《Poultry Science》：Research on cutting keypoint detection of chicken carcasses based on improved YOLO11-Pose
编辑推荐：
本研究针对家禽加工业中因鸡胴体尺寸变异大导致自动化切割精度不足的难题，开发了一种基于改进YOLO11-Pose模型的关键点检测方法。研究人员通过集成SimAM注意力机制、C2PSA_BSAM通道-空间注意力协同模块和SPPF_Global模块，实现了对鸡颈、翅、腿等关键切割点的精准定位。实验结果表明，该方法的mAP50-pose和mAP50-95-pose分别达到99.5%和83.7%，较基线模型提升6.6%和5.2%，为自动化家禽加工系统提供了可靠的技术支持。
在现代化家禽加工行业，鸡胴体的自动化分割一直是提升生产效率和标准化水平的技术瓶颈。由于鸡只品种、饲养条件等因素的影响，鸡胴体在尺寸和形态上存在显著差异，这种个体间的变异性给标准化、精准化的自动化切割作业带来了巨大挑战。目前，行业内主要依赖人工操作进行分割，工人们需要凭借经验识别鸡颈、翅、腿等关键部位并进行切割，这种传统方式不仅劳动强度大、效率有限，还容易因疲劳导致切割精度不稳定，难以满足现代化大规模生产的需求。
面对这一行业痛点，陈燕教授团队在《Poultry Science》上发表了最新研究成果，他们开发了一种基于改进YOLO11-Pose模型的关键点检测方法，旨在实现鸡胴体切割点的精准定位，为自动化机械切割设备提供精确的坐标引导。该研究通过深度学习技术，使机器能够像经验丰富的工人一样"识别"鸡胴体上的关键解剖位置，从而指导机械臂完成精准切割。
为了开展这项研究，团队首先建立了包含530张高分辨率鸡胴体图像的数据集，并通过数据增强技术将样本量扩展至2000张。研究人员基于鸡的解剖学特征，在每只鸡胴体上定义了7个核心定位点和6条基准分割线，涵盖了颈部、翅根和腿根等关键切割区域。这些标注工作为模型训练提供了高质量的监督信息。
在技术方法上，研究人员对YOLO11-Pose模型进行了三项重要改进：引入了无需额外参数的SimAM注意力机制来增强关键特征提取能力；设计了C2PSA_BSAM通道-空间注意力协同模块进行双维度特征提取；集成了SPPF_Global模块通过多尺度池化扩大感受野，更有效地捕获全局上下文信息。这些技术创新共同提升了模型在复杂场景下对鸡胴体关键点的检测精度。
研究结果显示，经过改进的YOLO11-Pose模型在关键点检测任务中表现卓越。在模型性能评估方面，改进后的模型在mAP50-pose和mAP50-95-pose指标上分别达到了99.5%和83.7%，相比基线模型提升了6.6%和5.2%。损失函数方面，模型的box_loss和pose_loss分别降至0.27057和0.07895，表明模型具有优异的拟合能力和预测精度。
Ablation Experiments
通过系统的消融实验，研究人员验证了各个改进模块的有效性。实验结果表明，单独添加SimAM注意力机制可使精确度提升0.8%，mAP50提升0.9%；而结合C2PSA_BSAM模块后，mAP50-95从77.5%显著提升至82.7%。当同时集成SimAM、C2PSA_BSAM和SPPF_Global三个模块时，模型实现了最佳性能，在保持较高推理速度（单帧处理时间26.9毫秒）的同时，显著提升了检测精度。
Analysis of the performance differences in detecting different key points
对不同关键点检测性能的分析发现，模型在翅根和腿根关节处的检测置信度较高（0.97-0.98），而在颈部区域的置信度相对较低（0.92-0.94）。这一差异反映了不同解剖部位的特征明显程度不同，翅腿关节具有更清晰的骨骼特征，而颈部因皮肤松弛和姿态变化较大而增加了检测难度。
Training Results and Performance Evaluation
训练过程中的损失曲线和mAP曲线显示，模型在80-90个训练周期后趋于稳定，表明优化策略有效。与HRNet、YOLOv8n-pose等主流模型相比，改进的YOLO11-Pose在参数数量增加至4.7M的情况下，仍保持了较高的推理效率，满足了工业实时性要求。
Detection Effect of Chicken Carcass Cutting Point Detection
在实际检测效果验证中，模型在正常条件下对关键点的检测置信度高达0.97，即使在添加高斯噪声、遮挡和光照变化的挑战性场景下，仍能保持0.94-0.95的较高置信度，展现了良好的鲁棒性。
该研究的成功不仅为家禽加工业提供了一种高效、精准的自动化切割解决方案，也为类似农业对象的精准定位和识别任务提供了技术借鉴。通过深度学习技术的创新应用，这项研究推动了传统屠宰行业向智能化、自动化方向的转型升级，为实现家禽加工业的数字化和智能化奠定了坚实基础。未来，研究人员计划将这种方法扩展到更多家禽品种和更复杂的工作场景，进一步提升系统的实用性和普适性。
