劉龍申 舒翠霓 李 波 沈明霞 太 猛 劉 康

(1.南京農(nóng)業(yè)大學(xué)人工智能學(xué)院，南京 210031；2.江蘇智慧牧業(yè)裝備科技創(chuàng)新中心，南京 210031；3.南京農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院，南京 210095)

0 引言

母豬的PSY指數(shù)(平均每頭母豬每年提供的斷奶仔豬成活數(shù)量)是衡量豬場(chǎng)效益和母豬繁殖能力的重要指標(biāo)。近年來(lái)，受非洲豬瘟和新冠疫情的影響，生豬產(chǎn)能大幅下滑，豬肉價(jià)格高漲[1]。人工智能領(lǐng)域的發(fā)展推動(dòng)了生豬養(yǎng)殖業(yè)從數(shù)量型到質(zhì)量型、從散養(yǎng)化到規(guī)?；臋C(jī)械化到智能化的轉(zhuǎn)變[2]。

研究表明，隨著分娩時(shí)間臨近，母豬由于疼痛或情緒不安，頻繁站立或躺下，表現(xiàn)出明顯的筑巢行為，分娩前4～16 h筑巢本能表現(xiàn)的更為強(qiáng)烈，在集約化生產(chǎn)條件下，由于缺乏筑巢材料，站立持續(xù)時(shí)間增長(zhǎng)并頻繁地改變姿態(tài)[3]，筑巢行為是母豬產(chǎn)前的重要特征，對(duì)預(yù)測(cè)母豬分娩時(shí)間，提高母豬生產(chǎn)力具有重要意義[4]。母豬分娩之后，側(cè)臥時(shí)間顯著增長(zhǎng)，姿態(tài)轉(zhuǎn)變頻率大幅度下降，一方面是由于分娩消耗過(guò)多體力，另一方面是因?yàn)槟肛i有主動(dòng)授乳的意愿，可以作為評(píng)判母豬母性的一個(gè)重要指標(biāo)[5]。因此母豬姿態(tài)識(shí)別與分析對(duì)母豬分娩時(shí)間預(yù)測(cè)和母性評(píng)估具有重要意義。

現(xiàn)有的母豬姿態(tài)自動(dòng)識(shí)別方法主要有接觸式傳感器檢測(cè)、非接觸式電子傳感器檢測(cè)和計(jì)算機(jī)視覺(jué)識(shí)別。CORNOU等[6]利用三軸加速度傳感器檢測(cè)群養(yǎng)母豬的運(yùn)動(dòng)類型，使用多過(guò)程卡爾曼濾波法(MPKF)將母豬的行為分為5類，其中飲食、側(cè)臥、胸臥識(shí)別效果良好。劉龍申等[7]將三軸加速度傳感器佩戴于母豬頸部，通過(guò)K均值聚類算法對(duì)特征進(jìn)行識(shí)別，能檢測(cè)出母豬躺臥、站立、吃料、筑巢等典型行為，正確率達(dá)87.93%。接觸式傳感器會(huì)引起豬只的應(yīng)激反應(yīng)，穿戴式傳感器可能在母豬活動(dòng)過(guò)程中掉落，電源供電時(shí)間有限，使用壽命短。WANG等[8]通過(guò)飛行時(shí)間法(Time of flight，TOF)測(cè)量超聲波傳感器和母豬身體8個(gè)位置之間的距離來(lái)確定母豬的站立、跪姿、坐姿、側(cè)臥等姿態(tài)。張光躍等[9]設(shè)計(jì)了一種基于超聲波傳感器和無(wú)線傳感網(wǎng)絡(luò)母豬產(chǎn)前監(jiān)測(cè)系統(tǒng)，可以識(shí)別出筑巢、站立、側(cè)臥等行為，準(zhǔn)確率達(dá)90.47%。非接觸式傳感器在很大程度上避免了母豬的應(yīng)激反應(yīng)，但超聲波傳感器由于無(wú)法識(shí)別目標(biāo)易受周圍其他物體的干擾。施宏等[10]提出了一種基于 Kinect 的無(wú)接觸式母豬姿態(tài)識(shí)別算法，該算法識(shí)別站立、坐立的準(zhǔn)確率分別為 94.3%、92.6%，趴臥識(shí)別準(zhǔn)確率為 84.2%，側(cè)臥姿態(tài)為 93.7%。薛月菊等[11]提出一種改進(jìn)的Faster R-CNN 哺乳母豬姿態(tài)識(shí)別算法，對(duì)母豬各姿態(tài)的平均識(shí)別準(zhǔn)確率達(dá)到 93.25%。甘海明等[12]采用 Mask R-CNN識(shí)別母豬的姿態(tài)并檢測(cè)母豬哺乳區(qū)域，融合哺乳區(qū)域的時(shí)空特征信息，對(duì)母豬哺乳行為進(jìn)行識(shí)別。童欣欣[13]通過(guò)調(diào)整AlexNet卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，調(diào)整后的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)母豬姿態(tài)識(shí)別的準(zhǔn)確率達(dá)到 97%。計(jì)算機(jī)視覺(jué)技術(shù)除了對(duì)動(dòng)物無(wú)侵?jǐn)_且架設(shè)相對(duì)容易外，還具有低成本和高效的優(yōu)點(diǎn)，正成為母豬行為監(jiān)測(cè)的另一大熱門(mén)研究領(lǐng)域[14]。

