專討摘要

 雞肉作為現代人之重要蛋白質來源，全球對於禽肉的需求不斷增長，而生產過程的自動化監測，也成為提升生產效率和動物福利的重要方法。傳統的人工照蛋檢測和雞隻步態觀察結果易受觀測人員主觀、觀測疲勞等缺點影響，本次報告介紹利用深度學習技術之解決方案，其涵蓋了受精蛋的檢測和雛雞跛行偵測。
在受精蛋檢測部分，針對此目的在原本的YOLOv11n偵測模型基礎上優化最佳超參數組合(SGD優化器、學習率0.01、權重衰減0.0001)，在受精蛋孵化的第7至10日檢測中取得mAP_50:95達到0.9803的優秀表現，以及極佳之召回率(recall)和精確率(precision)、最高的F1-Score。此項技術能有效識別胚胎早期血管特徵，解決人工照蛋法的檢測不穩定性；在雛雞健康追蹤的研究中，針對1至15日齡的雛雞開發LameDetect監測系統，包含YOLOv5n偵測個體、質心追蹤(Centroid Tracking)和CNN(Convolutional Neural Network)分析判斷，結果顯示分析準確度可以高達99%並大幅減少人工勞力，能在雛雞時期精準識別出跛行問題以利及時處理。
研究結果顯示，結合YOLO提高孵化效率和雛雞的早期健康監控，為精準畜牧自動化生產提供了兼具準確度和運算效率的實踐路線。