周小芹＊，呂 嘉，金 宇

（1.河海大學信息學部物聯(lián)網工程學院，江蘇 常州 213022；2.中國移動通信集團河南有限公司，河南 鄭州 450000）

我國肉雞生產歷史悠久，也是我國畜禽養(yǎng)殖業(yè)走向規(guī)?；⒖茖W化、產業(yè)化的最早的行業(yè)之一[1]。隨著養(yǎng)殖范圍的擴大，對養(yǎng)殖過程中雞群健康狀態(tài)的監(jiān)管難度也在增加，如果雞只染病后發(fā)現不及時，將增加爆發(fā)大規(guī)模傳染病的風險。如何采取科學有效的方法對雞群的健康狀態(tài)進行準確評估，成為肉雞養(yǎng)殖業(yè)亟待解決的問題。

目前，已有養(yǎng)殖企業(yè)通過指派專門技術人員對雞群行為進行觀察，用手工記錄雞只在不同狀態(tài)下各行為發(fā)生的頻次、持續(xù)時間，作為肉雞健康狀態(tài)的判斷依據。這種方法費時費力，不適用于大規(guī)模養(yǎng)殖模式下肉雞生理健康狀況的診斷。隨著傳感器技術的發(fā)展，劉燁虹等[2]基于無線傳感器網絡、使用ZigBee 通信協(xié)議，針對雞只的體型設計背包式佩戴帶，這是一個有應激的數據采集與監(jiān)控系統(tǒng)，初次佩戴后需要較長時間的適應期，呼吸運動也會影響對雞只活動狀態(tài)判斷的準確性。

人工智能技術的進步，促進了動物無應激測量和行為分析的發(fā)展。將人工智能技術與傳統(tǒng)產業(yè)深度融合，有望解決傳統(tǒng)產業(yè)遇到的諸多難題[3]。莊曉霖[4]使用基于深度學習的目標檢測方法對病雞與健康雞進行判斷與分類，一定程度上滿足病雞檢測需求。姚和陽[5]提出Faster-RCNN-OHEM 算法，建立了適用于黃羽雞識別的卷積神經網絡模型，實現黃羽雞飲食、飲水、振翅等行為的識別。以上方法都是基于圖像的靜態(tài)檢測方法，沒有利用視頻的時序信息對雞群行為或活動量進行動態(tài)估計。2021 年李娜[6]使用深度學習方法法對雞只進行多目標跟蹤，通過計算雞只個體運動速度和群體平均運動速度，將雞只的異常狀況進行報警，如病死雞報警、驚嚇報警和打架報警。本研究基于YOLOv5 和改進的Deep SORT 算法對雞群進行目標檢測與跟蹤，通過計算得到雞群活動量數據，判斷雞群的狀態(tài)是否異常，實現對疫情等的早期預警。

1 材料與方法

1.1 視頻采集

本研究實驗視頻來自于某家禽養(yǎng)殖試驗場的雞舍監(jiān)控數據，視頻拍攝時間為2021 年6 月23 日～27日，視頻拍攝對象為黃羽雞，攝像機位于黃羽雞雞舍天棚矩形短邊上，斜向下俯視拍攝，能夠拍攝到雞舍內黃羽雞的活動區(qū)域，見圖1。原始視頻共390 段，平均時長為15 min，分辨率為1 920×1 080，視頻幀率為25 fps，mp4 格式。

圖1 黃羽雞雞舍原始監(jiān)控視頻

1.2 技術路線

本研究旨在利用深度學習方法通過視頻監(jiān)控對黃羽雞進行實時跟蹤并進行異?；顒恿繖z測，主要包括5 部分：

（1） 構建數據集：構建3 個數據集，分別用于訓練目標檢測模型、重識別模型和驗證多目標跟蹤效果。視頻中的黃羽雞姿態(tài)復雜、密度高，為了增強數據集的多樣性，使用了兩種方法對視頻進行標注。一種方法是使用DarkLabel 進行標注，每10 幀提取1 幀加入數據集；另一種方法是先對視頻分幀，然后使用LabelImg 進行人工標注。通過標注、裁剪，最終確定了8 000 幅圖像作為目標檢測的數據集，其中訓練集6 400 幅圖像，驗證集1 600 幅圖像，另外選出1 600 幅圖像作為測試集。為了提高重識別結果的準確性，再次使用DarkLabel 進行標注，根據標注過程中的不同標號區(qū)分不同個體，重識別數據集包括30 只雞的1 800 幅圖像，平均每只雞40 幅圖像作為訓練集，20 幅圖像作為驗證集。

（2） 雞群目標檢測模塊：利用雞群目標檢測數據集訓練YOLOv5s 輕量化模型，用于雞群的目標檢測，作為多目標跟蹤的檢測器。

（3） 雞群重識別網絡構建：利用雞群重識別數據集訓練Mudeep[7]用于雞群目標重識別。

（4） 雞群多目標實時跟蹤的實現：結合YOLOv5s 模型、Mudeep 模型與改進的Deep SORT 模型，實現雞群的多目標實時跟蹤。

（5） 結果分析：通過對目標檢測效果、重識別效果、多目標跟蹤效果進行評價，全面評估雞群多目標跟蹤模型的效果，對雞群的活動量進行綜合計算，對雞群進行異常檢測。

1.3 雞群活動量異常檢測

本研究雞群活動量異常檢測依賴于場景中多目標的檢測與跟蹤，Deep SORT 算法是一個兩階段算法，其中目標檢測算法關系到跟蹤算法的準確度與速度，基于多目標跟蹤的活動量異常檢測流程圖, 見圖2。