本文采集24頭母豬產(chǎn)前及產(chǎn)后各一天的數(shù)據(jù)，建立一種基于EfficientDet的母豬姿態(tài)識(shí)別模型，總體上將母豬姿態(tài)分為站立、坐姿、胸臥、側(cè)臥4種姿態(tài)，為進(jìn)一步探究母豬的側(cè)臥行為，該模型通過(guò)限位欄內(nèi)仔豬保溫箱與母豬哺乳區(qū)的距離判斷母豬側(cè)臥方向。分析圍產(chǎn)期母豬的姿態(tài)特性，為母豬筑巢行為與母性行為研究提供理論依據(jù)與技術(shù)支持。

1 試驗(yàn)材料

1.1 試驗(yàn)數(shù)據(jù)采集

母豬視頻數(shù)據(jù)于2020年6月9—15日在江蘇省宿遷市宿豫區(qū)正杰豬場(chǎng)采集。本文的試驗(yàn)對(duì)象為24頭待產(chǎn)大白母豬，待產(chǎn)母豬在產(chǎn)前一周(妊娠期107 d左右)被隨機(jī)安置在2.2 m×1.8 m的分娩限位欄內(nèi)，保持養(yǎng)殖環(huán)境一致，母豬產(chǎn)房?jī)?nèi)大環(huán)境溫度控制在20～28℃[15]，仔豬保溫箱的溫度隨大環(huán)境溫度變化，控制在一個(gè)舒適范圍內(nèi)[16]，仔豬保溫箱從預(yù)產(chǎn)期前一天開(kāi)啟，直至仔豬斷奶。

視頻采集系統(tǒng)主要由攝像頭、網(wǎng)絡(luò)硬盤(pán)錄像機(jī)、交換機(jī)和本地服務(wù)器組成，如圖1所示。每個(gè)限位欄正上方2.2 m處都配有一個(gè)分辨率為2 560像素×1 440像素的?？低暭t外攝像頭(DS-2CD3346WD-I型)，每個(gè)攝像頭需要一根網(wǎng)線進(jìn)行供電和傳輸數(shù)據(jù)，網(wǎng)線穿過(guò)固定攝像頭的橫桿接入POE交換機(jī)(DS-3E0526P-E型)。視頻數(shù)據(jù)連續(xù)錄制24 h，采集到的豬只俯視視頻數(shù)據(jù)存儲(chǔ)于?？低暰W(wǎng)絡(luò)硬盤(pán)錄像機(jī)(DS-8832N-K8-8×6T型)中，攝像頭采集到的視頻數(shù)據(jù)可以通過(guò)海康威視網(wǎng)絡(luò)硬盤(pán)錄像機(jī)存儲(chǔ)至硬盤(pán)后導(dǎo)入到本地服務(wù)器。

