基于多目标追踪方法的猪只个体识别算法

　　摘要：近年来，国内各大猪场都出现了非洲猪瘟疾病，给养殖户造成了巨大的经济损失，加速了生物安全等级的提高。为了尽可能的减少人和动物之间的接触，实现智能化养殖管理，必须为每个动物个体建立相应的管理档案。在这个应该用背景下，本文提出了一种基于多目标跟踪方法的猪只个体识别算法。本文采用改进后的FasterRCN作为目标检测网络，对视频中每一帧的图像进行目标检测。使用上一帧的目标检测框来预测当前帧目标检测框的位置，实现目标轨迹的连续追踪，从而完成猪只个体识别任务。此外，本文采集了实际猪场视频数据，参照MOT1数据集的格式，制作了猪只个体识别数据集，验证了本文算法的有效性。实验结果显示，本文所提算法的MOT(MultipleObjectTracking)指标均达到了实际应用标准，对智能化的生物防疫研究有一定的参考价值。

　　关键词：多目标追踪;目标检测;FasterRCNN;深度学习;ResNet50;非洲猪瘟;IOU关联;MOT数据集

　　近年来，深度学习技术在各行各业掀起了一股热潮，在农业领域也得到了广泛的应用。在规模化、现代化猪场中，养殖人员越来越重视猪场的智能化养殖，这不仅能提高养殖效益，而且能降低猪只感染疾病的风险。尤其是，新冠肺炎和非洲猪瘟双疫情的影响下，越来越多的养殖户开始关注智能化生物安全问题。

　　优化算法论文： 基于改进快速区域卷积网络的目标检测轻量化算法

　　智能化管理通常需要对生猪的个体建立养殖档案，生猪的个体识别研究变得日益重要。将多目标追踪技术应用到生猪个体识别中，不仅可以减少养殖人员与猪只的接触，提高生物安全级别，同时还可以节省人力资源消耗，提高生产效益。AhrendtP[10]等设计了一种实时的计算机视觉系统，能够减轻养殖人员识别和定位猪只的工作量。JungW[11]等将人工智能与物联网相结合，设计了一个新型监控系统，对猪只的跟踪精度能达到77%左右。

　　MittekM[12]等使用深度图像连续跟踪猪只，替代了传统的人工观察方法。SunL[13]等人提出了一种多通道色彩特征自适应融合算法，利用猪只的轮廓信息更新猪的目标尺度，王海涛[14]等人对静止的猪只目标消失问题和猪只交错产生的丢失目标问题进行了深入探究，肖德琴[15]等人提出了一种基于视频追踪的猪只运动信息检测方法。本文基于改进的FasterRCNN网络，提出了一个猪只身份个体识别网络，实现了基于视频数据的多猪只身份识别，有助于智能化管理。同时，减少了养殖业人员与猪只的接触，增强了生物防疫的安全性。文章的具体结构安排如下：第一部分介绍本文所用的网络结构及其改进，第二部分是实验部分，主要介绍了数据集的采集、制作以及本文算法的有效性验证。第三部分是总结。

　　1网络结构介绍

　　多目标追踪是一项以目标检测为基础的技术，随着近几年来目标检测技术越来越成熟、完善，与之相应的多目标追踪技术也得到了快速发展。本文所提出的猪只个体识别网络以FasterRCNN为目标检测器，再以猪只个体识别网络进行个体识别。

　　1.1目标检测网络的改进

　　FasterRCNN是一个非常经典的目标检测算法，其骨干特征提取网络采用的是VGG16[17]。本文应用背景比较特殊，图片中食槽的颜色、外观与灰色猪只非常的相近，容易造成误检。为了取得更好的猪只检测结果，在特征提取部分采用ResNet50[18]来替代VGG16。本文的目标分类总数为，即只对猪只进行分类。

　　1.2猪只个体识别网络

　　本文提出的个体识别网络分别对如下三种情况进行了研究：)没有猪只消失，没有猪只出现。对于这种情况，本文直接将上一帧的检测框输入到猪只个体识别网络的感兴趣区域结构，预测当前帧目标检测框的位置与得分。

