摘要：针对规模化养殖场笼内肉鸭个体小、易被遮挡且肉鸭翻覆目标检测方法不易在嵌入式端部署等问题，提出一种适用于JetSon ORIN端部署的肉鸭翻覆行为检测方法，在准确检测翻覆肉鸭目标的同时，轻量化部署模型，提高检测效率。使用1 000幅翻覆肉鸭图像建立数据集，按8﹕1﹕1划分为训练集、测试集和验证集。利用深度学习网络提取肉鸭翻覆行为特征，构建肉鸭翻覆行为目标检测模型。使用Swin Transformer-tiny模块替换YOLO v8的主干网络，有效提升复杂环境下的小目标检测能力，通过对模型进行剪枝与量化以减轻模型的复杂度，同时保持精度，较好地平衡了模型的准确性和速度。将优化后的模型部署在嵌入式端，当置信度阈值设定为60时，YOLO v8n-swin transformer和YOLO v8s-swin transformer模型对肉鸭翻覆的识别平均准确率分别为96.0%和97.1%，误检率分别为2.7%和2.0%，单帧图像处理时间分别为6.8和7.4 ms。
文章目录
1 材料与方法
1.1 数据采集与预处理
1.2 肉鸭翻覆检测模型的优化与部署
1.2.1 YOLO v8网络模型
1.2.2 基于Swin Transformer-tiny的主干网络优化
1.2.3 模型构建
1.2.4 损失函数优化
1.2.5 模型训练与优化
1.2.6 模型部署
1.3 模型性能测评
2 结果与分析
2.1 模型训练结果
2.2 模型的肉鸭翻覆识别性能
3 讨论
