基于双金字塔网络的RGB-D群猪图像分割方法

为实现群养猪的视觉追踪和行为监测,针对猪舍中仔猪因拥挤堆叠等习性而导致的目标个体粘连、图像分割困难问题,提出基于双金字塔网络的RGB-D群猪图像分割方法。该方法基于实例分割Mask R-CNN框架,在特征提取网络(Res Net101)基础上改进成双金字塔特征提取网络。RGB图像和Depth图像分别提取特征后进行融合,输入区域生成网络得到预选锚(ROI)和共享特征输入Head网络,通过类别、回归和掩模3个分支,输出检测目标的位置和分类结果,实现猪舍场景下群养仔猪粘连区域的有效个体分割。网络模型训练采用2 000组图像样本,按照4∶1比例随机划分训练集和验证集。试验结果表明,双金字塔网络(Feature pyramid networks,FPN)能有效解决颜色相近、个体相似的群猪粘连问题,实现单个仔猪区域的完整分割,分割准确率达89.25%,训练GPU占有率为77.57%,与Mask R-CNN和Pig Net网络分割结果相比,分割准确率和分割速度均有较大提高。双金字塔网络模型对于多种行为状态、不同粘连程度的群猪图像中个体分割都取得了良好效果,模型泛化性和鲁棒性较好,为群养猪的个体自动追踪提供了新的途径。     

融合特征金字塔与可变形卷积的高密度群养猪计数方法

针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因此,本文模型既实现了高密度猪群的精准计数,还通过优化模型结构大大降低了模型对计算设备的依赖,使其适用于养殖场内猪群在线计数。     

基于迁移学习的温室番茄叶片水分胁迫诊断方法

为实时诊断番茄叶片水分胁迫程度，提出一种叶片水分胁迫程度的诊断方法，该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割，通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割，保留原卷积网络的训练参数，只调整全连接层。利用卷积网络提取的特征，可将番茄叶片分割视为区分叶片与背景的一个二分类问题，以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类，通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类，保持DenseNet169卷积层的参数不变，只训练全连接层，并对原DenseNet169全连接层进行了修改，将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像，共2000幅图像，建立数据集，并进行模型训练与测试。试验结果表明，训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798，分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%，与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比，分类准确率分别提高了5.59、14.68个百分点，表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果，可为构建智能化的水胁迫分析技术提供参考。     

基于Mask R-CNN的柑橘主叶脉显微图像实例分割模型

针对目前植物解剖表型的测量与分析过程自动化低，难以应对复杂解剖表型的提取和识别的问题，以柑橘主叶脉为研究对象，提出了一种基于掩膜区域卷积神经网络(Mask region convolutional neural network, Mask R-CNN)的主叶脉显微图像实例分割模型，以残差网络ResNet50和特征金字塔(Feature pyramid network, FPN)为主干特征提取网络，在掩膜(Mask)分支上添加一个新的感兴趣区域对齐层(Region of interest Align, RoI-Align),提升Mask分支的分割精度。结果表明，该网络架构能够精准地对柑橘主叶脉横切面中的髓部、木质部、韧皮部和皮层细胞进行识别分割。Mask R-CNN模型对髓部、木质部、韧皮部和皮层细胞的分割平均精确率(交并比(IoU)为0.50)分别为98.9%、89.8%、95.7%和97.2%,对4个组织区域的分割平均精确率均值(IoU为0.50)为95.4%。与未在Mask分支添加RoI-Align的Mask R-CNN相比，精度提升1.6个百分点。研究结果表明，Mask R-CN...     

基于注意力机制和可变形卷积的鸡只图像实例分割提取

为提高鸡只个体轮廓分割提取的精度和准确度,实现基于机器视觉技术的鸡只行为、健康、福利状态监测等精准畜牧业管理,保证相关监测技术及决策的可靠性,针对叠层笼养环境下肉鸡图像的实例分割和轮廓提取问题,提出一种优化的基于Mask R-CNN框架的实例分割方法,构建了一种鸡只图像分割和轮廓提取网络,对鸡群图像进行分割,从而实现鸡只个体轮廓的提取。该网络以注意力机制、可变形卷积的41层深度残差网络（ResNet）和特征金字塔网络（Feature pyramid networks, FPN）相融合为主干网络,提取图像特征,并经区域生成网络（Region proposal networks, RPN）提取感兴趣区域（ROI）,最后通过头部网络完成鸡只目标的分类、分割和边框回归。鸡只图像分割试验表明,与Mask R-CNN网络相比,优化后网络模型精确率和精度均值分别从78.23%、84.48%提高到88.60%、90.37%,模型召回率为77.48%,可以实现鸡只轮廓的像素级分割。本研究可为鸡只福利状态和鸡只健康状况的实时监测提供技术支撑。     

