DDC-YOLO (Dead Chicken YOLO) — qafasli broyler parrandaxonalarida o‘lik jo‘jalarni avtomatik aniqlash uchun YOLO11 asosida ishlab chiqilgan yengil obyekt aniqlash modelidir. U Universal Inverted Bottleneck (UIB) yengil magistral tarmog‘i, Wise-IoU (WIoU) quti regressiya yo‘qotishi, parametr qo‘shmaydigan SimAM diqqat mexanizmi va Dual Branch Feature Fusion (DBFF) xususiyat birlashtirish modulini birlashtiradi. Tadqiqot modelni faqat offline tasvirlarda sinash bilan cheklanmagan; uni Jetson Orin NX SUPER chekka kompyuteri, to‘rt qatlamli sakkiz kanalli kamera tizimi va nazorat robotiga ulab, real qafasli broyler ishlab chiqarish muhitida joylashtirgan. WOD168 testida DDC-YOLO %96,8 Precision, %85,4 Recall, %90,8 F1 va %93,1 mAP@0.5 ko‘rsatkichlariga erishgan; YOLO11n bazasiga nisbatan parametrlar soni 1,437 millionga, fayl hajmi 2,8 MB ga kamaygan.

Natijalar barcha ferma va barcha zotlar uchun doimiy umumlashuv kafolati emas. Chatishtirilgan zot tajribalari yangi zotga bevosita o‘tilganda unumdorlik keskin pasayishi mumkinligini, yangi muhitga oid etiketlangan ma’lumotlar bilan transfer o‘rganish zarurligini ko‘rsatadi.

Tadqiqotning asosiy muammosi

Qafasli va yuqori zichlikdagi broyler yetishtirishda barcha qafaslarni odamlar muntazam tekshirishi ko‘p mehnat talab qiladi. Yuqori qatlamlar, tor ko‘rish burchaklari, hayvonlar zichligi, yorug‘lik o‘zgarishi va qafas jihozlari tufayli nazorat murakkablashadi. Shu sabab real ishlab chiqarish tizimi yuqori aniqlikdan tashqari past hisoblash yukiga, bir nechta kamera oqimini vaqtida qayta ishlashga va turli jo‘ja zotlariga moslashishga muhtoj.

DDC-YOLO nima va qanday muammoni hal qiladi?

DDC-YOLO YOLO11n obyekt aniqlash arxitekturasini real vaqtli o‘lik broyler aniqlash va chekka qurilmaga joylashtirish uchun yengillashtiradi. UIB magistral hisoblash yukini kamaytiradi; WIoU turli sifatdagi chegaraviy quti namunalarining ta’limdagi ta’sirini qayta vaznlaydi; SimAM qo‘shimcha o‘rganiladigan parametrsiz muhim belgilarni ajratadi; DBFF ko‘p masshtabli xususiyatlarni ikki konvolyutsion tarmoqdan birlashtiradi.

Ma’lumot manbai: uch xil broyler guruhi

Asosiy o‘quv ma’lumotlari Xitoyning Shandun provinsiyasidagi fermadan 2023-yil avgust–sentyabrda olingan WOD168 oq patli broyler tasvirlaridir. Hikvision HM TD2B28T ikki optik kamera 1920×1080 aniqlikda ishlatilgan. Har bir parrandaxonada taxminan 60.000 broyler bo‘lib, kuniga 6–10 o‘lik jo‘ja kuzatiladi; turli burchak va sharoitlardan 712 tasvir yozib olingan.

Chatishtirilgan zot umumlashuvini baholash uchun Guangdongdagi “Xiaobai chicken” oq patli guruhi 2024-yil may–iyulda tasvirlangan va 725 o‘lik jo‘ja tasviri olingan. Kattaroq vizual farqni tekshirish uchun Jiangsu provinsiyasida 2025-yil noyabr–2026-yil yanvarda sariq patli Xueshan broylerlari iPhone 17 yordamida 60 kadr/s video sifatida yozilib, 672 o‘lik jo‘ja tasviri ajratilgan.

