《Animals》：A Lightweight Deep Learning Approach for Real-Time Detection of Egg-Laying Behavior and Hatching Eggs in Breeding Ducks
编辑推荐：
产蛋率和产蛋行为是衡量种鸭繁殖性能的重要指标。人工监测耗时费力，且垫料、小型种蛋、多变姿态和遮挡等因素使检测复杂化。本研究提出了DPG-YOLO用于检测产蛋行为和种蛋。在YOLO26基础上，研究人员重构了DE-C3K2模块以增强细粒度特征提取，引入PPA以强化
产蛋率和产蛋行为是衡量种鸭繁殖性能的重要指标。人工监测耗时费力，且垫料、小型种蛋、多变姿态和遮挡等因素使检测复杂化。本研究提出了DPG-YOLO用于检测产蛋行为和种蛋。在YOLO26基础上，研究人员重构了DE-C3K2模块以增强细粒度特征提取，引入PPA以强化多尺度语义建模，并采用C3Ghost优化颈部特征融合、减少冗余计算。DPG-YOLO的精确率、召回率和mAP50分别达到96.8%、96.3%和97.4%，较YOLO26分别提升4.6、4.8和5.0个百分点。该模型计算量为7.6 GFLOPs，模型大小为7.1 MB，处理速度为124.1帧/s。自动估算的产蛋率和产蛋行为频率与人工统计值呈显著正相关（rs = 0.987和0.964，p < 0.05），两种指标在两种方法间均无显著差异（p > 0.05）。因此，DPG-YOLO兼具检测精度、实时性能和统计可靠性，可支持繁殖性能自动化监测、精准饲喂管理和种鸭生产数字化。
### 研究背景与问题
蛋鸭产业是中国水禽生产的重要组成部分，种鸭的繁殖性能直接影响商品代鸭苗的供应和产业经济效益。产蛋率和产蛋行为频率是评估种鸭繁殖性能和生产状态的关键指标，可为种鸭育种和精准饲喂管理提供依据。然而，传统的人工巡查、鸡蛋计数和行为观察方法劳动强度大、主观性强、可重复性差，难以实现连续监测。种鸭舍内复杂的垫料背景、多变的光照条件和鸭群间的相互遮挡进一步降低了人工记录的效率和可靠性。因此，开发能够自动、准确记录产蛋行为并连续计数种蛋的技术，对于评估繁殖性能、实施精准饲喂管理以及推动种鸭生产数字化转型具有重要意义。
近年来，机器视觉和深度学习技术的进步为解决上述问题提供了新途径。目标检测技术已从两阶段检测器（如Faster R-CNN）发展至单阶段检测器，YOLO系列检测器凭借端到端设计和高效性持续迭代。基于YOLO的家禽应用已涵盖蛋鸡行为识别、散养鸭蛋识别与定位、笼养系统蛋品检测与计数、禽蛋裂纹在线检测以及种蛋孵化信息自动检测等。然而，现有研究大多针对蛋鸡行为或禽蛋检测单一任务，对种鸭产蛋行为与种蛋的同步自动检测研究较为缺乏。种蛋和鸭喙在图像中仅占据少量像素，其细粒度特征模糊，难以与垫料纹理、污渍和阴影区分；目标尺度随距相机距离变化差异显著；农场部署通常依赖边缘设备，需要在精度、轻量化和实时性之间取得平衡，通用检测器难以同时满足这些要求。
### 研究内容与总体结论
针对上述问题，研究人员以YOLO26为基线，提出了DPG-YOLO轻量级多尺度检测模型，用于在复杂养殖环境中同步检测种鸭产蛋行为和种蛋。该模型通过三个关键模块实现性能提升：第一，采用细节增强卷积重构C3K2得到DE-C3K2模块，强化对种蛋边缘、鸭喙轮廓和局部纹理等细粒度特征的提取；第二，在空间金字塔池化前引入并行补丁感知注意力模块，增强多尺度语义建模能力；第三，在颈部网络中用C3Ghost结构替换常规特征融合模块，降低冗余计算并优化检测精度和推理效率。基于上述改进，研究人员建立了从视频检测结果自动量化产蛋率和产蛋行为频率的方法，并使用Spearman秩相关分析和Wilcoxon符号秩检验评估自动统计值与人工统计值的一致性。
实验结果表明，DPG-YOLO在精确率、召回率和mAP50上分别达到96.8%、96.3%和97.4%，较YOLO26基线分别提升4.6、4.8和5.0个百分点；计算量为7.6 GFLOPs，模型大小7.1 MB，推理速度达124.1帧/s。自动估算的产蛋率和产蛋行为频率与人工统计值高度一致，Spearman秩相关系数分别为0.987和0.964（p < 0.05），Wilcoxon符号秩检验显示两种方法间无显著差异（p > 0.05）。该研究首次实现了种鸭产蛋行为与种蛋的同步自动化检测及生产性能指标的自动量化，为种鸭繁殖性能监测、精准饲喂管理和生产数字化提供了可靠的技术支撑。
### 关键技术方法
研究人员在河北省邢台市南部某商业种鸭场（38.830321° N, 115.446568° E）的实验鸭舍开展数据采集，时间为2026年8月23日至30日，共7天。实验群体为60只300日龄雌性种鸭，采用地面平养模式，圈舍面积300 m2，设有8个产蛋箱。使用两台海康威视高清网络摄像机（DS-2CD3366WDV3-I）以不同位置和视角架设于产蛋区上方约3 m和2.5 m处，以1280 × 720分辨率、25帧/s连续录制视频。每5 s提取一帧图像，经图像清洗后保留11256张产蛋行为图像和8374张种蛋图像，共19630张标注图像。模型架构方面，DE-C3K2模块将差分卷积分支（中心、角点、水平和垂直方向）集成到C3K2瓶颈结构中，以增强局部结构变化响应；PPA模块采用局部感知、全局上下文和串行卷积三个并行分支建模多尺度信息；C3Ghost利用Ghost卷积以廉价线性变换生成冗余特征，降低颈部融合计算开销。
