农业机械学报

作者：王海燕，江烨皓，黎煊，马云龙，刘小磊

单位：华中农业大学深圳营养与健康研究院,华中农业大学；岭南现代农业科学与技术广东省实验室深圳分中心,华中农业大学深圳营养与健康研究院；农业农村部智慧养殖技术重点实验室,农业动物遗传育种与繁殖教育部重点实验室,华中农业大学深圳营养与健康研究院,

关键词：猪只;弱监督实例分割;空间注意力机制;involution算子

基金：国家重点研发计划项目(2022YFD1601903)、湖北省科技重大专项(2022ABA002)、华中农业大学-中国农业科学院深圳农业基因组研究所合作基金项目（SZYJY2022034）和中央高校基本科研业务费专项资金项目（2662022XXYJ009）

在智慧养殖研究中，基于深度学习的猪只图像实例分割方法，是猪只个体识别、体重估测、行为识别等下游任务的关键。为解决模型训练需要大量的逐像素标注图像，以及大量的人力和时间成本的问题，采用弱监督猪只分割策略，制作弱监督数据集，提出一种新的特征提取骨干网络RdsiNet：首先在ResNet-50残差模块基础上引入第2代可变形卷积，扩大网络感受野；其次，使用空间注意力机制，强化网络对重要特征的权重值；最后引入involution算子，借助其空间特异性和通道共享性，实现加强深层空间信息、将特征映射同语义信息连接的功能。通过消融实验和对比实验证明了RdsiNet对于弱监督数据集的有效性，实验结果表明其在Mask R-CNN模型下分割的mAPSemg达到88.6%，高于ResNet-50、GCNet等一系列骨干网络；在BoxInst模型下mAPSemg?达到95.2%，同样高于ResNet-50骨干网络的76.7%。而在分割图像对比中，使用RdsiNet骨干网络的分割模型同样具有更好的分割效果：在图像中猪只堆叠情况下，能更好地分辨猪只个体；使用BoxInst训练的模型，测试图像中掩码具有更高的精细度，这更有利于开展下游分析。

来源：2023年第10期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第10期