来源：市场资讯

（来源：计算机视觉研究院）

计算机视觉研究院

打开网易新闻 查看精彩图片

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12466498/pdf/animals-15-02669.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

在高密度笼养场景里，鸡只互相遮挡、笼层光线不均，一直是智能监测的老大难。最近，四川农业大学团队发表了一项针对性研究，打造了一套抗遮挡、抗暗光的笼养鸡检测方案，实测效果远超主流 YOLO 模型。

PART/1

痛点

痛点：笼养环境太复杂，传统算法 “失灵”

规模化笼养鸡场有两个致命问题：

现有的检测要么只标全身、要么只标头部，遇到严重遮挡就失效；实验室环境训练的模型，一到真实鸡舍就精度暴跌。

PART/2

方案

方案：自建数据集 + 三大模块升级 YOLO

1. 专属鸡舍数据集（更贴合真实场景）

  • 采集3851 张真实笼养黄羽肉鸡图像，按 7:2:1 划分训练 / 验证 / 测试集；

  • 采用头颈联合标注，解决遮挡下目标断裂问题；

  • 用多阶段图像增强辅助标注，只用于标注、不进训练集，保证落地真实；

  • 专门做了两个测试集：暗光测试集、多遮挡测试集。

2. 核心创新：三大模块升级 YOLO11n

团队在 YOLO11n 基础上，打造Chicken‑YOLO，加入三个关键设计：

  • MSEIExtractor 多尺度边缘提取器：强化羽毛纹理、鸡冠轮廓，暗光下也能抓关键特征；
  • CGDown 上下文引导下采样：下采样时保留局部细节 + 全局上下文，减少信息丢失；
  • DHMSEAM 多尺度分离增强注意力检测头：专门提升遮挡区域感知，解决重叠漏检。

【Chicken-YOLO 整体架构图】
打开网易新闻 查看精彩图片
【Chicken-YOLO 整体架构图】

PART/3

结果

结果：精度更高、更轻量，暗光遮挡双提升

1. 整体性能吊打主流模型

和 Faster R-CNN、SSD、YOLOv5/v8/v9/v10、YOLO11 对比：

  • mAP50 达 90.9%，比基线 YOLO11n 高1.7%；

  • mAP50:95 高1.6%；

  • 参数仅为 YOLO11s 的58.8%，计算量仅42.3%，更易部署。

【主流模型检测性能对比表】
打开网易新闻 查看精彩图片
【主流模型检测性能对比表】

2. 专项测试：暗光 + 遮挡都变强

  • 暗光场景：mAP50 提升3.0%，暗处鸡只不再 “隐身”；
  • 多遮挡场景：mAP50 提升1.8%，召回率大幅上涨。

打开网易新闻 查看精彩图片
【暗光 / 多遮挡测试对比表】
打开网易新闻 查看精彩图片
【暗光 / 多遮挡测试对比表】

3. 消融实验：三个模块缺一不可

单独 / 组合验证显示，MSEIExtractor、CGDown、DHMSEAM协同增效，完整组合达到最优。

【Chicken-YOLO 消融实验结果表】
打开网易新闻 查看精彩图片
【Chicken-YOLO 消融实验结果表】

4. 可视化：漏检、误检明显减少

热图与检测效果直观看到：

  • 模型更聚焦鸡只，不被饮水器干扰；

  • 遮挡处、暗光处无明显漏检、无多余框。

【主流算法检测效果对比图】
打开网易新闻 查看精彩图片
【主流算法检测效果对比图】
【暗光场景检测效果对比图】
打开网易新闻 查看精彩图片
【暗光场景检测效果对比图】
【多遮挡场景检测效果对比图】
打开网易新闻 查看精彩图片
【多遮挡场景检测效果对比图】

PART/4

总结

这篇研究用专属数据集 + 结构优化，真正解决笼养鸡暗光、遮挡两大难题：

  • Chicken‑YOLO 在复杂鸡舍环境更稳、更准、更轻量；

  • 可为鸡只计数、行为分析、健康监测提供底层支撑。

未来团队将扩大数据集、覆盖不同日龄、进一步轻量化剪枝，让模型更适配巡检机器人落地。

有相关需求的你可以联系我们！