文献类型：期刊文章

作　　者：高云[1,2] 郭继亮[1] 黎煊[1,2] 雷明刚[2,3] 卢军[4] 童宇[1,2]

GAO Yun;GUO Jiliang;LI Xuan;LEI Minggang;LU Jun;TONG Yu(College of Engineering, Huazhong Agricultural University, Wuhan 430070, China;The Cooperative Innovation Center for Sustainable Pig Production, Wuhan 430070, China;College of Animal Science and Technology, College of Animal Medicine, Huazhong Agricultural University, Wuhan 430070, China;College of Science, Huazhong Agricultural University, Wuhan 430070, China)

机构地区：[1]华中农业大学工学院,武汉430070 [2]生猪健康养殖协同创新中心,武汉430070 [3]华中农业大学动物科技学院动物医学院,武汉430070 [4]华中农业大学理学院,武汉430070

出　　处：《农业机械学报》

基　　金：国家重点研发计划项目(2016YFD0500506);中央高校自主创新基金项目(2662018JC003;2662018JC010;2662017JC028)

年　　份：2019

卷　　号：50

期　　号：4

起止页码：179-187

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：群养饲喂模式下猪群有聚集在一起的习性,特别是躺卧时,当使用机器视觉跟踪监测猪只时,图像中存在猪体粘连,导致分割困难,成为实现群猪视觉追踪和监测的瓶颈。根据实例分割原理,把猪群中的猪只看作一个实例,在深度卷积神经网络基础上建立Pig Net网络,对群猪图像尤其是对粘连猪体进行实例分割,实现独立猪体的分辨和定位。Pig Net网络采用44层卷积层作为主干网络,经区域候选网络(Region proposal networks,RPN)提取感兴趣区域(ROI),并和主干网络前向传播的特征图共享给感兴趣区域对齐层(Region of interest align,ROIAlign),分支通过双线性插值计算目标空间,三分支并行输出ROI目标的类别、回归框和掩模。Mask分支采用平均二值交叉熵损失函数计算独立猪体的目标掩模损失。连续28 d采集6头9. 6 kg左右大白仔猪图像,抽取前7 d内各不同时段、不同行为模式群养猪图像2 500幅作为训练集和验证集,训练集和验证集的比例为4∶1。结果表明,Pig Net网络模型在训练集上总分割准确率达86. 15%,在验证集上准确率达85. 40%。本文算法对不同形态、粘连严重的群猪图像能够准确分割出独立的猪个体目标。将本文算法与Mask R-CNN模型及其改进模型进行对比,准确率比Mask RCNN模型高11. 40个百分点,单幅图像处理时间为2. 12 s,比Mask R-CNN模型短30 ms。

关 键 词：群养猪  图像分割 实例分割  卷积神经网络 深度学习  粘连猪体  

分 类 号：TP391]