Negativ fon namunalari va ma’lumot oshirish

Model tirik jo‘jalar yoki qafas uskunalarini o‘lik jo‘ja deb belgilamasligi uchun negativ fon tasvirlari ham to‘plangan. Ularda o‘lik jo‘ja bo‘lmagani sabab YOLO etiket fayllari bo‘sh qoldirilgan. Robot harakatidagi past yorug‘lik Gamma transformatsiyasi bilan, harakat/fokus bulanig‘i Gaussian blur bilan taqlid qilingan. Ma’lumot oshirish faqat o‘quv va fine-tuning guruhlariga qo‘llangan, test tasvirlari real holatida saqlangan.

Etiketlash protokoli

Etiketlash LabelImg bilan YOLO formatida bajarilgan va barcha nishonlar yagona dead sinfi sifatida belgilangan. Quti butun karkasni qamrashi kerak bo‘lgan; qisman berkilgan holatlarda ko‘rinadigan karkas maydonining kamida %80 qamrab olinishi shart qilingan.

YOLO11 tanlovi va bazaviy natijalar

YOLOv5, YOLOv8, YOLOv9, YOLOv10, YOLO11, YOLO12 va YOLO26 bir xil ma’lumotda solishtirilgan. YOLO12 mAP@0.5 bo‘yicha %92,3 bilan YOLO11’dan 0,1 punkt yuqori bo‘lsa ham, YOLO11 %97,0 Precision, %84,1 Recall va %90,1 F1 bilan umumiy muvozanatda kuchli natija bergan. O‘lik jo‘jani o‘tkazib yuborishning operatsion narxi yuqori bo‘lgani uchun Recall va F1 ham hisobga olingan.

UIB, WIoU, SimAM va DBFF

DDC-YOLO YOLO11n magistralini MobileNetV4 dagi Universal Inverted Bottleneck bloklari bilan almashtiradi. UIB ixtiyoriy DepthWise Convolution qatlamlari bilan hisoblash va fazoviy aralashuv muvozanatini yaratadi. WIoU past sifatli yoki chetki namunalar ta’sirini qayta vaznlaydi. SimAM P4 va P5 darajalarida parametrsiz diqqat beradi. DBFF P3, P4 va P5 masshtablarida ikki tarmoq: depthwise-separable convolution va 3×3 convolution chiqishlarini birlashtiradi.

WIoU yo‘qotishi bu tadqiqotda nima uchun qo‘llandi?

Robot turli yorug‘lik, bulanig‘lik va berkilish sharoitlarida tasvir to‘plagani uchun quti namunalarining sifati bir xil emas. WIoU klassik CIoU ga nisbatan namunalar sifatiga qarab regresha gradientining ta’sirini qayta taqsimlashni maqsad qiladi.

\[ L_{CIoU}=1-IoU+\frac{\rho^2(b,b^{gt})}{c^2}+\alpha v \tag{1} \]

\[ L_{WIoUv1}=R_{WIoU}L_{IoU} \tag{2} \]

\[ R_{WIoU}= \exp\left( \frac{(x-x_{gt})^2+(y-y_{gt})^2} {(W_g^2+H_g^2)^*} \right) \tag{3} \]

\[ L_{WIoUv2}= \left( \frac{L_{IoU}^{*}} {\overline{L_{IoU}}} \right)^{\gamma} L_{WIoUv1} \tag{4} \]

\[ \beta= \frac{L_{IoU}^{*}} {\overline{L_{IoU}}} \in[0,+\infty) \tag{5} \]

\[ L_{WIoUv3}=rL_{WIoUv1}, \qquad r=\frac{\beta}{\delta\alpha^{\beta-\delta}} \tag{6} \]

SimAM va DBFF tenglamalari

\[ e_t(w_t,b_t,y,x_i) = (y_t-\hat{t})^2 + \frac{1}{M-1} \sum_{i=1}^{M-1} (y_o-\hat{x_i})^2 \tag{7} \]

\[ \begin{cases} \hat{t}=w_t t+b_t\\ \hat{x_i}=w_t x_i+b_t \end{cases} \tag{8} \]

\[ e_t^{*}= \frac{4(\hat{\sigma}^{2}+\lambda)} {(t-\hat{\mu})^{2}+2\hat{\sigma}^{2}+2\lambda} \tag{9} \]

