asp网站链接access苏州优化哪家公司好

asp网站链接access,苏州优化哪家公司好,wordpress工单插件,做营销网站代理挣钱吗前言#xff1a; **SCI精读是一项高投入、高回报的科研投资。 它初期看似缓慢#xff0c;但从长远看#xff0c;它是构建深厚学术功底、敏锐科研嗅觉和强大创新能力的唯一捷径。将精读养成习惯#xff0c;它最终会从一项“任务”变成一种能带给你巨大成就感和乐趣的“能力…前言**SCI精读是一项高投入、高回报的科研投资。 它初期看似缓慢但从长远看它是构建深厚学术功底、敏锐科研嗅觉和强大创新能力的唯一捷径。将精读养成习惯它最终会从一项“任务”变成一种能带给你巨大成就感和乐趣的“能力”介于此本Up主开设sci领读课程旨在让小伙伴们在快乐中快速具备论文写作能力**本专栏为视频课程中的文章翻译B站干货戳这里解读视频戳这里原文链接戳这里# DHSW-YOLO一种适应明亮和黑暗环境的鸭群日常行为识别模型摘要准确监测动物行为节律至关重要目前弱光环境下的动物行为识别仍面临挑战。本研究以白羽番鸭White Muscovy ducks, WMD为研究对象提出一种深度学习模型DHSW-YOLODH-SENet-WIoU-YOLO用于检测明亮和黑暗环境下鸭群的日常行为同时满足实时检测的速度要求。该模型基于YOLOv8网络结构简化了YOLOv8的检测头并引入SENet注意力机制和WIoU v3损失函数。结果表明与原始YOLOv8相比DHSW-YOLO的检测效果显著提升平均精度均值mAP从92.2%提升至94.4%模型大小减少2.8 MB推理时间加快1.2 ms参数数量减少8.7%。其中DHSW-YOLO在明亮环境下的mAP为94.8%黑暗环境下为93.6%表明该模型能有效监测明暗环境下白羽番鸭的行为。研究提出的轻量化和优化方法切实可行为鸭群行为节律自动化监测预警系统提供了技术参考。关键词白羽番鸭行为检测YOLO注意力机制行为节律1 引言在家禽福利养殖中监测行为节律至关重要。鸡、鸭、鹅等家禽的行为节律能反映其健康状况Ahmed等2024、生长情况Wu等2022和福利水平Vasdal等2022。监测家禽群体行为节律可帮助管理者及时决策和干预Ahmed等2024减少损失Coton等2019。家禽的基本群体行为往往呈现稳定节律Bessei等2023若其进食、饮水、站立或俯卧等行为频率出现异常可能意味着健康状况不佳Ravishankar等2022或因环境应激产生应激反应Liu等2023Oluwagbenga和Fraley2023。目前家禽养殖中的行为监测主要依赖人工缺乏时效性和管理效率因此亟需一种能高效监测家禽群体基本行为节律的方法。本研究的目标是提出一种鲁棒性强的深度学习模型替代人工在明亮和黑暗环境下实时检测鸭群日常行为。目前部分研究者采用可穿戴设备采集和识别动物行为该方法已在猪Alghamdi等2022Pan等2023、牛Arcidiacono等2021Brouwers等2023、羊Kleanthous等2022Turner等2023等大型动物中得到验证基础行为检测效果良好。但在 poultry 等规模化养殖场景中基于可穿戴技术的行为识别成本过高——家禽个体价值远低于其他大型动物监测成本超出绝大多数家禽养殖场的预算。此外佩戴传感器会引发家禽应激反应水禽尤为明显Anderson等2023。与可穿戴设备相比计算机视觉技术具有成本更低、对动物应激更小、效率更高等优势。近年来随着计算机性能的提升和机器学习技术的发展计算机视觉与畜禽养殖相结合的技术逐渐成为动物行为节律识别的研究热点Guo等未注明日期Xiaohui等2019Zhang等2023。肖通过双目视觉系统结合二维图像分割、三维图像重建等计算机视觉技术提出了一种笼养鸡行为信息获取的检测方法Xiao等2019李采用模板匹配、阈值分割等计算机视觉技术识别肉鸡的进食和饮水行为平均准确率分别达到91%和94%Li等2020b。上述研究的共同特点是需要人工设计特征提取算法可能受研究者先验知识的限制。而深度学习模型擅长自动提取特征可进一步提升家禽行为识别的准确性相关最新研究成果如表1所示。杨在散养环境下对20只蛋鸡进行行为监测采用俯视摄像头成功捕捉站立、俯卧、进食、饮水、啄食、梳理羽毛等行为所用YOLOv5模型在日间光照条件下识别率达84.6%Duanli等2023刘小虎在笼养环境下对2只鸭进行监测通过侧视摄像头记录鸭的站立、俯卧、进食、饮水行为应用Faster R-CNN模型在光照条件下实现93.0%的高识别率Xiaohu等2023。上述研究表明通过深度学习技术检测家禽行为可进一步提高识别精度为本文的鸭群行为检测提供了技术参考但均未涉及关灯后黑暗环境下的行为识别。