改进帧间差分-深度学习识别群养猪只典型行为.pdfVIP

第 38 卷 第 15 期 农 业 工 程 学 报 Vol.38 No.15 170 2022 年 8 月 Transactions of the Chinese Society of Agricultural Engineering Aug. 2022 改进帧间差分-深度学习识别群养猪只典型行为 曾繁国，朱 君，王海峰，贾 楠， ※ 赵宇亮，赵文文，李 斌 （1. 北京市农林科学院智能装备技术研究中心，北京 100097 ； 2. 国家农业智能装备工程技术研究中心，北京 100097 ） 摘 要：群养猪行为是评估猪群对环境适应性的重要指标。猪场环境中，猪只行为识别易受不同光线和猪只粘连等因素 影响，为提高群养猪只行为识别精度与效率，该研究提出一种基于改进帧间差分-深度学习的群养猪只饮食、躺卧、站立 和打斗等典型行为识别方法。该研究以 18 只 50～115 日龄长白猪为研究对象，采集视频帧1 117 张，经图像增强共得到 4 468 张图像作为数据集。首先，选取 Faster R-CNN 、SSD、Retinanet 、Detection Transformer 和 YOLOv5 五种典型深度 学习模型进行姿态检测研究，通过对比分析，确定了最优姿态检测模型；然后，对传统帧间差分法进行了改进，改进后 帧间差分法能有效提取猪只完整的活动像素特征，使检测结果接近实际运动猪只目标；最后，引入打斗活动比例 （Proportion of Fighting Activities, PFA ）和打斗行为比例（Proportion of Fighting Behavior, PFB ）2 个指标优化猪只打斗行 为识别模型，并对模型进行评价，确定最优行为模型。经测试，YOLOv5 对群养猪只典型姿态检测平均精度均值达 93.80%， 模型大小为 14.40 MB，检测速度为 32.00 帧/s ，检测速度满足姿态实时检测需求，与Faster R-CNN 、SSD、Retinanet 和 Detection Transformer 模型相比，YOLOv5 平均精度均值分别提高了 1.10、3.23、4.15 和 21.20 个百分点，模型大小分别 减小了 87.31%、85.09%、90.15%和 97.10% 。同时，当两个优化指标PFA 和 PFB 分别设置为 10%和 40%时，猪只典型行 为识别结果最佳，识别准确率均值为 94.45% 。结果表明，该方法具有准确率高、模型小和识别速度快等优点。该研究为 群养猪只典型行为精准高效识别提供方法参考。 关键词：深度学习；识别；群养猪只；姿态检测 doi ：10.11975/j.issn.1002-6819.2022.15.018 中图分类号：TP391.41 文献标志码：A 文章编号：1002-6819(2022)-15-0170-09 曾繁国，朱君，王海峰，等. 改进帧间差分-深度学习识别群养猪只典型行为 [J]. 农业工程学报，2022，38(15)：170-178. doi ：10.11975/j.issn.1002-6819.2022.15.018 Zeng Fanguo, Zhu Jun, Wang Haifeng,