近日，机械与电子工程学院田富洋副教授团队在《Frontiers in Veterinary Science》在线发表了题为“Leveraging SOLOv2 model to detect heat stress of poultry in complex environments”的研究论文。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。
蛋鸡的热应激是指机体遭受环境温度超过等热区上限的高温刺激时，机体产生的一系列非特异性反应。此时蛋鸡的散热能力受到阻碍，凭借机体自身的物理调节以维持体温平衡的稳态被打破，导致热在体内蓄积、体温升高、代谢增加，损害健康与生产力。如果持续处于热应激状态，则会出现动物器官衰竭，严重时导致动物死亡。随着集约化养殖与全球变暖趋势的日益加剧，热应激已成为影响家禽养殖业发展的重大因素之一。
图1. 监测网络结构图
因此，本研究提出了一种用于家禽热应激状态监测的FPN-DenseNet- SOLO (FDS)模型。使用注意力机制(ECA)和DropBlock正则化优化DenseNet-169网络，在加强家禽热应激特征的提取，抑制无效背景特征的提取。该模型以SOLOv2模型为主体框架，将优化的DenseNet-169作为骨干网络，并融合特征金字塔模型，在语义分支与掩膜分支上对实例进行检测与分割。为测试FDS模型的性能，用12740幅家禽热应激和正常状态图像构成的测试集进行测试。测试结果表明，当DenseNet-169网络中没有添加ECA模块和DropBlock正则化模块时，原始的模型识别准确率为88.4%。ECA模块的引入使模型的识别准确率提高到91.9%。FDS模型在测试集上的召回率、AP0.5、AP0.75和平均精度均高于其他网络。其中，该模型的recall为0.954，分别比Mask R CNN、Faster R CNN和SOLO v2的recall提高了15%、8.8%和4.2%。本研究实现了正常和热应激状态下家禽的精确分割，为家禽的精确养殖提供了技术支持。
该研究针对实际生产中复杂的养殖背景图像，提出了一种基于深度学习的家禽热应激状态监测与分割模型，解决了梯度消失问题，增强了抗拟合能力，提升了模型准确度，实现了正常状态和热应激状态下家禽的精确分割，为实际生产中家禽热应激状态监测与福利化养殖提供技术支持。
该研究得到了国家重点研发计划和博士后研究经费的资助。
论文链接：https://doi.org/10.3389/fvets.2022.1062559
编 辑：万 千
审 核：贾 波