基于弱监督数据集的猪只图像实例分割

在智慧养殖研究中，基于深度学习的猪只图像实例分割方法，是猪只个体识别、体重估测、行为识别等下游任务的关键。为解决模型训练需要大量的逐像素标注图像，以及大量的人力和时间成本的问题，采用弱监督猪只分割策略，制作弱监督数据集，提出一种新的特征提取骨干网络RdsiNet:首先在ResNet-50残差模块基础上引入第2代可变形卷积，扩大网络感受野；其次，使用空间注意力机制，强化网络对重要特征的权重值；最后引入involution算子，借助其空间特异性和通道共享性，实现加强深层空间信息、将特征映射同语义信息连接的功能。通过消融实验和对比实验证明了RdsiNet对于弱监督数据集的有效性，实验结果表明其在Mask R-CNN模型下分割的mAP_Semg达到88.6%,高于ResNet-50、GCNet等一系列骨干网络；在BoxInst模型下mAP_Semg达到95.2%,同样高于ResNet-50骨干网络的76.7%。而在分割图像对比中，使用RdsiNet骨干网络的分割模型同样具有更好的分割效果：在图像中猪只堆叠情况下，能更好地分辨猪只个体；使用BoxInst训...     

基于Mask R-CNN的猪只爬跨行为识别

针对目前猪只爬跨行为自动化检测程度较低的问题,提出了一种基于Mask R-CNN的猪只爬跨行为识别算法。首先获取猪只俯视图像,利用Labelme制作数据集标签,引入迁移学习方法训练Res Net-FPN网络,获取猪只分割结果,并提取每个样本中的mask像素面积。提取每个样本中的最小mask像素面积作为爬跨行为识别的经验样本集,确定爬跨行为界定阈值。利用测试集分别测试猪只分割网络模型及爬跨行为识别算法,结果表明,猪只分割网络模型的分割准确率为94%,爬跨行为识别算法准确率为94. 5%。本算法能够自动有效地检测猪只爬跨行为,可为牲畜养殖自动化提供支持。     

基于改进Mask R-CNN的植物表型智能检测算法

针对高通量自动化获取的植物表型性状图像的智能检测问题,采用迁移学习和改进掩膜区域卷积神经网络(Mask R-CNN)设计植物表型智能检测分割算法。首先对残差网络进行优化,并利用特征金字塔网络(FPN)对输入图像进行特征提取;然后调整候选区域提取网络(RPN)中锚框的长宽比例和阈值,并在RoIAlign中通过双线性插值法保留了特征图的空间信息;最后改进Mask检测头,并增加特征融合机制以获得高质量的掩膜。在西瓜突变体生长情况的性状表型数据集上进行训练和检测,得到结果表明：改进后的Mask R-CNN表现出更优的检测性能,与传统Mask R-CNN相比,检测精度提高22%,掩膜准确率提高2.7%,检测时间减少42 ms,为提升农业精准化水平和推动智慧农业发展提供了技术支撑。     

基于深层卷积神经网络的肉兔图像分割与体质量估测

针对肉兔饲养管理过程中人工称量造成的应激、体质量信息采集困难等问题,提出了一种基于深层卷积神经网络的肉兔图像分割与体质量估测方法,实现了肉兔养殖管理中的无接触式称量。构建基于Mask R-CNN的肉兔图像分割网络,以残差网络ResNet101作为主干网络,利用COCO数据集进行迁移学习以提高训练效率,获取围栏中不受限制的肉兔图像分割结果。提取每个样本掩膜的像素面积,通过引入弯曲度和体长两个特征参数来修正每个样本与对应体质量之间的权重关系。以投影面积、弯曲度、体长和日龄为输入参数,以肉兔体质量为输出参数,构建6神经元的体质量估测神经网络。分别测试肉兔图像分割网络和体质量估测神经网络,结果表明,肉兔图像分割网络在交并比（IoU）为0.5∶0.95时分类准确率为94.5%,对像素分割的精确度为95.1%。体质量估测神经网络的拟合相关系数R为0.99391,验证集均方误差为0.0336,预测体质量和实际体质量平均相差123g。本文方法对不同日龄和不同姿态下肉兔的预测效果良好。     

