家禽產業中，如何防止雞隻在炎炎夏日產生病變，是一項重要的問題，為了能及早預警雞隻的異常行為，使養殖業者能夠即時監控雞隻的健康狀況，故以此方向來研究。本論文中使用影像識別的方法，去分析雞隻是否有異常的情形，而雞隻的異常行為有很多，包括活動力會下降、減少食慾、產蛋量下降、腿和翅膀伸展、喘息...等等的行為，本研究使用了YOLO(You only look once)的演算法去判別雞隻，針對張口的雞隻嘴巴做標記，觀察其是否有張口現象。

Among the poultry industries, how to prevent chickens from suffering lesions during the hot summer season, is an important problem. This research can help the farmers to do real-time monitoring of the chickens, in order to spot the abnormal behaviors earlier. In this thesis, the method of image recognition is used to analyze the chickens’ abnormal behaviors which are feeling exhausted, loss in appetite, reducing egg production, spreading of legs and wings, gasping and etc. This study uses YOLO method to find chicken degree of mouths opening.

目錄
致謝	I
中文摘要	II
ABSTRACT	III
目錄	IV
圖目錄	VII
表目錄	IX
第一章 緒論	1
1.1 研究動機	1
1.2 研究目的	2
1.3 章節介紹	2
1.4 論文整體架構	3
第二章 研究背景	4
2.1 目標檢測演算法	4
2.2 雞隻異常行為特徵	4
2.2.1 熱緊迫對雞隻生理影響	6
2.3 文獻回顧	6
第三章 研究方法	8
3.1 系統架構與流程	8
3.1.1 系統架構	8
3.1.2 系統流程	9
3.2 軟硬體設備	10
3.2.1 軟硬體平台	10
3.2.2 軟體核心與相關演算法	11
3.3 YOLO架構介紹	12
3.3.1 YOLOv1	13
3.3.2 YOLOv2	16
3.3.3 YOLOv3	19
3.3.4 YOLOv4	21
3.4 OpenCV介紹	27
3.5 LabelImg介紹	28
第四章 實驗流程	29
4.1 蛋雞場圖片標籤及訓練	29
4.1.1 蛋雞場圖片標籤	29
4.1.2 欲訓練數據資料	33
4.1.3 圖片訓練	35
4.2 YOLO準確率指標	36
4.2.1 IOU(Intersection over Union)並交比	36
4.2.2 mAP(Mean Average Precision)	38
4.2.3 訓練模型結果	40
4.3 實驗結果	50
第五章 結論與未來展望	52
5.1 結論	52
5.2 未來展望	52
參考文獻	54
 
圖目錄
圖 1.1 章節架構圖	2
圖 1.2 論文重點架構圖	3
圖 2.1 雞隻張口示意圖	5
圖 2.2 雞隻張口示意圖	5
圖 2.3系統流程	7
圖 3.1 系統架構圖	8
圖 3.2 系統流程圖	9
圖 3.3 YOLO檢測流程圖	12
圖 3.4 YOLO檢測模型	13
圖 3.5 YOLO CNN模型架構	14
圖 3.6 YOLOv4性能比較	21
圖 3.7 CSP連接方法	22
圖 3.8 CmBN	24
圖 3.9 YOLOv4 Modified SAM	25
圖 3.10 YOLOv4 Modified PAN	25
圖 3.11 Mish Activation Function	26
圖 3.12 OpenCV	27
圖 3.13 LabelImg	28
圖 4.1 雞隻圖片標記	29
圖 4.2 同一隻雞不同角度標記(a)	30
圖 4.3 同一隻雞不同角度標記(b)	30
圖 4.4 不同種類雞隻標記(a)	31
圖 4.5 不同種類雞隻標記(b)	31
圖 4.6 張口雞隻標記	32
圖 4.7 PASCAL VOC格式XML文件	33
圖 4.8 YOLO格式TXT文件	34
圖 4.9 欲訓練圖片存放位置	34
圖 4.10 每個Batch的訓練數據	35
圖 4.11 IOU介紹	37
圖 4.12 IOU預測標準	37
圖 4.13 Precision & Recall	39
圖 4.14 張口圖片數量不足的mAP	42
圖 4.15 補足張口圖片數量的mAP	43
圖 4.16 YOLOv4 mAP	44
圖 4.17 有使用Random的YOLOv4 mAP	45
圖 4.18 YOLOv3 10000個Batch的mAP	46
圖 4.19 使用YOLOv3訓練的Loss	47
圖 4.20 使用YOLOv3訓練的IOU	48
圖 4.21 無張口雞隻判別	50
圖 4.22 有張口雞隻判別	50
圖 4.23 YOLO準確度比較	51
圖 4.24 YOLO小物件準確度比較	51

