùn)練Faster R-CNN、SSD及YOLOv4目標檢測模型，評估各模型在測試集上的表現(xiàn)。不同模型在IOU閾值為0.5時，2類目標的AP、mAP和幀率的結(jié)果見表1。

由表1可知，YOLOv4在測試集上的2類目標的AP均高于Faster R-CNN與SSD中的結(jié)果。其中，鵝蛋類的AP在YOLOv4中達94.53%，遠高于在另2種目標檢測模型中的效果，種鵝類AP也達到92.65%，mAP達到93.59%。此外，YOLOv4的檢測速度表現(xiàn)也較好，為57 f/s，可見YOLOv4對鵝蛋類小目標的檢測效果更好。綜合觀察，YOLOv4的速度與精度更優(yōu)，能滿足檢測種鵝與鵝蛋任務(wù)的實時性要求與精度要求。最終，模型運行時的置信度閾值取0.5，以兼顧精確率與召回率。

為驗證RFID設(shè)備獲取種鵝個體身份信息的準確性，模擬種鵝隨機進入產(chǎn)蛋區(qū)域200次，每次固定腳環(huán)標簽至閱讀器的距離為7 cm，腳環(huán)標簽隨機出現(xiàn)在產(chǎn)蛋區(qū)域，以測試RFID閱讀器在產(chǎn)蛋區(qū)域不同位置時識別種鵝個體身份信息的正確率，由表2可知，為驗證種鵝個體產(chǎn)蛋行為信息監(jiān)測的準確性，使用由10只產(chǎn)蛋種鵝在群養(yǎng)環(huán)境中錄制的92個產(chǎn)蛋行為視頻，產(chǎn)蛋行為分布在視頻中的3個產(chǎn)蛋區(qū)域，視頻尺寸為1 056×704分辨率，25 f/s，與攝像機輸入尺寸相同，對系統(tǒng)進行測試，人工統(tǒng)計視頻中正確的產(chǎn)蛋行為信息數(shù)據(jù)，并與測試得到的結(jié)果對比，得出產(chǎn)蛋行為信息監(jiān)測結(jié)果，見表3。

由表2可知，當RFID閱讀器位于產(chǎn)蛋區(qū)域正下方時，識別準確率最高，為98.5%，比放置于產(chǎn)蛋區(qū)域入口處高5.5%，更有利于準確識別種鵝個體身份。由表3可知，在使用遞推消抖算法與二次消抖算法時，進出判斷準確率均為94.6%，主要原因是目標檢測算法自身的準確率導(dǎo)致無法檢測所有目標，即系統(tǒng)誤差導(dǎo)致，二次消抖的產(chǎn)蛋判斷準確率為92.4%，比遞推消抖提升了5.5%，綜合準確率也由85.9%提高到91.3%，即二次消抖增加了對鵝蛋計數(shù)的準確性。由于當前時刻的目標數(shù)量參考過去一段時間內(nèi)的目標數(shù)量，有效地減小了目標數(shù)量的波動，使得通過時間閾值來判定產(chǎn)蛋行為信息的方法可行，因此獲得了較高的產(chǎn)蛋行為信息判斷準確率。

圖9為一個典型產(chǎn)蛋過程的目標數(shù)量與遞推消抖后的計數(shù)結(jié)果，可知遞推消抖有效抑制了目標數(shù)量的波動，即使對數(shù)量的判斷有所延遲，但更有利于準確判斷目標的數(shù)量。

圖10為測試集圖像在不同模型中的試驗結(jié)果，在鵝舍復(fù)雜光線環(huán)境下，F(xiàn)aster R-CNN與SSD均出現(xiàn)了漏檢現(xiàn)象，主要問題是對鵝蛋的檢出效果較差，白天圖像與夜晚圖像中均未能完全檢出鵝蛋，且檢出的鵝蛋位置信息不準確。YOLOv4則成功檢出所有目標，且置信度分數(shù)更高，對另2類未檢出鵝蛋的置信度也達0.98，在多個鵝蛋圖像黏連時也能夠成功將其檢出。根據(jù)種鵝產(chǎn)蛋行為信息監(jiān)測的結(jié)果，YOLOv4對小規(guī)模群養(yǎng)環(huán)境中的種鵝與鵝蛋的檢測效果較好，其準確率基本滿足種鵝產(chǎn)蛋信息監(jiān)測的要求。

