基于改进实例分割算法的智能猪只盘点系统设计

摘要

基于图像处理的动物资产计数方法,不仅可以减少人工投入,还可以缩短生物资产的计数周期,但该方法受光照条件影响严重,并且当动物间相互挤压、遮挡时,计数精度较差.针对这些问题,该研究提出了一种基于图像实例分割算法的生猪计数网络.针对光照和目标边缘模糊问题,利用拉普拉斯算子进行图像预处理.对Mask R-CNN网络的特征提取网络进行改进,在原始特征金字塔网络(Feature Pyramid Network,FPN)后面增加一条自底向上的增强路径,直接将低层边缘位置特征与高层特征相融合,提高对目标边缘轮廓的识别能力,对非极大值抑制过程和损失函数进行优化和改进,以提高分割精度.在河北丰宁、吉林金源和内蒙古正大3个试验猪场进行测试,验证本文网络的计数精度.采集设备在3个试验猪场共采集2400张图像,经图像预处理去除模糊和光线差的图像,从剩余的图像中随机选取共1250张图像作为原始数据集,其中丰宁猪场500张、金源猪场500张,正大猪场250张.将各猪场的原始数据集分别按2:2:1的比例分为3部分,包括训练集905张,验证集95张,测试集250张,对原始训练集和验证集进行数据增强,最终得到训练集图像1500张,验证集图像150张,测试集图想250张.河北和吉林的试验猪场,每栏猪只数目为12～22头,各测试100张图像,完全准确清点的图像比例分别为98％和99％,满足实际应用要求.内蒙古试验猪场的单栏猪只密度大,每栏猪只数目平均80头,测试50张图像,完全准确清点的图像比例为86％.该研究所提出的猪只盘点系统,通过修改网络增强图像中目标特征信息提取和优化边界框回归过程,减少由于光线差和遮挡导致的目标漏检情况,解决了基于图像分割算法的猪只盘点中光照、模糊以及遮挡等问题,能够满足单栏饲养密度为1.03～1.32头/m2的养殖场的猪只盘点需求.