本文是一篇关于基于深度学习和机器视觉的群猪识别研究与应用的硕士论文，作者为字吉湖，指导教师为陈小川副教授，学位授予单位为西南大学，论文提交日期为2024年4月8日，答辩日期为2024年5月20日。论文的主要研究领域为畜牧学，特别是智慧养猪管理系统的开发与应用。

研究背景与意义

畜牧业是中国重要的农业产业之一，家畜的健康状况直接影响养殖场的经济效益。传统的养殖监测方式存在诸多问题，如费时费力、受主观因素影响、时效性低等。随着精准畜牧（Precision Livestock Farming, PLF）和人工智能（Artificial Intelligence, AI）技术的快速发展，动物健康监测的方式已从传感器技术向机器视觉技术转变。然而，传统的机器视觉技术在处理复杂图像和场景时存在特征选择困难、特征提取不稳定、处理复杂背景能力差等问题，限制了其在畜牧业中的应用。

实例分割（Instance Segmentation）作为一种重要的机器视觉技术，能够识别和分割图像中的动物个体，从而实现对养殖环境和动物群体的精细化管理。然而，传统实例分割方法在实际应用中面临目标遮挡、复杂背景干扰等挑战。为了解决这些问题，本研究在Mask R-CNN、Cascade R-CNN、PointRend和GROIE四个深度学习模型中引入极化自注意力（Polarized Self-Attention, PSA）模块，旨在实现规模化养殖环境下群养生猪的高精度目标检测和实例分割。

研究内容与方法

本研究的主要内容包括以下几个方面：

1. 基于深度学习算法的群猪目标检测和实例分割研究
   通过采用深度学习模型对拍摄的猪只图片进行训练与测试，比较了Mask R-CNN、Cascade R-CNN、PointRend、GROIE、Mask2Former、SOLOv2在猪只目标检测和实例分割上的效果。结果表明，PointRend在群猪目标检测和实例分割任务中表现出色，是最优选择。

2. 基于改进深度学习算法的群猪目标检测和实例分割研究
   通过引入极化自注意力（PSA）模块到Mask R-CNN、Cascade R-CNN、PointRend和GROIE基线模型中，提升了模型的特征提取能力和实例分割精度。实验结果显示，PSA模块的引入显著提高了目标检测和实例分割任务的性能。

3. 生猪重叠严重的跟踪与复位识别研究
   通过将Cascade R-CNN和极化自注意力提取的特征与DeepSORT结合，实现了高效、准确的猪只重叠后的目标跟踪与识别。实验结果表明，该方法在猪只运动与复位识别方面具有优异性能。

4. 智慧养猪管理系统的设计与开发应用
   通过利用Spring Boot框架和Vue框架结合IBMS构建了具有个体识别与档案建立、猪只跟踪、日常行为识别等功能的智慧养猪管理系统。

研究结果与结论

1. 目标检测与实例分割
   在目标检测任务中，PointRend模型在不同阈值下的性能表现最佳，AP0.5为91.3，AP0.75为66.2，AP0.5:0.95为59.6，AP0.5:0.95-large为57.6。在实例分割任务中，PointRend同样表现最优，AP0.5为89.7，AP0.75为47.3，AP0.5:0.95为50.4，AP0.5:0.95-large为58.9。

2. 改进算法的性能提升
   在目标检测任务中，引入PSA模块到Cascade R-CNN中表现出了最优的提升效果，分别提高约1.3%（AP0.5）、7.5%（AP0.75）、5.1%（AP0.5:0.95）和0.8%（AP0.5:0.95-large）个百分点。在实例分割任务中，引入PSA模块到GROIE中获得了最佳的提升效果，与基线模型相比，分别提高了约1.7%（AP0.5）、17.8%（AP0.75）、7.6%（AP0.5:0.95）和6.4%（AP0.5:0.95-large）个百分点。

3. 目标跟踪与复位识别
   通过将Cascade R-CNN和极化自注意力提取的特征与DeepSORT结合，实现了高效、准确的猪只重叠后的目标跟踪与识别。在T为40帧时，得到的MOTA值为0.967531，表明该方法在猪只运动与复位识别方面具有优异性能。

4. 智慧养猪管理系统的开发
   通过利用Spring Boot框架和Vue框架结合IBMS构建了智慧养猪管理系统，实现了猪只的个体识别、档案建立、跟踪与行为识别等功能，为养殖业的智能化发展提供了新的可能性。

研究的创新点

1. 深度学习模型的应用
   本研究首次将PointRend和GROIE两种深度学习算法应用于猪只的目标检测和图像分割，并取得了比Mask R-CNN、Cascade R-CNN等算法更好的效果。

2. 极化自注意力机制的引入
   本研究首次将极化自注意力机制（PSA）引入深度学习图像分割模型，并将其应用到猪只的目标检测和实例分割中，显著提升了模型的性能。

3. 智慧养猪管理系统的开发
   本研究设计并开发了智慧养猪管理系统，结合了深度学习技术和机器视觉技术，实现了猪只的个体识别、跟踪与行为监测，为养殖业的智能化管理提供了新的解决方案。

研究的意义与价值

本研究通过引入深度学习技术和机器视觉技术，解决了传统养殖监测中的诸多问题，如目标遮挡、复杂背景干扰等，显著提高了群猪目标检测、实例分割和跟踪的精度。智慧养猪管理系统的开发为养殖业的智能化发展提供了新的思路，具有重要的科学价值和应用价值。该系统的实施不仅提高了养殖效率和生产质量，还降低了人工成本和资源浪费，为养殖业的可持续发展提供了技术支持。

总结

本研究通过深度学习技术和机器视觉技术的结合，成功实现了群猪的高精度目标检测、实例分割和跟踪，并开发了智慧养猪管理系统。研究结果表明，深度学习技术在智慧养殖领域具有广阔的应用前景，能够显著提高养殖效率和动物福利，为养殖业的智能化发展提供了新的可能性。