推荐星级：
- 1
- 2
- 3
- 4
- 5
基于深度学习的群猪图像实例分割方法
资料介绍
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Pig Net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。Pig Net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. 6 kg左右大白仔猪图像,抽取前7 d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,Pig Net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Mask RCNN模型高11. 40个百分点,单幅图像处理时间为2. 12 s,比Mask R-CNN模型短30 ms。
部分文件列表
| 文件名 | 大小 |
| 基于深度学习的群猪图像实例分割方法.pdf | 2M |
部分页面预览
（完整内容请下载后查看）2 0 1 9
4
农 业 机 械 学 报
50
4
卷 第 期
年
月
第
doi: 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
1，2
1
1，2
2，3
4
1，2
高 云
郭继亮 黎 煊
雷明刚
卢 军 童 宇
( 1．
，
华中农业大学工学院 武汉
430070; 2．
，
生猪健康养殖协同创新中心 武汉
430070;
3．
，
华中农业大学动物科技学院动物医学院 武汉
430070; 4．
，
华中农业大学理学院 武汉
430070)
: ， ， ，
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
( Region proposal networks，RPN)
提取感兴
。PigNet 44
网络采用
，
辨和定位
层卷积层作为主干网络 经区域候选网络
( 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
趣区域
，
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
7 d 、
。
损失函数计算独立猪体的目标掩模损失 连续
28 d
6
9. 6 kg
，
左右大白仔猪图像 抽取前
采集
头
内各不同时段
2 500
不同行为模式群养猪图像
型在训练集上总分割准确率达
，
4∶ 1。
，PigNet
幅作为训练集和验证集 训练集和验证集的比例为
结果表明
网络模
本文算法对不同形态 粘连严重的群猪图
Mask R-
86. 15% ，
在验证集上准确率达
85. 40% 。
、
。
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
CNN 11. 40 2. 12 s， Mask R-CNN
，
30 ms。
模型高
个百分点 单幅图像处理时间为
比
模型短
关键词 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
: TP391 : A : 1000-1298( 2019) 04-0179-09
:
;
;
;
;
;
中图分类号
文献标识码
文章编号
Instance-level Segmentation Method for Group Pig Images
Based on Deep Learning
1，2
1
1，2
2，3
4
1，2
GAO Yun
GUO Jiliang LI Xuan
LEI Minggang
LU Jun TONG Yu
( 1． College of Engineering，Huazhong Agricultural University，Wuhan 430070，China
2． The Cooperative Innovation Center for Sustainable Pig Production，Wuhan 430070，China
3． College of Animal Science and Technology，College of Animal Medicine，Huazhong Agricultural University，Wuhan 430070，China
4． College of Science，Huazhong Agricultural University，Wuhan 430070，China)
Abstract: With the development of intelligence and automation technology，people pay more attention to
use it to monitor pig welfare and health in modern pig industry． Since the behaviors of group pigs present
their healthy status，it is necessary to detect and monitor behaviors of group pigs． At present，machine
vision technology with advantages of low price，easy installation，non-invasion and mature algorithm has
been preferentially utilized to monitor pigs’behaviors，such as drinking，eating，farrowing behavior of
sow，and detect some of pigs’physiological indices，such as lean yield rate． Feeding pigs at group level
was used the most in intensive pig farms． Owing to normally happened huddled pigs showing in group-pig
images，it was challenging to utilize traditional machine vision technique to monitor the behaviors of group
pigs through separating adhesive pig areas． Thus a new segmentation method was introduced based on
deep convolution neural network to separate adhesive pig areas in group-pig images． A PigNet network
