基于深层卷积神经网络的肉兔图像分割与体质量估测

摘要

针对肉兔饲养管理过程中人工称量造成的应激、体质量信息采集困难等问题,提出了一种基于深层卷积神经网络的肉兔图像分割与体质量估测方法,实现了肉兔养殖管理中的无接触式称量.构建基于Mask R-CNN的肉兔图像分割网络,以残差网络ResNet101作为主干网络,利用COCO数据集进行迁移学习以提高训练效率,获取围栏中不受限制的肉兔图像分割结果.提取每个样本掩膜的像素面积,通过引入弯曲度和体长两个特征参数来修正每个样本与对应体质量之间的权重关系.以投影面积、弯曲度、体长和日龄为输入参数,以肉兔体质量为输出参数,构建6神经元的体质量估测神经网络.分别测试肉兔图像分割网络和体质量估测神经网络,结果表明,肉兔图像分割网络在交并比(IoU)为0.5∶0.95时分类准确率为94.5％,对像素分割的精确度为95.1％.体质量估测神经网络的拟合相关系数R为0.99391,验证集均方误差为0.0336,预测体质量和实际体质量平均相差123 g.本文方法对不同日龄和不同姿态下肉兔的预测效果良好.