针对常态养殖下视频图像中常见的遮挡问题,该研究借鉴深度学习技术中的实例分割和关键点检测算法,提出了基于深度学习的妊娠母猪体质量智能测定模型(Intelligent Mass Measurement Model for Gestating Sows,IMMM-GS)。该模型包括基于Ma...针对常态养殖下视频图像中常见的遮挡问题,该研究借鉴深度学习技术中的实例分割和关键点检测算法,提出了基于深度学习的妊娠母猪体质量智能测定模型(Intelligent Mass Measurement Model for Gestating Sows,IMMM-GS)。该模型包括基于Mask R-CNN的猪只实例分割算法、基于Keypoint R-CNN的猪只关键点检测算法和基于改进的ResNet网络的猪只质量估测算法3个主要算法,用以处理常态环境下围栏、食槽、排泄物等影响猪体质量估测的典型遮挡问题。试验使用48头妊娠母猪6个月的常态视频图像和猪体质量数据进行数据集构建和试验分析,模型在测试集上的均方根误差为3.01 kg,相较于以ConvNeXt和ResNet为骨干网络的模型分别降低2.14和7.86 kg,模型精度得到较大提升。此外,该模型还对10头妊娠母猪进行了3个月的猪体质量跟踪监测验证,在图像大小为2688×1520的情况下,每幅图像的平均估算速度为0.684 s,估测质量与真实质量的均方根误差平均值为3.24 kg,计算速度与精度基本满足实时运算需求。IMMM-GS模型能够利用常态视频长时间实时评估母猪妊娠期的质量增长规律、妊娠母猪发育状况、估测预产期和产仔数等繁殖性能提供了数据支持,具有广阔的应用前景。展开更多
文摘针对常态养殖下视频图像中常见的遮挡问题,该研究借鉴深度学习技术中的实例分割和关键点检测算法,提出了基于深度学习的妊娠母猪体质量智能测定模型(Intelligent Mass Measurement Model for Gestating Sows,IMMM-GS)。该模型包括基于Mask R-CNN的猪只实例分割算法、基于Keypoint R-CNN的猪只关键点检测算法和基于改进的ResNet网络的猪只质量估测算法3个主要算法,用以处理常态环境下围栏、食槽、排泄物等影响猪体质量估测的典型遮挡问题。试验使用48头妊娠母猪6个月的常态视频图像和猪体质量数据进行数据集构建和试验分析,模型在测试集上的均方根误差为3.01 kg,相较于以ConvNeXt和ResNet为骨干网络的模型分别降低2.14和7.86 kg,模型精度得到较大提升。此外,该模型还对10头妊娠母猪进行了3个月的猪体质量跟踪监测验证,在图像大小为2688×1520的情况下,每幅图像的平均估算速度为0.684 s,估测质量与真实质量的均方根误差平均值为3.24 kg,计算速度与精度基本满足实时运算需求。IMMM-GS模型能够利用常态视频长时间实时评估母猪妊娠期的质量增长规律、妊娠母猪发育状况、估测预产期和产仔数等繁殖性能提供了数据支持,具有广阔的应用前景。
