一种基于部分动态卷积和空频调制的鸡蛋识别方法

本发明涉及智慧养殖领域，特别是涉及一种基于部分动态卷积和空频调制的鸡蛋识别方法。

背景技术：

1、鸡蛋作为高蛋白、营养丰富的初级农产品，是我国居民饮食的重要组成部分，也是继生猪、牛奶之后的第三大畜牧产品，其丰富的营养含量、适中的成本使其成为世界上最常食用的动物性食品之一。家禽生产持续发展，国家统计局数据显示：2025年我国鸡蛋产量约2591.3万吨，同比增长4.46%。随着蛋鸡养殖产业发展水平的提高，传统养殖模式已无法适配现代规模化生产的要求，阶梯与层叠笼养技术也随之应运而生。规模化笼养技术的快速发展，导致市场对鸡蛋精确化检测需求日益凸显。随着家禽养殖向规模化、集约化、机械化和智能化方向转型，鸡蛋收集作业也逐步从传统的人工向机械化、自动化、智能化升级。但是自动化收集仍面临核心挑战：亟需精准识别蛋槽内合格蛋、不合格蛋与笼内滞留蛋，从而有效提高收集效率、降低破损率，同时为鸡蛋产量检测与鸡只选淘工作提供数据支撑。

2、目前，在鸡蛋品质检测领域有相关研究者设计了一些方法来对鸡蛋品质进行检测。如公开号cn120507316a公开了一种基于多传感器融合的鸡蛋品质检测系统及方法，该方法通过整合光谱、压力、气味、振动四类传感器，构建数据采集 、特征提取、量化分析与决策输出全链条检测体系，解决了传统鸡蛋检测中人工主观性强、单一传感器覆盖维度有限、多指标协同决策精度低的问题。但是若鸡蛋表面存在大量污渍，会干扰光谱纹理特征提取与激振声压信号采集，导致裂纹误判率上升；公开号cn119540145a公开了一种鸡蛋蛋壳裂痕的无损图像识别方法及系统，结合动态规划图像切割、轻量级深度学习网络，实现鸡蛋蛋壳裂痕的无损、精准识别，解决了传统人工目视检测效率低、主观性强，以及现有图像检测方法对裂纹区域分割不精准、模型参数量大的问题，但是该方案没有考虑在真实鸡舍环境中多是自然光加上人工灯混合照明，光照强度波动大，且鸡舍笼具会对目标检测造成干扰且硬件成本高，远超中小鸡舍的设备预算；公开号cn117392069a公开了一种鸡蛋品质检测方法、系统、设备及存储介质，针对鸡蛋蛋壳暗斑这一关键品质指标，实现自动化、高精度检测，解决了传统人工照蛋检测效率低、主观性强，以及现有单模型检测方法对微小暗斑漏检率高、暗斑占比计算偏差大的问题，但是暗斑信息对标注人员专业要求高，需要区分暗斑、污渍和纹理，大规模数据集构建成本高，且暗斑类型覆盖不全面，场景适配有限；公开号cn108872095a公开了一种基于不同光谱特征融合的鸡蛋品质检测方法，针对鸡蛋蛋黄这一内部品质载体，结合高光谱成像仪与地物波谱仪，覆盖生、熟两种蛋黄状态，实现鸡蛋品质与新鲜度的精准鉴别，解决了传统人工检测主观性强、现有光谱检测仅聚焦蛋壳外部、单一仪器数据可信度不足的问题，但存在破坏性检测，不适用与无损场景，且检测效率低。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种基于部分动态卷积和空频调制的鸡蛋识别方法，能够针对性解决笼具遮挡对目标特征提取的干扰问题，在显著提升笼养环境下鸡蛋识别精度的同时，有效降低模型的计算复杂度。

