10.3964/j.issn.1000-0593(2020)05-1588-07
基于可见光光谱和YOLOv2的生猪饮食行为识别
猪的进食、饮水行为是评价生猪健康程度最直接的依据,利用计算机视觉技术实时监控生猪的进食、饮水等状况对提高生猪养殖福利有重要的意义.提出一种基于可见光光谱和改进YOLOv2神经网络的生猪进食、饮水行为识别方法,该方法在生猪可见光图像序列上构建头颈模型,结合改进的YOLOv2神经网络实现真实养殖场景中的生猪目标检测,并利用位置信息对生猪的进食、饮水行为进行预判断,对符合判断的图像使用图像处理方法精准判断生猪进食、饮水行为.首先在生猪图像序列上构建头颈模型,利用未被遮挡的头颈作为检测目标,该模型能有效改善生猪目标检测过程的遮挡问题,且能够精准定位生猪的头部,为后续识别进食饮水行为提供辅助.然后采用国际主流神经网络YOLOv2作为目标检测的基础网络模型,改进其激活函数,实现快速精准地生猪目标检测.在使用网络训练前,对生猪数据集使用K-means算法进行聚类候选边框,其mAP值和Recall值相比于最初YOLOv2提高了3.94% 和5.3%.为了增加网络对输入变化或噪声的鲁棒性,对比使用ReLU,Leaky-ReLU和ELU三个激活函数的性能,可以发现使用ELU的性能比前两者有明显提高.将改进后的网络与原YOLOv2,SSD模型以及Faster R-CNN相比,该模型的mAP值达到90.24%,Recall值达到84.56%,均优于后三者.最后利用目标检测得到的生猪头颈位置信息,对生猪的进食、饮水行为进行预判断.当图像中进食、饮水区域出现生猪时,对该图进行背景差分法、形态学运算等处理,并结合饮水区域停留时间等对生猪的进食、饮水行为进行更精准判断.实验表明:利用该方法判断生猪的进食、饮水行为,准确率分别达到94.59% 和96.49%,均优于直接使用传统方法判断的结果,可应用于实际养殖过程中辅助养殖人员进行生猪管理.
可见光光谱、生猪、目标检测、深度学习、行为识别
40
TP391.4(计算技术、计算机技术)
国家"十三五"重点研发计划项目2016YDD0700204
2020-05-28(万方平台首次上网日期,不代表论文的发表时间)
共7页
1588-1594