"该研究是关于使用改进的YOLOv5s目标检测算法和图像融合技术来提升在笼养鸡环境中死鸡检测效率的毕业设计。研究者通过SURF算法和RANSAC算法实现了热红外图像与可见光图像的特征点匹配，采用仿射变换模型进行配准，再通过小波变换进行图像融合。此外，他们还基于YOLOv5s添加了SE注意力模块，并应用CIoU_Loss和DIoU_NMS，构建了改进的YOLOv5s-SE模型，提高了对遮挡情况下鸡只检测的准确性。实验结果显示，改进后的模型在融合图像上的检测准确率和平均精度均有所提升，且在融合数据集上的检测准确率比原始YOLOv5s提高了3.3%，达到97.7%。这项工作发表在《南京农业大学学报》上，由赵一名、沈明霞、刘龙申、陈佳和祝万军共同完成。"
在规模化养殖环境中，死鸡的快速检测对于保持良好的养殖环境至关重要。传统的死鸡巡检依赖于人工，既耗时又耗费人力。为了自动化这一过程，研究团队提出了一种新的解决方案。首先，他们利用了Surf算法（Speeded Up Robust Features），这是一种用于图像特征检测和描述的方法，能够快速地找到图像中的关键点。这些关键点随后与RANSAC（Random Sample Consensus）算法相结合，用于去除噪声并找到最佳的匹配点，以实现热红外图像与可见光图像之间的配准。
配准过程采用了仿射变换模型，它可以处理图像的旋转、缩放和平移，使得两幅图像的对应点能够在配准后对齐。小波变换在此处的作用是将配准后的图像分解成多个频带，便于处理不同尺度和位置的信息，再进行重构，从而增强目标特征的显著性，有利于后续的死鸡检测。
接着，研究团队对YOLOv5s进行了改进，引入了SE（Squeeze-and-Excitation）注意力模块。SE模块可以学习并强化网络中特征图的代表性，特别是在存在遮挡的情况下，能帮助模型更好地识别目标。同时，他们还将CIoU_Loss（Complete IoU Loss）和DIoU_NMS（Distance IoU Non-Maximum Suppression）应用于模型，这两种损失函数和非极大值抑制策略有助于优化边界框的预测，提高检测的精确度。
实验结果表明，这种融合图像的检测方法在提高检测准确性和抗干扰能力方面取得了显著的效果。配准融合后的图像与源图像的相关系数平均值达0.86，证明了配准的有效性。改进后的YOLOv5s-SE模型在融合图像上的检测性能优于单一的可见光或红外图像，其检测准确率提升了3.3%，达到97.7%，这表明该方法在实际应用中具有很大的潜力。
该研究通过图像融合技术和深度学习模型的改进，有效地提升了笼养鸡死鸡检测的自动化水平，降低了人工干预的需求，提高了养殖业的工作效率，为精准养殖提供了有力的技术支持。
