Ukrainian Journal of Physical Optics

2024 Volume 25, Issue 2

ISSN 1609-1833 (Print)


1Guojun Deng, 1,3Jialiang Guo and 2Qingxu Li

1Research Department for New-Display Technologies, Jihua Laboratory, Foshan 528251, China
2Department of Computer Science and Technology, Anhui University of Finance and Economics, Bengbu 233030, China, e-mail:
3School of Electrical and Information Engineering, Zhengzhou University, Zhengzhou 450001, China


At present, elimination of eggs with dead embryos in China’s poultry-egg incubation industry mainly relies on manual inspection and a lack of relevant automatic-detection equipment restricts seriously the development of egg-incubation industry. Accurate identification of dead eggs is a key technical task for solving this problem. In this study we design a set of image-acquisition devices for analyzing duck eggs on the stage when they are removed from the incubation tray (25 days after incubation beginning). We suggest an improved object-detection algorithm based on a YOLOv4 network and identify dead embryos with high accuracy during the egg-hatching period. According to the characteristics of collected images of the breeding-duck eggs, we remove the head subnetwork for detecting small objects in the YOLOv4 network and simplify the backbone subnetwork of this network to improve the detection efficiency. The experimental results testify that the average recognition accuracy of our YOLO-Lite network is equal to 98.33%, the recall rate amounts to 94.12% and the single-frame image-recognition time is about 15 ms. These figures are better than the corresponding parameters 96.67%, 88.89% and 32 ms, which are typical for the technique before our improvement. Therefore our results can provide a basis for the further research and development of appropriate intelligent detection equipment.

Keywords: YOLOv4 network, image recognition, deep learning, duck eggs, nondestructive testing