　　以一只猪为例，BBox 代表第 帧的检测框，BBox代表第帧的检测框。我们直接把第帧的检测框作为第帧的感兴趣区域，之后预测第帧目标检测框的位置与得分。猪只被遮挡后再出现。对于这种情况，本文使用身份重识别网络，将猪只被遮挡之前的特征图和被遮挡之后的特征图做对比，如果它们的欧氏距离小于阈值，则被认为是同一目标，恢复被遮挡的身份ID。将ResNet50作为身份重识别网络，提取目标的特征图。

　　新目标的出现对于这种情况，计算正常目标检测得到的检测框位置与感兴趣区域得到的检测框位置的IOU(IntersectionoverUnion)，如果IOU小于阈值，则被认为是新目标。IOU是目标检测中常用的一个概念，代表目标检测器产生的候选框和物体真值框的交并比，本文利用它来判定是否出现新目标。

　　2实验

　　2.1实验数据

　　2.1.1数据集的采集

　　目前，对于多猪只个体识别这方面的研究还很少，没有相应的公开数据集，所以本实验仿照MOT1619数据集的格式制作了关于猪只的数据集。数据采集使用小米智能摄像机云台版，用此设备来对猪只进行监控与视频录制，以便于后面切割视频制作数据集。根据猪场的环境与猪只的生活习性，经过反复的实验对比，数据集的采集分为两个时间段，分别是早上7:009:30和中午11:0013:00，共19段视频，每段视频时间30秒到分钟不等。

　　2.1.2猪只数据集的预处理与标签制作

　　本文把采集完的19段猪只视频数据做了如下预处理，分为训练集和测试集，训练集共16段视频，采用秒帧的间隔进行数据提取，总计4040帧。测试集共段视频，采用秒帧的间隔进行数据提取，总计392帧。另外，为了减少旁边猪栏对实验结果造成干扰，本文对所有图片进行了掩膜处理，将原图与黑色掩膜进行相加。

　　2.2猪只个体识别实验

　　2.2.1实验环境和参数

　　本文的实验设备参数如下：Ubuntu18.04，显卡为TX1080Ti，显存11，PU为8700K，内存6GB。训练参数如下：输入图片分辨率大小为1280720，权重更新选择随机梯度下降方法，动量值为.9，学习率初始值为01，每10个epoch学习率缩小10倍，共81个epoch。

　　3结论

　　本文就基于多目标追踪方法的猪只个体识别算法进行了研究。在目标检测阶段使用改进的FasterRCNN算法，把VGG16特征提取网络替换为ResNet50，之后使用猪只个体识别网络来进行个体识别。实验结果表明，无论是在猪只之间距离比较近的时候，还是在猪只被完全遮挡的情况下，猪只之间都没有发生身份转换的问题，MOTA均在95%以上，MOTP均在16%以下，身份转换次数较少，在进行身份识别的时候性能稳定。实验结果和理论分析说明了文中模型、方法的有效性。

　　参考文献

　　[1]苍岩罗顺元乔玉龙基于深层神经网络的猪声音分类[J].农业工程学报,2020,036(009):195204.胡云鸽苍岩乔玉龙基于改进实例分割算法的智能猪只盘点系统设计[J].农业工程学报,2020v.36;No.395(19):185191.

　　[3]李春明逯杉婷远松灵等基于FasterRCNN的除草机器人杂草识别算法[J]中国农机化学报201940(12)171176.

　　[4]谢万里李宏志周辉等基于迁移学习与卷积神经网络的鱼濒死预警系统研究[J]中国农机化学报201940(2)86192

　　[5]薛月菊朱勋沐郑婵等.基于改进FasterRCNN识别深度视频图像哺乳母猪姿态[J]农业工程学报201834(9)189196.

　　[6]赵德安吴任迪刘晓洋等基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位[J].农业工程学报,2019,35(03):172181.

　　作者：孙嘉燚，苍岩

转载请注明来自发表学术论文网：http://www.fbxslw.com/jjlw/28902.html