文献类型：期刊文章

作　　者：薛月菊[1,2,3] 朱勋沐[1] 郑婵[4] 毛亮[1] 杨阿庆[1] 涂淑琴[4] 黄宁[1] 杨晓帆[1] 陈鹏飞[1] 张南峰[5]

Xue Yueju;Zhu Xunmu;Zheng Chan;Mao Liang;Yang Aqing;Tu Shuqin;Huang Ning;Yang Xiaofan;Chen Pengfei;Zhang Nanfeng(College of Electronic Engineering, South China Agricultural University, Guangzhou 510642, China;Guangdong Engineering Research Center for Datamation of Modern Pig Production, Guangzhou 510642, China;Guangdong Engineering Research Center for Information Monitoring in Agriculture, Guangzhou 510642, China;College of Mathematics and Informatics, South China Agricultural University, Guangzhou 510642, China;Guangzhou Entry-Exit Inspection and Quarantine Bureau, Guangzhou 510623, China)

机构地区：[1]华南农业大学电子工程学院,广州510642 [2]广东省现代养猪数据化工程技术研究中心,广州510642 [3]广东省农情信息监测工程技术研究中心,广州510642 [4]华南农业大学数学与信息学院,广州510642 [5]广州出入境检验检疫局,广州510623

出　　处：《农业工程学报》

基　　金：国家科技支撑计划(2015BAD06B03-3);广东省科技计划项目(2015A020209148);广东省应用型科技研发项目(2015B010135007);广州市科技计划项目(201605030013);广州市科技计划项目(201604016122)

年　　份：2018

卷　　号：34

期　　号：9

起止页码：189-196

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：猪舍场景下,昼夜交替光线变化、热灯光照影响,及仔猪与母猪的粘连等因素,给全天候哺乳母猪姿态自动识别带来很大困难。该文以深度视频图像为数据源,提出基于改进Faster R-CNN的哺乳母猪姿态识别算法。将残差结构引入ZF网络,设计ZF-D2R网络,以提高识别精度并保持实时性;将Center Loss监督信号引入Faster R-CNN训练中,以增强类内特征的内聚性,提升识别精度。对28栏猪的视频图像抽取站立、坐立、俯卧、腹卧和侧卧5类姿态共计7 541张图像作为训练集,另取5类姿态的5 000张图像作为测试集。该文提出的改进模型在测试集上对哺乳母猪的站立、坐立、俯卧、腹卧和侧卧5类姿态的识别平均准确率分别达到96.73%、94.62%、86.28%、89.57%和99.04%,5类姿态的平均准确率均值达到93.25%。在识别精度上,比ZF网络和层数更深的VGG16网络的平均准确率均值分别提高了3.86和1.24个百分点。识别速度为0.058 s/帧,比VGG16网络速度提高了0.034 s。该文方法在提高识别精度的同时保证了实时性,可为全天候母猪行为识别提供技术参考。

关 键 词：图像识别  算法  模型  FASTER R-CNN  残差结构  CENTER LOSS 哺乳母猪 姿态识别  

分 类 号：TP391]