基于计算机视觉的文昌鸡鸡蛋目标检测与产蛋量表型数据采集研究

【作者】 李城炫； 严伟； 杨宁；

【机构】 中国农业大学三亚研究院； 中国农业大学动物科学技术学院；

【摘要】 引言文昌鸡作为海南省地方特色家禽品种,其优良的肉质具有重要的经济价值,但其较低的繁殖性能限制了产业发展。产蛋性状是衡量文昌鸡繁殖性能的核心指标,其准确的表型数据记录对推动智能化育种至关重要。目前,表型测定大多依赖人工记录,存在效率低、误差大等问题,难以满足现代育种需求。随着深度学习与计算机视觉的发展,基于YOLO系列模型的图像目标检测技术已经非常成熟,在家禽上的应用也非常广泛,但针对文昌鸡产蛋性状的智能化表型数据记录研究仍显不足。本研究旨在基于YOLO模型开发文昌鸡鸡蛋图像识别与产蛋量表型数据记录方法,通过机器视觉技术实现鸡蛋的精准检测,获取文昌鸡种鸡每日的产蛋量,为后期的智能育种奠定数据基础,以提高文昌鸡的繁殖性能。材料与方法本研究以海南罗牛山文昌鸡育种场统一饲养管理的文昌鸡种鸡作为研究对象。实验部署22个大华POE高清网络摄像头,覆盖只文昌鸡快大系母鸡,初步构建图像采集系统,实时获取产蛋行为视频流。采用OpenCV提取关键帧图像,连续采集多日视频数据,筛选1132张高质量图像,获得图像后,通过LabelImg工具进行鸡蛋位置及状态的精细化人工标注,采用旋转、翻转、亮度调整等数据增强方法,构建简易训练数据集,统一转换为YOLO格式,数据集按80%训练集、10%的验证集和测试集划分。最后基于YOLOv8模型进行初步预训练,通过迁移学习初步优化模型性能,开发鸡蛋检测算法,并将检测到的鸡蛋量化录入数据库。数据处理基于Python、OpenCV及PyTorch框架。结果本研究初步构建了文昌鸡鸡蛋图像采集与检测系统,将采集的图像制作成数据集,在设定的参数(epochs:200, imgsz:1280, batch:8)下,进行模型迭代训练。训练结果显示,训练集的边界框回归损失从约1.6降至0.7,分类损失从约2.0降至0.4。在验证集上,边界框回归损失与分类损失最终分别稳定在0.78和0.45。在验证集上,模型的性能评估指标表现为精确率达到98.1%,召回率为97.6%,mAP50为98.9%,mAP50-95为77.1%。在测试集上的最终评估结果显示,精度为98.3%,召回率为98.8%,mAP50达99.4%,mAP50-95为79.5%。讨论与结论本研究通过摄像头图像采集与YOLOv12模型预训练,验证了基于机器学习的文昌鸡鸡蛋检测与智能表型数据记录的技术可行性,克服了人工记录效率低、误差大的问题。在独立测试集上,模型精确率(98.3%)、召回率(98.8%)及mAP50(99.4%)均表现优异,证明该方法能以极低的误检与漏检率实现精准计数,保证了表型数据的可靠性。同时,79.5%的mAP50-95也说明模型具备了优秀的边界框定位能力,未来可通过扩充更复杂场景的数据集来进一步优化。本研究现阶段已实现对产蛋量的高精度智能统计,为后续构建文昌鸡产蛋性状智能测定系统奠定了技术基础。下一步将进一步提升模型的各方面性能,并设计逻辑输出算法,深度融合成功能齐全的测定系统,进行大规模文昌鸡产蛋性状表型数据的测定。同时,本研究所采用的方法和模型框架具备较强的通用性,未来有望推广应用到其他鸡种的产蛋量测定与智能表型数据采集中,助力更多家禽品种的智能育种与生产管理。更多还原