### 研究结果
#### 消融实验
研究人员以YOLO26为基线，逐步添加各改进模块评估其贡献。原始YOLO26的精确率、召回率和mAP50分别为92.2%、91.5%和92.4%。加入DE-C3K2后，三项指标提升至93.1%、92.5%和94.8%，较基线分别提高0.9、1.0和2.4个百分点，表明该模块增强了网络对边缘、纹理和局部形态变化的表征能力，降低了复杂垫料背景下的漏检风险。在SPPF前引入PPA模块后，精确率、召回率和mAP50进一步增加1.9、1.9和1.4个百分点，验证了其局部、全局和串行分支可同时提取不同尺度目标的空间语义特征。采用C3Ghost替换颈部特征融合模块后，模型取得最佳检测性能，精确率、召回率和mAP50分别达96.8%、96.3%和97.4%，较第三组提高1.8、1.9和1.2个百分点；同时计算量从9.2 GFLOPs降至7.6 GFLOPs，降幅17.4%，推理速度从112.0帧/s提升至124.1帧/s，提升10.8%。
#### 与其他目标检测模型对比
研究人员将DPG-YOLO与Faster R-CNN、RT-DETR、YOLOv9、YOLOv10、YOLOv11、YOLOv12和YOLO26进行对比。Faster R-CNN检测精度最低，精确率、召回率和mAP50分别为84.6%、82.3%和85.9%，计算量182.6 GFLOPs，推理速度仅18.7帧/s。RT-DETR优于Faster R-CNN，但计算量达96.3 GFLOPs，推理速度32.4帧/s。YOLO26的精确率、召回率和mAP50为92.2%、91.5%和92.4%，超过YOLOv9至YOLOv12。DPG-YOLO在所有模型中表现最优，精确率96.8%、召回率96.3%、mAP50达97.4%，较YOLO26分别提高4.6、4.8和5.0个百分点；尽管计算量略增至7.6 GFLOPs（YOLO26为6.8 GFLOPs），但124.1帧/s的推理速度仍满足实时视频分析需求。视觉对比结果显示，YOLOv9存在漏检和误检，YOLOv10在遮挡场景下仍漏检种蛋，YOLOv12对密集和部分遮挡目标有所改进但仍有漏检，YOLOv11和YOLO26在复杂背景下偶尔出现边界定位不准确。DPG-YOLO的检测框与目标边界贴合度最高，代表帧中几乎未出现误检或漏检，表现出对复杂垫料背景、个体遮挡和尺度变化的鲁棒性。
#### 性能指标统计分析
研究人员以独立测试视频片段为分析单元，将DPG-YOLO自动统计值与同一视频08:00时刻的人工统计值进行对比。Spearman秩相关分析显示，产蛋率指标的秩相关系数为0.987（p < 0.05），产蛋行为频率指标为0.964（p < 0.05），表明自动统计值与人工统计值的变化趋势高度一致。Wilcoxon符号秩检验结果显示，两种指标在自动与人工统计方法间均无显著差异（p > 0.05），表明自动统计值在绝对值上不存在系统性偏差。研究人员估算的产蛋率约87%–99%，与300日龄种鸭产蛋高峰期预期生产水平相符。
### 讨论与结论
讨论部分指出，DPG-YOLO通过特征增强、多尺度建模和轻量融合相结合，建立了从产蛋行为和种蛋检测到产蛋性能自动量化的完整流程。该研究与以往工作存在三点差异：第一，在商业养殖条件下从单一俯视视角同步检测产蛋行为和种蛋，而此前研究通常将行为识别与蛋品计数作为分离任务处理；第二，通过识别产蛋箱占用事件并取帧间蛋数的众数，将帧级检测结果转化为日均产蛋率和产蛋行为频率等生产指标；第三，使用Spearman秩相关分析和Wilcoxon符号秩检验评估自动统计值，验证了自动估算结果与人工统计值在变化趋势和绝对值上的高度一致性。研究局限性包括：数据仅来自单一农场、单一品种和7天采集周期，采用图像级划分可能导致分区间的剩余时间相关性；产蛋事件判定规则结合产蛋箱占用与新产种蛋检测，无法完全排除非产蛋占用；日均产蛋率基于08:00单次快照估算，近似于日总产蛋数；验证仅限于7个日记录（n = 7）的日级一致性，未评估事件级精确率和召回率；未进行个体跟踪和边缘设备部署测试。
研究结论表明，DPG-YOLO在垫料干扰、小目标种蛋、种鸭姿态多变和遮挡等复杂条件下，通过重构DE-C3K2、引入PPA多尺度增强模块和采用C3Ghost轻量化特征融合，有效提升了判别性特征提取能力。精确率、召回率和mAP50分别达96.8%、96.3%和97.4%，较YOLO26基线提高4.6、4.8和5.0个百分点。在计算量7.6 GFLOPs、模型大小7.1 MB条件下，推理速度达124.1帧/s，兼顾了检测精度和实时性。自动估算的产蛋率和产蛋行为频率与人工统计值显著正相关（rs = 0.987和0.964，p < 0.05），且两种指标在两种方法间均无显著差异（p > 0.05）。DPG-YOLO可为种鸭产蛋信息的自动化采集、繁殖性能评估和精准饲喂管理提供可靠的技术基础。