2、本发明的目的是通过以下技术方案来实现的：一种基于部分动态卷积和空频调制的鸡蛋识别方法，包括：

3、s1、笼养鸡蛋检测场景中目标易受笼网遮挡、低光照干扰造成特征丢失，低对比度区域信息易缺失，以及单一动态卷积易导致特征过度处理、模型环境鲁棒性不足的技术问题，本发明构建部分动态卷积模块：以固定通道比例划分动态卷积通道和恒等映射通道，动态卷积通道通过输入依赖的注意力机制动态调整卷积核权重，恒等映射通道直接保留原始特征以避免遮挡区域信息丢失。该通道配比既可保证动态增强的灵活性以适配遮挡、低光场景，又能通过恒等通道保留大部分原始特征、避免低对比度区域信息丢失，有效提升模型在复杂笼养环境下的检测鲁棒性；

4、s2、笼网遮挡场景下，鸡蛋的特征提取易受高频噪声干扰，非目标干扰信息无法滤除、目标判别性轮廓特征难以有效强化的技术问题，本发明构建空频调制前馈模块：通过多窗口频域调制对遮挡目标的频域特征进行针对性处理，一方面抑制笼网高频遮挡噪声、剔除非目标干扰信息，另一方面增强鸡蛋的低频轮廓特征、强化目标判别性信息，从而提升模型在遮挡场景下的特征提取鲁棒性；

5、s3、笼养场景中蛋槽内鸡蛋易受笼网遮挡、笼内滞留蛋易受鸡只腿部遮挡而引发特征断裂、碎片化，导致全局语义与细粒度细节无法有效协同融合，鸡蛋破损裂纹、蛋壳表面粪便及血渍等局部关键特征难以精准强化的技术问题，本发明构建金字塔稀疏注意力特征融合模块：在编码器完成上采样与下采样后，将部分动态卷积输出的增强全局语义特征与空频调制前馈模块输出的细粒度细节特征进行针对性融合，依托鸡蛋圆形结构全局语义，通过粗粒度语义引导建立遮挡区域与非遮挡区域的关联以补全碎片化鸡蛋特征，同时通过细粒度细节修复精准强化鸡蛋破损裂纹、蛋壳表面粪便与血渍等局部有效信息，协同解决遮挡场景下鸡蛋的特征断裂问题。

6、进一步地，所述步骤s1包括：

7、s101、对输入特征图进行通道拆分处理，按固定拆分比例将通道拆分为动态卷积通道与恒等映射通道，计算公式为：

8、

9、

10、其中，表示输入特征图，代表待动态卷积处理的特征，代表恒等映射特征；总通道数，为动态卷积通道数，为恒等映射通道数，h、w表示输入特征图的高度和宽度；固定拆分比例；

11、动态卷积通道聚焦非遮挡区域的关键特征并自适应增强，恒等映射通道则针对性保留遮挡区域的原始特征信息，避免丢失原始特征；

12、所述输入特征图，是指将笼养场景中对鸡蛋进行拍摄得到的图像，送入hgnetv2网络后得到的特征图；

13、s102、构建双分支并行结构处理遮挡问题：

14、分支一针对遮挡导致的关键视觉特征，对动态卷积通道引入动态卷积机制：

15、分支二为避免遮挡区域特征被过度处理而丢失，不对恒等映射通道作额外操作，直接保留原始特征，确保在严重遮挡区域或低对比度遮挡边缘仍具备稳定的特征表达，提升模型对遮挡区域细节信息的保留能力；

16、s103、将两分支输出特征沿通道维度拼接，融合动态增强的非遮挡关键特征和恒等保留的遮挡区域特征，充分利用两者在遮挡场景下的互补性；

17、随后通过1×1卷积对融合特征进行通道维度压缩与调整，最终遮挡区域的输出结果公式为：

18、

19、其中，和分别代表特征图输入通道数和输出通道数，表示逐元素加权求和，各输入特征图高、宽、通道数保持一致，融合后通道数不变；动态卷积分支和恒等映射分支特征经拼接后，1×1卷积统一输出通道，保证模块输入输出维度灵活适配。