而家禽在黑暗环境下的基本行为节律也需要监测Schwean-Lardner等2012Yu和Li2023。表1 相关最新研究成果研究养殖方式摄像头视角光照条件行为类别方法平均精度均值%Li等2020a笼养6只雏鸡俯视明亮和黑暗饮水Faster R-CNN88.2Duanli等2023散养20只蛋鸡俯视明亮站立、俯卧、进食、饮水、啄食、梳理羽毛YOLOv584.6Xiaohu等2023笼养2只鸭侧视明亮站立、俯卧、进食、饮水Faster R-CNN93.0Yue等2023笼养2只鸭侧视明亮和弱光休息、进食、梳理羽毛、踩踏、啄食YOLOv496.9目前弱光环境下的动物行为识别检测仍面临挑战。Li采用Faster R-CNN模型在笼养环境下监测6只雏鸡的饮水行为实验在明亮和黑暗条件下进行采用俯视摄像头但准确率仅为88.2%Li等2020a这可能是由于未对网络结构进行改进。通过改进网络结构可提高识别精度凌杜提出一种基于改进YOLOv5的黑暗环境下鱼类养殖行为实时检测方法引入CBAM注意力机制以放大不同深度特征并抑制无关特征从而提高模型检测精度Du等2023顾悦在YOLOv4中引入SimAMYang等2021模块用于检测笼养环境下鸭的行为实验在明亮和弱光条件下进行采用侧视摄像头模型识别率高达96.9%Yue等2023季伟提出一种基于多尺度金字塔融合图像增强和MobileCenterNet模型的水下河蟹目标检测方法采用改进的MobileNetv2骨干网络结合坐标注意力模块提取河蟹特征既实现轻量化又能使模型注意力集中于河蟹相关特征Ji等2023。上述研究表明在模型中引入注意力机制有助于提升弱光环境下的识别能力。此外在损失函数改进方面较少有研究者通过改进损失函数来提高模型在弱光环境下的精度。因此本研究的重点是提出一种能适应明亮和黑暗环境的鸭群基本行为识别模型。为构建一种鲁棒性强、可适应明亮和黑暗环境的鸭群基本行为站立、俯卧、进食、饮水识别模型本文以最新的YOLOv8模型为基础通过引入SENet注意力机制和改进损失函数提升明暗环境下鸭群日常行为识别的准确性通过优化检测头降低模型计算复杂度和参数数量提高模型识别效率。本研究提出的弱光环境鲁棒模型实现了鸭群行为的实时自动化监测养殖户可通过鸭群行为自动化监测平台准确监测鸭群行为及早发现健康问题并干预从而提高养殖效率和动物福利。本研究的主要贡献如下1在YOLOv8基础上提出一种鲁棒性强的深度学习模型可替代人工在明亮和黑暗环境下实时检测鸭群日常行为2提出一种基于DHSW-YOLO算法的鸭群日常行为统计方法能准确监测鸭群特定事件和行为节律。2 材料与方法2.1 试验地点与数据采集设备白羽番鸭数据采集于中国广东省云浮市飞雷肉鸭养殖场的6个室内养殖箱图1a。每个室内养殖箱饲养12只健康白羽番鸭初始日龄90天。养殖箱顶部安装日光灯内侧壁两侧分别设有食槽和饮水管图1c。实验采用两种光照模式模式A模拟室外环境16小时光照、8小时黑暗每日21:05关灯次日05:05自动开灯模式B采用24小时连续光照图1b。每种模式重复3组实验为消除养殖位置干扰两种模式的养殖箱交错布置。实验数据采集时间为2023年3月28日至2024年4月26日采用具备夜视功能的RGB摄像头型号KS2A42焦距3.6 mm拍摄视频数据。摄像头安装于室内养殖箱顶部正中央连接至计算机图1c其视场可覆盖整个养殖箱且能在黑暗环境下采集视频数据。通过Python脚本文件采集视频数据每小时保存一次便于后续算法分析视频分辨率设为1280×720帧率为10帧/秒。2.2 数据集构建白羽番鸭视频数据采集完成后从所有养殖箱的视频数据中每100帧提取一张图像构建白羽番鸭行为识别数据集。为避免数据集中出现高度相似的图像样本提取过程中采用SSIM算法Wang等2004衡量图像间的相似度当提取图像与上一张提取图像的SSIM值小于0.65时保留当前提取图像。随后使用LabelImg标注工具对白羽番鸭的行为进行标注本研究选取4种关键日常行为站立、俯卧、进食、饮水行为判断标准如表2所示每种行为示例如图2所示。站立时鸭身体直立无其他部位接触地面头部抬起且警觉俯卧时身体伏于地面头部缩进身体呈放松姿态。数据集分为训练集1448张图像、验证集490张图像和测试集490张图像训练集和验证集数据来自图1a中的A1、A2、B1、B2养殖箱测试集数据来自A3、B3养殖箱总图像数2448张三者比例为6:2:2。数据集中共有29376个行为实例其中站立16110个、俯卧9783个、进食1897个、饮水1270个。a养殖箱布局 b光照策略 c养殖箱细节图1 白羽番鸭数据采集示意图。