Page 46 - 《华中农业大学学报（自然科学版）》2023年第3期

P. 46

40 华中农业大学学报第 42 卷

估算准确率达到了 95.10%，处理速度达到了 6.981 CNN 对群养生猪进行分割，以实现对生猪的健康状
［7］
ms/帧；Zheng 等使用 YOLO（you only look once）辅况进行监测，其分割精度达到了 71.4%（IoU≥0.75）；
助的图像分割方法，对鸡腿区域图像进行分割，估算腿 Tu 等［38］使用 Mask R-CNN 对群养猪进行分割，从而
长周长来筛选和保持种鸡优良的遗传性状，其分割精进一步对猪只的健康状况进行监测，其顶视图分割
度达到了 92.36%（IoU≥0.5），分割速度达到了 74.1 精度达到了 91.80%、正面视图分割精度达到了
ms/帧。 80.22%，分割速度平均达 0.523 3 s/帧；Ju 等［39］和
在上述研究中，为了降低算法的复杂度，确保采 Seo 等［40］均使用 YOLO 辅助的图像分割方法对粘连
集到的图像更加标准且区分度高、无遮挡或有少量猪只图像进行实时分割，以获取猪只的健康和福利
的遮挡（但不影响算法的执行效率），部分文献在采信息，分割精度分别达到了91.96%、85.00%。
集图像时使用到了一些特定的装置设置，如限定 Qiao等［41］也使用Mask R-CNN对牛图像进行分
［5］
栏［11，28］、深度摄像机［11，28］、3D 相机等，通过引入上割，以获取牛的健康和福利信息，分割精度达到了
述设备可以明显提高分割的精度与效率。 92%，分割速度达到了 0.73 s/帧；Ferreira 等［42］使用
A. 猪场的实际图像 Actual image of piggery； B. 语义分割 Semantic segmentation； C. 实例分割 Instance segmentation； D. 全景分割 Pan‐ 1.3 在畜禽姿态估计与行为识别中的应用 Mask R-CNN 对奶牛进行分割，以促进对奶牛传染
optic segmentation. ［12］
姿态估计与行为识别有助于实现养殖过程的无病控制；Xiao 等使用 Mask R-CNN 对散栏牛场奶
图1 图像分割技术分类示例牛进行分割，以实现奶牛行为分析和疾病检测，分割
Fig. 1 An example of image segmentation technology classification 人监控，及时发现畜禽的状态变化，了解其行为信
息，提高养殖管理效率。如 Yang 等［29］使用 FCN 对精度达到了97.39%，分割速度为1.02 s/帧。
深度学习的图像分割方法被提出来［22-24］。这些基于对猪和羊图像进行分割以实现自动计数功能，前者
母猪图像进行分割，实现了自动识别母猪护理（哺 Lamping 等［13］使用 Mask R-CNN 对母鸡进行分
深度学习的图像分割方法，赋予了分割区域更准确提出的方法的分割精度在统计交并比（intersection
乳）行为，分割精度达到了 91.50%，使用的数据集要割，以监测母鸡的福利状况，分割精度达到了97.72%
的语义信息，使得图像分割的准确度不断提高，分割 over union，IoU）≥0.5（即预测结果与真实标注的结
求无遮挡；文献［9，30-31］均使用 DeepLab 对猪只图（IoU≥0.5）。
的过程也更加智能化［22］。果交集占两者并集的比例达 0.5 及以上）的条件下达
像进行分割，分别实现了对识别猪只的姿态和行为，基于深度学习的图像分割技术在畜禽体况及疾
基于深度学习的图像分割技术在农业中的应用到了 99.40%、计数精确达到了 94.56%、每帧分割时
分割精度最高达到了 95.90%，分割速度最快达到了病检测中的应用也比较广泛，上述 8 篇文献中有 6 篇
是目前的研究热点之一，但是大部分研究都是将该间大于 4.3 s；后者提出的方法使用计数精度作为其
0.39 s/帧，同 FCN 一样，此处所使用的数据集也都要文献选取了 Mask R-CNN 方法作为其核心的辅助方
技术应用于作物种植，在畜禽养殖中的应用却很少方法的准确度，计数精确度达到了 99.02%，且其每
求无遮挡；文献［32-33］则使用 Mask R-CNN 实现了法来实现对畜禽的体况和疾病进行检测，另外2篇则采
涉及，其中也鲜有根据实际需求和应用场景来选择帧分割时间为 5 s。
在粘连和遮挡情况下对猪只图像进行分割，进而实用YOLO辅助的图像分割方法来进行处理。由上述文
合适的图像分割方法的系统梳理。本文围绕基于深以上研究结果显示，语义分割方法（U-Net）和实