was built to solute the problem of separating adhesive pig areas in group-pig images． Main part of the
PigNet network was established on the structure of the Mask R-CNN network． The Mask R-CNN network
was a deep convolution neural network，which had a backbone network with a branch of FCN from
classification layer and regression layer to mask the region of interest． The PigNet network used 44
convolutional layers of backbone network of Mask R-CNN network as its main network． After the main
: 2018-10-17
: 2019-01-29
修回日期
收稿日期
:
基金项目 国家重点研发计划项目
( 2016YFD0500506)
( 2662018JC003、2662018JC010、2662017JC028)
和中央高校自主创新基金项目
:
作者简介 高云
( 1974—) ， ， ， ， ，E-mail: angelclouder@ mail． hzau． edu． cn
女 副教授 博士 主要从事农业智能检测与控制研究
180
2 0 1 9
年
农
业
机
械
学
报
network，the output feature image was fed to the next four convolutional layers with different convolution
kernels，which was the resting part of the main network and produced binary mask for each pig area． As
well，the output feature image was fed into two branches，one was the region proposal networks ( RPN) ，
the other was region of interest align ( ROIAlign) processing． The first branch outputted the regions of
interest，and then the second one aligned each pig area and produced class of the whole pig area and the
background area and bounding boxes of each pig regions． A binary cross entropy loss function was utilized
to calculate the loss of each mask to correct the class layer and the location of ROIs． Here，the ROIAlign
was used to align the candidate region and convolution characteristics through the bilinear difference，and
which would not lose information by quantization，making the segmentation more accurate，and FCN of
the mask branch used average binary cross entropy as the loss function to process each mask，which
avoided the competition among pig masks． After all，the ROI was labeled with different colors． Totally
2000 images captured from previous five days of a 28-day experiments were taken as the training set，and
500 images from the next 6th to 7th day were validation set． The results showed that the accuracy of the
PigNet on training set was 86. 15% and on validation set was 85. 40% ． The accuracies on each data set
were very close，which showed that the model had effective generalization performance and high
precision． The cooperation between the PigNet，Mask R-CNN ( ResNet101-FPN) and its improvement
showed the PigNet surpassed the other two algorithms in accuracy． Meanwhile，the PigNet run faster than
the Mask R-CNN． However，the times of three algorithms spent on 500 samples of the validation set were
similar． The algorithm can be used to separate individual pig from group-pig images with different
behaviors and severe adhesion situation． The PigNet network model adopted the GPU operation mode，
and used the three branches of class，regression box and mask to compute parallel processing time，which
