一种轻量级的深度学习模型，用于在边缘人工智能平台上监测肉鸡群的数量 作者：Keyla Boniche、Miguel Hidalgo-Rodriguez、Adiz Mariel Acosta-Reyes、Edmanuel Cruz、José Carlos Rangel、Miguel Cazorla 和 Francisco Gomez-Donoso

《Poultry》：A Lightweight Deep Learning Model for Broiler Population Monitoring on an Edge AI Platform Keyla Boniche, Miguel Hidalgo-Rodriguez, Adiz Mariel Acosta-Reyes, Edmanuel Cruz, José Carlos Rangel, Miguel Cazorla and Francisco Gomez-Donoso

　　

摘要

尽管轻量级的深度学习模型在牲畜监测方面展现出了潜力，但关于它们在真实肉鸡生产环境下的相对性能和实际应用情况仍有限的数据支持。这些生产环境的特点是饲养密度高、遮挡严重以及计算资源受限。本研究旨在评估三种轻量级的物体检测架构在肉鸡监测中的表现，并判断它们是否适合在中小型生产者的环境中进行低成本边缘设备部署。为了支持研究的可重复性，研究人员通过Zenodo公开发布了一个新的数据集，该数据集包含了从原型农场和高密度商业养殖场采集的图像。这些环境反映了密集型肉鸡生产的视觉复杂性，其中重叠的个体和频繁的遮挡现象对检测性能构成了挑战。研究人员使用YOLOv10s、Faster R-CNN和EfficientDet-D0三种模型进行了训练和性能评估，主要考察它们的检测准确性和计算效率。结果显示YOLOv10s取得了最佳性能，平均精度（mAP）达到了0.95；而Faster R-CNN和EfficientDet-D0在处理拥挤场景时表现不佳，这主要是由于区域检测轮廓的饱和度较高以及特征提取能力有限。所选模型进一步被部署在Raspberry Pi 5上，实现了稳定的392.17毫秒处理延迟。这些结果表明，YOLOv10s在 affordable（经济性）的硬件上实现了准确性和效率之间的良好平衡，同时也表明为了在现实环境中维持系统的稳定运行，需要进行主动的热量管理工作。