Enhanced you only look once model with frequency feature enhancement and illumination perception for duck behavior recognition in dynamic light scenarios
Notice bibliographique
Résumé
Modern intensive duck farming has improved production efficiency while facing health problems for ducks. As duck behaviors are closely related to their health status, accurately monitoring their behaviors is necessary. With the development of artificial intelligence (AI), the application of AI offers an effective approach to animal behavior recognition. Currently, accurately recognizing duck behaviors consistently from day to night remains a challenge. This challenge stems from the persistent dynamic changes in light, which can lead to significant performance degradation in conventional behavior recognition methods. To overcome this challenge, this study proposes an enhanced You Only Look Once version 11 small (YOLOv11s) with frequency feature enhancement and illumination perception for duck behavior recognition in dynamic light scenarios (FIY4DBR). Specifically, to tackle the problem of unclear edge, texture, and behavior characteristics of ducks in the low-light condition, a frequency feature enhancement mechanism (FFEM) is designed, which effectively enhances the duck feature representation ability. Additionally, to improve the model’s robustness to light variations, an illumination perception mechanism (IPM) is developed, which adjusts the contrast of objects and background features according to different brightness conditions, thereby enhancing the model’s generalization capability across different brightness scenarios. Experimental simulations on the self-built dataset show that FIY4DBR achieves an average recognition precision of 92.0% and recall of 88.8%, representing improvements of 1.8 and 3.6 percentage points over the baseline YOLOv11s. This demonstrates that the proposed FIY4DBR provides a high-precision and highly adaptive solution for intelligent livestock behavior monitoring, contributing to advancing the development of intelligent farming technologies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».