基于深度学习的笼养鸭行为识别与姿态估计：消除笼网干扰提升精准监测技术

为解决笼养模式下鸭体特征被笼网遮挡导致的识别精度下降问题，研究人员结合Mask R-CNN与CycleGAN实现笼网分割与图像补全，并改进YOLOv7模型（YOLOv7-CRD）和HRNet-48网络，显著提升10/20/30日龄笼养鸭的典型行为（饮水、理羽、拍翅）识别精度（mAP提高1.86-2.60%）及姿态关键点检测效果（OKS提升13.22-18.07%），为家禽智能化养殖提供关键技术支撑。

　　

笼养鸭的智能监测困境与突破
中国作为全球肉鸭养殖第一大国，2022年产量达40.2亿只，占全球总量的69%。然而传统散养和发酵床模式效率低下且污染环境，集约化笼养成为产业升级的关键方向。但笼养模式中金属网对鸭体的遮挡导致特征丢失，严重阻碍了基于计算机视觉的健康监测技术发展。鸭群行为与姿态变化是其生理状态的重要指标，现有研究多集中于散养家禽或笼养鸡，针对笼养鸭的遮挡消除、行为识别与姿态估计仍存在技术空白。

江苏省农业科学院的研究团队在《Computers and Electronics in Agriculture》发表研究，通过融合深度学习与图像处理技术，首次系统性解决了笼网干扰下的鸭体特征还原问题。研究以10/20/30日龄樱桃谷肉鸭为对象，构建含笼网/无笼网对照的图像数据集，采用Mask R-CNN分割笼网区域，CycleGAN补全鸭体特征（SSIM达88.36-91.78%），并创新性改进YOLOv7模型：以MobileOne替换原主干网络，引入SimAM注意力机制，采用EIoU损失函数，最终开发出YOLOv7-CRD行为识别模型和基于HRNet-48的八关键点姿态估计方法。

关键技术方法
研究通过三阶段实现目标：1) 使用Mask R-CNN分割笼网区域，2) 采用CycleGAN生成被遮挡鸭体特征，3) 构建YOLOv7-CRD（含MobileOne主干、SimAM注意力、EIoU损失函数）和HRNet-48姿态估计网络。实验对比了笼网消除前后模型性能差异，评估指标包括SSIM、PSNR、mAP、F1-score、OKS等。

研究结果
Mask R-CNN-based cage-net segmentation model acquisition
通过迁移学习策略优化Mask R-CNN，在10/20/30日龄鸭图像中实现笼网像素级分割，为后续CycleGAN图像补全提供精准掩膜。

The impact of image completion on the accuracy of behavior recognition and pose estimation in cage-reared ducks
图像补全后鸭体结构相似性显著提升（SSIM>88%，PSNR>37dB），YOLOv7-CRD对三种行为的识别mAP提高1.86-2.60%，FPS提升21.05%，内存占用降低24.66%；HRNet-48姿态估计OKS指标提升13.22-18.07%，证实笼网消除能有效还原鸭体生物特征。

结论与意义
该研究首次实现笼养鸭全周期（10-30日龄）的多行为精准识别与姿态估计，突破性地解决了笼网遮挡导致的特征丢失问题。技术层面，MobileOne与SimAM的引入平衡了模型精度与效率，EIoU加速了边界框回归收敛；应用层面，为建立鸭群健康预警系统提供了可落地的技术方案，对推进家禽养殖智能化具有示范价值。研究提出的"分割-补全-识别-估计"技术路线，可扩展至其他笼养禽类的监测场景，为畜牧业数字化转型提供新范式。