录用日期: 2025-02-28
摘要:
猪场复杂环境和猪只动态生长导致的体型变化等问题给猪只精确分割造成困扰,视频对象分割因其能够利用视频序列中的时序信息,对动态对象有较好的处理能力。为此,本研究以种猪性能测定过程中动态采食和生长过程的猪只为研究对象,构建了一个包括234个视频序列的猪只视频数据集,提出了基于XMem-SimAM的半监督猪只视频分割方法。通过引入SimAM注意力进行多尺度特征融合,提升模型在不同尺度下对时序信息的提取能力,捕捉猪只动态移动的时序特征;利用空间-通道注意力模块,强化模型对时序语义特征的权重提取;优化多尺度特征融合策略和上采样模块,充分利用视频序列中的时序关联信息,从细粒度层面提高视频中猪只分割精度。经过测试对比,XMem-SimAM模型在猪只视频数据集上的区域相似度Jaccard、轮廓准确度F-score、平均度量J F和Dice系数分别达到96.9、95.8、98.0和98.0,优于MiVOS、STCN、DEVA、XMem++等视频对象分割方法,显示出卓越的分割性能;在推理阶段,处理速度达到58.5FPS,内存消耗为795MB,实现了处理效率与资源利用的良好平衡。结果表明该研究可为猪场复杂环境下动态生长猪只分割提供新方法。