农业机械学报

作者：高云,郭继亮,黎煊,雷明刚,卢军,童宇

单位：华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,

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

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

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PigNet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。PigNet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28d采集6头9.6kg左右大白仔猪图像，抽取前7d内各不同时段、不同行为模式群养猪图像2500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，PigNet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 R-CNN模型高11.40个百分点，单幅图像处理时间为2.12s，比Mask R-CNN模型短30ms。

来源：2019年第4期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2019年第4期