UDC: 535.3, 635.5, 004.9

    1. Liu, Y., Xiao, D., Zhou, J., & Zhao, S. (2023). AFF-YOLOX: An improved lightweight YOLOX network to detect early hatching information of duck eggs. Computers and Electronics in Agriculture, 210, 107893. doi:10.1016/j.compag.2023.107893
    2. Lai C, Li C, Huang K and Cheng C, 2021. Duck eggshell crack detection by nondestructive sonic measurement and analysis. Sensors. 21(21): 7299. doi:10.3390/s21217299
    3. Dong, J., Dong, X., Li, Y., Zhang, B., Zhao, L., Chao, K., & Tang, X. (2020). Prediction of infertile chicken eggs before hatching by the Naïve-Bayes method combined with visible near infrared transmission spectroscopy. Spectroscopy Letters, 53(5), 327-336. doi:10.1080/00387010.2020.1748061
    4. Zainuddin, Z., & Achmad, A. (2023, July). Classification of Fertile And Infertile Eggs Using Thermal Camera Image And Histogram Analysis: Technology Application In Poultry Farming Industry. In 2023 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT) (pp. 130-135). IEEE.
    5. Shi, C., Wang, Y., Zhang, C., Yuan, J., Cheng, Y., Jia, B., & Zhu, C. (2022). Nondestructive Detection of Microcracks in Poultry Eggs Based on the Electrical Characteristics Model. Agriculture, 12(8), 1137. doi:10.3390/agriculture12081137
    6. Lawrence, K. C., Smith, D. P., Windham, W. R., Heitschmidt, G. W., & Park, B. (2006, October). Egg embryo development detection with hyperspectral imaging. In Optics for Natural Resources, Agriculture, and Foods (Vol. 6381, pp. 234-241). SPIE. doi:10.1117/12.686303
    7. Zhu, T., & Wang, Q. (2011). Non-destructive detection of Sudan dye duck eggs based on computer vision and fuzzy cluster analysis. Afr. J. Agric. Res., 6, 1177-1181.
    8. Sun, K., Ma, L., Pan, L., & Tu, K. (2017). Sequenced wave signal extraction and classification algorithm for duck egg crack on-line detection. Computers and Electronics in Agriculture, 142, 429-439. doi:10.1016/j.compag.2017.09.034
    9. Zhou, J., Liu, Y., Zhou, S., Chen, M., & Xiao, D. (2023). Evaluation of Duck Egg Hatching Characteristics with a Lightweight Multi-Target Detection Method. Animals, 13(7), 1204. doi:10.3390/ani13071204
    10. Li, Q., Shao, Z., Zhou, W., Su, Q., & Wang, Q. (2023). MobileOne-YOLO: Improving the YOLOv7 network for the detection of unfertilized duck eggs and early duck embryo development-a novel approach. Computers and Electronics in Agriculture, 214, 108316. doi:10.1016/j.compag.2023.108316
    11. Dong, J., Dong, X., Li, Y., Peng, Y., Chao, K., Gao, C., & Tang, X. (2019). Identification of unfertilized duck eggs before hatching using visible/near infrared transmittance spectroscopy. Computers and Electronics in Agriculture, 157, 471-478. doi:10.1016/j.compag.2019.01.021
    12. Tian, Y., Yang, G., Wang, Z., Wang, H., Li, E., & Liang, Z. (2019). Apple detection during different growth stages in orchards using the improved YOLO-V3 model. Computers and Electronics in Agriculture, 157, 417-426. doi:10.1016/j.compag.2019.01.012
    13. Gai, R., Chen, N., & Yuan, H. (2023). A detection algorithm for cherry fruits based on the improved YOLO-v4 model. Neural Computing and Applications, 35(19), 13895-13906. doi:10.1007/s00521-021-06029-z
    14. Yu, C., Fan, X., Hu, Z., Xia, X., Zhao, Y., Li, R., & Bai, Y. (2020). Segmentation and measurement scheme for fish morphological features based on Mask R-CNN. Information Processing in Agriculture, 7(4), 523-534. doi:10.1016/j.inpa.2020.01.002
    15. Hao, Z., Lin, L., Post, C. J., Mikhailova, E. A., Li, M., Chen, Y., Yu, K., & Liu, J. (2021). Automated tree-crown and height detection in a young forest plantation using mask region-based convolutional neural network (Mask R-CNN). ISPRS Journal of Photogrammetry and Remote Sensing, 178, 112-123. doi:10.1016/j.isprsjprs.2021.06.003
    16. Liang, Q., Zhu, W., Long, J., Wang, Y., Sun, W., & Wu, W. (2018). A real-time detection framework for on-tree mango based on SSD network. In Intelligent Robotics and Applications: 11th International Conference, ICIRA 2018, Newcastle, NSW, Australia, August 9-11, 2018, Proceedings, Part II 11 (pp. 423-436). Springer International Publishing. doi:10.1007/978-3-319-97589-4_36
    17. Lu, H., Li, C., Chen, W., & Jiang, Z. (2020). A single shot multibox detector based on welding operation method for biometrics recognition in smart cities. Pattern Recognition Letters, 140, 295-302. doi:10.1016/j.patrec.2020.10.016
    18. Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv:2004.10934.
    19. Geng, L., Yan, T., Xiao, Z., Xi, J., & Li, Y. (2018). Hatching eggs classification based on deep learning. Multimedia Tools and Applications, 77, 22071-22082. doi:10.1007/s11042-017-5333-2
    20. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., & Berg, A. C. (2016). Ssd: Single shot multibox detector. In Computer Vision-ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11-14, 2016, Proceedings, Part I 14 (pp. 21-37). Springer International Publishing. doi:10.1007/978-3-319-46448-0_2
    21. Lu, X., Ji, J., Xing, Z., & Miao, Q. (2021). Attention and feature fusion SSD for remote sensing object detection. IEEE Transactions on Instrumentation and Measurement, 70, 1-9. doi:10.1109/TIM.2021.3052575
    22. Howard, A., Sandler, M., Chu, G., Chen, L. C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., & Adam, H. (2019). Searching for mobilenetv3. In Proceedings of the IEEE/CVF international conference on computer vision (pp. 1314-1324). doi:10.1109/ICCV.2019.00140
    23. Li, Y., Lu, Y., & Chen, J. (2021). A deep learning approach for real-time rebar counting on the construction site based on YOLOv3 detector. Automation in Construction, 124, 103602. doi:10.1016/j.autcon.2021.103602
    24. Lawal, M. O. (2021). Tomato detection based on modified YOLOv3 framework. Scientific Reports, 11(1), 1447. doi:10.1038/s41598-021-81216-5
    25. Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767.
    26. He, K., Zhang, X., Ren, S., & Sun, J. (2015). Spatial pyramid pooling in deep convolutional networks for visual recognition. IEEE transactions on pattern analysis and machine intelligence, 37(9), 1904-1916. doi:10.1109/TPAMI.2015.2389824

    Наразі усунення яєць із мертвими зародками в інкубаційній промисловості птахівництва в Китаї в основному покладається на ручну перевірку, а відсутність відповідного обладнання автоматичного виявлення серйозно обмежує розвиток цієї галузі. Точна ідентифікація мертвих яєць є ключовим технічним завданням для вирішення проблеми. У цьому дослідженні розроблено установку для одержання зображень для аналізу качиних яєць на стадії, коли їх виймають з інкубаційного лотка (25 днів після початку інкубації). Ми пропонуємо вдосконалений алгоритм виявлення об’єктів на основі мережі YOLOv4 та ідентифікуємо мертві ембріони з високою точністю під час періоду висиджування яєць. Відповідно до характеристик зображень яєць племінних качок, ми видалили головну підмережу для виявлення малих об’єктів у мережі YOLOv4 і спростили магістральну підмережу цієї мережі, щоб підвищити ефективність виявлення. Експериментальні результати засвідчують, що середня точність розпізнавання нашої мережі YOLO-Lite дорівнює 98,33%, показник повноти складає 94,12%, а час розпізнавання одного кадру зображення – близько 15 мс. Ці показники кращі за відповідні параметри 96,67%, 88,89% і 32 мс, притаманні аналогічній методиці без наших удосконалень. Тому наші результати можуть стати основою для подальших досліджень і розробки відповідного інтелектуального обладнання.

    Ключові слова: мережа YOLOv4, розпізнавання зображень, глибоке навчання, качині яйця, безконтактний контроль

© Ukrainian Journal of Physical Optics ©