a养殖箱布局b光照策略模式A模拟室外环境16小时光照、8小时黑暗模式B采用24小时连续光照c养殖箱细节表2 白羽番鸭行为判断标准行为类型行为定义站立单腿或双腿伸直站立身体其他部位不接触地面身体呈舒展状态俯卧身体俯卧或平躺于地面腹部接触地面头部通常向身体方向缩进可见脚部进食头部伸入食槽低头进食饮水嘴巴接触白色饮水泡器颈部伸直图2 各行为示例a-d站立行为e-h俯卧行为i-l进食行为m-p饮水行为左列光照条件右列黑暗条件2.3 白羽番鸭行为检测DHSW-YOLO算法构建YOLOYou Only Look Once是单阶段目标检测网络的代表检测速度快随着YOLO系列的演进检测精度不断提升。YOLOv8是YOLO系列的最新模型其网络结构主要包括骨干网络Backbone、颈部网络Neck和检测头Head三部分骨干网络采用C2f模块进行轻量化设计提升收敛速度和效果SPPF模块对不同尺度下池化后的特征图进行拼接颈部网络采用PANLiu等2018的思想通过自下而上的特征提取和自上而下的特征融合实现特征增强上采样Upsample模块采用最近邻插值算法将特征图尺寸放大一倍拼接Concat模块将骨干网络输出的特征图与上采样后的特征图融合结合低层和高层语义信息检测头采用解耦头结构将分类头与检测头分离缓解分类和回归任务的内在冲突。为使模型更适用于白羽番鸭行为检测尤其是黑暗环境下的弱光图像检测本研究对YOLOv8模型进行改进提出DHSW-YOLO模型图3具体改进如表3所示。2.3.1 双检测头DH原始YOLOv8可检测小、中、大三种尺度的目标但本研究中的白羽番鸭日龄相同体型相近行为幅度差异较小因此可减少网络的检测尺度。经计算本研究数据集中白羽番鸭行为的最小像素尺寸为195×69在40×40尺度特征图下交并比IoU最大最大像素尺寸为263×309在20×20尺度特征图下IoU最大。因此本研究删除80×80检测头保留40×40和20×20双检测头该调整不仅提高了模型检测效率还降低了计算量为模型轻量化奠定基础。2.3.2 SENet注意力机制模块原始YOLOv8在目标检测中表现良好但未能突出通道特征的重要性在处理白羽番鸭间的重叠遮挡尤其是黑暗环境下时可能导致关键特征丢失降低模型识别精度。因此本研究在原始YOLOv8的骨干网络后添加SENet模块Hu等2018SENet模块结构如图4所示。SENet模块分为三步第一步为压缩Squeeze阶段对输入的W×H×C特征图进行全局平均池化将每个通道的特征压缩为1×1×C的C维向量通道数保持不变第二步为激励Excitation阶段用于捕捉通道间的关系通过两个全连接层从向量中提取各通道的权重——第一个全连接层将维度降至C/16经ReLU函数激活第二个全连接层将维度恢复至C通过sigmoid函数将通道权重约束在0-1之间使网络为每个通道学习自适应权重权重越低表示该通道特征越不重要需较少关注最后为缩放Scale阶段将得到的通道权重与原始输入特征层相乘调整各通道的重要性从而增强网络对关键特征的注意力。通过引入SENet模块不仅提高了模型对白羽番鸭行为的识别能力还显著增强了其对复杂环境的适应性。2.3.3 智慧交并比WIoU原始YOLOv8采用完全交并比CIoUZheng等2020作为边界框损失函数CIoU损失考虑了重叠面积、质心距离和长宽比三个几何因素其计算公式如式1-3所示。但在目标识别检测中当锚框与目标框完全对齐时长宽比惩罚系数恒为0无法反映实际情况可能导致漏检此时CIoU退化为IoU此外CIoU对高质量样本和低质量样本锚框与目标框的IoU值大小采用相同的损失计算方式。本研究中黑暗环境下的图像亮度多为灰色与明亮环境图像相比包含更多低质量样本而距离、长宽比等几何指标会加剧对低质量样本的惩罚导致模型泛化性能下降。其中b和(b^{g t})分别表示锚框和目标框的质心(p(b, b^{g t}))表示锚框与目标框质心的欧氏距离C为锚框和目标框最小外接矩形的对角线长度α为权衡参数v为两框长宽比的一致性(w^{g t})和(h^{g t})分别表示目标框的宽度和高度w和h分别表示锚框的宽度和高度。因此本研究采用新型WIoUTong等2023替代CIoU选用WIoU v3版本在WIoU v1基础上添加非单调聚焦系数得到。WIoU v1的计算公式如式4-6所示其中x和y为锚框中心点坐标(x_{g t})和(y_{g t})表示目标框中心点坐标(W_{g})和(H_{g})为锚框和目标框最小外接矩形的宽度和高度(\mathscr{R}{WIoU })主要用于关注锚框与目标框的中心距离与目标框重叠度越低的锚框会得到越大的(\mathscr{R}{WIoU })。为减少对低质量样本的梯度惩罚Tong利用异常度β构建非单调聚焦系数γ并将其应用于WIoU v1得到具有动态非单调聚焦机制的WIoU v3Tong等2023计算公式如式7-9所示其中β为描述锚框质量的异常度异常度β越高表示锚框质量越差α和δ为超参数与异常度β共同构建非单调聚焦系数γ。