基于多目標(biāo)追蹤方法的豬只個(gè)體識(shí)別算法

　　摘要：近年來，國內(nèi)各大豬場(chǎng)都出現(xiàn)了非洲豬瘟疾病，給養(yǎng)殖戶造成了巨大的經(jīng)濟(jì)損失，加速了生物安全等級(jí)的提高。為了盡可能的減少人和動(dòng)物之間的接觸，實(shí)現(xiàn)智能化養(yǎng)殖管理，必須為每個(gè)動(dòng)物個(gè)體建立相應(yīng)的管理檔案。在這個(gè)應(yīng)該用背景下，本文提出了一種基于多目標(biāo)跟蹤方法的豬只個(gè)體識(shí)別算法。本文采用改進(jìn)后的FasterRCN作為目標(biāo)檢測(cè)網(wǎng)絡(luò)，對(duì)視頻中每一幀的圖像進(jìn)行目標(biāo)檢測(cè)。使用上一幀的目標(biāo)檢測(cè)框來預(yù)測(cè)當(dāng)前幀目標(biāo)檢測(cè)框的位置，實(shí)現(xiàn)目標(biāo)軌跡的連續(xù)追蹤，從而完成豬只個(gè)體識(shí)別任務(wù)。此外，本文采集了實(shí)際豬場(chǎng)視頻數(shù)據(jù)，參照MOT1數(shù)據(jù)集的格式，制作了豬只個(gè)體識(shí)別數(shù)據(jù)集，驗(yàn)證了本文算法的有效性。實(shí)驗(yàn)結(jié)果顯示，本文所提算法的MOT(MultipleObjectTracking)指標(biāo)均達(dá)到了實(shí)際應(yīng)用標(biāo)準(zhǔn)，對(duì)智能化的生物防疫研究有一定的參考價(jià)值。

　　關(guān)鍵詞：多目標(biāo)追蹤;目標(biāo)檢測(cè);FasterRCNN;深度學(xué)習(xí);ResNet50;非洲豬瘟;IOU關(guān)聯(lián);MOT數(shù)據(jù)集

　　近年來，深度學(xué)習(xí)技術(shù)在各行各業(yè)掀起了一股熱潮，在農(nóng)業(yè)領(lǐng)域也得到了廣泛的應(yīng)用。在規(guī)模化、現(xiàn)代化豬場(chǎng)中，養(yǎng)殖人員越來越重視豬場(chǎng)的智能化養(yǎng)殖，這不僅能提高養(yǎng)殖效益，而且能降低豬只感染疾病的風(fēng)險(xiǎn)。尤其是，新冠肺炎和非洲豬瘟雙疫情的影響下，越來越多的養(yǎng)殖戶開始關(guān)注智能化生物安全問題。

　　優(yōu)化算法論文： 基于改進(jìn)快速區(qū)域卷積網(wǎng)絡(luò)的目標(biāo)檢測(cè)輕量化算法

　　智能化管理通常需要對(duì)生豬的個(gè)體建立養(yǎng)殖檔案，生豬的個(gè)體識(shí)別研究變得日益重要。將多目標(biāo)追蹤技術(shù)應(yīng)用到生豬個(gè)體識(shí)別中，不僅可以減少養(yǎng)殖人員與豬只的接觸，提高生物安全級(jí)別，同時(shí)還可以節(jié)省人力資源消耗，提高生產(chǎn)效益。AhrendtP[10]等設(shè)計(jì)了一種實(shí)時(shí)的計(jì)算機(jī)視覺系統(tǒng)，能夠減輕養(yǎng)殖人員識(shí)別和定位豬只的工作量。JungW[11]等將人工智能與物聯(lián)網(wǎng)相結(jié)合，設(shè)計(jì)了一個(gè)新型監(jiān)控系統(tǒng)，對(duì)豬只的跟蹤精度能達(dá)到77%左右。