圖1 視頻采集示意圖Fig.1 Sketch of video acquisition

1.2 數(shù)據(jù)集制作

試驗(yàn)數(shù)據(jù)集的制作包括圖像獲取、圖像篩選、圖像標(biāo)注、數(shù)據(jù)集格式化等過(guò)程。

(1)圖像獲?。簭木W(wǎng)絡(luò)硬盤(pán)錄像機(jī)中截取母豬分娩前后各24 h的監(jiān)控視頻段，采用Python 3.8編寫(xiě)腳本文件從視頻中截取.jpg格式的圖像，所截圖像的時(shí)間間隔為1 min。

(2)圖像篩選：刪除過(guò)度曝光或曝光不足的無(wú)效圖像，這類圖像多拍攝于夜間，受光線影響較大，看不清豬只，最終得到有效圖像共9 775幅。

(3)圖像標(biāo)注：使用精靈標(biāo)注軟件對(duì)目標(biāo)區(qū)域進(jìn)行人工標(biāo)注，標(biāo)注的類別包括站立、坐姿、胸臥、側(cè)臥、保溫箱5類，為避免目標(biāo)區(qū)域過(guò)大，側(cè)臥(lateral)姿態(tài)僅標(biāo)注特征明顯的哺乳區(qū)及四肢，圖像標(biāo)注后，將包含標(biāo)注類別和目標(biāo)區(qū)域坐標(biāo)位置的文件保存為.xml格式的文件，文件名與圖像保持一致。

(4)數(shù)據(jù)集格式化:模型在訓(xùn)練和預(yù)測(cè)時(shí)使用的數(shù)據(jù)集格式按照PASCAL VOC標(biāo)準(zhǔn)格式，原圖及對(duì)應(yīng)的標(biāo)簽文件分別位于JPEGImages和Annotations文件夾下，運(yùn)行voc2efficientdet.py腳本文件，在文件夾Main目錄下生成包含圖像名稱的train.txt、test.txt文件。

數(shù)據(jù)集圖像尺寸均為1 920像素×1 080像素，訓(xùn)練集和測(cè)試集的劃分比例為9∶1，其中訓(xùn)練集8 796幅，測(cè)試集979幅。為增強(qiáng)模型的泛化能力，數(shù)據(jù)集較為均衡地選取了24頭母豬三通道(白天)和單通道(夜晚)圖像。

2 母豬姿態(tài)識(shí)別模型

2.1 母豬姿態(tài)特征

按照母豬身體高度從高到低將母豬姿態(tài)分為站立、坐姿、胸臥、側(cè)臥等，其中站立和坐姿屬于動(dòng)態(tài)姿勢(shì)，胸臥和側(cè)臥屬于靜態(tài)姿勢(shì)。側(cè)臥姿態(tài)是母豬產(chǎn)后哺乳的主要姿態(tài)，能夠表現(xiàn)母豬的母性行為，因此與仔豬的生長(zhǎng)狀況息息相關(guān)，側(cè)臥又可分為乳房背對(duì)仔豬保溫箱(back)和乳房面向仔豬保溫箱(face)兩種。表1為每種姿態(tài)定義的詳細(xì)說(shuō)明[17]。

表1 母豬姿態(tài)定義Tab.1 Definition of sow’s different postures

2.2 模型網(wǎng)絡(luò)結(jié)構(gòu)

EfficientDet是由谷歌大腦TAN等[18]在EfficientNet的基礎(chǔ)上提出的新架構(gòu)。EfficientDet-D0～D7分別對(duì)應(yīng)EfficientNet-B0～B7。EfficientDet主要由主干特征提取網(wǎng)絡(luò)、加強(qiáng)特征提取網(wǎng)絡(luò)以及預(yù)測(cè)網(wǎng)絡(luò)3部分組成，如圖2所示。圖中P1～P7為網(wǎng)絡(luò)的1～7層特征圖。

圖2 EfficientDet網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 EfficientDet network structure diagram

