基于注意力机制与自适应特征融合的群养猪身份识别

针对群养猪攻击过程中身体形变和重叠影响猪身份识别精度的问题,开发一种基于注意力机制和自适应特征融合的深度学习方法以提高猪身份识别精度。录制猪栏中8只猪每天8小时共3天的视频,并筛选含攻击的16830帧作为数据集。首先,采用ResNet50提取猪的卷积神经网络(CNN)特征;然后,采用特征金字塔网络(FPN)在ResNet50中选择3层不同尺度的特征,以优化这些特征的定位和语义信息;接着,采用自注意力机制提高这些特征的区分度,并采用自适应空间特征融合(ASFF)以融合不同尺度的特征;最后,利用卷积和Sigmoid函数相结合的检测器对猪身份进行识别。使用该方法后,猪身份识别的均值平均精度(mAP)达到95.59%,速度达到37.6 f/s。结果表明,该方法能够在攻击场景下有效识别猪身份,有助于将攻击识别从群体级细化为个体级。

基于ALR-GMM的群养猪攻击行为识别算法研究

群养猪攻击行为是评估猪群对微环境适应性的重要指标。活动指数模型能够描述猪群行为模式,已经在群养猪攻击行为识别研究中得到初步验证。然而,养殖设施的差异性和动态背景环境等因素所导致的环境适应性差是限制其商业化应用的主要障碍。本文基于递归背景建模思想,在高斯混合模型(GMM)中引入双曲正切函数,提出了一种自适应学习率GMM的活动指数计算方法(ALR-GMM),能够在动态背景环境下准确提取动物活动指数。与经典模型相比,平均相对误差从15.08%降到14.34%。育肥猪攻击行为识别试验中,采用ALR-GMM算法提取行为视频单元的活动指数特征,构建了活动指数最大值、平均值、方差和标准差特征向量,采用线性核函数支持向量机建立分类器。结果表明,本文算法的正确率、灵敏度、特效度和精度分别为97.6%、97.9%、97.7%和97.8%,满足实际应用需求。