\[ \frac{1}{e_t^{*}} = \frac{(t-\hat{\mu})^{2}+2\hat{\sigma}^{2}+2\lambda} {4(\hat{\sigma}^{2}+\lambda)} = \frac{(t-\hat{\mu})^{2}} {4(\hat{\sigma}^{2}+\lambda)} +0.5 \tag{10} \]

\[ \widetilde{X} = sigmoid\left(\frac{1}{E}\right)\odot X \tag{11} \]

\[ F_1=Conv_{1\times1}\left(DWConv_{3\times3}(X)\right) \tag{12} \]

\[ F_2=Conv_{1\times1}\left(Conv_{3\times3}(X)\right) \tag{13} \]

\[ F_{out}=Concat(F_1,F_2) \tag{14} \]

Baholash metriklari

\[ Precision=\frac{TP}{TP+FP}\times100\% \tag{15} \]

\[ Recall=\frac{TP}{TP+FN}\times100\% \tag{16} \]

\[ F1= 2\frac{Precision\times Recall}{Precision+Recall} \tag{17} \]

\[ AP=\int_{0}^{1}P(r)\,dr \tag{18} \]

\[ mAP=\frac{1}{n}\sum_{i=1}^{n}AP(i) \tag{19} \]

Bulut–chekka hamkorlikdagi model yangilanishi qanday ishlaydi?

Robot yangi ishlab chiqarish muhitidan tasvir va natijalarni bulutga yuboradi. Parvarishlovchilar natijalarni qo‘lda tekshiradi; to‘g‘ri qutilar saqlanadi, noto‘g‘ri pozitivlar o‘chiriladi, o‘tkazib yuborilgan o‘lik jo‘jalar qayta etiketlanadi. Bulutda fine-tuning qilingan yangi model versiyasi versiya nazorati bilan robotga qayta yuklanadi. Jarayon to‘liq insansiz emas; inson tasdig‘i ma’lumot sifati va model versiyasini tanlashning asosiy qismidir.

Tadqiqot usuli va natijalari

Ablatsiya tajribasi: har modul nima berdi?

UIB yakka o‘zi parametrni 0,860 M ga tushirgan, lekin mAP@0.5 ni %90,2 gacha kamaytirgan. WIoU, SimAM va DBFF qo‘shilgach yakuniy DDC-YOLO %93,1 mAP@0.5 va %90,8 F1 ga erishgan; parametr 1,145 M, GFLOPs 3,3, hajm 2,4 MB bo‘lgan.

DDC-YOLO chekka qurilmada real vaqt ishladimi?

Ha. Jetson Orin NX tajribasida DDC-YOLO PyTorch bilan 43,01 FPS, TensorRT bilan 131,7 FPS ga yetgan. Sakkiz kamerali tizimning real vaqt talabi bundan past bo‘lgani uchun model robotning ishlov berish ehtiyojini qondirgan.

Yangi zotlarga transfer

WOD168 da o‘qitilgan model boshqa oq patli zotga qo‘llanganda pasayish kuzatilgan, ammo dastlabki 50 etiketli tasvir qo‘shilishi metriklarni kuchli yaxshilagan. Sariq patli Xueshan zotida bevosita transfer juda zaif bo‘lgan: Precision %32,3, Recall %0,8, F1 %1,6, mAP@0.5 %3,8. 50 etiketli tasvirdan keyin mAP@0.5 %79,4 ga, 11 tur oxirida %87,1 ga chiqqan.

O‘sish har turda monoton emas: uchinchi turda mAP@0.5 %77,8 ga tushgan. Demak har 50 yangi tasvir albatta ko‘rsatkichni oshiradi degan xulosa chiqarilmaydi; ammo kichik partiyali yangilanishlar umumiy jarayonda yangi muhitga moslashishni yaxshilaydi.

Real ferma joylashtiruvi, qo‘llab-quvvatlanadigan va qo‘llab-quvvatlanmaydigan xulosalar

DDC-YOLO ROS funksional paketi sifatida robotga integratsiya qilingan. Robot sakkiz tasvirni lokal keshga oladi, bulutga zaxiralaydi, Jetson’da aniqlaydi va pozitiv topilmalarda tasvir, quti, qafas raqami, qatlam, qator va ishonch skorini bulut bazasiga yuboradi. Tizim bir nechta parvarish siklida uzluksiz nazorat vazifalarini bajargan.

