目前,蛋鸡养殖虽然在一些设备和环境调控技术方面得到了飞速发展,但是在养殖过程中,检测蛋鸡的健康和福利状况仍然采用效率低、劳动强度大,而且不利于健康的人工作业的方式进行。其不利于蛋鸡养殖业向集约化、规模化的方向发展。因此,蛋鸡行为检测的研究在蛋鸡的自动化养殖和信息化养殖方面具有重要的意义。目前由于蛋鸡个体相似、养殖环境复杂等原因很少有人使用图像技术对蛋鸡进行检测。本课题以蛋鸡为研究对象,对笼养蛋鸡的行为检测及其关键技术进行了深入研究。主要完成的工作和取得成果如下:(1)构建蛋鸡行为检测系统。对系统的检测硬件平台进行了研究与设计,并对蛋鸡行为检测的软件系统进行了方案设计。完成Pascal_VOC数据集制作。根据需求,对图像数据实施添加噪声、平移、旋转等操作进行数据扩增,为蛋鸡行为检测准备合理并且准确的训练数据集和测试数据集。(2)研究当前在深度学习中较为流行的Faster R-CNN、SSD、YOLOV3等检测算法。对这些检测算法进行了蛋鸡行为检测对比实验,实验结果表明YOLOV3在蛋鸡行为的检测速度和精度上都优于另外两种算法,但在实际的检测中,YOLOV3会出现卡顿、延迟等现象。(3)以YOLOV3检测算法为基础,设计了一种轻量型的TD-YOLOV3检测算法。首先,以YOLOV3网络结构为基础,压缩获得轻量型T-YOLOV3网络结构;其次,用Dense block替换T-YOLOV3网络中Conv9后的RES模块,并在网络结构中的第Conv5,Conv7,Conv9,Conv12的卷积层之后添加MLP结构;最后,基于K-means算法的聚类维度优化和训练策略优化进行本文数据集的训练和测试。实验表明,TD-YOLOV3算法不仅在精度上达到了要求,而且又在检测速度上得到了明显提升。(4)基于TD-YOLOV3算法以及DJango前端开发技术设计了一种蛋鸡行为在线检测系统,实现了蛋鸡行为检测以及数据库等功能。