该系数既降低了高质量样本的竞争力又减少了低质量样本产生的有害梯度使WIoU v3能动态非单调地聚焦于普通样本提高模型的泛化能力和整体性能。图3 DHSW-YOLO网络结构表3 DHSW-YOLO的具体改进改进内容预期效果双检测头使模型聚焦于图像中白羽番鸭最常见的目标尺寸提高检测效率减少计算冗余SENet注意力机制模块增强模型在弱光条件下区分目标与背景的能力提高检测精度智慧交并比WIoU通过对低质量样本弱光环境图像分配更多权重提高弱光环境下的行为检测精度图4 SENet通道注意力机制模块2.4 基于DHSW-YOLO算法的白羽番鸭日常行为统计本研究利用上述DHSW-YOLO模型设计视频处理机制监测16小时光照、8小时黑暗条件下白羽番鸭的日常行为统计。由于视频帧率为10帧/秒结合计算资源成本和白羽番鸭动作的平均持续时间本研究选取每秒第一帧图像表征白羽番鸭当前秒的行为通过训练良好的DHSW-YOLO算法模型从该帧图像中提取鸭的日常行为。为防止漏检和鸭突发死亡情况通过计算每帧图像中白羽番鸭各行为的发生次数占总行为次数的比例表征当前秒白羽番鸭的行为随后计算5分钟内白羽番鸭日常行为的累积占比P最终将16小时光照、8小时黑暗条件下的P值绘制成日常行为图观察白羽番鸭全天站立、俯卧、进食、饮水行为的分布情况。其中5分钟内白羽番鸭日常行为的累积占比P用四个符号表示站立(P_{stand})、俯卧(P_{prone})、进食(P_{eat})、饮水(P_{drink})如式10-13所示其中300表示5分钟包含300秒s表示第s秒(K_{s, stand })表示第s秒白羽番鸭站立行为的发生次数(K_{s, prone })表示第s秒白羽番鸭俯卧行为的发生次数(K_{s, eat })表示第s秒白羽番鸭进食行为的发生次数(K_{s, drink })表示第s秒白羽番鸭饮水行为的发生次数。3 结果与讨论3.1 实验环境与评估指标3.1.1 实验环境DHSW-YOLO算法的训练和测试在Windows 10系统环境下进行配置CUDA 11.7并行计算框架、CuDNN深度学习加速库和PyTorch 2.0.1深度学习框架编程平台为PyCharm编程语言为Python 3.10硬件配置为Intel® Core™ i5-12400F处理器2.50 GHz、NVIDIA GeForce RTX 3060显卡和16 GB内存。训练过程中模型输入尺寸设为640×640像素确保模型能处理足够大的图像以捕捉鸭行为细节共训练100个epoch批次大小为16采用随机梯度下降SGD算法优化模型结合WIoU v3平衡高质量和低质量样本α1.9δ3分类损失函数采用Focal Lossgamma1.5alpha0.25训练过程中采用Mosaic数据增强策略初始学习率设为0.01动量为0.973权重衰减为0.0005采用余弦学习率调度策略管理损失衰减过程。3.1.2 评估指标为验证所提白羽番鸭行为检测模型的性能选取模型大小Model size、推理时间Inference time、参数数量Parameters以及精确率Precision、召回率Recall、平均精度均值mAP作为评估指标计算公式如式14-16所示数值越高表明模型效果越好。其中模型大小表示模型占用的存储空间推理时间表示模型识别一张图像所需的时间参数数量表示评估模型的空间复杂度即模型各网络层的总字节数TP表示模型正确预测为正样本的正样本数量FP表示模型错误预测为正样本的负样本数量FN表示模型错误预测为负样本的正样本数量精确率表示正确检测到的目标占所有检测到目标的比例召回率表示正确检测到的目标占所有真实目标的比例平均精度AP表示白羽番鸭每种行为的检测精度mAP表示白羽番鸭所有行为类别的平均检测精度。本研究中mAP的IoU阈值设为0.5mAP0.5该指标是广泛认可和使用的评估标准便于与其他模型结果对比更好地评估模型性能。3.2 白羽番鸭日常行为检测模型的鲁棒性分析为验证所提DHSW-YOLO算法对白羽番鸭行为识别的有效性在包含明亮和黑暗环境的数据集上对该算法进行测试。实验结果显示该算法的mAP为94.4%精确率为91.6%召回率为92.1%模型大小为19.7 MB推理时间为5.5 ms参数数量为10.15 M。上述结果表明该研究方法能在明亮和黑暗环境下准确、可靠地实时识别白羽番鸭行为为不同光照条件下白羽番鸭的实时行为节律分析提供了技术支持。3.2.1 白羽番鸭行为检测模型的消融实验为进一步探究本研究对YOLOv8网络改进的有效性设计6组消融实验分析双检测头、WIoU损失函数和SENet注意力机制模块对白羽番鸭行为识别结果的影响。