• DDC-YOLO WOD168 testida %96,8 Precision, %85,4 Recall, %90,8 F1 va %93,1 mAP@0.5 bergan.
• YOLO11n ga nisbatan parametrlar 2,582 M dan 1,145 M ga, model hajmi 5,2 MB dan 2,4 MB ga kamaygan.
• UIB yakka o‘zi yengillashtirgan, ammo aniqlik yo‘qotgan; WIoU, SimAM va DBFF bu yo‘qotishni qayta qoplagan.
• Jetson Orin NX tezligi sakkiz kamerali talabni qondirgan.
• Yangi zotga bevosita transfer keskin pasayishi mumkin; etiketlangan maqsad muhit namunalari bilan transfer o‘rganish zarur.
• Model barcha zotlarda qayta o‘qitishsiz bir xil ishlashi isbotlanmagan.
• Yangilanish davri to‘liq insansiz emas.
• Robot qo‘li bilan o‘lik jo‘jani avtomatik olib tashlash bajarilmagan.
• Ko‘rinadigan yorug‘lik + termal infraqizil multimodal füzyon yakuniy model emas, kelajak yo‘nalishidir.

Asosiy xato holatlari va cheklovlar

17-rasm ikki noto‘g‘ri negativ holatni ko‘rsatadi: o‘lik jo‘janing katta qismi tirik jo‘jalar yoki qafas bilan berkilishi; karkas uzoq turgach ezilib, shakli buzilib, fon teksturasi bilan qo‘shilib ketishi. Bu bitta ko‘rinadigan yorug‘lik kadriga asoslangan obyekt aniqlashning biologik va muhit chegaralarini ko‘rsatadi.

Manba va metod qaydi

Asl tadqiqot: A lightweight DDC-YOLO and inspection-robot system for dead broiler detection in caged broiler houses

Mualliflar tartibi: Jingkun Sun; Wanchao Zhang; Kaituo Yang; Jiaze Sun; Jia Zeng; Deqi Hao; Sai Luo; He Zhu; Tian Hua; Changxi Chen.

Birgalikdagi birinchi mualliflar: Jingkun Sun va Wanchao Zhang. Mas’ul muallif: Changxi Chen.

Muassasalar: College of Computer and Information Engineering, Tianjin Agricultural University; Key Laboratory of Smart Breeding, Ministry of Agriculture and Rural Affairs; College of Animal Science and Technology, Yangzhou University.

Yuklangan asosiy manba: SSRN preprint, abstract no. 6827629; har sahifada hakamlikdan o‘tmagan preprint ekani ko‘rsatilgan. SSRN DOI: 10.2139/ssrn.6827629. Jurnal qaydi: Computers and Electronics in Agriculture, Volume 254, Article 112233, 2026. Jurnal DOI: 10.1016/j.compag.2026.112233. Nashriyot: Elsevier.

Moliyalashtirish: China Agriculture Research System of MOF and MARA (CARS-41); National Key R&D Program of China (2023YFD2000800); Key Laboratory of Smart Breeding, Tianjin Agricultural University.

Ma’lumot mavjudligi: Ma’lumotlar hozircha ommaviy emas, oqilona so‘rov bilan mas’ul muallifdan olinishi mumkin. Manfaatlar to‘qnashuvi: mualliflar ma’lum moliyaviy manfaat yoki shaxsiy aloqani bildirmagan.

Metodik chegaralar: o‘qitish va asosiy testlar ayrim fermalar va zotlardan olingan tasvirlarga tayanadi; zotlararo testlar kuchli domen siljishini ko‘rsatadi; qalin berkilish va shakli buzilgan karkaslar noto‘g‘ri negativlarga sabab bo‘ladi; model yangilanishi inson tekshiruviga muhtoj.

Rasm ishlatish qaydi: manba figuralari bevosita ko‘chirilmasligi kerak; DDC-YOLO arxitekturasi, DBFF, bulut–chekka yangilanishi, transfer o‘rganish va robotik ish oqimi Verianla uchun semantik jihatdan teng, ammo original SVG/sxema sifatida qayta chizilishi mumkin.