| 報告時間：2024-05-13 |
| 報告地點：大四教室 |
| 指導老師：江信毅 |
| 學生：賴芳誼 |
| 摘要 |
|
許多國際企業已承諾在2025至2030年前採購非籠飼（cage-free, CF）雞蛋，非籠飼雞舍能讓母雞表現出更自然的行為（如沙浴與覓食等），但也會產生地板產蛋行為（floor egg-laying behavior, FELB），地板蛋容易受到汙染，並需要人工採集，導致高昂的勞力成本與食品安全問題。因此精準監控並找出發生原因至關重要。實驗一使用5個YOLOv5模型：YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l及YOLOv5x，進行辨識地板產蛋行為（FELB）與非地板產蛋行為（non floor egg-laying behavior, NFELB）的開發、訓練與比較。使用5400張影像之資料庫（3780張訓練、1080張驗證、540張測試）辨識地板產蛋行為時，YOLOv5m-FELB與YOLOv5x-FELB兩種模型具有更高的精確率（99.9%）、召回率（99.2%）、平均辨識確率（99.6%）及F1分數（99.6%）。此外YOLOv5s模型具有更快的偵測速度、訓練時間較短且使用較少的GPU。實驗二則採用3個深度學習模型：YOLOv5s-egg、YOLOv5x-egg、YOLOv7-egg，進行地板蛋追蹤的開發、訓練與比較，實驗結果發現YOLOv5x-egg相對於YOLOv5s-egg、YOLOv7-egg具有較佳的精確率（90%）、召回率（87.9%）、平均辨識確率（92.1%）。此外，模型性能會受到飼養密度、光照強度及設備遮蔽等因素影響。綜合而論，人工智慧結合機器視覺可協助生產者監控雞舍與運用於智慧雞舍機器人之潛力。 |
|