消融实验保持一致的硬件环境和模型训练参数设置相关消融实验结果如图5和表4所示其中图5展示了消融实验结果的mAP和验证损失曲线。图5 消融实验结果。a平均精度均值mAPb验证损失ValLoss为探究双检测头的有效性在原始YOLOv8网络中删除80×80尺度特征的检测头对删除的特征通道进行特征融合保留40×40和20×20尺度特征的检测头。图5中仅保留双检测头的模型YOLOv8s-DH与原始模型YOLOv8s在mAP和验证损失曲线方面差异不大训练前期损失略有波动训练20轮后趋于稳定。表4中YOLOv8s-DH的mAP与YOLOv8s相同各行为的AP差异不大甚至略有提升但白羽番鸭俯卧行为的AP下降0.9%这可能是由于鸭俯卧时个体间存在遮挡或部分身体隐藏在食槽下方导致视觉信息不完整区分俯卧行为的有效特征较少因此俯卧行为的识别结果略有下降。此外通过删除80×80尺度特征的检测头网络实现轻量化YOLOv8s-DH的参数数量从11.13 M减少至10.12 M确保了网络的检测效率提高了网络的实时性使网络更轻量化。参数数量的减少和推理速度的提升对模型的工程应用至关重要轻量化模型更适合部署在边缘设备上为未来白羽番鸭行为的实时监测提供了可能且能在资源受限环境下快速响应。表4 消融实验结果对比模型参数数量M平均精度均值%各行为AP%站立俯卧进食饮水YOLOv8s11.1392.293.091.092.992.1YOLOv8s-DH10.1292.293.490.193.092.4YOLOv8s-SE11.1793.494.292.094.493.0YOLOv8s-WIoU11.1393.093.691.994.092.5YOLOv8s-SE-WIoU11.1794.294.492.197.792.6DHSW-YOLO本研究10.1594.494.692.298.592.3注粗体表示最优参数和结果为验证SENet模块的有效性在原始YOLOv8网络的SPPF模块后添加SENet模块。图5显示添加SENet的模型YOLOv8s-SE比YOLOv8s具有更优的mAP和验证损失曲线表4结果显示YOLOv8s-SE的mAP为93.4%比YOLOv8s提升1.2%且在站立、俯卧、进食、饮水行为上的AP均比原始YOLOv8s有所提升同时参数数量相近。这表明引入SENet模块区分通道特征的重要性有助于构建更优的白羽番鸭行为识别模型。为分析WIoU损失函数对原始YOLOv8的贡献将原始YOLOv8模型中使用的CIoU损失函数替换为WIoU损失函数。图5显示YOLOv8s-WIoU的mAP和验证损失曲线与YOLOv8s-SE差异不大但优于原始YOLOv8s表4实验结果显示引入WIoU损失函数使模型mAP提升0.8%且参数数量几乎不变。这可能归因于WIoU损失函数设计的动态非单调聚焦机制策略通过减少对低质量样本的梯度惩罚更多地关注普通样本从而提高网络模型的泛化能力和整体性能。上述结果表明通过结合双检测头、SENet注意力机制模块和WIoU损失函数基于YOLOv8s改进得到的DHSW-YOLO模型相比原始YOLOv8s模型对白羽番鸭行为的识别更准确同时更轻量化。3.2.2 明亮和黑暗环境下与不同主流模型的结果对比以往研究为各类动物识别任务中白羽番鸭行为检测提供了基础但大多未涉及黑暗环境下的动物检测。在大多数算法中黑暗环境下拍摄的图像始终是检测算法面临的挑战。本研究考虑了明亮和黑暗不同条件对模型的可能影响构建了包含明亮环境图像和黑暗环境图像的自制数据集。为验证DHSW-YOLO算法在明亮和黑暗环境下的有效性将其与Faster R-CNN、SSD、YOLOv5、YOLOv7、RT-DETRZhao等2023、YOLOv9Wang等2024和原始YOLOv8等优秀目标检测算法进行对比。首先在训练集上分别训练这七种算法然后在同一测试集上评估白羽番鸭行为检测性能采用mAP、明亮环境平均精度均值mAP-L、黑暗环境平均精度均值mAP-D、模型大小、推理时间、参数数量六个指标进行评估实验结果如表5所示。表5 不同主流模型的结果对比模型平均精度均值%明亮环境平均精度均值%黑暗环境平均精度均值%模型大小MB推理时间ms参数数量MFaster R-CNN92.793.591.2108.0159.0137.19SSD90.591.589.292.1113.126.29YOLOv5s90.892.088.48.07.07.03YOLOv791.892.389.474.818.636.49YOLOv8s92.292.990.522.56.711.13RT-DETR92.589.686.366.231.931.99YOLOv9s89.093.390.16.020.87.20DHSW-YOLO本研究94.494.893.619.75.510.15注粗体表示最优参数和结果mAP-L和mAP-D分别为明亮和黑暗环境下图像的平均精度均值对上述主流算法与所提算法的白羽番鸭行为检测测试结果进行分析表5显示在检测精度方面本研究提出的DHSW-YOLO算法优于Faster R-CNN、SSD、YOLOv5s、YOLOv7、RT-DETR、YOLOv8s和YOLOv9s算法其对白羽番鸭行为检测的mAP、mAP-L、mAP-D分别为94.4%、94.8%、93.6%明亮和黑暗环境下的白羽番鸭行为检测精度差异较小且优于其他六种算法。