20、所述分支一中，首先通过全局平均池化提取全局上下文信息，随后经轻量级mlp生成输入相关的动态权重系数，计算公式为：

21、

22、

23、其中，为全局平均池化运算， 为轻量化mlp的可学习权重与偏置， 代表输入特征图在空间坐标(i，j)处全部通道的特征向量；为特征展平操作；为sigmoid 激活函数，输出范围（0，1），生成注意力权重系数， ，m为专家卷积核数量，代表m个专家卷积核对应的权重系数；所述专家卷积核根据遮挡区域的位置、范围及程度动态调整卷积响应，对非遮挡感关键区域特征的聚焦与增强，弱化遮挡区域的干扰；

24、接着对m个专家卷积核进行加权融合，构建自适应的动态卷积核；本部分动态卷积模块包含m组专家卷积核{k1,k2,…,km},基于权重自适应融合卷积核：

25、

26、动态卷积输出：

27、

28、最终分支输出：

29、

30、其中，代表批量归一化，为激活函数，基于动态融合多个卷积核的输出，适配不同输入特征的局部模式；

31、进一步地，所述步骤s2包括：

32、s201、对步骤s1处理后的特征图首先采用1×1分组卷积进行通道维度的压缩与扩展，在剔除冗余噪声信息的同时提升计算效率、降低参数量；

33、随后通过cglu激活函数引入非线性变换，增强对遮挡区域中目标与噪声的区分能力；

34、最后再次通过1×1分组卷积将特征映射回原始通道数，实现维度对齐和遮挡环境下有效信息的重构，构建能抵抗噪声干扰的轻量级前馈映射路径，计算公式为：

35、

36、其中表示分组1×1卷积，表示激活函数gelu，为前馈网络输出特征；

37、s202、针对笼网高频遮挡噪声对目标特征的破坏，设计双分支频率调制结构，分别构建2×2与4×4两种窗口尺寸的频域处理分支：

38、2×2窗口分支：聚焦于易被笼网、鸡只腿部细密遮挡的迷你蛋、笼内滞留蛋的小目标区域，通过频域-空域联合变换，在频域中精准抑制笼网带来的高频噪声分量，同时对鸡蛋边缘、纹理易被遮挡的细粒度特征进行选择性增强；

39、4×4窗口分支：覆盖更大感受野，针对被部分遮挡的正常大小的鸡蛋，在频域中重点增强被笼网遮挡后残留的低频轮廓特征，同时抑制背景中与遮挡相关的干扰信息，实现对鸡蛋整体形态的有效重构；

40、将两个窗口分支经二维快速傅里叶变换得到频域特征；对频域特征执行频率截断处理，滤除笼网网格对应的高频噪声分量，剥离无效背景干扰，得到频率截断后的频域特征；随后对截断后的频域特征进行逐元素复数加权，自适应强化目标特征频率、抑制遮挡噪声频率，提升模型对不同尺度目标的适应性，计算公式为：

41、

42、其中，表示前馈网络ffn输出的特征，表示按窗口尺寸的特征窗口划分操作，表示二维快速傅里叶变换，为第i个窗口尺寸下的频率域特征；频率截断处理为对进行频域掩码滤波，剔除笼网遮挡对应的高频分量；

43、s203、构建窗口选择器实现多窗口输出的动态融合，首先对输入特征进行全局平均池化，提取包含遮挡分布信息的全局统计特征；

44、随后通过1×1卷积将特征映射至窗口数量维度，并经softmax归一化生成各窗口的融合权重系数；

45、根据区域遮挡程度动态调整各分支贡献：对于笼网遮挡严重的区域，提升对应窗口的权重以聚焦关键频率成分，对于遮挡较轻的区域，则保持各窗口的均衡权重以实现全面特征捕获；

46、通过遮挡程度驱动的加权融合，增强模型对复杂笼养场景下对多类别鸡蛋目标的特征响应鲁棒性，计算公式为：

47、

48、为频率截断与复数权重调制后的特征，表示频率截断后的频率域特征，表示为适配截断后频率尺寸的可学习复数权重；最终遮挡区域的输出结果为多尺度特征图:

