《Poultry Science》：Edge-Intelligent Lightweight Vision System for Perspective-Corrected Egg-Cage Matching in Cage-Reared Ducks
编辑推荐：
本研究针对立体笼养系统中产蛋鸭个体产蛋量监测难题，开发了一种基于移动摄像头的智能监测方法。研究人员通过改进YOLOv11框架，构建了轻量化鸭蛋与二维码检测模型（LDEQ-OD），结合OC-SORT多目标跟踪和级联鲁棒QR码解码（CRQD）算法，实现了鸭蛋检测、笼位识别和蛋笼匹配计数。该系统在Jetson Nano边缘设备上部署，平均推理时间59.2ms，mAP@0.5:0.95达95.3%，蛋笼匹配准确率（ECMA）达98.3%，为精准养殖管理提供了实时可靠的解决方案。
在现代化家禽养殖业中，准确记录个体产蛋量是评估种鸭生产性能和群体健康的关键。然而，传统人工计数方法在多层立体笼养系统中不仅劳动强度大，而且容易出错。现有的传感器方案虽能减少人工干预，但在多层笼结构中大规模部署成本高昂，维护困难。固定摄像头方案也存在覆盖范围有限的问题。因此，开发一种自动化、高效率的个体产蛋量监测系统成为养殖业的迫切需求。
近期，计算机视觉和深度学习技术为畜禽监测提供了新的可能。但现有系统多依赖固定摄像头，仍需多个摄像头才能覆盖所有笼位，部署和维护成本与传感器方案相当。视频计数方法将目标检测与多目标跟踪结合，通过维持时间一致性来增强对遮挡和光照变化的抵抗能力，已成为精准农业领域的研究热点。
在此背景下，发表在《Poultry Science》上的这项研究提出了一种创新的解决方案。研究人员开发了一套基于移动摄像头的智能视觉系统，专门用于笼养鸭的个体产蛋量监测。该系统能够自动执行鸭蛋检测、笼位QR码识别和蛋笼匹配计数，为精准养殖管理提供了技术支持。
研究人员采用了几项关键技术方法：基于改进YOLOv11框架的轻量化鸭蛋和QR码检测模型（LDEQ-OD），集成了双检测头（DH）、C3-DDF模块和SENet注意力机制；OC-SORT多目标跟踪算法建立蛋与QR码间的时空关联；级联鲁棒QR码解码（CRQD）算法提升运动模糊和光照不均条件下的解码精度；基于最小纵横比偏差（MARD）的动态匹配策略补偿相机倾斜引起的几何畸变。实验数据来自华南农业大学动物实验基地的立体笼养鸭舍，包含300日龄山麻鸭，视频数据采集于2024年11月1日至4日7:00-11:00。
模型设计与性能
研究团队开发的LDEQ-OD检测模型在Jetson Nano平台上仅包含140万个参数，实现了59.2ms的平均推理时间，精确率、召回率和mAP@0.5:0.95分别达到99.6%、99.3%和95.3%。通过简化检测头结构，模型专注于与笼养环境中实际目标尺寸分布更相关的小中型目标，提高了边缘设备上的推理效率。
QR码解码与笼位识别
针对QR码在运动模糊和光照不均条件下的解码挑战，研究提出了CRQD算法。该算法采用两阶段解码策略：第一阶段基于状态的解码管理机制避免冗余操作；第二阶段通过分析相邻成功解码QR码的空间关系来推断未解码QR码的身份。实验结果显示，与传统ZBar解码器相比，CRQD将整体代码识别率从72.7%提升至99.3%，显著增强了鲁棒性。
蛋笼匹配与计数
研究提出的动态邻域归属匹配（DNAM）策略通过评估鸭蛋与相邻QR码之间的空间邻近度，根据最小平均欧几里得距离（MAED）原则确定最佳匹配。该方法消除了对预定义笼位索引的需求，能够适应相机抖动、短期遮挡和ID漂移等挑战。在三种不同运动速度（0.14、0.21和0.44 m/s）下的实验证实，该匹配算法在复杂几何视角和变化相机运动下保持稳定可靠的性能。
系统部署与实时性能
系统在Jetson Nano平台上以每秒10帧的速度部署，并集成了实时数据采集和可视化模块。性能测试显示，目标检测耗时64.9ms，目标跟踪14.7ms，笼位匹配和计数7.2ms，QR码识别18.1ms，每帧总处理时间104.9ms（约10 FPS），满足实时操作需求。
研究结论与意义
该研究成功开发了一套适用于笼养鸭个体产蛋量监测的移动边缘智能视觉系统。通过轻量化检测模型、鲁棒QR码解码和动态蛋笼匹配策略的有机结合，系统在保持高精度的同时实现了实时处理能力。每笼平均绝对误差（MAE）为0.017个蛋，蛋笼匹配准确率（ECMA）达到98.3%，为立体笼养家禽的精准管理提供了可靠的技术支持。
研究的创新点在于将边缘计算、计算机视觉和物联网技术深度融合，解决了传统监测系统在立体笼养环境中的部署成本高和覆盖范围有限的问题。系统无需改造笼体结构或安装多个传感器，显著降低了硬件和维护费用，为现代鸭场养殖提供了一种经济实用的自动化监测方案。
未来研究方向包括优化笼内蛋滚动过程的物理建模，整合长期生产数据进行趋势预测和健康评估，以及将框架扩展到其他产蛋家禽系统。这些扩展将进一步增强系统在精准育种管理中的实用价值和通用性。
