摘要：群养饲喂模式下猪群有聚集在一起的习性,特别是躺卧时,当使用机器视觉跟踪监测猪只时,图像中存在猪体粘连,导致分割困难,成为实现群猪视觉追踪和监测的瓶颈。根据实例分割原理,把猪群中的猪只看作一个实例,在深度卷积神经网络基础上建立 PigNet 网络,对群猪图像尤其是对粘连猪体进行实例分割,实现独立猪体的分辨和定位。 PigNet网络采用44层卷积层作为主干网络,经区域候选网络(Regionproposalnetworks,RPN)提取感兴趣区域(ROI),并和主干网络前向传播的特征图共享给感兴趣区域对齐层(Region of interest align,ROIAlign),分支通过双线性插值计算目标空间,三分支并行输出 ROI 目标的类别、回归框和掩模。 Mask 分支采用平均二值交叉熵损失函数计算独立猪体的目标掩模损失。连续28d采集6头9.6kg左右大白仔猪图像,抽取前7d内各不同时段、不同行为模式群养猪图像2500幅作为训练集和验证集,训练集和验证集的比例为4颐1。结果表明,PigNet网络模型在训练集上总分割准确率达86.15%,在验证集上准确率达85.40%。本文算法对不同形态、粘连严重的群猪图像能够准确分割出独立的猪个体目标。将本文算法与 Mask R CNN 模型及其改进模型进行对比,准确率比 MaskR CNN模型高11.40个百分点,单幅图像处理时间为2.12s,比MaskR CNN模型短30ms。

关键词：群养猪 图像分割 实例分割 卷积神经网络 深度学习 

单位：华中农业大学工学院; 武汉430070; 生猪健康养殖协同创新中心; 武汉430070; 华中农业大学动物科技学院动物医学院; 武汉430070; 华中农业大学理学院; 武汉430070