基于改进实例分割算法的区域养殖生猪计数系统.pdf

2024年7月第6卷第4期智慧农业（中英文）SmartAgricultureJul.2024Vol.6,No.4

基于改进实例分割算法的区域养殖生猪计数系统

1，21，21，2*1，21，2

张岩琪，周硕，张凝，柴秀娟，孙坦

（1.中国农业科学院农业信息研究所，北京100081，中国；2.农业农村部农业大数据重点实验室，北京100081，中国）

摘要：［［目的目的/意义意义］］针对现有规模化猪场生猪计数需求场景多，人工计数效率低、成本高等问题，提出一种基

于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法。［［方法方法］］首先，利用智能手机拍摄养殖场

猪只视频，对视频抽帧进一步生成图像数据集。其次，通过改进卷积块注意力模块（ConvolutionalBlockAttention

Module,CBAM）中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题，提出高效全局注意力

模块，并将该模块引入基于回归分析的单阶段实例分割网络YOLO（YouOnlyLookOnce）v8中对获取的生猪图像

进行分割，构建新的识别模型YOLOv8x-Ours，以实现高精度的生猪计数。最后，基于微信公众平台开发微信小

程序，并嵌入综合表现最优的生猪计数模型，实现使用智能手机拍摄图像进行生猪快速计数。［［结果和讨论结果和讨论］］在测

试集上的试验结果表明，与现有实例分割模型相比，引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精

2

度（AP（50∶95）），平均绝对误差（MeanAbsoluteError,MAE）、均方根误差（RootMeanSquareError,RMSE）和R分

别为1.727、2.168和0.949，表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试

图像总数量的93.8%，相比两阶段实例分割算法MaskR-CNN（RegionConvolutionalNeuralNetwork）提升7.6%；单

幅图像平均处理时间仅为64ms，是MaskR-CNN的1/8。［［结论结论］］该方法经济高效，为规模化猪场的生猪计数提供

了一种技术方案。

关键词：生猪计数；深度学习；微信小程序；YOLOv8；实例分割

中图分类号：TP391.41文献标志码：A文章编号：SA202310001

引用格式：张岩琪,周硕,张凝,柴秀娟,孙坦.基于改进实例分割算法的区域养殖生猪计数系统[J].智慧农业(中英

文),2024,6(4):53-63.DOI：10.12133/j.smartag.SA202310001

ZHANGYanqi,ZHOUShuo,ZHANGNing,CHAIXiujuan,SUNTan.ARegionalFarmingPigCountingSystemBased

onImprovedInstanceSegmentationAlgorithm[J].SmartAgriculture,2024,6(4):53-63.DOI：10.12133/j.smartag.

SA202310001(inChinesewithEnglishabstract)

0引言量和存栏量的资产盘点，费时费力，且往往由于猪

只跑动导致错误计数并存在作弊问题。随着养