基于卷积神经网络的猪只行为与体温监测研究
作者单位：云南农业大学
学位级别：硕士
导师姓名：周兵
授予年度：2022年
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0905[农学-畜牧学] 080203[工学-机械设计及理论] 09[农学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
摘 要：随着生猪养殖业规模化、智能化的高速发展,以信息技术和人工智能为支撑的精准养殖成为其可持续发展的必然要求。其中,猪只行为及体温的监测与分析是猪只疫病预防的关键,行为和体温的异常是其内在需求发生变化的直接表现。目前,在多数规模化、智能化生猪养殖场中,饲喂设备和环控设备已基本得到普及,但判断猪只患病与否,主要还是依靠饲养员的经验观察,这种方法不仅费时费力、易增加人畜共患病的感染风险,还经常因人为因素造成猪只疾病加重甚至死亡的现象。因此,探索准确、高效的猪只行为和体温监测方法,不仅具有一定的学术研究价值,还对提高猪只的养殖福利,帮助饲养人员在猪只疫病初期及时做出判断,对猪只疫病的爆发进行预防,促进生猪养殖业向规模化、集约化转型升级具有重要的意义。综合分析生猪养殖业的研究现状和实际应用的迫切需求,本研究将基于物联网设备、图像处理方法、卷积神经网络算法、数据分析算法等,以育肥阶段的猪只为研究对象。通过理论分析结合实地试验,对猪只的饮食、饮水、趴卧、站立、体温等数据进行采集、处理。结合环境因素辅助猪只行为、体温的监测。主要研究内容如下:(1)为了能实时的对圈养猪只行为、体温进行监测,在生猪饲养基地搭建一套猪只图像(包含红外热成像)和环境监控境设备,获取猪只日常图像及温湿度数据,为试验提供充分的数据。(2)提出一种实时监测圈养猪只行为的方法。研究首先基于图像相邻帧间的像素差异获取试验样本,对挑选的图像进行压缩,确定检测猪只的行为类别并对其进行定义,使用人工截取的方式建立猪只目标检测数据集和猪只行为识别数据集,针对数据量不足的行为样本,利用直方图均衡化、伽马变化、分段线性增强等方式对数据进行扩充。采用Faster R-CNN、Yolo-v4、SSD等网络建立多猪只检测模型;应用Inception-v3、NASNet Mobile、Dense Net121网络建立猪只行为识别模型,在同等条件下,通过试验进行参数调优,将性能最好的SSD猪只检测网络与Dense Net121分类网络组合为SSD＿Dense Net121网络,根据猪舍实际布局划分饮食区、饮水区完成圈养猪只的行为监测。针对猪只检测错误等问题,加入一种基于距离阈值的判错机制进行优化,试验表明,建立的猪只目标检测网络中,正确率达到了94.4%;行为识别网络中,准确率达到了94.5%;群养猪只在5分钟、15分钟、30分钟的行为时长监测中,平均准确率分别达到了93.8%,92.4%和92.1%,速率为11fps/s,具有较强的实用性,能为饲养人员管理猪群提供决策参考。(3)提出一种基于分割的圈养猪只体温监测算法。针对采集的红外图像,利用Mask R-CNN模型建立了猪只分割网络,基于色彩空间对输出的掩膜猪只图像进行逐一提取,并使用膨胀、腐蚀等形态学操作减少输出掩膜图像的模糊边缘,填充掩膜空洞,提取猪只对应区域的温度矩阵。为进一步提高提取温度的准确率,试验结合了环境温湿度及兽用测温枪测量的猪只耳根温度,使用多元线性回归模型对建立的猪只体温监测算法进行优化。通过试验证明,建立的猪只分割网络正确率达到了92.3%,基于分割的温度自动提取算法检测温度与人工提取猪只轮廓温度相关性达到了0.93,经多元线性回归模型优化之后,猪只实际温度平均识别误差仅有0.3℃左右。(4)基于本文提出的猪只行为、体温监测算法,设计和构建了猪只行为及体温监测系统,该系统具备猪只轨迹跟踪功能、行为监测功能、体温监测功能、权限管理和日志管理等功能,为自动监测生猪行为、体温提供一个有效的工具,有利于提升生猪养殖业的智能化水平。
同方学位论文库