4 結(jié)論與討論

本研究將 RFID技術(shù)與目標檢測算法結(jié)合，構(gòu)建種鵝個體產(chǎn)蛋信息監(jiān)測方法，該方法的硬件組成簡單，對種鵝影響小，能實現(xiàn)無應(yīng)激監(jiān)測種鵝個體產(chǎn)蛋信息。

對采集的單張種鵝與鵝蛋圖像組合使用仿射、隨機裁剪、亮度變化、翻轉(zhuǎn)變換，有效增加了數(shù)據(jù)集中圖像的豐富性，經(jīng)數(shù)據(jù)增強，所構(gòu)建數(shù)據(jù)集的圖像數(shù)量由1 100張擴增為3 820張。

以134.2 kHz低頻RFID閱讀器與電子標簽獲取種鵝身份，識別距離在10 cm以內(nèi)。利用種鵝定點產(chǎn)蛋的習(xí)性，構(gòu)建YOLOv4目標檢測算法與目標計數(shù)算法共同組成的產(chǎn)蛋信息監(jiān)測方法，在分析YOLOv4目標檢測模型的基礎(chǔ)上，調(diào)整訓(xùn)練方法與訓(xùn)練參數(shù)。目標計數(shù)算法由遞推消抖算法與二次消抖算法組成，設(shè)定獲取種鵝產(chǎn)蛋行為信息的時間閾值為5 s。試驗結(jié)果表明，本研究構(gòu)建的種鵝個體產(chǎn)蛋信息監(jiān)測方法能有效地獲取產(chǎn)蛋種鵝的身份信息與產(chǎn)蛋行為信息，不受光線條件變化的影響。相比主流的Faster R-CNN、SSD目標檢測算法，YOLOv4算法對2類目標的mAP達93.59%，幀率達到57 f/s，滿足產(chǎn)蛋信息監(jiān)測的實時性要求與精度要求，種鵝的產(chǎn)蛋行為信息監(jiān)測準確率達91.3%，個體身份信息準確率達98.5%。

本研究構(gòu)建的種鵝產(chǎn)蛋信息監(jiān)測方法盡管對種鵝與鵝蛋的檢測精度較高， 但在種鵝數(shù)量較多或出現(xiàn)鵝與鵝之間遮擋時，檢測精度還有待提高。應(yīng)用在大規(guī)模群養(yǎng)環(huán)境則需進一步研究多個產(chǎn)蛋視頻同時輸入模型時的監(jiān)測效果，以降低應(yīng)用成本。

參考文獻：

［1］郭彬彬，朱歡喜，施振旦. 鵝的季節(jié)性繁殖及其調(diào)控機制與技術(shù)的研究進展［J］. 黑龍江動物繁殖，2020，28（1）：42-46.

［2］李久熙，王春山，呂繼興，等. 平養(yǎng)蛋鴨種蛋智能收集和標記系統(tǒng)設(shè)計與試驗［J］. 農(nóng)業(yè)工程學(xué)報，2017，33（17）：136-143.

［3］王春山，李久熙，黃仁錄，等. 蛋雞生產(chǎn)參數(shù)自動監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)［J］. 農(nóng)業(yè)工程學(xué)報，2014，30（16）：181-187.

［4］劉秀敏，魏冬霞. RFID技術(shù)在畜牧業(yè)中的應(yīng)用探析［J］. 家畜生態(tài)學(xué)報，2020，41（1）：78-80.

［5］易 詩，李俊杰，張 鵬，等. 基于特征遞歸融合YOLOv4網(wǎng)絡(luò)模型的春見柑橘檢測與計數(shù)［J］. 農(nóng)業(yè)工程學(xué)報，2021，37（18）：161-169.

［6］孫愛東，尹 令，石凱歌，等. 基于RFID的群養(yǎng)種鵝個體產(chǎn)蛋記錄方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2016，44（2）：420-423.

