引用格式
张岩琪, 周硕, 张凝, 柴秀娟, 孙坦. 基于改进实例分割算法的区域养殖生猪计数系统[J]. 智慧农业(中英文), 2024, 6(4): 53-63.
Citation:ZHANG Yanqi, ZHOU Shuo, ZHANG Ning, CHAI Xiujuan, SUN Tan. A Regional Farming Pig Counting System based on Improved Instance Segmentation Algorithm[J]. Smart Agriculture, 2024, 6(4): 53-63.
基于改进实例分割算法的区域养殖生猪计数系统
张岩琪1，2， 周硕1，2， 张凝1，2*， 柴秀娟1，2， 孙坦1，2
（1.中国农业科学院 农业信息研究所，北京 100081，中国；2.农业农村部农业大数据重点实验室，北京 100081，中国）
摘要：［目的/意义］针对现有规模化猪场生猪计数需求场景多，人工计数效率低、成本高等问题，提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法。
［方法］首先，利用智能手机拍摄养殖场猪只视频，对视频抽帧进一步生成图像数据集。其次，通过改进卷积块注意力模块（Convolutional Block Attention Module, CBAM）中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题，提出高效全局注意力模块，并将该模块引入基于回归分析的单阶段实例分割网络YOLO（You only Look Once）v8中对获取的生猪图像进行分割，构建新的识别模型YOLOv8x-Ours，以实现高精度的生猪计数。最后，基于微信公众平台开发微信小程序，并嵌入综合表现最优的生猪计数模型，实现使用智能手机拍摄图像进行生猪快速计数。
［结果和讨论］在测试集上的试验结果表明，与现有实例分割模型相比，引入高效全局注意力的YOLOv8x-Ous模型获得66%的平均精度（AP（50∶95）），平均绝对误差（Mean Absolute Error, MAE）、均方根误差（Root Mean Square Error, RMSE）和R2分别为1.727、2.168和0.949，表现出较高的准确性和稳定性。模型计算猪只数量误差小于3头猪的图像数量占测试图像总数量的93.8%，相比两阶段实例分割算法Mask R-CNN（Region Convolutional Neural Network）提升7.6%；单幅图像平均处理时间仅为64 ms，是Mask R-CNN的1/8。
［结论］该方法经济高效，为规模化猪场的生猪计数提供了一种技术方案。
关键词： 生猪计数；深度学习；微信小程序；YOLOv8；实例分割
文章图片
Fig. 1 Examples of pig counting dataset
Fig. 2 Structure of the improved YOLOv8 Network for pig counting
Fig. 3 Structure of efficient global attention module
Fig. 4 Technical route for pig counting WeChat mini program
Fig. 5 Operation pages of pig counting WeChat mini program
Fig. 6 Visualization of pig counting results in WeChat mini program
Fig. 7 Counting results of web images in the pig counting WeChat mini program
作者介绍
张凝 副研究员
张凝，工学博士，中国农业科学院农业信息研究所副研究员，中国农业科学院青年英才计划培育工程所级入选者。长期致力于多模多尺度视觉图像处理及面向农业复杂背景的目标识别等算法的研究工作，在天、空、地多尺度图像识别与理解，基于视觉的动植物表型分析、病虫害及养分胁迫诊断等理论方法和关键技术上形成突出成果；近五年，主持或参与国家自然科学基金、国家博士后基金、中欧龙计划等科研项目20余项，发表SCI/EI高水平学术论文20余篇，获批授权国家发明专利5项，获第十三届梁希林业科学技术奖科技进步奖二等奖1项。
来源：《智慧农业（中英文）》2024年第4期
（转自：智慧农业期刊）
