| 基于深度学习的群猪图像实例分割方法 |
| |
| 引用本文： | 高云,郭继亮,黎煊,雷明刚,卢军,童宇.基于深度学习的群猪图像实例分割方法[J].农业机械学报,2019,50(4):179-187. |
| |
| 作者姓名： | 高云 郭继亮 黎煊 雷明刚 卢军 童宇 |
| |
| 作者单位： | 华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学,华中农业大学 |
| |
| 基金项目： | 国家重点研发计划项目（2016YFD0500506）和中央高校自主创新基金项目（2662018JC003、2662018JC010、2662017JC028） |
| |
| 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。
|
| 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 |
| 收稿时间： | 2018/10/17 0:00:00 |
Instance-level Segmentation Method for Group Pig Images Based on Deep Learning |
| |
| GAO Yun,GUO Jiliang,LI Xuan,LEI Minggang,LU Jun and TONG Yu.Instance-level Segmentation Method for Group Pig Images Based on Deep Learning[J].Transactions of the Chinese Society of Agricultural Machinery,2019,50(4):179-187. |
| |
| Authors: | GAO Yun GUO Jiliang LI Xuan LEI Minggang LU Jun and TONG Yu |
| |
| Institution: | Huazhong Agricultural University,Huazhong Agricultural University,Huazhong Agricultural University,Huazhong Agricultural University,Huazhong Agricultural University and Huazhong Agricultural University |
| |
| Abstract: | |
| |
| Keywords: | group pig image segmentation instance segmentation convolution neural network deep learning adherent pig body |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《农业机械学报》浏览原始摘要信息 |
| 点击此处可从《农业机械学报》下载免费的PDF全文 |
|
