本发明涉及畜牧业以及自动化监测领域，尤其涉及一种基于鸡只张喙行为的笼内鸡只热应激检测方法。
背景技术：
1、在现代禽业生产中，鸡只的健康受到越来越多的关注，实时监测鸡只的生理和行为状态对于早期检测疾病和热应激状况极其重要，这不仅有助于预防潜在的健康问题，而且对提高农业生产效率和产品质量也有显著作用。在室温正常情况下，鸡喙通常处于闭合状态。但当室温高于鸡只的耐受值时会造成鸡只的呼吸困难，此时鸡只需要张开鸡喙来加大呼吸量，因此鸡只张喙行为可用于鸡只热应激的快速检测。传统上，热应激的监测依赖于定期记录环境条件和观察鸡只的行为，如张喙探测等。然而，这种方法需要大量的人工干预，不仅耗时、耗力，而且可能受到观察者主观判断的影响，这限制了其在大规模商业生产中的应用。随着传感器技术和计算能力的快速发展，自动化监测系统成为了研究的热点。相关现有技术主要通过使用环境传感器监测温度、湿度等环境指标，并结合机器学习方法对鸡只的行为特征进行分析，以实现对热应激的判断。这些技术利用了声音、图像甚至无线身体传感器进行数据收集。
2、近年来，虽然自动化技术不断优化，但仍存在诸多技术缺陷，至少包括如下几个方面：1.单纯依赖环境指标可能不能准确反映每只鸡只的实际感受。环境条件可变性大，且鸡只的应激反应是个体之间有差异的。2.目前对鸡只行为分析的机器学习模型仍然需要进一步的精确化和优化，尤其是在处理大规模数据和复杂场景时的稳健性和准确性。3.现有的模型优化机制还不够成熟，这限制了它们在早期检测热应激事件中的潜在效用。
技术实现思路
1、本发明要解决的技术问题是针对现有技术的种种不足，提供一种基于鸡只张喙行为的笼内鸡只热应激检测方法。
2、为解决上述技术问题，本发明所采取的技术方案如下。
3、一种基于鸡只张喙行为的笼内鸡只热应激检测方法，包含数据收集与标注、模型设计及训练、模型测试与优化、实时监控与预警步骤。
4、作为本发明的一种优选技术方案，数据收集与标注步骤收集养殖场内鸡只张喙行为的图片数据，包括正常情况下的鸡只以及处于热应激状况下的鸡只，其中鸡只的张喙行为，认为该鸡只发生了热应激。
5、作为本发明的一种优选技术方案，数据收集与标注步骤使用mixup技术增强数据集中样本图像关于尺度和色域的多样性，具体步骤为：读取两张图片后，分别对两张图片进行翻转、放缩和色域变化，最后将二者的真实框堆叠到一起，使原来两幅图像的真实框就混合到了一幅图像上。
6、作为本发明的一种优选技术方案，数据收集与标注步骤使用mosaic数据增强技术进一步丰富数据集中的小目标样本，提高网络鲁棒性，具体步骤为：随机选取4张经过mixup技术处理后的图像进行随机缩放、随机裁剪、随机排布的方式完成拼接并得到一张新图片。
7、作为本发明的一种优选技术方案，模型设计及训练步骤通过创建鸡只张喙行为检测模型，改善基础网络对多尺度小目标特征的提取能力，具体步骤为：在yolov8算法的基础上引入双向特征融合器模块，模块中的动态注意力机制根据输入图像的特征自适应调整注意力权重，给予不同位置或特征不同的注意力水平，并通过调整动态遮罩灵活控制注意力的强度和范围，在增强网络对颜色、纹理、边缘、棱角等信息的感知能力的基础上改善基础网络对多尺度小目标特征的提取能力，提高网络的浅层特征提取能力，以及网络计算所需资源的分配效率。
8、作为本发明的一种优选技术方案，模型设计及训练步骤引用c3ghost结构设计，在保证模型具有良好的检测精度的前提下，最大限度地压缩算法的参数，提高模型的特征融合速度，防止模型训练时出现过拟合的现象。
9、作为本发明的一种优选技术方案，模型设计及训练步骤中在模型训练阶段通过构建创新损失函数，更好地处理包括鸡只头部重叠在内的目标重叠造成的漏检问题。
10、作为本发明的一种优选技术方案，创新损失函数具体构建过程如下：选用eiouloss作为模型的损失函数，在eiouloss的惩罚项中通过拆分纵横比影响因子来计算真值边界框和锚点的长度和宽度，eiouloss如下式所示，
11、
12、式中，b和bgt分别表示预测边界框和真值边界框的质心，ρ表示在两个质心之间计算的欧几里得距离，c表示可以同时包含预测边界框和真值边界框的最小闭合区域的对角线距离，w,wgt分别表示预测边界框和地面实况边界框的宽度，h,hgt分别表示预测边界框和真值边界框的宽度，以及iou是预测边界框和真值边界框之间的交集和串联之比；
13、使用focal loss做进一步的优化，如下式所示，
14、
15、式中，n是每批中锚-目标对的数量，leioui和wi是锚-目标对i的eiouloss和相应权重。
16、作为本发明的一种优选技术方案，模型测试与优化步骤通过构建参数更新算法对模型参数进行优化，具体步骤如下：
17、对于每个参数θ基于一阶矩估计和二阶矩估计来更新参数，设定初始参数：θ0，动量衰减项：β1∈[0,1)，缩放衰减项：β2∈[0,1)，稳定项：ε，学习率：α，初始时间步：t＝0，初始一阶矩估计：m0＝0，初始二阶矩估计：v0＝0；
18、对于每一次迭代，执行以下更新规则：
19、a.计算t时刻损失函数的梯度
20、b.更新一阶矩估计：m(t)＝β1·m(t-1)+(1-β1)·g(t)
21、c.更新二阶矩估计：v(t)＝β2·v(t-1)+(1-β2)·g(t)2
22、d.对一阶矩估计进行偏差修正：
23、e.对二阶矩估计进行偏差修正：
24、f.更新参数：
25、g.t＝t+1并回到步骤a，直至达到收敛条件或完成预定的迭代次数。
26、作为本发明的一种优选技术方案，实时监控与预警模块根据设定的检测到热应激行为占比阈值，实现对鸡只热应激的实时监控和预警。