性能提升不仅得益于针对弱光环境优化的数据集构建更重要的是算法层面的根本性改进——DHSW-YOLO算法通过引入SENet注意力机制和WIoU v3损失函数显著增强了模型在弱光环境下的目标识别能力。在模型复杂度方面DHSW-YOLO算法在模型大小、推理时间和参数数量上均优于Faster R-CNN、SSD、YOLOv7、RT-DETR、YOLOv8s和YOLOv9s算法其模型大小和参数数量与YOLOv5s、YOLOv9s相近而推理时间优于YOLOv5s和YOLOv9s表明DHSW-YOLO算法具有良好的实时检测能力有利于将模型迁移至边缘设备应用。因此综合检测精度和模型复杂度DHSW-YOLO模型能在保证实时检测的同时可靠地检测明亮和黑暗场景下白羽番鸭的日常行为。不同白羽番鸭行为的检测结果反映了模型对目标特征的识别能力尤其是黑暗环境下对白羽番鸭的识别能力。本研究从数据集中随机选取2张明亮环境图像和2张黑暗环境图像分别采用Faster R-CNN、SSD、YOLOv5s、YOLOv7、YOLOv8s、RT-DETR、YOLOv9s和DHSW-YOLO模型进行检测检测结果如图6所示。图6 不同主流模型在明亮和黑暗环境下的检测结果包括重复检测、错误检测和漏检从图6的检测结果可以看出Faster R-CNN、YOLOv8s和YOLOv9s对白羽番鸭行为的检测效果较好但仍存在错误检测和重复检测情况SSD、YOLOv5s、YOLOv7和RT-DETR在黑暗环境下的检测结果较差其中SSD存在2次漏检和2次错误检测RT-DETR存在9次错误检测YOLOv5s和YOLOv7无漏检但分别存在6次和5次错误检测。这可能是由于鸭身体局部部位重叠导致关键特征丢失或鸭身体区域光线较暗模型未突出关键特征从而引发检测错误。本研究提出的DHSW-YOLO网络在YOLOv8s基础上进一步改进并进行轻量化优化在保证检测效果的同时减少了参数数量增强了对白羽番鸭区域关键特征的注意力。因此综合检测精度、模型复杂度和检测结果DHSW-YOLO模型对白羽番鸭行为的识别效果最佳有利于后续白羽番鸭日常行为的统计分析。3.2.3 模型的可视化分析深度学习算法的可解释性是理解其工作原理的重要参考GradCAMSelvaraju等2020可将模型对白羽番鸭行为特征的关注区域以热力图形式展示。因此为进一步验证DHSW-YOLO在白羽番鸭日常行为检测中的有效性选取2张随机的明亮环境图像和1张黑暗环境图像利用DHSW-YOLO模型生成输出层两种不同尺度40×40和20×20的热力图可视化白羽番鸭不同身体部位在行为识别中的作用结果如图7所示。图7 输出层不同尺度的热力图。a本模型的检测结果bDHSW-YOLO 40×40尺度热力图cDHSW-YOLO 20×20尺度热力图图7a为DHSW-YOLO模型的检测结果图7b和c为DHSW-YOLO模型利用GradCAM在该图像上生成的输出层不同尺度40×40和20×20的热力图。与蓝色覆盖区域相比红色和黄色覆盖区域是DHSW-YOLO模型更关注的区域颜色越红表示该区域对模型的贡献越大。图7b和c显示图7c中白羽番鸭身上的红色和黄色覆盖区域呈完整块状可能表明模型更关注白羽番鸭本身的定位和检测而图7b中白羽番鸭身上的红色和黄色覆盖区域呈较多小而密集的块状可能表明模型更关注白羽番鸭日常行为的特征区域——例如对于白羽番鸭的饮水和进食行为图7b中白羽番鸭的头部和颈部是对行为识别贡献较大的区域这与人工识别时的关注区域一致。3.2.4 与相关最新研究成果的对比本研究提出的DHSW-YOLO模型在明亮和黑暗环境下均表现出较高的鸭行为识别精度丰富了该领域的研究成果如表1所示。Li等2020a在笼养环境下采用俯视摄像头聚焦6只雏鸡在明亮和黑暗条件下的饮水行为采用Faster R-CNN方法mAP达88.2%。该研究为不同光照条件下的行为识别提供了有价值的参考但研究范围仅限于单一行为和少量研究对象。Duanli等2023采用俯视摄像头在散养环境下监测20只蛋鸡在明亮条件下的多种行为采用YOLOv5方法mAP达84.6%但未解决弱光环境下的检测挑战而这正是本研究的重要研究方向。