 
表目錄
表 3.1 軟硬體平台	10
表 3.2 軟體核心與相關演算法	11
表 3.3 YOLOv1對比數據表	15
表 3.4 YOLOv2對比數據表	18
表 3.5 Darknet53與其他架構對比	20
表 3.6 YOLOv3準確率對比數據表	20
表 4.1 Precision & Recall	38
表 4.2 訓練圖片張數	41
表 4.3訓練參數	41
表 4.4 實驗結果分析	49

[1]. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., &
Berg, A. C. (2016, October). Ssd: Single shot multibox detector. In
European conference on computer vision (pp. 21-37). Springer, Cham.
[2]. Hurtik, P., Molek, V., Hula, J., Vajgl, M., Vlasanek, P., & Nejezchleba, T.
(2020). Poly-YOLO: higher speed, more precise detection and instance
segmentation for YOLOv3. arXiv preprint arXiv:2005.13243.
[3]. Mack, L. A., Felver-Gant, J. N., Dennis, R. L., & Cheng, H. W. (2013).
Genetic variations alter production and behavioral responses following
heat stress in 2 strains of laying hens. Poultry science, 92(2), 285-294.
[4]. Davis, R. H., Hassan, O. E. M., & Sykes, A. H. (1973). Energy utilization
in the laying hen in relation to ambient temperature. The Journal of
Agricultural Science, 81(1), 173-177.
[5]. Marder, J., & Arad, Z. (1989). Panting and acid-base regulation in heat
stressed birds. Comparative biochemistry and physiology. A,
Comparative physiology, 94(3), 395.
[6]. Lara, L. J., & Rostagno, M. H. (2013). Impact of heat stress on poultry
production. Animals, 3(2), 356-369.
[7]. Widyastuti, R., & Yang, C. K. (2018, October). Cat’s nose recognition
using you only look once (yolo) and scale-invariant feature transform
(sift). In 2018 IEEE 7th Global Conference on Consumer Electronics
(GCCE) (pp. 55-56). IEEE.
[8]. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only
look once: Unified, real-time object detection. In Proceedings of the IEEE
conference on computer vision and pattern recognition (pp. 779-788).
[9]. Redmon, J., & Farhadi, A. (2017). YOLO9000: better, faster, stronger. In
Proceedings of the IEEE conference on computer vision and pattern
recognition (pp. 7263-7271).
[10]. Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental
improvement. arXiv preprint arXiv:1804.02767.
[11]. Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4:
Optimal Speed and Accuracy of Object Detection. arXiv preprint
arXiv:2004.10934.
[12]. Wang, C. Y., Mark Liao, H. Y., Wu, Y. H., Chen, P. Y., Hsieh, J. W., &
Yeh, I. H. (2020). CSPNet: A new backbone that can enhance learning
capability of cnn. In Proceedings of the IEEE/CVF Conference on
Computer Vision and Pattern Recognition Workshops (pp. 390-391).
[13]. Yao, Z., Cao, Y., Zheng, S., Huang, G., & Lin, S. (2020).
Cross-iteration batch normalization. arXiv preprint arXiv:2002.05712.
[14]. Woo, S., Park, J., Lee, J. Y., & So Kweon, I. (2018). Cbam:
Convolutional block attention module. In Proceedings of the European
conference on computer vision (ECCV) (pp. 3-19).
[15]. Liu, S., Qi, L., Qin, H., Shi, J., & Jia, J. (2018). Path aggregation
network for instance segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 8759-8768).
[16]. Misra, D. (2019). Mish: A self regularized non-monotonic neural
activation function. arXiv preprint arXiv:1908.08681.
[17]. Jana, A. P., & Biswas, A. (2018, May). YOLO based Detection and
Classification of Objects in video records. In 2018 3rd IEEE International
Conference on Recent Trends in Electronics, Information &
Communication Technology (RTEICT) (pp. 2448-2452). IEEE.
[18]. Hu, J., Gao, X., Wu, H., & Gao, S. (2019, October). Detection of
Workers Without the Helments in Videos Based on YOLO V3. In 2019
12th International Congress on Image and Signal Processing, BioMedical
Engineering and Informatics (CISP-BMEI) (pp. 1-4). IEEE.
[19]. Yang, W., & Jiachun, Z. (2018, July). Real-time face detection based
on YOLO. In 2018 1st IEEE International Conference on Knowledge
Innovation and Invention (ICKII) (pp. 221-224). IEEE.
[20]. Lan, W., Dang, J., Wang, Y., & Wang, S. (2018, August). Pedestrian
detection based on yolo network model. In 2018 IEEE International
Conference on Mechatronics and Automation (ICMA) (pp. 1547-1551).
IEEE.