豬的進(jìn)食、飲水行為是評價生豬健康程度最直接的依據(jù),利用計算機視覺技術(shù)實時監(jiān)控生豬的進(jìn)食、飲水等狀況對提高生豬養(yǎng)殖福利有重要的意義。提出一種基于可見光光譜和改進(jìn)YOLOv2神經(jīng)網(wǎng)絡(luò)的生豬進(jìn)食、飲水行為識別方法,該方法在生豬可見光圖像序列上構(gòu)建頭頸模型,結(jié)合改進(jìn)的YOLOv2神經(jīng)網(wǎng)絡(luò)實現(xiàn)真實養(yǎng)殖場景中的生豬目標(biāo)檢測,并利用位置信息對生豬的進(jìn)食、飲水行為進(jìn)行預(yù)判斷,對符合判斷的圖像使用圖像處理方法精準(zhǔn)判斷生豬進(jìn)食、飲水行為。首先在生豬圖像序列上構(gòu)建頭頸模型,利用未被遮擋的頭頸作為檢測目標(biāo),該模型能有效改善生豬目標(biāo)檢測過程的遮擋問題,且能夠精準(zhǔn)定位生豬的頭部,為后續(xù)識別進(jìn)食飲水行為提供輔助。然后采用國際主流神經(jīng)網(wǎng)絡(luò)YOLOv2作為目標(biāo)檢測的基礎(chǔ)網(wǎng)絡(luò)模型,改進(jìn)其激活函數(shù),實現(xiàn)快速精準(zhǔn)地生豬目標(biāo)檢測。在使用網(wǎng)絡(luò)訓(xùn)練前,對生豬數(shù)據(jù)集使用K-means算法進(jìn)行聚類候選邊框,其mAP值和Recall值相比于最初YOLOv2提高了3.94%和5.3%。為了增加網(wǎng)絡(luò)對輸入變化或噪聲的魯棒性,對比使用ReLU, Leaky-ReLU和ELU三個激活函數(shù)的性能,可以發(fā)現(xiàn)使用ELU的性能比前兩者有明顯提高。將改進(jìn)... 

【文章來源】：光譜學(xué)與光譜分析. 2020,40(05)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

生豬行為識別框架圖

以三組對比實驗來證明生豬目標(biāo)檢測模型的可用性。首先對比使用原始邊框和聚類得到的邊框效果; 然后對比使用不同激活函數(shù)的性能; 最后將本文優(yōu)化得到的檢測模型與主流目標(biāo)檢測模型進(jìn)行對比。

針對以上的分析, 在網(wǎng)絡(luò)的每一個卷積層后使用ELU激活函數(shù), 其定義公式如式(4)y={ e x -1, x≤0 x, x>0 ?????? ??? (4)

【參考文獻(xiàn)】：
期刊論文
[1]豬只飲水行為機器視覺自動識別[J]. 楊秋妹,肖德琴,張根興.  農(nóng)業(yè)機械學(xué)報. 2018(06)



本文編號：3041006