　　MittekM[12]等使用深度圖像連續(xù)跟蹤豬只，替代了傳統(tǒng)的人工觀察方法。SunL[13]等人提出了一種多通道色彩特征自適應(yīng)融合算法，利用豬只的輪廓信息更新豬的目標(biāo)尺度，王海濤[14]等人對(duì)靜止的豬只目標(biāo)消失問題和豬只交錯(cuò)產(chǎn)生的丟失目標(biāo)問題進(jìn)行了深入探究，肖德琴[15]等人提出了一種基于視頻追蹤的豬只運(yùn)動(dòng)信息檢測(cè)方法。本文基于改進(jìn)的FasterRCNN網(wǎng)絡(luò)，提出了一個(gè)豬只身份個(gè)體識(shí)別網(wǎng)絡(luò)，實(shí)現(xiàn)了基于視頻數(shù)據(jù)的多豬只身份識(shí)別，有助于智能化管理。同時(shí)，減少了養(yǎng)殖業(yè)人員與豬只的接觸，增強(qiáng)了生物防疫的安全性。文章的具體結(jié)構(gòu)安排如下：第一部分介紹本文所用的網(wǎng)絡(luò)結(jié)構(gòu)及其改進(jìn)，第二部分是實(shí)驗(yàn)部分，主要介紹了數(shù)據(jù)集的采集、制作以及本文算法的有效性驗(yàn)證。第三部分是總結(jié)。

　　1網(wǎng)絡(luò)結(jié)構(gòu)介紹

　　多目標(biāo)追蹤是一項(xiàng)以目標(biāo)檢測(cè)為基礎(chǔ)的技術(shù)，隨著近幾年來目標(biāo)檢測(cè)技術(shù)越來越成熟、完善，與之相應(yīng)的多目標(biāo)追蹤技術(shù)也得到了快速發(fā)展。本文所提出的豬只個(gè)體識(shí)別網(wǎng)絡(luò)以FasterRCNN為目標(biāo)檢測(cè)器，再以豬只個(gè)體識(shí)別網(wǎng)絡(luò)進(jìn)行個(gè)體識(shí)別。

　　1.1目標(biāo)檢測(cè)網(wǎng)絡(luò)的改進(jìn)

　　FasterRCNN是一個(gè)非常經(jīng)典的目標(biāo)檢測(cè)算法，其骨干特征提取網(wǎng)絡(luò)采用的是VGG16[17]。本文應(yīng)用背景比較特殊，圖片中食槽的顏色、外觀與灰色豬只非常的相近，容易造成誤檢。為了取得更好的豬只檢測(cè)結(jié)果，在特征提取部分采用ResNet50[18]來替代VGG16。本文的目標(biāo)分類總數(shù)為，即只對(duì)豬只進(jìn)行分類。

　　1.2豬只個(gè)體識(shí)別網(wǎng)絡(luò)

　　本文提出的個(gè)體識(shí)別網(wǎng)絡(luò)分別對(duì)如下三種情況進(jìn)行了研究：)沒有豬只消失，沒有豬只出現(xiàn)。對(duì)于這種情況，本文直接將上一幀的檢測(cè)框輸入到豬只個(gè)體識(shí)別網(wǎng)絡(luò)的感興趣區(qū)域結(jié)構(gòu)，預(yù)測(cè)當(dāng)前幀目標(biāo)檢測(cè)框的位置與得分。

　　以一只豬為例，BBox 代表第 幀的檢測(cè)框，BBox代表第幀的檢測(cè)框。我們直接把第幀的檢測(cè)框作為第幀的感興趣區(qū)域，之后預(yù)測(cè)第幀目標(biāo)檢測(cè)框的位置與得分。豬只被遮擋后再出現(xiàn)。對(duì)于這種情況，本文使用身份重識(shí)別網(wǎng)絡(luò)，將豬只被遮擋之前的特征圖和被遮擋之后的特征圖做對(duì)比，如果它們的歐氏距離小于閾值，則被認(rèn)為是同一目標(biāo)，恢復(fù)被遮擋的身份ID。將ResNet50作為身份重識(shí)別網(wǎng)絡(luò)，提取目標(biāo)的特征圖。

　　新目標(biāo)的出現(xiàn)對(duì)于這種情況，計(jì)算正常目標(biāo)檢測(cè)得到的檢測(cè)框位置與感興趣區(qū)域得到的檢測(cè)框位置的IOU(IntersectionoverUnion)，如果IOU小于閾值，則被認(rèn)為是新目標(biāo)。IOU是目標(biāo)檢測(cè)中常用的一個(gè)概念，代表目標(biāo)檢測(cè)器產(chǎn)生的候選框和物體真值框的交并比，本文利用它來判定是否出現(xiàn)新目標(biāo)。

　　2實(shí)驗(yàn)

　　2.1實(shí)驗(yàn)數(shù)據(jù)