EfficientDet采用EfficientNet作為主干特征提取網(wǎng)絡(luò)，EfficientNet模型根據(jù)固定系數(shù)F統(tǒng)一對(duì)網(wǎng)絡(luò)深度D、寬度W和圖像分辨率r縮放時(shí)可用的資源數(shù)量進(jìn)行控制，為了捕獲更加豐富和復(fù)雜的特征來(lái)增強(qiáng)模型的泛化性，利用殘差神經(jīng)網(wǎng)絡(luò)增大網(wǎng)絡(luò)深度，改變特征層數(shù)可提升寬度、增大圖像分辨率可以提高精確性[19-20]。本文采用的EfficientDet-D0由16個(gè)Blocks堆疊構(gòu)成，Block的通用結(jié)構(gòu)如圖3所示，主要由主干網(wǎng)絡(luò)和殘差網(wǎng)絡(luò)構(gòu)成，在主干網(wǎng)絡(luò)中首先對(duì)輸入進(jìn)行1×1卷積通道擴(kuò)張進(jìn)行升維，在深度可分離卷積網(wǎng)絡(luò)結(jié)構(gòu)后增加了一個(gè)關(guān)于通道的注意力機(jī)制，最后利用1×1卷積降維后與殘差邊進(jìn)行短接操作。每層的主要構(gòu)件塊是MBConv，16個(gè)Blocks在主干網(wǎng)絡(luò)的有效特征層中可以分為1、2、2、3、3、4、1個(gè)Block[21]，最終獲得3個(gè)有效特征層P3、P4、P5傳入到雙向特征金字塔網(wǎng)絡(luò)(BiFPN)中。

圖3 Block結(jié)構(gòu)圖Fig.3 Block structure diagram

特征融合能夠充分利用不同分辨率圖像的特征信息，實(shí)現(xiàn)多尺度的檢測(cè)。LIN等[22]提出了特征金字塔(FPN)結(jié)構(gòu)，將神經(jīng)網(wǎng)絡(luò)中抽象的頂層特征進(jìn)行上采樣，通過(guò)自頂向下的連接方式進(jìn)行融合。在FPN的基礎(chǔ)上，路徑聚合網(wǎng)絡(luò)(PANet)添加了一條自底向上的連接，但計(jì)算代價(jià)較高[23]。EfficientDet采用BiFPN (雙向特征金字塔網(wǎng)絡(luò))作為加強(qiáng)特征提取網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)高效的雙向跨尺度連接(Cross-scale connections)和帶權(quán)重的加權(quán)特征融合(Weighted feature fusion)[24]。P3、P4、P5經(jīng)過(guò)通道數(shù)調(diào)整后下采樣得到P6、P7，P3～P7包含高語(yǔ)義信息，共同輸入BiFPN網(wǎng)絡(luò)中。BiFPN層添加了簡(jiǎn)單的注意力機(jī)制，為每個(gè)輸入的特征賦予不同的權(quán)重，避免了輸入相同權(quán)重融合時(shí)損失有用信息的情況。加權(quán)特征融合的表達(dá)式為

(1)

式中ω——學(xué)習(xí)權(quán)重σ——學(xué)習(xí)率

i、j——網(wǎng)絡(luò)層數(shù)

Output——輸出特征

Input——輸入特征

特征融合的權(quán)重被限制在0～1之間[25]。EfficientDet重復(fù)3次BiFPN堆疊后得到5個(gè)有效的特征層，一同輸入預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)。

