近日，机械与电子工程学院田富洋副教授团队在《poultry science》在线发表了题为“cyclic consistent migration neural network: an enhancement algorithm study for head characteristics of caged chickens detection”的研究论文。山东农业大学为完成该论文的第一单位，于镇伟副教授为该论文的第一作者，田富洋副教授为该论文的通讯作者。
鸡冠和鸡眼睛等外部特征不仅是区分品种和基因的标志，更是反映鸡只健康状况和生产能力的重要指标，在笼养蛋鸡福利化养殖中发挥重要作用。然而，叠层笼架的遮挡会导致鸡头部关键小目标特征无法被模型准确提取，影响模型对家禽健康状态的判断。同时，有遮挡的图像也会导致数据集质量下降，影响家禽健康监测模型的泛化能力和鲁棒性，制约家禽健康预警系统在笼养鸡舍的推广应用。
图1. 模型结构图
因此，本研究提出了一种笼养蛋鸡头部特征增强检测模型（ccmnn模型）。该模型基于大数据和深度学习循环一致迁移神经网络进行笼门去除。如图1所示，设计的核心是通过两个生成器和两个判别器构成的对抗网络进行训练。生成器分别用于源域中的图像转换和目标域中的图像转换；判别器分别用于生成的图像和真实图像的判别。对抗性损失通过最小化生成图像和真实图像之间的差异来训练生成器和判别器。
测试结果表明，与未经过ccmnn 处理的图像相比，笼养鸡的鸡冠和眼睛的检测精度分别提高了11.3%和10.2%。因此，该模型可以对笼养蛋鸡图像中一些关键信息的自动消除和恢复，获得更完整的鸡只轮廓图像，并提高笼养鸡冠和眼睛的检测精度，从而有助于准确评估家禽的健康状况。
该研究得到了山东省重点研发项目和国家重点研发项目的资助。
论文链接：
编 辑：万 千
审 核：贾 波