现了目标追踪、行为监测等功能，分割精度最高达到献可知 Mask R-CNN 方法处理速度一般（0.523 3~
度学习的图像分割技术在畜禽养殖中的应用现状进例分割方法（Mask R-CNN）均可以实现自动计数的
了 89.25%、分割速度最快达到了 1.45 s/帧；Gan 1.02 s/帧），但是相较于基于 YOLO 的方法，Mask R-
行综述，给出了如何根据实际需求和应用场景选择功能。计数功能对图像分割的精度要求不高，如 Sar‐ 等［10］使用 Amodal Instance Segmentation 方法［34］对 CNN方法则更加侧重于准确性。
合适图像分割方法的建议，总结了当前文献中与畜 war 等只使用质心来标记每个目标并未完整准确
［4］
仔猪图像进行分割，以实现自动检测仔猪哺乳行为，此外，在上述的研究中大部分算法在统计分割
禽养殖相关的公开数据集，最后分析了当前所面临地分割出每个目标，该方法最终获得了 99.02% 的计其分割精度达到了 97.8%（IoU≥0.5），分割速度达到精度时使用的是 IoU≥0.5 的条件，但是很少有研究
的挑战并提出展望，旨在为图像分割技术在我国畜数准确度。
了 109.9 ms/帧，该方法也可以很好地处理粘连和遮统计 IoU≥0.75 或 IoU≥0.90（意味着图像分割要求
禽养殖业升级转型中发挥更大作用提供参考。 1.2 在畜禽体尺体质量测量中的应用挡等复杂情况。更高）等条件下的图像分割精度。其中，刘坤等［37］在
1 基于深度学习的图像分割技术在使用基于深度学习的图像分割技术等人工智能刘生智［35］使用 Mask R-CNN 对群牛图像中“粘其论文中统计了 IoU≥0.75 时的分割精度为 71.3%，
［6］
算法，可以实现体尺体质量的自动测量。文博使用连”牛体进行分割，为后续的行为分析奠定了基础，由此可见目前分割的精度仍然不理想。因此，在接
畜禽养殖中的应用及建议
Mask R-CNN 对牛图像进行分割，实现了牛体尺的分割精度达到了 84.77%；Xiao 等［12］使用 Mask R- 下来的工作中针对如何综合提升图像分割算法的处
近年来，基于深度学习的图像分割技术在猪、测量；张泽宇等［25］使用 DeepLab 对马匹图像进行分 CNN 对散栏牛场奶牛进行分割，实现了奶牛行为分理速度与准确率方面还有很大的技术发展空间。
牛、羊、马、鸡等畜禽的养殖中都有应用，主要包括畜割，从而对马的体尺体质量进行估计，分割精度达到析和疾病检测，其分割精度达到了97.39%，分割速度 1.5 在畜禽精准饲养中的应用
禽自动计数、体尺体质量测量、姿态估计与行为识了 92.80%；张婧婧等［26］使用 YOLACT ［27］对马匹图达到了 1.02 s/帧；Jiang 等［36］使用 YOLO 辅助的图像畜禽精准饲养是养殖场或企业实现降本增效的
别、体况及疾病检测、精准饲养等。像进行分割，实现了对马匹体尺测量；孔商羽等［11］使分割方法对奶牛进行分割，实现了智能检测识别奶重要途径，这不仅要求精准满足畜禽的营养需求，更
1.1 在畜禽自动计数中的应用用 Mask R-CNN 对猪只图像进行分割，实现了猪只牛的行为，分割精度达到了 93.73%（IoU≥0.5），分割要以更高效的方式监测、管控和管理畜禽养殖过程。
个体计数是畜禽养殖中的基本工作。应用自动体质量预测，其分割精度达到了 98%；He 等［5］使用速度达到了47.62 ms/帧。 Yang 等［14］在合作的养殖场进行数据采集，获得6 696
计数可以极大减轻养殖管理人员的工作量。Xu等［2］ Mask R-CNN 对猪只进行分割，实现了猪只体质量 1.4 在畜禽体况及疾病检测中的应用张图像的训练数据集，然后使用 FCN 方法对泌乳母
使用 Mask R-CNN 对牛图像进行分割以实现自动计预测及健康监测，其分割精度达到了 94.90%；He 做好畜禽体况及疾病检测可以帮助养殖场或企猪进行分割，分割精度达到了93.00%、分割速度小于
数功能，分割精确度达到了 90%、计数准确度达到了等［28］使用 ViT（vision transformer）的方法对猪只图业及时监测畜禽的健康状况，及早发现疫病并遏制 40 s/帧，为个体泌乳母猪的精准饲养提供了数据支
92%。Huang 等［3］和 Sarwar 等［4］则使用 U-Net 分别像进行分割，实现了对猪只体质量的估算，体质量其进一步蔓延，降低损失。刘坤等［37］使用 Mask R- 撑。但是在他们的研究中并未发现关于精准饲养具

41 42 43 44 45 46 47 48 49 50 51