圈舍群养形式下基于视频的猪只行为智能监测算法研究

Automatic monitoring of pig behavior by video surveillance systems will become the future direction of modern pig industry. In this project, we aim to study intelligent behavior monitoring algorithms for pigs in group housing environments, including pig detection, pig posture estimation, pig behavior classification and related contents. Advanced technologies in computer vision are introduced to improve the level of pig behavior monitoring and realize the automatic observation of critical behaviors. Firstly, we plan to implement the pig detection algorithm based on the body contour and head texture features. This algorithm will overcome limitations of existing pig detection methods. Essential pig appearances are fully exploited for accurate localization in group environments. Then, the part-based posture estimation algorithm is studied. Probabilistic graphical models are utilized to describe the structural feature of pigs. Thus, the optimal part configuration can be inferred to recognize pig postures. Finally, according to detected positions of the holistic pig and its parts, we extract movement indexes of pigs from the video. Thus, classification models for specific individual behaviors are built. Through this project, a whole intelligent behavior monitoring system for pigs will be constructed to realize automation and precision of pig behavior monitoring.

基于监控视频实现猪只行为的智能监测将成为养猪业信息化发展的必然趋势。本项目旨在研究圈舍群养环境下猪只行为的视频监测算法，包括猪只检测、姿态估计、行为分类等研究内容，力图借助先进的计算机视觉技术提高规模化养猪的行为观测水平，实现猪只关键行为的自动观测和分类。首先，研究基于身体轮廓与头部纹理特征相融合的猪只检测器模型，克服现有猪只定位方法的局限性，能够充分利用目标的外观特性实现群体环境下猪只的准确定位。然后，研究基于部位组合的姿态估计方法，利用概率图模型描述猪只的结构特征，实现猪只部位组合结构的推断和识别。最后，基于图像中提取的猪只位置信息与关键部位结构信息，在视频中提取各个猪只的动物行为学指标特征，研究多种日常行为的分类模型。通过本项目的研究，拟建立一套完整的猪只行为视频监测体系，实现猪只行为观测的自动化和精确化。

利用智能视频监控系统代替人工观察猪只的行为是未来现代养猪业发展的必然趋势。在此背景下，本项目根据监控摄像机所拍摄的猪舍监控图像，利用先进的计算机视觉和机器学习算法，研究圈舍群养环境中自动监测猪只行为相关的系列关键算法和模型。本项目将基础理论与应用研究相结合，首先实现了圈舍群养环境下视频监控图像中的猪只自动检测方法。然后，在获得猪只精确位置的基础上，获取头尾部位的微观信息。根据头尾信息及猪只姿态对猪只饮水和采食两种常见日常行为的智能监测进行了深入研究。具体成果如下：. 1.提出了一种基于多特征模板匹配的群养猪只检测算法，与传统的基于阈值分割的猪只检测方法相比，对环境的限制条件较少，同时大大提高了猪只检测的准确率。. 2.提出了一种基于深度神经网络与图模型的猪只头尾判别算法。利用部位组合的方式获得准确的头尾判别信息，同时可以提高了整体猪只目标检测的准确率。. 3.提出了一种基于猪只头尾信息的饮水采食行为识别方法。提出使用猪只姿态及部位信息识别猪只行为，与仅利用猪只整体位置的传统方式相比，识别准确性有所提高。. 4.开展了利用多种技术手段监测猪只行为的研究探索，以及深度神经网络结构优化理论方面的研究，为未来多种技术手段的融合及深度学习在畜禽养殖中的实际应用打下基础。. 本项目在理论研究与关键技术上都取得了一定的突破，研究成果可为动物行为模式的观察、动物福利状态的评估提供可靠的技术与数据支持。不仅对发展我国福利养殖事业具有重要的学术意义，对我国实现养猪业现代化也具有广阔的工程应用前景。

内容获取失败，请点击重试