Xiaohu等2023同样在笼养环境下采用侧视摄像头利用Faster R-CNN方法检测2只鸭在明亮条件下的多种行为mAP达93.0%与Li等的研究类似其研究范围有限仅针对少量鸭和单一光照条件。Yue等2023通过引入MobileNetV2骨干网络和SimAM注意力模块改进YOLOv4模型在笼养环境下采用侧视摄像头能充分捕捉2只鸭在明亮和弱光条件下的行为mAP高达96.9%。与上述研究相比本研究在室内养殖环境下检测12只鸭在明亮和黑暗条件下的日常行为由于弱光环境、鸭群密度增加以及鸭间遮挡等因素检测场景更为复杂此外本研究采用俯视摄像头监测密度相对较大的鸭群在弱光条件下鸭的遮挡问题更为突出。尽管面临这些挑战DHSW-YOLO模型在明亮和黑暗条件下仍保持94.4%的高mAP比Li等2020a、Duanli等2023和Xiaohu等2023的研究精度显著提高。在明亮和黑暗条件下检测多种鸭行为的研究中Yue等2023的准确率达96.9%这一高精度得益于其研究在仅饲养2只鸭的笼养环境中进行侧视拍摄能无遮挡地捕捉鸭的全部行为自然准确率更高而本研究涉及更大的鸭群密度存在遮挡问题且弱光条件下遮挡更为严重但仍保持94.4%的准确率这一对比凸显了本模型在处理多鸭、明暗环境复杂场景时的鲁棒性。3.3 明亮和黑暗环境下白羽番鸭行为节律分析3.3.1 白羽番鸭整体行为占比分析图8为通过DHSW-YOLO模型计算得到的模式A和模式B下白羽番鸭各行为的占比。图8显示实验期间模式A下白羽番鸭的整体行为占比为俯卧48.78%、站立44.18%、饮水3.31%、进食3.72%模式B下白羽番鸭的整体行为占比为俯卧41.37%、站立52.10%、饮水2.78%、进食3.74%。值得注意的是模式A和模式B下白羽番鸭饮水和进食行为的占比变化不大但俯卧和站立行为的占比存在明显差异模式B下白羽番鸭站立行为占比显著增加而模式A下俯卧行为占比更高。这种行为差异与人工观察结果一致主要归因于光照条件对白羽番鸭行为选择的影响——光照是影响家禽行为的最重要环境因素之一Jiang等2023。上述分析凸显了本研究提出的DHSW-YOLO模型和2.4节所述白羽番鸭日常行为统计方法的准确性和可靠性。a模式A下白羽番鸭实验期间的行为占比 b模式B下白羽番鸭实验期间的行为占比图8 白羽番鸭实验期间各行为的占比3.3.2 白羽番鸭昼夜节律分析为便于观察白羽番鸭的昼夜节律选取2023年4月7日、2023年4月16日和2023年4月25日的视频数据按照2.4节所述统计方法统计模式A和模式B下白羽番鸭的昼夜节律图9并通过方差分析ANOVA对白羽番鸭的昼夜节律进行分析结果如表6所示。图9显示模式A下21:05-05:05关灯期间鸭几乎全部表现为俯卧行为站立行为极少处于休息状态05:05-21:05开灯期间站立行为显著多于俯卧行为表明鸭在此期间主要处于活动状态。而模式B下各时间段俯卧和站立行为共存无明显昼夜节律。模式A下白羽番鸭的昼夜节律与21:05关灯、05:05开灯的光照策略一致也与蛋鸡的昼夜行为相符Shi等2020。此外图9显示2023年4月16日模式A图9c和模式B图9d下白羽番鸭的站立行为均显著多于其他日期的俯卧行为这可能是由于当日室内养殖设施温度过高达33℃超出环境控制系统的调节能力导致鸭通过行为异常应对高温。此外统计分析显示随着鸭日龄增长模式A下俯卧行为的累积值(P_{prone})从39525.13增至43482.03站立行为的累积值(P_{stand})从38148.48降至36674.94模式B下也呈现类似趋势表明随着鸭日龄增长其休息时间增加站立活动时间减少。同时表6结果显示不同光照策略下俯卧行为的累积值(P_{prone})存在显著差异p0.0181这与图9中观察到的模式A关灯期间俯卧行为增加的趋势一致此外站立行为的累积值(P_{stand})的p值为0.0191表明不同光照策略下站立行为也存在显著差异。这是因为模式A和模式B下白羽番鸭的行为在整个观察期间相对稳定关灯期间俯卧行为显著增加自然导致站立行为减少。上述对白羽番鸭昼夜节律的分析和方差分析进一步证明了DHSW-YOLO模型和2.4节所述白羽番鸭日常行为统计方法的可靠性也为后续白羽番鸭的群体管理和智慧养殖研究提供了参考。a模式A昼夜节律2023/4/07 17~24℃ b模式B昼夜节律2023/4/07 17~24℃c模式A昼夜节律2023/4/16 18~33℃ d模式B昼夜节律2023/4/16 18~33℃e模式A昼夜节律2023/4/25 17~28℃ f模式B昼夜节律2023/4/25 17~28℃图9 不同模式下白羽番鸭的昼夜节律。