預(yù)測(cè)網(wǎng)絡(luò)中類別預(yù)測(cè)網(wǎng)絡(luò)和邊界框回歸網(wǎng)絡(luò)分別對(duì)類別和邊界框進(jìn)行預(yù)測(cè)，兩個(gè)預(yù)測(cè)網(wǎng)絡(luò)共享特征網(wǎng)絡(luò)的權(quán)重。模型訓(xùn)練過(guò)程中，每個(gè)網(wǎng)格都會(huì)生成多個(gè)不同高和寬的邊界框，通過(guò)分類器和邊界框坐標(biāo)回歸來(lái)擬合目標(biāo)的真實(shí)邊界框。EfficientDet-D0分類器和邊界框預(yù)測(cè)網(wǎng)絡(luò)均采用3次64通道的卷積和1次M×N的卷積調(diào)整先驗(yàn)框，M指該特征層所擁有的先驗(yàn)框數(shù)量，N指網(wǎng)絡(luò)中目標(biāo)的類別數(shù)量。在類別預(yù)測(cè)網(wǎng)絡(luò)中N=5，代表站立、坐姿、胸臥、側(cè)臥、保溫箱5類目標(biāo)，用于預(yù)測(cè)該特征層上每一個(gè)網(wǎng)格點(diǎn)上預(yù)測(cè)框?qū)?yīng)的種類；在邊界框回歸網(wǎng)絡(luò)中N=4，可調(diào)整框的中心和寬高，從而預(yù)測(cè)該特征層上每一個(gè)網(wǎng)格點(diǎn)上先驗(yàn)框的變化情況。對(duì)預(yù)測(cè)結(jié)果進(jìn)行得分排序與非極大值抑制(NMS)，篩選出每一類得分大于置信度閾值(confidence_threshold)的框和得分，根據(jù)框的位置和得分進(jìn)行非極大值抑制。

2.3 模型訓(xùn)練過(guò)程

模型訓(xùn)練環(huán)境為：Ubuntu 16.04系統(tǒng)，Intel(R)Xeon(R)Gold 5118 CPU @ 2.30 GHz，GPU為NVIDIA Quadro P4000，顯存為8 GB，深度學(xué)習(xí)框架是Pytorch1.3.0，CUDA 版本為 10.1，訓(xùn)練環(huán)境為Python 3.7.3、Torchvision 1.3.0、Numpy 1.19.1 以及OpenCV 4.5.1。

模型訓(xùn)練參數(shù)設(shè)置如下：參數(shù)phi為0表示指向EfficientDet-D0版本，迭代周期(epoch)為200，凍結(jié)訓(xùn)練周期(Freeze_epoch)為50，學(xué)習(xí)率初始化為0.001，批量大小(Batch_size)為8，置信度閾值(confidence_threshold)為0.4，訓(xùn)練過(guò)程耗時(shí)約34.5 h。

計(jì)算損失函數(shù)用來(lái)評(píng)價(jià)模型的預(yù)測(cè)值和真實(shí)值的差異程度，損失函數(shù)值越小、越穩(wěn)定，通常模型的性能越好。模型的損失函數(shù)根據(jù)真實(shí)框和先驗(yàn)框的重疊率(IOU)計(jì)算：對(duì)于IOU大于0.5的情況，可以利用先驗(yàn)框調(diào)整獲得預(yù)測(cè)框；忽略IOU大于0.4小于0.5的情況；IOU小于0.4不包含目標(biāo)，作為負(fù)樣本。EfficientDet模型負(fù)樣本的損失值較大，因此引入了焦點(diǎn)損失(Focal loss)進(jìn)行正負(fù)樣本平衡，模型的訓(xùn)練損失值如圖4所示，損失值曲線收斂且擬合較好。

圖4 網(wǎng)絡(luò)的訓(xùn)練損失值曲線Fig.4 Training loss value curves of network

2.4 模型評(píng)價(jià)指標(biāo)

本文采用檢測(cè)速度、精確率(Precision，P)、召回率(Recall，R)、F1值、平均精度均值(mAP)5個(gè)指標(biāo)評(píng)價(jià)模型性能，精確率是衡量模型對(duì)正樣本的識(shí)別能力，召回率是正樣本中被預(yù)測(cè)正確的概率，F(xiàn)1值是精確率和召回率的調(diào)和平均數(shù)，平均精度均值用來(lái)衡量模型對(duì)所有類別的檢測(cè)性能，mAP為精度均值(AP)的均值，AP即精確率-召回率曲線與坐標(biāo)軸圍成的面積。