［7］許譯丹，謝秋菊，閆 麗，等. 基于RFID的種鵝個體產(chǎn)蛋智能監(jiān)測系統(tǒng)設(shè)計與試驗［J］. 黑龍江八一農(nóng)墾大學(xué)學(xué)報，2019，31（6）：78-84，117.

［8］李麗華，黃仁錄，霍利民，等. 蛋雞個體生產(chǎn)性能參數(shù)監(jiān)測裝置設(shè)計與試驗［J］. 農(nóng)業(yè)工程學(xué)報，2012，28（4）：160-164.

［9］李 琴，王麗輝，張 峰，等. 基于光電檢測與無線射頻技術(shù)的種鵝育種監(jiān)控技術(shù)［J］. 激光雜志，2015，36（8）：72-74.

［10］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)測方法研究［J］. 河北農(nóng)業(yè)大學(xué)學(xué)報，2021，44（2）：117-121.

［11］Fang C，Huang J D，Cuan K X，et al. Comparative study on poultry target tracking algorithms based on a deep regression network［J］. Biosystems Engineering，2020，190：176-183.

［12］Riekert M，Klein A，Adrion F，et al. Automatically detecting pig position and posture by 2D camera imaging and deep learning［J］. Computers and Electronics in Agriculture，2020，174：105391.

［13］Bochkovskiy A，Wang C Y，Liao H Y M. YOLOv4：optimal speed and accuracy of object detection［C］// IEEE Conference on Computer Vision and Pattern Recognition（CVPR 2020）. Seattle，2020.

［14］Roy A M，Bose R，Bhaduri J. A fast accurate fine-grain object detection model based on YOLOv4 deep neural network［J］. Neural Computing and Applications，2022，34（5）：3895-3921.

［15］艾 博，許向陽，賈月明. 基于Modbus RTU協(xié)議的數(shù)據(jù)采集平臺設(shè)計與實現(xiàn)［J］. 電子工業(yè)專用設(shè)備，2021，50（5）：46-49.

［16］Zoph B，Cubuk E D，Ghiasi G，et al. Learning data augmentation strategies for object detection［C］//European conference on computer vision. Cham：Springer，2020：566-583.

［17］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

［18］Liu W，Anguelov D，Erhan D，et al. SSD：single shot MultiBox detector［C］//European Conference on Computer Vision. Cham：Springer，2016：21-37.

［19］He K M，Zhang X Y，Ren S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（9）：1904-1916.

［20］Lin T Y，Dollár P，Girshick R，et al. Feature pyramid networks for object detection［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Hawaii：IEEE，2017：2117-2125.

［21］Wang K X，Liew J H，Zou Y T，et al. PANet：few-shot image semantic segmentation with prototype alignment［C］//Proceedings of the IEEE International Conference on Computer Vision. Seoul：IEEE，2019：9197-9206.

［22］宋燕星，袁 峰，丁振良. 目標感興趣區(qū)域檢測算法［J］. 吉林大學(xué)學(xué)報（工學(xué)版），2010，40（5）：1421-1425.

［23］Kding C，Rodner E，F(xiàn)reytag A，et al. Fine-tuning deep neural networks in continuous learning scenarios［C］//Asian Conference on Computer Vision. Cham：Springer，2016：588-605.

［24］李雨鑫，普園媛，徐 丹，等. 深度卷積神經(jīng)網(wǎng)絡(luò)嵌套fine-tune的圖像美感品質(zhì)評價［J］. 山東大學(xué)學(xué)報（工學(xué)版），2018，48（3）：60-66.

［25］Loshchilov I，Hutter F.SGDR：stochastic gradient descent with warm restarts［C］// 5th International Conference on Learning Representations. Toulon，2017.

收稿日期：2022-05-23

基金項目：國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系專項資金（編號：CARS-40-20）。

作者簡介：陶雪陽（1997—），男，安徽合肥人，碩士研究生，主要從事農(nóng)業(yè)視覺檢測與控制研究。E-mail：1508294002@qq.com。

通信作者：施振旦，博士，研究員，主要從事家禽繁殖內(nèi)分泌調(diào)控研究。E-mail：zdshi@jaas.ac.cn。