49、

50、表示窗口划分的逆操作，表示快速逆傅里叶变化，为自适应窗口权重，为空频调制前馈模块的最终输出； i=1时表示第1个窗口分支，即2×2窗口分支，i=2时表示第2个窗口分支，即4×4窗口分支。

51、进一步地，所述步骤s3包括：

52、s301、获取步骤s203得到的多尺度特征图，进行上采样和下采样处理，得到不同空间分辨率的特征图，然后采用1×1卷积对特征图进行通道统一，映射至相同维度；同时保留特征图的空间分辨率，确保多尺度信息中遮挡细节的完整性，结合步骤s1输出的特征图，经1×1卷积对特征图进行通道统一后，作为金字塔稀疏注意力特征融合模块pst的输入；

53、s302、设计金字塔稀疏注意力特征融合模块pst替代传统的简单拼接方式：

54、pst模块以低分辨率特征为key、高分辨率特征为query，通过跨注意力机制实现高层语义对低层细节的引导增强；其中低分辨率特征为高层语义特征，高分辨率特征为低层细节特征；

55、pst模块采用由粗到细两阶段策略：粗粒度阶段，对特征图进行4×4分块，在每个分块中选取特征响应值最高的像素作为关键像素；

56、细粒度阶段，对粗粒度阶段选中的关键像素，执行邻域特征细化，精准捕捉遮挡场景下鸡蛋局部细节如蛋壳裂纹的连续轮廓、污渍的纹理分布等，弥补稀疏采样对细粒度信息的损失；

57、s303、构建双向融合路径，实现自顶向下与自底向上的信息交互：

58、自顶向下路径：高层语义信息通过上采样与低层特征融合，增强低层特征对遮挡区域的目标感知能力；

59、自底向上路径：低层细节信息通过下采样与高层特征融合，补充高层特征的空间定位能力；

60、在每层融合节点引入pst模块，替代传统拼接操作，使其能内容自适应地聚焦于遮挡相关特征，实现稀疏高效的跨层特征融合；

61、s304、将融合后的多尺度特征图按层级输出，作为后续repncspelan4模块和decoder的输入；融合后特征需满足：高层语义能有效引导低层特征识别遮挡区域；低层纹理信息能充分补充高层特征的定位精度；

62、融合过程通过金字塔稀疏注意力的top-k选择降低计算量；融合特征具备更强的语义一致性，为后续遮挡场景下的目标识别提供可靠特征支撑；输出的多尺度特征经repncspelan4进一步特征增强后送入decoder解码器，解码器基于增强后的特征完成笼养场景下鸡蛋目标的检测、类别判别与位置回归，输出鸡蛋识别结果。

63、本发明的有益效果是：本发明显著提升了在复杂笼养环境中对鸡蛋的检测性能，针对主干网络提取特征存在许多冗余特征图，特别是为了应对遮挡干扰对鸡蛋识别与鸡只轮廓提取的影响，本发明设计了部分动态卷积（partialdynamicconv），替换主干网络第三、四层stageblock中的原始轻量卷积；

64、利用动态系数生成机制，实现局部关键细节的精准保留与动态增强，在显著提升特征判别性的同时，避免全局动态卷积带来的计算冗余，平衡特征提取效率与精度；

65、设计空频调制前馈模块（smf），通过在空间域聚焦目标局部细节、在频率域抑制光照变化与低对比度带来的噪声干扰，在保持较低计算开销的前提下，针对性提升模型对鸡蛋小目标及遮挡环境下关键特征的感知能力；

66、引入金字塔稀疏注意力特征融合模块（pst）模块，利用其由粗到细的跨层注意力机制，通过高级特征指导低级特征的稀疏选择，实现了高效、稀疏、内容自适应的跨层特征融合。

67、系统性克服传统目标检测算法在遮挡、光照变化、低对比度下的不足。该检测模型为鸡蛋分类、自动化鸡蛋收集及鸡只选淘等养殖场景提供高精度、低资源消耗的技术支持，具备明确的产业应用价值。