3 結(jié)果與分析

3.1 模型識(shí)別性能分析

3.1.1姿態(tài)檢測(cè)結(jié)果

本文分別采取圖像批量檢測(cè)以及視頻檢測(cè)兩種方式識(shí)別母豬姿態(tài)。模型對(duì)圖像的檢測(cè)速度達(dá)到26.2 f/s，將圖像批量檢測(cè)結(jié)果以圖像和文本兩種形式保存。文本文件的保存格式為：圖像名稱+目標(biāo)類別：置信度+預(yù)測(cè)框坐標(biāo)，文本文件的行數(shù)等于檢測(cè)圖像的數(shù)量。母豬各姿態(tài)識(shí)別結(jié)果如圖5a～5d所示，可見(jiàn)該模型能夠較準(zhǔn)確地識(shí)別出保溫箱以及母豬的站立、坐姿、胸臥和側(cè)臥4種姿態(tài)，由于母豬處于拍攝區(qū)域正中間，本文提出了一種通過(guò)保溫箱和側(cè)臥姿態(tài)預(yù)測(cè)框中心點(diǎn)的距離來(lái)判斷側(cè)臥方向的方法，當(dāng)圖像能夠同時(shí)檢測(cè)出保溫箱和側(cè)臥兩個(gè)目標(biāo)時(shí)，根據(jù)二者預(yù)測(cè)框中心點(diǎn)的距離來(lái)判斷側(cè)臥的方向，若距離大于閾值(圖像高度的一半，540像素)，則將側(cè)臥方向判斷為乳房背對(duì)保溫箱，反之則為面向保溫箱，該方法對(duì)母豬側(cè)臥方向識(shí)別的準(zhǔn)確率達(dá)到100%。

圖5 母豬姿態(tài)識(shí)別結(jié)果Fig.5 Recognition results of sows’postures

選取6月11日14：40—15：10的視頻數(shù)據(jù)檢測(cè)該模型對(duì)母豬姿態(tài)的檢測(cè)能力。視頻由一系列圖像構(gòu)成，這一系列圖像以固定的時(shí)間間隔從視頻中獲取，被稱為幀(frame)，從視頻中讀取獨(dú)立的幀，就可以用檢測(cè)圖像的方法達(dá)到檢測(cè)視頻的目的。視頻數(shù)據(jù)檢測(cè)過(guò)程中需要讀取視頻的每一幀，并將圖像轉(zhuǎn)換為滿足OpenCV顯示的BGR格式，導(dǎo)致視頻檢測(cè)速度比圖像檢測(cè)速度慢，本文平均視頻檢測(cè)速度為10.66 f/s。結(jié)合實(shí)際應(yīng)用場(chǎng)景，限位欄內(nèi)母豬姿態(tài)轉(zhuǎn)變較為遲緩，此模型的檢測(cè)速度完全滿足實(shí)時(shí)檢測(cè)的要求。視頻數(shù)據(jù)的檢測(cè)結(jié)果如圖6所示，能夠動(dòng)態(tài)顯示母豬的姿態(tài)、置信度、坐標(biāo)以及檢測(cè)速度。

在測(cè)試集(共979幅圖像)上進(jìn)行測(cè)試，檢測(cè)到母豬姿態(tài)的圖像共計(jì)971幅，未檢出的8幅均為側(cè)臥姿態(tài)，且拍攝于夜間。圖7和圖8分別為EfficientDet算法在971幅圖像上的混淆矩陣與精確率-召回率曲線，可見(jiàn)坐姿與胸臥、胸臥與側(cè)臥之間的類間差較小，相比于其他類別，算法對(duì)坐姿與胸臥類別的識(shí)別性能有待提高。為進(jìn)一步說(shuō)明EfficientDet算法在豬只姿態(tài)識(shí)別領(lǐng)域的適用性，與Faster R-CNN進(jìn)行對(duì)比，表2和表3為兩種模型在測(cè)試集上的表現(xiàn)，IOU閾值均設(shè)置為0.5，根據(jù)對(duì)比，兩種算法的總體識(shí)別效果相近，雖然Faster R-CNN的平均精度均值略高，對(duì)保溫箱的識(shí)別精確率較低，不利于側(cè)臥方向的識(shí)別，圖像和視頻的檢測(cè)速度也都低于EfficientDet，說(shuō)明EfficientDet模型能較為理想地兼顧識(shí)別效果與檢測(cè)速度。

