基于实例分割的白羽肉鸡体质量估测方法

针对白羽肉鸡体质量测量自动化水平低、易造成肉鸡应激的问题,提出一种结合深度学习的非接触式白羽肉鸡体质量估测方法。利用Mask R-CNN和YOLACT(You only look at coefficients) 两种实例分割算法获取白羽肉鸡位置与覆盖掩膜,并进行效果对比;采用自适应掩膜随机提取白羽肉鸡身体部分边缘点,并作为观测点进行椭圆拟合,映射白羽肉鸡背部像素投影面积;通过双变量相关性分析验证白羽肉鸡背部投影面积与体质量间的显著相关性,根据白羽肉鸡背部投影面积与背部像素投影面积的线性比例关系,按照最小二乘原则建立白羽肉鸡背部像素投影面积与体质量间的线性回归模型。试验表明,单只鸡体质量估测中以Mask R-CNN进行特征提取的体质量估测平均准确率为97.23%,以YOLACT进行特征提取的体质量估测平均准确率为97.49%,群鸡场景中体质量估测最低准确率为90.50%。     

基于深层卷积神经网络的初生仔猪目标实时检测方法

针对初生仔猪目标较小、分娩栏内光线变化复杂、仔猪粘连和硬性遮挡现象较为严重等问题,提出一种基于深层卷积神经网络的初生仔猪目标识别方法。将分类和定位合并为一个任务,以整幅图像为兴趣域,利用特征金字塔网络(Feature pyramid network,FPN)算法定位识别仔猪目标;对比了不同通道数数据集以及不同迭代次数对模型效果的影响;该方法支持图像批量处理、视频与监控录像的实时检测和检测结果多样化储存。实验结果表明:在数据集总量相同时,同时包含夜间单通道和白天3通道的数据集,在迭代20 000次时接近模型最优值。模型在验证集和测试集上的精确率分别为95. 76%和93. 84%,召回率分别为95. 47%和94. 88%,对分辨率为500像素×375像素的图像检测速度为53. 19 f/s,对清晰度为720 P的视频检测速度为22 f/s,可满足实时检测的要求,对全天候多干扰场景表现出良好的泛化能力。     

基于Jetson Nano+YOLO v5的哺乳期仔猪目标检测

针对仔猪个体小、易被遮挡且仔猪目标检测方法不易在嵌入式端部署等问题,提出一种适用于Jetson Nano端部署的哺乳期仔猪目标检测方法,在准确检测哺乳期仔猪目标的同时,使模型实地部署更加灵活。使用哺乳期仔猪图像建立数据集,数据量为14000幅,按8∶1∶1划分训练集、测试集和验证集。利用深度学习网络提取哺乳期仔猪特征,构建仔猪目标检测模型。融合推理网络中的Conv、BN、Activate Function层,合并相同维度张量,删除Concat层,实现网络结构量化,减少模型运行时的算力需求。将优化后模型迁移至Jetson Nano,在嵌入式平台进行测试。实验结果表明,在嵌入式端,量化后YOLO v5中4种模型的单帧图像平均运行时间分别为65、170、315、560ms,检测准确率分别为96.8%、97.0%、97.0%和96.6%,能够在Jetson Nano设备上对哺乳期仔猪目标实现精准检测,为仔猪目标检测的边缘计算模式奠定基础。     

基于EfficientDet的围产期母猪姿态识别

围产期母猪母性行为直接影响仔猪的成活率,母猪姿态是其母性行为和筑巢行为的重要表现。针对目前对围产期母猪姿态转换主要依靠人工巡检,费时耗力且主观性强等问题,采集了24头母猪的视频数据并对数据进行预处理,利用EfficientDet网络对产床内母猪图像进行深层次特征提取,实现了母猪站、坐、胸卧、侧卧姿态及其侧卧方向(乳房面向仔猪保温箱、乳房背对仔猪保温箱)的准确识别。结果表明：该模型识别平均精度均值(mAP)达93.97%,对图像的检测速度达26.2 f/s,对视频的检测速度达10.66 f/s。通过对母猪产前及产后24 h的姿态进行分析,母猪产前表现出显著的筑巢行为,姿态转换频率显著提高(P<0.001);母猪产后侧卧时间显著增加,母猪侧卧时长与仔猪窝均质量呈正相关关系;根据母猪侧卧方向的偏好性进行分组比较,母猪偏向于将乳房面向保温箱侧卧的小组,仔猪断奶成活率更高。     

基于深度神经网络的猪咳嗽声识别方法

猪只呼吸道疾病易传染，影响猪的养殖生产效率，咳嗽是呼吸道疾病的显著症状之一，为识别猪只咳嗽声，提出了一种基于深度神经网络的识别方法。对声音信号进行谱减法去噪和双门限端点检测后分别提取梅山猪咳嗽及喷嚏、鸣叫、呼噜声的滤波器组(Log＿filter bank, logFBank)和梅尔频率倒谱系数(Mel frequency cepstral coefficents, MFCC)特征，每种特征与其一阶及二阶差分组合作为卷积神经网络(Convolutional neural networks, CNNs)和深层前馈序列记忆神经网络(Deep feed forward sequential memory networks, DFSMN)咳嗽声识别模型的输入，进行多分类训练。对比不同特征提取方法及不同迭代次数对模型效果的影响，实验结果表明，以MFCC作为特征输入的CNNs模型效果较优，测试集上咳嗽声识别精确率为97%,召回率为96%,F1值为98%,总体识别准确率为96.71%。表明该模型有效可行，可为生猪福利养殖中猪咳嗽声识别提供技术支持。