基于多目標追蹤方法的豬只個體識別算法

　　摘要：近年來，國內各大豬場都出現了非洲豬瘟疾病，給養殖戶造成了巨大的經濟損失，加速了生物安全等級的提高。為了盡可能的減少人和動物之間的接觸，實現智能化養殖管理，必須為每個動物個體建立相應的管理檔案。在這個應該用背景下，本文提出了一種基于多目標跟蹤方法的豬只個體識別算法。本文采用改進后的FasterRCN作為目標檢測網絡，對視頻中每一幀的圖像進行目標檢測。使用上一幀的目標檢測框來預測當前幀目標檢測框的位置，實現目標軌跡的連續追蹤，從而完成豬只個體識別任務。此外，本文采集了實際豬場視頻數據，參照MOT1數據集的格式，制作了豬只個體識別數據集，驗證了本文算法的有效性。實驗結果顯示，本文所提算法的MOT(MultipleObjectTracking)指標均達到了實際應用標準，對智能化的生物防疫研究有一定的參考價值。

　　關鍵詞：多目標追蹤;目標檢測;FasterRCNN;深度學習;ResNet50;非洲豬瘟;IOU關聯;MOT數據集

　　近年來，深度學習技術在各行各業掀起了一股熱潮，在農業領域也得到了廣泛的應用。在規模化、現代化豬場中，養殖人員越來越重視豬場的智能化養殖，這不僅能提高養殖效益，而且能降低豬只感染疾病的風險。尤其是，新冠肺炎和非洲豬瘟雙疫情的影響下，越來越多的養殖戶開始關注智能化生物安全問題。

　　優化算法論文： 基于改進快速區域卷積網絡的目標檢測輕量化算法

　　智能化管理通常需要對生豬的個體建立養殖檔案，生豬的個體識別研究變得日益重要。將多目標追蹤技術應用到生豬個體識別中，不僅可以減少養殖人員與豬只的接觸，提高生物安全級別，同時還可以節省人力資源消耗，提高生產效益。AhrendtP[10]等設計了一種實時的計算機視覺系統，能夠減輕養殖人員識別和定位豬只的工作量。JungW[11]等將人工智能與物聯網相結合，設計了一個新型監控系統，對豬只的跟蹤精度能達到77%左右。

　　MittekM[12]等使用深度圖像連續跟蹤豬只，替代了傳統的人工觀察方法。SunL[13]等人提出了一種多通道色彩特征自適應融合算法，利用豬只的輪廓信息更新豬的目標尺度，王海濤[14]等人對靜止的豬只目標消失問題和豬只交錯產生的丟失目標問題進行了深入探究，肖德琴[15]等人提出了一種基于視頻追蹤的豬只運動信息檢測方法。本文基于改進的FasterRCNN網絡，提出了一個豬只身份個體識別網絡，實現了基于視頻數據的多豬只身份識別，有助于智能化管理。同時，減少了養殖業人員與豬只的接觸，增強了生物防疫的安全性。文章的具體結構安排如下：第一部分介紹本文所用的網絡結構及其改進，第二部分是實驗部分，主要介紹了數據集的采集、制作以及本文算法的有效性驗證。第三部分是總結。

　　1網絡結構介紹

　　多目標追蹤是一項以目標檢測為基礎的技術，隨著近幾年來目標檢測技術越來越成熟、完善，與之相應的多目標追蹤技術也得到了快速發展。本文所提出的豬只個體識別網絡以FasterRCNN為目標檢測器，再以豬只個體識別網絡進行個體識別。

　　1.1目標檢測網絡的改進

　　FasterRCNN是一個非常經典的目標檢測算法，其骨干特征提取網絡采用的是VGG16[17]。本文應用背景比較特殊，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結果，在特征提取部分采用ResNet50[18]來替代VGG16。本文的目標分類總數為，即只對豬只進行分類。

　　1.2豬只個體識別網絡

　　本文提出的個體識別網絡分別對如下三種情況進行了研究：)沒有豬只消失，沒有豬只出現。對于這種情況，本文直接將上一幀的檢測框輸入到豬只個體識別網絡的感興趣區域結構，預測當前幀目標檢測框的位置與得分。

