近日，機械與電子工程學院田富洋副教授團隊在《Frontiers in Veterinary Science》在線發表了題為“Leveraging SOLOv2 model to detect heat stress of poultry in complex environments”的研究論文。于鎮偉副教授為該論文的第一作者，田富洋副教授為該論文的通訊作者。

蛋雞的熱應激是指機體遭受環境溫度超過等熱區上限的高溫刺激時，機體產生的一系列非特異性反應。此時蛋雞的散熱能力受到阻礙，憑借機體自身的物理調節以維持體溫平衡的穩態被打破，導致熱在體內蓄積、體溫升高、代謝增加，損害健康與生產力。如果持續處于熱應激狀態，則會出現動物器官衰竭，嚴重時導致動物死亡。隨著集約化養殖與全球變暖趨勢的日益加劇，熱應激已成為影響家禽養殖業發展的重大因素之一。

圖1. 監測網絡結構圖

因此，本研究提出了一種用于家禽熱應激狀態監測的FPN-DenseNet- SOLO (FDS)模型。使用注意力機制(ECA)和DropBlock正則化優化DenseNet-169網絡，在加強家禽熱應激特征的提取，抑制無效背景特征的提取。該模型以SOLOv2模型為主體框架，將優化的DenseNet-169作為骨干網絡，并融合特征金字塔模型，在語義分支與掩膜分支上對實例進行檢測與分割。為測試FDS模型的性能，用12740幅家禽熱應激和正常狀態圖像構成的測試集進行測試。測試結果表明，當DenseNet-169網絡中沒有添加ECA模塊和DropBlock正則化模塊時，原始的模型識別準確率為88.4%。ECA模塊的引入使模型的識別準確率提高到91.9%。FDS模型在測試集上的召回率、AP0.5、AP0.75和平均精度均高于其他網絡。其中，該模型的recall為0.954，分別比Mask R CNN、Faster R CNN和SOLO v2的recall提高了15%、8.8%和4.2%。本研究實現了正常和熱應激狀態下家禽的精確分割，為家禽的精確養殖提供了技術支持。

該研究針對實際生產中復雜的養殖背景圖像，提出了一種基于深度學習的家禽熱應激狀態監測與分割模型，解決了梯度消失問題，增強了抗擬合能力，提升了模型準確度，實現了正常狀態和熱應激狀態下家禽的精確分割，為實際生產中家禽熱應激狀態監測與福利化養殖提供技術支持。

該研究得到了國家重點研發計劃和博士后研究經費的資助。

論文鏈接：https://doi.org/10.3389/fvets.2022.1062559

編      輯：萬    千 

審      核：賈    波