made the processing time of single image quick，only 2. 12 s． To a certain degree，the PigNet could
reduce convolution parameters and simplify the network structure． The research provided a new
segmentation method for adhesive group-pig images，which would increase the possibility of group-pig
tracing and monitoring．
Key words: group pig; image segmentation; instance segmentation; convolution neural network; deep
learning; adherent pig body
， ，
推理规则不明确情况下 通过训练 自动提取图像中
0
引言
，
目标特征 避免了通过人为观察来设计算法提取目
、
机器视觉技术是检测猪养殖状况 评价猪福利
，
标特 征 的 过 程 得 到 的 算 法 模 型 普 适 性 较 强
。
［21］
， 、 、
的重要技术手段之一 具有易安装 无侵入 设备平
GIRSHICK
R-CNN ( Regions with
等
提 出 了 将
( Region proposal) ，
的策略 训
。 ，
价等优点 目前 机器视觉技术较多应用于单体猪
CNN)
应用到候选区域
、
练模型用于定位目标物和图像分割 其分割的精度
［1］
，
只的监测 主要用于识别猪只饮水行为 及监测猪
，
［2 － 3］
［4］
［22］
、
、
。
效率均不高 为了提高分割精度
，LONG
等
只的饮水量
监测母猪的分娩行为
检测生猪
对
［5］
［6］
、
。
CNN
，
进 行 改 进 提 出 了 全 卷 积 网 络
( Fully
的瘦肉率
监测猪只蓝耳病疫情
等
对于群体
， ，
饲喂阶段 由于猪群有聚集在一起的习性 特别是躺
convolutional networks，FCN)
，
的图像语义分割算法
， ，
卧时 当使用机器视觉跟踪监测猪只时 图像中存在
，
主要用来理解场景中存在的感兴趣对象 实现像素
， 。
较多的粘连猪体 且分割困难 目前要对群养猪个
，
级别的分割 有研究人员也将该方法应用到母猪个
［23］
， 。
体进行追踪和监测 尚未有较为成熟的应用 但群
。
语义分割可以分割出同一
体识别和分割方面
， ，
类物体 但无法分割出同一类物体中的不同个体 不
养模式无论是在种猪场还是商品肉猪场均占有较大
［7 － 8］
，
。
的比重
对群养猪行为进行监测有利于全面改
适用于分割群养猪中的粘连猪个体
。
实例分割主要用来分割同类物体的不同个体
， ，
进猪场养殖管理水平 提高猪场的生产效率 从而提
［24］
。 ，
高猪场的经济效益 因此 解决群养猪图像中粘连
SILBERMAN
2014
在
等
年用实例分割来分析室
实现了全卷积端到端实例分割模
( Fully convolutional instance-aware semantic
型
［25］
。LI
猪体的分割问题是实现群猪视觉追踪和监测的关键
内场景
等
。
步骤
，
为了分割群养猪图像中的粘连猪体 采用传统
segmentation，FCIS) 。
实例分割是一个多任务架构
， ，
网络 通过卷积神经网络先提取初级特征 并提出感
数字图像处理结合模式识别的方法已有较多研
［9 － 13］
。
( Convolutional neural
( Region of interest，ROI) 。 ROI
究
卷 积 神 经 网 络
兴趣区域
对于每个
。
池化层处理提取出对应的特征
［14 － 20］
network，CNN)
，
， ROI
区域 通过对
方法
能够在背景知识不清晰
更多>>
最新上传
- 打赏
- 30日榜单
-
21ic小能手 打赏10.00元 2天前
-
21ic小能手 打赏5.00元 2天前
-
21ic小能手 打赏5.00元 2天前
-
21ic小能手 打赏5.00元 2天前
-
21ic下载 打赏310.00元 3天前
用户：w178191520
-
21ic下载 打赏310.00元 3天前
用户：小猫做电路
-
21ic下载 打赏310.00元 3天前
用户：zhengdai
-
21ic下载 打赏210.00元 3天前
用户：gsy幸运
-
21ic下载 打赏230.00元 3天前
用户：jh0355
-
21ic下载 打赏260.00元 3天前
用户：xzxbybd
-
21ic下载 打赏70.00元 3天前
用户：jh03551
-
21ic下载 打赏60.00元 3天前
用户：sun2152
-
21ic下载 打赏80.00元 3天前
用户：铁蛋锅
-
21ic下载 打赏60.00元 3天前
用户：xuzhen1
-
21ic下载 打赏60.00元 3天前
用户：liqiang9090
-
21ic下载 打赏30.00元 3天前
用户：wangcunxia
-
21ic下载 打赏20.00元 3天前
用户：玉落彼岸
-
21ic下载 打赏15.00元 3天前
用户：kk1957135547
-
21ic下载 打赏15.00元 3天前
用户：w993263495
-
21ic下载 打赏15.00元 3天前
用户：x15580286248
-
21ic下载 打赏15.00元 3天前
用户：w1966891335
-
21ic下载 打赏15.00元 3天前
用户：hp860629
-
21ic下载 打赏10.00元 3天前
用户：staven630
-
21ic下载 打赏10.00元 3天前
用户：我觉得八行
-
21ic下载 打赏10.00元 3天前
用户：曾多次
-
21ic下载 打赏10.00元 3天前
用户：272586851
-
21ic下载 打赏10.00元 3天前
用户：熄欲
-
SYFSSYYFF 打赏3.00元 3天前
-
我是蒙帆 打赏1.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏10.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic小能手 打赏5.00元 3天前
-
21ic下载 打赏310.00元 3天前
用户：w178191520
-
21ic下载 打赏310.00元 3天前
用户：小猫做电路
-
21ic下载 打赏310.00元 3天前
用户：gsy幸运
-
21ic下载 打赏210.00元 3天前
用户：zhengdai
-
21ic下载 打赏210.00元 3天前
用户：jh0355
-
21ic下载 打赏210.00元 3天前
用户：jh03551
-
21ic下载 打赏210.00元 3天前
用户：xzxbybd
全部评论(0)