表2 EfficientDet模型的檢測(cè)性能Tab.2 Recognition performance of EfficientDet

表3 Faster R-CNN模型的檢測(cè)性能Tab.3 Recognition performance of Faster R-CNN

圖7 EfficientDet模型的混淆矩陣Fig.7 Confusion matrix of EfficientDet model

圖8 EfficientDet模型的精確率-召回率曲線Fig.8 PR curves of EfficientDet model

3.1.2識(shí)別誤差分析

由于母豬轉(zhuǎn)換姿態(tài)過(guò)程中存在過(guò)渡期，出現(xiàn)了少量過(guò)渡姿態(tài)，使得某些姿態(tài)之間的類間差異過(guò)小，如圖9a～9d所示，可通過(guò)進(jìn)一步細(xì)分母豬的姿態(tài)來(lái)提高本文模型的識(shí)別率和正確率；由于燈光亮度不一致對(duì)模型性能的影響，造成部分側(cè)臥未識(shí)別出(未識(shí)別率約為2.9%)，如圖9e、9f所示，另一個(gè)造成漏檢或誤檢的因素是極少數(shù)夜間圖像曝光不足或曝光過(guò)度，如圖9g、9h所示。

圖9 模型性能的影響因素Fig.9 Influencing factors of model performance

3.2 產(chǎn)前產(chǎn)后姿態(tài)變化分析

根據(jù)模型輸出的母豬各時(shí)刻姿態(tài)序列，對(duì)各姿態(tài)的占比以及母豬姿態(tài)轉(zhuǎn)換頻率進(jìn)行分析。t=0表示第1頭仔豬出生的時(shí)刻，以2 h為時(shí)間間隔統(tǒng)計(jì)每頭母豬產(chǎn)前及產(chǎn)后24 h各姿態(tài)的時(shí)長(zhǎng)，并進(jìn)行歸一化處理，母豬4種姿態(tài)的分布如圖10所示。計(jì)算3組母豬產(chǎn)前產(chǎn)后2個(gè)時(shí)期的平均姿態(tài)轉(zhuǎn)換次數(shù)和平均姿態(tài)轉(zhuǎn)變頻率，如表4所示。結(jié)合圖10、表4分析，可得：

圖10 母豬姿態(tài)占比分布Fig.10 Distribution ratio diagram of sows postures

表4 產(chǎn)前產(chǎn)后姿態(tài)轉(zhuǎn)換分析Tab.4 Analysis of posture change before and after delivery

(1)母豬產(chǎn)前靜態(tài)姿勢(shì)的比例達(dá)70%以上；在產(chǎn)后多數(shù)時(shí)間里，母豬以側(cè)臥姿態(tài)為主，達(dá)90%左右。文獻(xiàn)[26]以母豬產(chǎn)前產(chǎn)后側(cè)臥和胸臥姿態(tài)的持續(xù)時(shí)間為研究重點(diǎn)，得出母豬產(chǎn)前及產(chǎn)后兩種姿態(tài)之和分別達(dá)85%、96%，與本文結(jié)果具有一致性。

(2)母豬分娩前后姿態(tài)分布、姿態(tài)轉(zhuǎn)換次數(shù)、姿態(tài)轉(zhuǎn)換頻率均發(fā)生顯著的變化，是產(chǎn)前筑巢行為的顯著特征。產(chǎn)前24 h動(dòng)態(tài)姿勢(shì)的比例具有先增后減的趨勢(shì)，普遍達(dá)10%～30%，而產(chǎn)后動(dòng)態(tài)姿勢(shì)的比例降至5%以下；母豬產(chǎn)前平均姿態(tài)轉(zhuǎn)換次數(shù)高達(dá)388次，頻率高達(dá)17次/h，而產(chǎn)后平均姿態(tài)轉(zhuǎn)換次數(shù)降至73次，頻率降至3次/h，利用SPSS軟件對(duì)姿態(tài)轉(zhuǎn)換次數(shù)和頻率進(jìn)行克魯斯卡爾-沃利斯檢驗(yàn)，均表現(xiàn)出顯著性差異(P<0.001)。

