[发明专利]一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法

说明书

本发明涉及一种基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，包括以下步骤：S1、采集哺乳母猪的RGB‑D视频图像，并建立母猪姿态识别深度视频图像库；S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；S3、使用设计的CNN网络结构，构建Faster‑R‑CNN模型结构，并对Faster‑R‑CNN模型结构引入Center Loss监督信号，与SoftmaxLoss联合构成分类损失函数，最终建立改进的Faster‑R‑CNN母猪姿态识别模型；S4、使用训练集训练Faster‑R‑CNN母猪姿态识别模型，使用测试集测试模型性能，最终筛选最佳性能模型，用于哺乳母猪姿态识别。

技术领域

本发明涉及到计算机视觉中的目标检测和识别领域，更具体地，涉及一种CNN网络结构改进设计，基于Faster-R-CNN目标检测算法，引入Center Loss监督信号的哺乳母猪姿态识别方法。

背景技术

母猪的母性行为及健康和福利状况，直接影响养猪场的经济效益。母猪姿态自动识别是母猪高危动作预警、母猪筑巢行为自动分析、哺育仔猪自动监测及健康与福利状态评估的重要基础。用计算机视觉自动监测猪，不仅成本低、效率高、无损伤，且可避免采用传感器监测方法引起的猪的应激反应，被逐渐应用到猪的站、坐、卧、跪等姿态识别，饮食行为、躺卧行为、爬跨行为、母猪分娩行为与运动状态监测，及生猪活体特征预测等。

近年来，已有一些研究者利用计算机视觉技术来分析猪的行为。例如：2016年中国农业大学劳凤丹、滕光辉等人计算限位栏中哺乳母猪躯体多个区域的深度像素平均值，识别母猪的卧、坐、站和跪姿态及饮食行为。该团队公开号为CN104881636A的专利公开了一种识别猪躺卧行为的方法及装置，该方法获取猪的深度图像和二值图像，对二值图像进行椭圆拟合，并计算深度图像特定点到地面的高度，最后通过阈值比较识别猪的躺卧行为。2014年江苏大学刘波、朱伟兴等人采用生猪深度图像序列建立行走运动模型。公开号CN107437069A的专利公开了一种基于轮廓的猪只饮水行为识别方法，该方法首先通过饮水区域提取，采用OTSU法、二值化、形态学处理获取目标轮廓，再进行轮廓多边形拟合，提取轮廓特征，最后通过相似性计算实现猪只饮水行为的识别。公开号CN103824056A的专利公开了一种基于Zernike矩及支持向量机的猪的姿态识别方法，该方法采用Zernike矩进行特征提取，使用支持向量机进行分类识别，实现猪的正常行走、低头行走、抬头行走、躺卧等四种姿态的识别。

利用计算机视觉技术对自由栏母猪进行姿态识别，首先是要自动对复杂场景中的母猪实现检测定位，其次是要对当前母猪的姿态进行实时分类。哺乳母猪的非刚性躯体，小猪与母猪之间的相互粘连、遮挡，热灯光照，特别是夜间猪舍光线昏暗，使得全天候自由栏中母猪姿态的自动识别面临着极大的挑战。目前，利用计算机视觉技术对自由栏，24h的猪只姿态识别的研究鲜有文献报道。本发明利用深度视频图像克服24h场景中的光线变化对目标的影响，使用改进的Faster-R-CNN算法获得高精度、实时和鲁棒性的母猪姿态识别模型，提出了一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法，为今后进一步分析哺乳母猪的母性行为奠定坚实的基础。

发明内容

本发明的目的在于克服上述背景技术提出的问题和挑战，对自由栏中的哺乳母猪实现24h的自动、精准和实时的姿态识别。为此，提出一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法。

为实现以上发明目的，采用的技术方案是：

一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法，包括以下步骤：

S1、采集哺乳母猪的RGB-D视频图像，并建立母猪姿态识别深度视频图像库；

S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；