基于双扩张层和旋转框定位的群猪目标检测算法研究

目前猪群图像检测均为基于水平框的目标检测算法,对于图像中猪体粘连和相互遮挡情况检测率较低,针对图像中的猪只长宽比例较大和可能发生任意角度旋转的特点,提出了一种基于双扩张层和旋转框定位的群猪目标检测算法(Dual dilated layer and rotary box location network, DR-Net)。采集3个猪场的群猪图像,利用数据增强保留9 600幅图像制作数据集;基于膨胀卷积搭建提取图像全局信息的双扩张层,借鉴Res2Net模块改进CSP层融合多尺度特征,猪只目标以旋转框定位并采用五参数表示法在模型训练中利用Gaussian Wasserstein distance计算旋转框的回归损失。试验结果表明,DR-Net对猪只目标识别的精确率、召回率、平均精确率、MAE、RMSE分别为98.57%、97.27%、96.94%、0.21、0.54,其检测效果优于YOLO v5,提高了遮挡与粘连场景下的识别精度和计数精度。利用可视化特征图分析算法在遮挡和粘连场景下能够利用猪只头颈部、背部或尾部特征准确定位目标。该研究有助于智能化猪场建设,可为后续猪只行为识别研究提供参考。     

基于点云语义分割的猪只体尺测量方法研究

生猪的体尺参数是生猪生长状态的重要评判标准,而人工测量体尺耗时耗力且容易造成猪只的应激反应,本文研究了无接触式猪只体尺参数测量方法,借鉴人工测量经验法,提出基于点云语义分割的猪只体尺测量方法。本文以大约克夏猪为研究对象,搭建无接触式猪只点云采集平台,采集3 510组猪只双侧点云数据;利用直通滤波器与随机采样一致性分割处理方法去除背景点云,基于统计滤波器去除离群点,采用体素下采样方法稀疏点云,完成猪只点云的预处理;基于PointNet网络,结合注意力模块构建语义分割模型,针对不同分割部位设计猪只体尺测量方法。试验结果表明,在自制数据集上,改进的语义分割模型准确率为86.3%,相较于PointNet、PointNet++和3D-RCNN分别高8、5.7、2.6个百分点;体尺的测量值与实测值最大绝对误差为6.8 cm,平均绝对误差均在5 cm以内,具有较高的估算准确性,此方法能够用于猪只体尺测量。本文将语义分割与体尺测量相结合,可为后续非接触测量提供思路。     

猪只饮水行为机器视觉自动识别

猪只饮水行为往往与猪舍环境的舒适度以及猪只的健康水平密切相关,实时地监控猪栏中猪只饮水状况对猪舍管理和提高养殖福利具有重要意义。目前,主要采用RFID和机器视觉两种技术自动识别饮水行为,RFID方式需要给猪只佩戴耳标,存在对猪身有侵入和不便操作的缺点,机器视觉方法能非接触式监测和提取猪只饮水行为,具有低成本易实施的优点。本文实现了基于机器视觉的猪只饮水行为自动识别,首先通过传统的阈值分割方法得到二值化图像来实现猪只从背景中的提取,接着引入图像占领指数对猪只饮水行为进行预判,最后利用深度学习方法构造猪只头部检测器,更精准地判定饮水行为的发生。试验表明,该方法在本文构建的饮水视频数据集中识别正确率为92.11%,且能识别饮水猪只的身份,可应用到实际的猪只生产过程中辅助管理决策。     

