10.6041/j.issn.1000-1298.2019.04.020
基于深度学习的群猪图像实例分割方法
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(Region proposal networks,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28 d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2 500幅作为训练集和验证集,训练集和验证集的比例为4:1.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Mask R-CNN模型短30 ms.
群养猪、图像分割、实例分割、卷积神经网络、深度学习、粘连猪体
50
TP391(计算技术、计算机技术)
国家重点研发计划项目2016YFD0500506;中央高校自主创新基金项目2662018JC003、2662018JC010、2662017JC028
2019-05-28(万方平台首次上网日期,不代表论文的发表时间)
共9页
179-187