圖2 基于多目標跟蹤的活動量異常檢測流程圖

1.3.1 目標檢測算法

YOLO（You Only Look Once）是目標檢測領域常用的神經網絡模型，它將目標檢測問題轉化為回歸問題，用卷積神經網絡就可以直接從輸入圖像預測目標對象所在位置和概率，實現了端到端的目標檢測。YOLOv5s 是YOLOv5 系列中深度最小、特征圖寬度最小、參數量最小的網絡，而且部署簡單，因此本研究選擇使用YOLOv5s 輕量級網絡模型。YOLOv5s 網絡主要由輸入端、Backbone、Neck 和輸出端組成。

YOLOv5s 的輸入端采用了Mosaic 數據增強方式，通過隨機縮放、隨機裁剪、隨機排布的方式大大豐富了檢測數據集，適用于雞群小目標、分布不均勻的特定場景。在Backbone 階段，設計了Focus 結構，還使用了不同的CSP 結構，不僅能夠增強網絡學習能力，而且在輕量化網絡的同時保證檢測準確率。在Neck階段，采用FPN+PAN 結構加強了網絡特征融合的能力。在輸出階段，通過損失函數的改進，提升了遮擋重疊目標的檢測能力。雞群多目標檢測效果，見圖3。

圖3 雞群多目標檢測效果

1.3.2 改進的多目標跟蹤算法

針對跟蹤時雞只互相遮擋、快速運動過程中產生非剛性形變等導致的ID 頻繁轉換、目標丟失問題，對原Deep Sort 算法進行改進。采用廣義交并比（GIOU）替換原Deep Sort 的交并比（IOU）進行關聯(lián)匹配，擴大預測框。經測試，相鄰兩幀同一雞只的運動距離有限，將雞只預測框的寬與高均擴大1.2 倍，緩解雞只快速跑動導致匹配失敗的問題。

根據雞只重識別數據集，對ReID 網絡重新進行訓練，使其適合雞只對象跟蹤。ReID 模型使用了18層殘差網絡、36 層卷積、特征維度512，通過調參發(fā)現，加深卷積層深度有助于雞只的跟蹤，最終獲取黃羽雞深度特征權重文件。雞群多目標跟蹤效果，見圖4。

圖4 雞群多目標跟蹤效果

1.3.3 活動量異常識別

通常情況下雞只運動較慢，但運動不具有規(guī)律性，例如展翅時出現非剛性形變；當雞只快速運動（例如打架時），產生速度突變和方向突變。因此，本研究在進行活動量統(tǒng)計時，既考慮雞只的運動距離，又考慮雞只外觀形狀的變化。計算雞只活動量步驟如下：

（1） 計算雞只運動距離參數。根據相鄰兩幀之間正確跟蹤的雞只檢測框中心的歐式距離進行計算，如公式（1）所示：

式中，i 表示第i 只雞只，k 表示幀號，x、y 為檢測框的中心坐標。

（2） 計算雞只形變參數。根據相鄰兩幀之間正確跟蹤的雞只檢測框的長寬比進行計算，如公式（2）所示：

式中，i 表示第i 只雞只，k 表示幀號，w、h 為檢測框的寬度和高度。

（3） 計算雞群活動量。根據每只雞只相鄰幀的運動距離參數和形變參數，計算相鄰幀雞群活動量，如公式（3）所示：

式中，n 是一幀圖像中被正確跟蹤的雞只數量，di是第i 只雞只相鄰幀運動距離參數，hi是第i 只雞只相鄰幀形變參數。

（4） 異常識別。將每一幀雞群的活動量數據導入數據庫，基于局部離群因子LOF（Local Outlier Factor）算法找出異常值。這是一種基于密度的方法，優(yōu)勢在于不對數據分布做太多要求，還能量化每個數據點的異常程度。

2 分析與討論

本研究方法對測試視頻的目標檢測指標mAP（Mean Average Precision） 為 95.3% ，Precision 為93.7%，Recall 為97%。跟蹤指標MOTA（Multi-object tracking accuracy）為63.6%，MOTP（Multi-object tracking precision）為80.8%。實驗表明，跟蹤成功與否主要取決于目標檢測是否成功，通常情況下，只要目標檢測成功，就可以跟蹤目標，并且較少發(fā)生ID 切換。反之，遮擋嚴重會發(fā)生漏檢，陰影較多時會發(fā)生誤檢。總之，雖然改進的跟蹤算法一定程度上可以對快速運動目標正確跟蹤，減少ID 切換，但是仍然依賴于目標檢測算法的性能。

3 結論

為提高規(guī)模化肉雞養(yǎng)殖的精細管理水平，改善人工觀測雞群活動的局限性，本研究采用YOLOv5 和改進的Deep Sort 算法提取雞群運動參數和外觀參數，設計活動量異常統(tǒng)計方法，使得工作人員能夠快速且準確的定位異常發(fā)生的地點與時間，及時采取干預措施，將人工智能技術引入家禽養(yǎng)殖領域，為精準養(yǎng)殖提供新的技術發(fā)展方向。