　　2.1.1數(shù)據(jù)集的采集

　　目前，對(duì)于多豬只個(gè)體識(shí)別這方面的研究還很少，沒有相應(yīng)的公開數(shù)據(jù)集，所以本實(shí)驗(yàn)仿照MOT1619數(shù)據(jù)集的格式制作了關(guān)于豬只的數(shù)據(jù)集。數(shù)據(jù)采集使用小米智能攝像機(jī)云臺(tái)版，用此設(shè)備來對(duì)豬只進(jìn)行監(jiān)控與視頻錄制，以便于后面切割視頻制作數(shù)據(jù)集。根據(jù)豬場(chǎng)的環(huán)境與豬只的生活習(xí)性，經(jīng)過反復(fù)的實(shí)驗(yàn)對(duì)比，數(shù)據(jù)集的采集分為兩個(gè)時(shí)間段，分別是早上7:009:30和中午11:0013:00，共19段視頻，每段視頻時(shí)間30秒到分鐘不等。

　　2.1.2豬只數(shù)據(jù)集的預(yù)處理與標(biāo)簽制作

　　本文把采集完的19段豬只視頻數(shù)據(jù)做了如下預(yù)處理，分為訓(xùn)練集和測(cè)試集，訓(xùn)練集共16段視頻，采用秒幀的間隔進(jìn)行數(shù)據(jù)提取，總計(jì)4040幀。測(cè)試集共段視頻，采用秒幀的間隔進(jìn)行數(shù)據(jù)提取，總計(jì)392幀。另外，為了減少旁邊豬欄對(duì)實(shí)驗(yàn)結(jié)果造成干擾，本文對(duì)所有圖片進(jìn)行了掩膜處理，將原圖與黑色掩膜進(jìn)行相加。

　　2.2豬只個(gè)體識(shí)別實(shí)驗(yàn)

　　2.2.1實(shí)驗(yàn)環(huán)境和參數(shù)

　　本文的實(shí)驗(yàn)設(shè)備參數(shù)如下：Ubuntu18.04，顯卡為TX1080Ti，顯存11，PU為8700K，內(nèi)存6GB。訓(xùn)練參數(shù)如下：輸入圖片分辨率大小為1280720，權(quán)重更新選擇隨機(jī)梯度下降方法，動(dòng)量值為.9，學(xué)習(xí)率初始值為01，每10個(gè)epoch學(xué)習(xí)率縮小10倍，共81個(gè)epoch。

　　3結(jié)論

　　本文就基于多目標(biāo)追蹤方法的豬只個(gè)體識(shí)別算法進(jìn)行了研究。在目標(biāo)檢測(cè)階段使用改進(jìn)的FasterRCNN算法，把VGG16特征提取網(wǎng)絡(luò)替換為ResNet50，之后使用豬只個(gè)體識(shí)別網(wǎng)絡(luò)來進(jìn)行個(gè)體識(shí)別。實(shí)驗(yàn)結(jié)果表明，無論是在豬只之間距離比較近的時(shí)候，還是在豬只被完全遮擋的情況下，豬只之間都沒有發(fā)生身份轉(zhuǎn)換的問題，MOTA均在95%以上，MOTP均在16%以下，身份轉(zhuǎn)換次數(shù)較少，在進(jìn)行身份識(shí)別的時(shí)候性能穩(wěn)定。實(shí)驗(yàn)結(jié)果和理論分析說明了文中模型、方法的有效性。

　　參考文獻(xiàn)

　　[1]蒼巖羅順元喬玉龍基于深層神經(jīng)網(wǎng)絡(luò)的豬聲音分類[J].農(nóng)業(yè)工程學(xué)報(bào),2020,036(009):195204.胡云鴿蒼巖喬玉龍基于改進(jìn)實(shí)例分割算法的智能豬只盤點(diǎn)系統(tǒng)設(shè)計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào),2020v.36;No.395(19):185191.

　　[3]李春明逯杉婷遠(yuǎn)松靈等基于FasterRCNN的除草機(jī)器人雜草識(shí)別算法[J]中國農(nóng)機(jī)化學(xué)報(bào)201940(12)171176.

　　[4]謝萬里李宏志周輝等基于遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的魚瀕死預(yù)警系統(tǒng)研究[J]中國農(nóng)機(jī)化學(xué)報(bào)201940(2)86192

　　[5]薛月菊朱勛沐鄭嬋等.基于改進(jìn)FasterRCNN識(shí)別深度視頻圖像哺乳母豬姿態(tài)[J]農(nóng)業(yè)工程學(xué)報(bào)201834(9)189196.

　　[6]趙德安吳任迪劉曉洋等基于YOLO深度卷積神經(jīng)網(wǎng)絡(luò)的復(fù)雜背景下機(jī)器人采摘蘋果定位[J].農(nóng)業(yè)工程學(xué)報(bào),2019,35(03):172181.

　　作者：孫嘉燚，蒼巖

轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///jjlw/28902.html