改进帧间差分-深度学习识别群养猪只典型行为

群养猪行为是评估猪群对环境适应性的重要指标.猪场环境中,猪只行为识别易受不同光线和猪只粘连等因素影响,为提高群养猪只行为识别精度与效率,该研究提出一种基于改进帧间差分-深度学习的群养猪只饮食、躺卧、站立和打斗等典型行为识别方法.该研究以18只50～115日龄长白猪为研究对象,采集视频帧1117张,经图像增强共得到4468张图像作为数据集.首先,选取Faster R-CNN、SSD、Retinanet、Detection Transformer和YOLOv5五种典型深度学习模型进行姿态检测研究,通过对比分析,确定了最优姿态检测模型;然后,对传统帧间差分法进行了改进,改进后帧间差分法能有效提取猪只完整的活动像素特征,使检测结果接近实际运动猪只目标;最后,引入打斗活动比例(Proportion of Fighting Activities,PFA)和打斗行为比例(Proportion of Fighting Behavior,PFB)2个指标优化猪只打斗行为识别模型,并对模型进行评价,确定最优行为模型.经测试,YOLOv5对群养猪只典型姿态检测平均精度均值达93.80％,模型大小为14.40 MB,检测速度为32.00帧/s,检测速度满足姿态实时检测需求,与Faster R-CNN、SSD、Retinanet和Detection Transformer模型相比,YOLOv5平均精度均值分别提高了1.10、3.23、4.15和21.20个百分点,模型大小分别减小了87.31％、85.09％、90.15％和97.10％.同时,当两个优化指标PFA和PFB分别设置为10％和40％时,猪只典型行为识别结果最佳,识别准确率均值为94.45％.结果表明,该方法具有准确率高、模型小和识别速度快等优点.该研究为群养猪只典型行为精准高效识别提供方法参考.