27、采用上述技术方案所产生的有益效果在于：本发明提供一种笼内鸡只热应激快速检测方法，通过使用mixup技术和mosaic数据增强技术增强数据集中样本图像关于尺度和色域的多样性并丰富数据集中的小目标样本，在yolov8算法的基础上引入双向特征融合器模块创建鸡只张喙行为检测模型，提高网络浅层特征提取能力；引用c3ghost结构设计，在保证模型具有良好的检测精度的前提下，最大限度地压缩算法的参数；通过构建创新损失函数，更好地处理包括鸡只头部重叠在内的目标重叠造成的漏检问题。本发明解决人工巡检方式的低效性，实时性差的问题，为养殖场中出现的鸡只热应激状况做出早期预警。在目标检测中，边界框回归是决定目标定位性能的关键步骤。由于在鸡笼内部背景较为复杂，背景目标的类别较多，为了减小前景和背景的类别不平衡对检测结果的影响，加快收敛速度，提高模型对鸡只张喙行为的检测精度和模型的鲁棒性，我们选用eiouloss作为模型的损失函数。通过将重叠损失、中心距损失和宽高损失都包含在损失函数中，宽度-高度损失直接使真值边界框与锚点之间的差异最小化，使得收敛速度更快。当回归的任务所需处理信息较小时，iou接近为1退化为eiou loss，此时网络并不需要用过大的权重来学习。相反，当回归的任务较为复杂时，eiou的值会变大，使用大权重来增加回归样本的学习能力。因此使用eiouloss损失函数在张喙目标检测方面具备以下优势：(1)具有尺度不变性，这意味着张喙作为小目标，在使用eiouloss时，不容易被网络归类为负样本，从而影响网络收敛性满足非负性。(2)具有较快的收敛速度和回归精度，宽度和高度损失加速并提高了边界回归损失的收敛，有效的避免了因忽略宽度和高度之间的实际差异及其置信水平，因此，在实际应用中对于降低遮挡重叠等问题引起的预测偏差非常有利。(3)解决难易样本不平衡的问题，通过引入focal loss函数把高质量的锚框和低质量的锚框分开，相当于加权作用，给越好的回归目标一个越大的损失，有助于提高回归精度。
1.一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：所述方法包含以下步骤：数据收集与标注、模型设计及训练、模型测试与优化、实时监控与预警。
2.根据权利要求1所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：数据收集与标注步骤收集养殖场内鸡只张喙行为的图片数据，包括正常情况下的鸡只以及处于热应激状况下的鸡只，其中鸡只的张喙行为，认为该鸡只发生了热应激。
3.根据权利要求2所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：数据收集与标注步骤使用mixup技术增强数据集中样本图像关于尺度和色域的多样性，具体步骤为：读取两张图片后，分别对两张图片进行翻转、放缩和色域变化，最后将二者的真实框堆叠到一起，使原来两幅图像的真实框混合到一幅图像上。
4.根据权利要求3所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：数据收集与标注步骤使用mosaic数据增强技术进一步丰富数据集中的小目标样本，提高网络鲁棒性，具体步骤为：随机选取4张经过mixup技术处理后的图像进行随机缩放、随机裁剪、随机排布的方式完成拼接并得到一张新图片。
5.根据权利要求1所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：模型设计及训练步骤通过创建鸡只张喙行为检测模型，改善基础网络对多尺度小目标特征的提取能力，具体步骤为：在yolov8算法的基础上引入双向特征融合器模块，模块中的动态注意力机制根据输入图像的特征自适应调整注意力权重，给予不同位置或特征不同的注意力水平，并通过调整动态遮罩灵活控制注意力的强度和范围，在增强网络对颜色、纹理、边缘、棱角等信息的感知能力的基础上改善基础网络对多尺度小目标特征的提取能力，提高网络的浅层特征提取能力，以及网络计算所需资源的分配效率。
6.根据权利要求5所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：模型设计及训练步骤引用c3ghost结构设计，在保证模型具有良好的检测精度的前提下，最大限度地压缩算法参数，提高模型的特征融合速度，防止模型训练时出现过拟合现象。
7.根据权利要求6所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：模型设计及训练步骤中在模型训练阶段通过构建创新损失函数，更好地处理包括鸡只头部重叠在内的目标重叠造成的漏检问题。
8.根据权利要求7所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：创新损失函数具体构建过程如下：选用eiouloss作为模型的损失函数，在eiouloss的惩罚项中通过拆分纵横比影响因子来计算真值边界框和锚点的长度和宽度，eiouloss如下式所示，
9.根据权利要求1所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：模型测试与优化步骤通过构建参数更新算法对模型参数进行优化，具体步骤如下：
10.根据权利要求1所述的一种基于鸡只张喙行为的笼内鸡只热应激检测方法，其特征在于：实时监控与预警模块根据设定的检测到热应激行为占比阈值，实现对鸡只热应激的实时监控和预警。