基于改进边缘分割算法的幼苗信息提取

优化特征空间和改进分割算法是利用面向对象技术准确获取幼苗信息的关键,也是高空间分辨率数据提取目标地物信息迫切需要解决的问题。研究了在多光谱影像进行去噪声处理基础上,采用改进的基于边缘的算法进行影像分割,同时选取纹理、形状、光谱特征构建特征空间,实现幼苗信息提取的方法。结果表明,该方法对幼苗信息提取的总精度达86%,比传统技术提高了12%,KAPPA系数达0.814 5,比传统技术提高了0.115 9。该方法可以对幼苗信息进行准确快速提取,能够为生产或管理部门进行准确监测和决策提供依据,对未来造林情况进行预测和评价有重要意义。     

华东地区典型保育猪舍温湿度和空气质量监测

为探究畜禽舍温湿度与空气质量情况,获得较可靠的监测数据,并为畜禽舍环境改善提供依据,以华东地区某典型规模猪场的两间自然通风保育猪舍为对象,应用多点连续监测方法对猪舍内的温湿度以及主要污染气体(二氧化碳(CO_2)、氨气(NH_3)、硫化氢(H_2S)和甲烷(CH_4))的质量浓度进行了为期1年的监测。监测结果显示,该保育猪舍内温度、相对湿度以及CO_2、NH_3、H_2S、CH_4质量浓度的小时平均值范围分别为0.9~42.0℃、31.1%~97.7%、423~3 534 mg/m~3、0.11~49.7 mg/m~3、0.9~41.7μg/m3和0.1~17.7 mg/m~3;对应的(年平均值±方差)分别为(25.6±8.6)℃、(71.4±11.7)%、(1 982±744)mg/m~3、(10.9±8.4)mg/m~3、(8.2±5.2)μg/m~3和(2.9±1.9)mg/m~3。研究结果还揭示了这些指标每日和四季的变化规律以及舍内环境状况。全年的最低和最高小时平均温度和相对湿度,以及小时平均最高CO_2和NH_3质量浓度超出了国家标准中规定的规模猪场环境参数的临界值。但舍内的H_2S和CH_4质量浓度很低,不会对猪的健康生长以及猪舍的安全造成危害。     

复合酸化剂在早期断奶仔猪生产中的应用

通过添加酸化剂调控日粮酸度来调整早期断奶仔猪消化道酸度,已成为改善仔猪营养状态,提高其生产性能和成活率的有效手段。     

基于改进Otsu算法的生猪热红外图像耳根特征区域检测

为研究规模化生猪养殖场中非接触式体温检测方法,以自行设计的热红外图像采集器采集生猪图像,选取HSV颜色空间对图像进行变换,生成S层图像,应用形态学特征闭运算对二值化图像去噪。用改进后的Otsu算法,分别对仔猪、育肥猪和妊娠猪图像耳根特征区域进行检测。结果表明,该方法可以100%正确检测具有完整耳根部特征的仔猪、育肥猪、妊娠猪图像;对于耳根部特征不完整的仔猪图像23%可正确进行检测,育肥猪图像25%可正确进行检测,妊娠猪图像33%可正确进行检测;无法检测不具有耳根部特征的图像。     

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一。以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法。用室内室外不同生长时期的黄瓜植株图像进行试验,温室内图像和室外自然光照图像的平均分割精度分别达到96.56%和96.59%,均优于EXG超绿分割和GrabCut算法。同时表明,本文的改进算法适应性更强,具有较好的鲁棒性。     

猪皮、猪瘦肉和猪脂肪厌氧消化产气潜力的实验研究

文章为探究猪肉的资源化利用潜力,对新鲜购买的猪肉进行厌氧消化实验,分别以猪皮、猪瘦肉和猪脂肪为实验原料,实验温度为30℃,采用批量式发酵工艺,进行发酵产沼气实验。整个实验分别历时76 d,113 d和83 d,总产气量分别为13660 mL,18850 mL和14780mL,平均甲烷含量分别为64%,66%和63%,产沼气潜力分别为1139 mL·g^-1TS,1571 mL·g^-1TS和1231 mL·g^-1TS或1159 mL·g^-1VS,1687 mL·g^-1VS和1257 mL·g^-1VS。结果表明厌氧工艺可以很好地实现病死猪肉的资源化利用。