　　以一只豬為例，BBox 代表第 幀的檢測框，BBox代表第幀的檢測框。我們直接把第幀的檢測框作為第幀的感興趣區域，之后預測第幀目標檢測框的位置與得分。豬只被遮擋后再出現。對于這種情況，本文使用身份重識別網絡，將豬只被遮擋之前的特征圖和被遮擋之后的特征圖做對比，如果它們的歐氏距離小于閾值，則被認為是同一目標，恢復被遮擋的身份ID。將ResNet50作為身份重識別網絡，提取目標的特征圖。

　　新目標的出現對于這種情況，計算正常目標檢測得到的檢測框位置與感興趣區域得到的檢測框位置的IOU(IntersectionoverUnion)，如果IOU小于閾值，則被認為是新目標。IOU是目標檢測中常用的一個概念，代表目標檢測器產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新目標。

　　2實驗

　　2.1實驗數據

　　2.1.1數據集的采集

　　目前，對于多豬只個體識別這方面的研究還很少，沒有相應的公開數據集，所以本實驗仿照MOT1619數據集的格式制作了關于豬只的數據集。數據采集使用小米智能攝像機云臺版，用此設備來對豬只進行監控與視頻錄制，以便于后面切割視頻制作數據集。根據豬場的環境與豬只的生活習性，經過反復的實驗對比，數據集的采集分為兩個時間段，分別是早上7:009:30和中午11:0013:00，共19段視頻，每段視頻時間30秒到分鐘不等。

　　2.1.2豬只數據集的預處理與標簽制作

　　本文把采集完的19段豬只視頻數據做了如下預處理，分為訓練集和測試集，訓練集共16段視頻，采用秒幀的間隔進行數據提取，總計4040幀。測試集共段視頻，采用秒幀的間隔進行數據提取，總計392幀。另外，為了減少旁邊豬欄對實驗結果造成干擾，本文對所有圖片進行了掩膜處理，將原圖與黑色掩膜進行相加。

　　2.2豬只個體識別實驗

　　2.2.1實驗環境和參數

　　本文的實驗設備參數如下：Ubuntu18.04，顯卡為TX1080Ti，顯存11，PU為8700K，內存6GB。訓練參數如下：輸入圖片分辨率大小為1280720，權重更新選擇隨機梯度下降方法，動量值為.9，學習率初始值為01，每10個epoch學習率縮小10倍，共81個epoch。

　　3結論

　　本文就基于多目標追蹤方法的豬只個體識別算法進行了研究。在目標檢測階段使用改進的FasterRCNN算法，把VGG16特征提取網絡替換為ResNet50，之后使用豬只個體識別網絡來進行個體識別。實驗結果表明，無論是在豬只之間距離比較近的時候，還是在豬只被完全遮擋的情況下，豬只之間都沒有發生身份轉換的問題，MOTA均在95%以上，MOTP均在16%以下，身份轉換次數較少，在進行身份識別的時候性能穩定。實驗結果和理論分析說明了文中模型、方法的有效性。

　　參考文獻

　　[1]蒼巖羅順元喬玉龍基于深層神經網絡的豬聲音分類[J].農業工程學報,2020,036(009):195204.胡云鴿蒼巖喬玉龍基于改進實例分割算法的智能豬只盤點系統設計[J].農業工程學報,2020v.36;No.395(19):185191.

　　[3]李春明逯杉婷遠松靈等基于FasterRCNN的除草機器人雜草識別算法[J]中國農機化學報201940(12)171176.

　　[4]謝萬里李宏志周輝等基于遷移學習與卷積神經網絡的魚瀕死預警系統研究[J]中國農機化學報201940(2)86192

　　[5]薛月菊朱勛沐鄭嬋等.基于改進FasterRCNN識別深度視頻圖像哺乳母豬姿態[J]農業工程學報201834(9)189196.

　　[6]趙德安吳任迪劉曉洋等基于YOLO深度卷積神經網絡的復雜背景下機器人采摘蘋果定位[J].農業工程學報,2019,35(03):172181.

　　作者：孫嘉燚，蒼巖

轉載請注明來自發表學術論文網：http://www.zpfmc.com/jjlw/28902.html