改进Faster R-CNN的群养猪只圈内位置识别与应用

作     者：王浩 曾雅琼 裴宏亮 龙定彪 徐顺来 杨飞云 刘作华 王德麾 Wang Hao;Zeng Yaqiong;Pei Hongliang;Long Dingbiao;Xu Shunlai;Yang Feiyun;Liu Zuohua;Wang Dehui

作者机构：重庆市畜牧科学院重庆402460 四川大学机械工程学院成都610065 四川大学空天科学与工程学院成都610065 

基　　金：国家重点研发计划项目(2017YFD0701601) 重庆市技术创新与应用发展专项重点项目(cstc2019jscx-gksbX0093) 现代农业产业技术体系建设专项资金(CARS-35) 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2020年第36卷第21期

页      码：201-209页

摘      要：群养圈栏内猪只的位置分布是反映其健康福利的重要指标。为解决传统人工观察方式存在的人力耗费大、观察时间长和主观性强等问题,实现群养猪只圈内位置的高效准确获取,该研究以三原色(Red Green Blue,RGB)图像为数据源,提出了改进的快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)的群养猪只圈内位置识别算法,将时间序列引入候选框区域算法,设计Faster R-CNN和轻量化CNN网络的混合体,将残差网络(Residual Network,ResNet)作为特征提取卷积层,引入PNPoly算法判断猪只在圈内的所处区域。对育成和育肥2个饲养阶段的3个猪圈进行24 h连续98 d的视频录像,从中随机提取图像25000张作为训练集、验证集和测试集,经测试该算法识别准确率可达96.7%,识别速度为每帧0.064s。通过该算法获得了不同猪圈和日龄的猪群位置分布热力图、分布比例和昼夜节律,猪圈饲养面积的增加可使猪群在实体地面的分布比例显著提高(P<0.05)。该方法可为猪只群体行为实时监测提供技术参考。

主 题 词：卷积神经网络 机器视觉 图像识别 算法 群养猪 位置识别 

学科分类：0710[理学-生物科学类] 082804[082804] 08[工学] 0828[工学-建筑类] 080203[080203] 0802[工学-机械学] 0801[工学-力学类] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.2020.21.024

馆 藏 号：203101515...