از داده تا رفاه: فناوری SFN-YOLO چشمهای هوشمند مرغداریهای آینده
شناسایی و مکانیابی طیور برای پیشرفت مرغداری هوشمند ضروری است. با وجود پیشرفت روشهای مبتنی بر تشخیص، در محیطهای آزاد به دلیل اهداف چندمقیاسی، انسداد و پسزمینههای پیچیده همچنان چالشهایی باقی است.
این مطالعه رویکرد نوینی به نام SFN-YOLO معرفی میکند که با فیوژن مقیاسآگاه، ویژگیهای محلی دقیق را با زمینهٔ کلی گسترده ادغام میکند تا تشخیص در محیطهای پیچیده بهبود یابد.
همچنین، یک مجموعه دادهٔ جدید به نام M-SCOPE برای شرایط متنوع مرغداری آزاد ساخته شده است. آزمایشهای جامع نشان میدهد مدل ما به mAP = 80.7٪ با تنها 7.2 میلیون پارامتر (۳۵.۱٪ کمتر از مدل معیار) میرسد در حالی که قابلیت تعمیم بالایی در حوزههای مختلف دارد. قابلیت تشخیص کارآمد و بیدرنگ SFN-YOLO از مرغداری هوشمند خودکار پشتیبانی میکند.
SFN-YOLO برای حل این مشکلات طراحی شده و هم دقت و هم سرعت را حفظ میکند.
🔹 معماری SFN-YOLO
شکل ۱ (در مقاله): چارچوب SFN-YOLO
توضیح فارسی: این شکل شبکهٔ اصلی را نشان میدهد که ماژول فیوژن مقیاسآگاه (SFM) در سه مرحلهٔ اصلی ستون فقرات جاسازی شده و با مکانیزم راهنمایی دوطرفهٔ محلی-سراسری، ادغام جزئیات ریز با اطلاعات زمینهای را انجام میدهد تا ادراک اهداف چندمقیاسی بهبود یابد.
این شبکه بر پایهٔ YOLOv8 ساخته شده و ماژول فیوژن مقیاسآگاه (SFM) جایگزین بخشهای محدود قبلی شده تا وابستگیهای دوربرد را بهتر بگیرد. ادغام پیش از گردن شبکه باعث افزایش دقت ویژگیهای چندمقیاسی و آگاهی از زمینهٔ کلی میشود و توان تعمیم مدل را در پسزمینههای پویا و شلوغ بالا میبرد.
از داده تا رفاه: فناوری SFN-YOLO چشمهای هوشمند مرغداریهای آینده
🔹 ماژول فیوژن مقیاسآگاه (SFM)
SFM قابلیت استخراج ویژگی محلی کانولوشنی را با مدلسازی زمینهٔ سراسری مکانیزم توجه ترکیب میکند:
-
شاخهٔ محلی: استخراج جزئیات دقیق مانند لبهها و بافتها برای شناسایی اهداف کوچک و تعیین دقیق مرزهای اشیای بزرگتر یا پنهانشده.
-
شاخهٔ سراسری: گرفتن وابستگیهای دوربرد برای بازسازی اشیای پنهان و تمایز اشیای کوچک از پسزمینهٔ شلوغ با استفاده از بلوک ویژگی سراسری و مکانیزم توجه چندسر (MHSA).
مکانیزم راهنمایی دوطرفه:
شاخهٔ سراسری نشانههای معنایی برای اصلاح ویژگیهای کانال شاخهٔ محلی میدهد و شاخهٔ محلی سوگیریهای مکانی را با جزئیات دقیق اصلاح میکند. این تعامل ساختاری، تمایزپذیری ویژگیها و تعمیم مدل را بهبود میدهد. فرمولهای ۳ تا ۵ مقاله نحوهٔ اعمال وزنهای توجه مکانی و کانالی و ادغام نهایی را نشان میدهند.
از داده تا رفاه: فناوری SFN-YOLO چشمهای هوشمند مرغداریهای آینده
مجموعهدادهٔ M-SCOPE
یک مجموعهدادهٔ جدید شامل ۶۶۰۰ تصویر از سناریوهای متنوع مرغداری آزاد، با برچسب «مرغ»، ضبطشده از ژانویه تا آوریل ۲۰۲۵ در رزولوشن 2560×1440 و 24fps. شامل ۱۴ صحنه (۱۰ صحنه برای آموزش/اعتبارسنجی/آزمون و ۴ صحنهٔ جدید برای آزمون خارج از دامنه).
جدول ۱ (در مقاله): آمار مجموعهداده
توضیح فارسی: این جدول تعداد صحنهها، تصاویر و درصد جعبههای کوچک/متوسط/بزرگ در هر بخش (ID و OOD) را نشان میدهد.
از داده تا رفاه: فناوری SFN-YOLO چشمهای هوشمند مرغداریهای آینده
🔹 نتایج و ارزیابی
جدول ۲ (در مقاله): مقایسهٔ دقت (mAP)، کارایی (تعداد پارامتر) و سرعت (FPS)
توضیح فارسی: SFN-YOLOs با mAP=80.7٪، AP75=90.0٪، پارامتر=7.2M و سرعت 112.4FPS بهترین تعادل بین دقت و کارایی را نسبت به سایر آشکارسازهای SOTA دارد. مدل سبکتر SFN-YOLOn نیز با mAP=78.8٪ و فقط 2.0M پارامتر پیشتاز در ردهٔ سبک است.
از داده تا رفاه: فناوری SFN-YOLO چشمهای هوشمند مرغداریهای آینده
شکل ۲ (در مقاله): نتایج کیفی و نقشههای توجه
توضیح فارسی: سه صحنهٔ چالشبرانگیز شامل تضاد نور، انسداد و اهداف کوچک مقایسه شده است. نواحی نارنجی نشانگر مناطق تمرکز مدل هستند. SFN-YOLO در برابر تغییر نور مقاومتر، در انسداد پیوستگی ویژگیها را حفظ میکند و در اهداف کوچک تعادل جزئیات و زمینه را برقرار میکند.
از داده تا رفاه: فناوری SFN-YOLO چشمهای هوشمند مرغداریهای آینده
جدول ۳ (در مقاله): تعمیم خارج از دامنه
توضیح فارسی: روی مجموعهٔ Outdoor1 دیدهنشده، SFN-YOLOn mAP=73.2٪ و AP75=80.5٪ به دست آورده و از YOLOv5n و YOLOv8n بهتر عمل کرده است.
جدول ۴ (در مقاله): آزمایش تفکیکی (Ablation Study)
توضیح فارسی: ترکیب شاخهٔ سراسری و محلی با راهنمایی کانالی و مکانی مکمل هم هستند و بهترین عملکرد را در mAP و AP75 میدهند.
از داده تا رفاه: فناوری SFN-YOLO چشمهای هوشمند مرغداریهای آینده
🔹 نتیجهگیری
SFN-YOLO یک آشکارساز کارآمد و بلادرنگ برای طیور است که جزئیات محلی را با زمینهٔ سراسری ادغام میکند و ادراک شیء را در مواجهه با چالشهایی مانند تغییر مقیاس، انسداد و پسزمینهٔ شلوغ بهطور قابل توجهی بهبود میدهد. ارزیابی روی مجموعهدادهٔ جدید M-SCOPE نشان میدهد این مدل با پارامترهای بسیار کمتر، عملکرد SOTA دارد و برای مرغداری هوشمند خودکار پایهای فراهم میکند.
این مقاله توسط تحریریهٔ EggTimesNews منتشر شده و حفظ حقوق ناشر الزامی است.
🔗 لینک منبع اصلی (arXiv)
