基于机器视觉技术的猪只体重检测研究现状及展望

【目的】传统的猪只体重测量通常需要将猪只单独拖入称重设备中,费时费力,并且容易造成猪只的应激反应,影响其生长发育。而融入机器视觉技术,可以实现非接触式的猪只体重测量,大大提高测量效率和准确性。【方法】课题组以基于机器视觉技术的猪只体重测量为研究对象,运用文献调查法,总结了猪只体重检测的重要性及现有的检测方法,综述了基于机器视觉的猪只体重检测的技术原理及学者们现有的研究成果。最后,展望了未来基于机器视觉技术的研究趋势及挑战。【结果与结论】目前,研究者们主要采用两种方法进行基于机器视觉的猪只体重检测：第一种方法是基于体尺测量的机器视觉技术,另一种方法是基于行为识别的机器视觉技术。两种方法各有利弊,未来还需要进一步优化,可以从提高机器视觉技术的准确性和稳定性、拓展机器视觉技术的应用范围、解决数据隐私和信息安全等问题方面入手,不断克服技术和应用方面的挑战。     

基于深度学习的群猪分割方法

【目的】实时监控猪舍内猪只状态以及在出栏前对猪只进行计数满足“动物福利化”养殖需求,而实现实时监控与计数的前提条件之一是对图像进行分割。【方法】图像分割方式有传统阈值分割以及引入深度学习概念的语义分割和实例分割。课题组介绍了语义分割的DeepLab V3+模型,作为语义分割中较晚出现的模型,DeepLab V3+模型在分割精度上相较于之前的模型有了巨大的提升,但分割速度仍较慢,无法满足实时监控的需求。基于此,课题组提出用Mobilenet V2主干网络替代原有Xception网络来改进模型,并引入了通道注意力机制以及空间注意力机制,然后分别利用原始模型和改进后的模型进行了试验。【结果】在精度上,改进后的V2模型稍弱于原始模型,加入注意力机制后的模型又优于V2模型0.48%而弱于原始模型2.97%,但在响应速度上,改进后的模型速度提升了38.77%。在分割效果上,三个模型的差异不大。【结论】相较于原始模型,改进后的模型精度略有下降,但是响应速度大幅提升,从而大大提高了模型分割的速度,满足了猪舍监控分割速度快的需求。