3.3 產(chǎn)后側(cè)臥行為分析

由于胸臥姿態(tài)無(wú)法像側(cè)臥姿態(tài)一樣方便仔豬接近乳頭，因此更多的側(cè)臥姿態(tài)意味著更加優(yōu)良的母性行為[27]。為探究母豬產(chǎn)后側(cè)臥行為與母性行為的相關(guān)性，記錄仔豬3日齡均質(zhì)量、斷奶均質(zhì)量和每欄仔豬從出生到斷奶時(shí)期的成活率。對(duì)側(cè)臥時(shí)長(zhǎng)進(jìn)行歸一化并排序，將24頭母豬均分為3組，可以發(fā)現(xiàn)母豬產(chǎn)后側(cè)臥時(shí)長(zhǎng)與仔豬均質(zhì)量呈正相關(guān)關(guān)系，側(cè)臥時(shí)間越長(zhǎng)，意味著對(duì)仔豬生長(zhǎng)越有利，如圖11所示。

圖11 側(cè)臥時(shí)長(zhǎng)與仔豬均質(zhì)量的關(guān)系Fig.11 Relationship between lateral duration and average piglets’weight

圖12為母豬兩種側(cè)臥方向時(shí)長(zhǎng)占比圖，可以發(fā)現(xiàn)，母豬產(chǎn)前面向保溫箱姿態(tài)和背對(duì)保溫箱姿態(tài)比例的差值較小，兩種側(cè)臥方向分布較為均衡；而產(chǎn)后面向保溫箱姿態(tài)和背對(duì)保溫箱姿態(tài)比例的差值變大，母豬更偏向于朝一個(gè)方向側(cè)臥。根據(jù)母豬側(cè)臥的偏好性將母豬分為兩組，如表5所示，偏向面向保溫箱姿態(tài)和背對(duì)保溫箱姿態(tài)的母豬分別有10頭和14頭，比較兩組的平均仔豬斷奶成活率，結(jié)果表明產(chǎn)后對(duì)面向保溫箱姿態(tài)具有偏好的母豬，仔豬斷奶成活率略高于偏好背對(duì)保溫箱姿態(tài)的母豬。但由于樣本數(shù)量較少，兩組仔豬斷奶成活率的差距不大，經(jīng)過(guò)查閱文獻(xiàn)，此前已有研究表明：母豬和仔豬的適宜溫度不同，初生仔豬喜溫，保溫箱能為仔豬提供一個(gè)舒適的環(huán)境，使其盡快攝入初乳并降低被母豬擠壓的風(fēng)險(xiǎn)，母豬側(cè)臥時(shí)偏向于將乳房面向仔豬保溫箱或許是一種良好的母性行為表現(xiàn)[28-29]。

圖12 不同側(cè)臥方向占比Fig.12 Ratio of two lateral directions

表5 側(cè)臥方向與仔豬斷奶成活率的關(guān)系Tab.5 Relationship between lateral direction and weaned piglets’survival rate

4 結(jié)論

(1)采用深度學(xué)習(xí)作為識(shí)別圍產(chǎn)期母豬姿態(tài)的研究方法，避免了與母豬接觸所產(chǎn)生的應(yīng)激反應(yīng)，識(shí)別平均精度均值達(dá)93.97%，對(duì)視頻的識(shí)別速度達(dá)10.66 f/s，能夠?qū)崿F(xiàn)24 h不間斷地對(duì)母豬姿態(tài)進(jìn)行實(shí)時(shí)識(shí)別。

(2)對(duì)母豬產(chǎn)前產(chǎn)后24 h姿態(tài)分布及轉(zhuǎn)換頻率進(jìn)行分析，可以發(fā)現(xiàn)產(chǎn)前顯著的筑巢行為，這可以作為母豬分娩時(shí)間預(yù)測(cè)的依據(jù)之一；著重探究了側(cè)臥方向?qū)δ肛i母性行為的影響，發(fā)現(xiàn)側(cè)臥時(shí)長(zhǎng)與仔豬窩均質(zhì)量呈正相關(guān)關(guān)系，偏向于將乳房面向仔豬保溫箱側(cè)臥的母豬，仔豬斷奶成活率更高。