基于改进Faster R-CNN识别深度视频图像哺乳母猪姿态

作     者：薛月菊 朱勋沐 郑婵 毛亮 杨阿庆 涂淑琴 黄宁 杨晓帆 陈鹏飞 张南峰 Xue Yueju;Zhu Xunmu;Zheng Chan;Mao Liang;Yang Aqing;Tu Shuqin;Huang Ning;Yang Xiaofan;Chen Pengfei;Zhang Nanfeng

作者机构：华南农业大学电子工程学院广州510642 广东省现代养猪数据化工程技术研究中心广州510642 广东省农情信息监测工程技术研究中心广州510642 华南农业大学数学与信息学院广州510642 广州出入境检验检疫局广州510623 

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) 

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

年 卷 期：2018年第34卷第9期

页      码：189-196页

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。

主 题 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 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.2018.09.023

馆 藏 号：203288983...