基于改进FasterR-CNN识别深度视频图像哺乳母猪姿态

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7541张图像作为训练集,另取5类姿态的5000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.

关键词：图像识别、算法、模型、FasterR-CNN、残差结构、CenterLoss、哺乳母猪、姿态识别

所属期刊栏目：34

分类号：TP391(计算技术、计算机技术)

资助基金：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

在线出版日期：2018-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：189-196