a、c、e分别为2023年4月7日、2023年4月16日、2023年4月25日模式A下白羽番鸭的昼夜节律b、d、f分别为2023年4月7日、2023年4月16日、2023年4月25日模式B下白羽番鸭的昼夜节律表6 白羽番鸭昼夜节律的方差分析结果响应变量方差分析的变异来源不同光照策略俯卧行为累积值(P_{prone})p0.0181 *站立行为累积值(P_{stand})p0.0191 *注ANOVA方差分析*表示显著p0.05F检验NS表示不显著p0.05F检验3.3.3 白羽番鸭饮食节律分析为便于观察白羽番鸭的饮食节律选取2023年4月7日、2023年4月16日和2023年4月25日的视频数据按照2.4节所述统计方法统计模式A和模式B下白羽番鸭的饮食情况图10并通过方差分析ANOVA对白羽番鸭的饮食节律进行分析结果如表7所示。图10显示模式A下21:05-05:05关灯期间鸭进食行为极少存在少量饮水行为处于休息状态05:05开灯进入光照条件后白羽番鸭的饮水和进食行为比黑暗条件下显著活跃图10a、c、e且在09:00-10:00达到峰值这可能是由于饲养员每天约9:00进行不定时喂食。模式B下鸭的饮食节律比模式A不明显可能是由于24小时光照打乱了其饮食节律但模式B下进食行为同样在09:00-10:00达到峰值与饲养员的喂食时间对应。饮食节律也能反映环境变化。图10显示2023年4月16日模式A图10c和模式B图10d下白羽番鸭饮水行为的累积值(P_{drink})和进食行为的累积值(P_{eat})均显著高于其他时间。饮水和进食行为异常增加的原因是当日室内养殖设施温度过高33℃超出环境控制系统的调节能力导致鸭通过大量饮水甚至进食来适应高温环境这与3.3.2节的分析一致即2023年4月16日高温导致鸭行为异常。同时表7显示饮水行为累积值(P_{drink})的p值为0.0796接近传统显著性水平p0.05但未达到统计显著性表明不同光照策略下饮水行为的趋势不显著而进食行为累积值(P_{eat})的p值为0.1368无统计差异。这一结果与图10的观察一致尽管模式A下喂食时间段饮水和进食行为出现峰值但总体而言不同光照策略下白羽番鸭的饮水和进食行为未呈现显著的数值差异这可能是由于两种光照模式下白羽番鸭在获取水和食物方面保持一定的稳定性。上述对白羽番鸭饮食节律的分析和方差分析反映了DHSW-YOLO模型在监测白羽番鸭行为节律方面的敏感性和准确性利用DHSW-YOLO模型进行监测可实现异常检测的早期预警为后续白羽番鸭的群体管理和智慧养殖研究提供了参考。a模式A饮食节律2023/4/07 17~24℃ b模式B饮食节律2023/4/07 17~24℃c模式A饮食节律2023/4/16 18~33℃ d模式B饮食节律2023/4/16 18~33℃e模式A饮食节律2023/4/25 17~28℃ f模式B饮食节律2023/4/25 17~28℃图10 不同模式下白羽番鸭的饮食节律。a、c、e分别为2023年4月7日、2023年4月16日、2023年4月25日模式A下白羽番鸭的饮食节律b、d、f分别为2023年4月7日、2023年4月16日、2023年4月25日模式B下白羽番鸭的饮食节律表7 白羽番鸭饮食节律的方差分析结果响应变量方差分析的变异来源不同光照策略饮水行为累积值(P_{drink})p0.0796 NS进食行为累积值(P_{eat})p0.1368 NS注ANOVA方差分析*表示显著p0.05F检验NS表示不显著p0.05F检验3.4 局限性本研究提出DHSW-YOLO模型用于检测明亮和黑暗环境下白羽番鸭的日常行为模型整体准确率达94.4%但仍存在一定局限性首先是光照策略的局限性本文仅采用两种不同的光照策略虽能反映模型在明亮和黑暗条件下的性能但可能不足以确保模型在更广泛光照条件下的泛化能力——尽管模型在两种策略下的识别准确率已较高但研究中光照与黑暗的突变未考虑自然界中光照强度的渐变如黎明和黄昏未来将通过更多梯度的光照条件构建模型提高其鲁棒性其次是鸭的品种和日龄局限性本研究仅针对90-120日龄的白羽番鸭可能限制模型在其他品种或日龄鸭中的鲁棒性未来将采用其他品种和不同日龄的鸭构建鸭行为识别模型增强模型的鲁棒性此外尽管可通过算法解决样本不平衡问题但未来实验中将优先收集更多低频率行为的样本。4 结论本研究提出DHSW-YOLO模型用于监测鸭群行为能准确识别弱光黑暗环境下白羽番鸭的日常行为。与原始YOLOv8相比DHSW-YOLO的mAP达94.4%模型大小减少2.8 MB推理时间加快1.2 ms参数数量减少8.7%便于模型实时推理和及时预警。通过两种光照策略的验证DHSW-YOLO能准确反映不同光照条件下白羽番鸭行为节律的差异为管理者对鸭群行为的自动监测和及时预警需求提供了技术支持。