專討摘要

 本研究旨在開發一高效能影像偵測AI模型，以解決密集畜禽飼養環境中因個體外觀相似、群聚行為與嚴重遮擋，造成單一物種偵測困難的問題；其應用YOLO-SDD技術開發此模型；特性為針對單一物種、密集且易遮蔽的禽畜偵測情境所設計的模型。
該試驗應用ChickenFlow、GooseDetect與SheepCounter三種資料庫作為效能參考標準，並整合YOLO-SDD之三種特色演算法建立模型；此三主要演算法包含：(1) Wavelet-Enhanced Convolution（WEConv）：結合小波分解以強化多尺度、邊緣與高頻特徵擷取；(2) Occlusion Perceptual Attention Module （OPAM）：融合低階細節與高階語意，提升遮擋情境的目標辨識能力；(3) Lightweight Shared Head（LS Head）：針對單類別任務進行輕量化的共享式偵測頭，提高效率並降低參數量。
結果顯示，YOLO-SDD在三個資料庫上效能表現皆優於傳統的YOLOv5/7/8/9/10/11。於ChickenFlow上，YOLO-SDD-n/s/m分別較YOLOv8n/s/m 之AP_50:95提升 2.18%、2.13%、1.62%，同時減少模型參數與 FLOPs。在高度遮擋（OR > 0.5）場景中，YOLO-SDDs的 AP_50:95達 75.60%，為所有模型中最佳；於GooseDetect與SheepCounter上，YOLO-SDD-s同樣取得最高 AP_50:95（分別為 56.47% 與 62.35%），顯示其在不同畜禽場景均具穩定且強大的偵測與計數能力。綜合各項實驗，YOLO-SDD 在密集、高度遮擋的畜牧環境中表現最為穩定，兼具偵測準確度與運算效率，適合作為精準畜牧自動化監測工具，未來可進一步朝多場域應用、模型壓縮與多目標追蹤整合等方向發展。