薛鴻翔 沈明霞 劉龍申 陳金鑫 單武鵬 孫玉文

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院， 南京 210031； 2.農(nóng)業(yè)農(nóng)村部養(yǎng)殖裝備重點(diǎn)實(shí)驗(yàn)室， 南京 210031;3.南京農(nóng)業(yè)大學(xué)人工智能學(xué)院， 南京 210031； 4.南京農(nóng)業(yè)大學(xué)動(dòng)物科技學(xué)院， 南京 210095)

0 引言

能繁母豬的存欄量直接關(guān)系到我國(guó)生豬養(yǎng)殖產(chǎn)業(yè)的發(fā)展，發(fā)情檢測(cè)是能繁母豬繁殖工作的重要技術(shù)環(huán)節(jié)。提高發(fā)情檢測(cè)的及時(shí)性和準(zhǔn)確性，確保發(fā)情母豬能夠適時(shí)配種，減少空懷母豬數(shù)量，提高能繁母豬的利用率，是提升豬場(chǎng)生產(chǎn)效益的關(guān)鍵[1-3]。

目前，母豬發(fā)情檢測(cè)主要采取人工試情法，通過(guò)刺激母豬肋部、腹部、外陰部，對(duì)母豬的靜立反應(yīng)狀態(tài)進(jìn)行人工判斷，該方法費(fèi)時(shí)費(fèi)力，并且嚴(yán)重依賴于配種人員的查情經(jīng)驗(yàn)[4-6]，難以滿足規(guī)?；B(yǎng)殖對(duì)母豬發(fā)情狀態(tài)實(shí)時(shí)檢測(cè)的需求。

自動(dòng)檢測(cè)母豬發(fā)情狀態(tài)已逐漸成為研究熱點(diǎn)，OSTERSEN等[7]采用射頻識(shí)別技術(shù)統(tǒng)計(jì)母豬通過(guò)“瞭望窗”接觸公豬的頻率，以24 h作為識(shí)別時(shí)間，發(fā)情檢測(cè)的錯(cuò)誤率為95.0%，靈敏度為60.7%，特異性為98.8%。CORNOU等[8]采用自動(dòng)飼喂器統(tǒng)計(jì)母豬的采食頻次，建立單變量動(dòng)態(tài)線性模型，采用此方法識(shí)別母豬發(fā)情的靈敏度為75.0%，特異性為95.4%。莊晏榕等[9]根據(jù)大白母豬試情時(shí)雙耳豎立的特征，建立基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的大白豬發(fā)情行為識(shí)別方法，并設(shè)定發(fā)情時(shí)雙耳豎立時(shí)間閾值，以鑒定母豬是否發(fā)情，但該方法需要公豬試情，實(shí)現(xiàn)自動(dòng)化檢測(cè)難度較大。LEI等[10]將母豬雙耳豎立時(shí)間、母豬和假豬鼻的交互行為作為發(fā)情特征，利用神經(jīng)網(wǎng)絡(luò)模型對(duì)大白母豬發(fā)情行為進(jìn)行分類?，F(xiàn)有的發(fā)情檢測(cè)方法大都需要公豬參與，且存在檢測(cè)耗時(shí)長(zhǎng)、錯(cuò)誤率高、靈敏性低等問題，難以滿足實(shí)際養(yǎng)殖的管理需求。

為進(jìn)一步提高經(jīng)產(chǎn)母豬發(fā)情自動(dòng)檢測(cè)速度和準(zhǔn)確率，本文提出一種基于改進(jìn)YOLO v5s的母豬發(fā)情檢測(cè)方法。首先，對(duì)獲取的仿生公豬試情的數(shù)據(jù)進(jìn)行處理，建立經(jīng)產(chǎn)母豬發(fā)情檢測(cè)數(shù)據(jù)集；其次，通過(guò)稀疏訓(xùn)練、迭代通道剪枝、模型微調(diào)等方式重構(gòu)模型，實(shí)現(xiàn)模型壓縮與加速；最后，構(gòu)建基于改進(jìn)YOLO v5s的母豬交互行為識(shí)別模型，以此模型為基礎(chǔ)，對(duì)仿生公豬試情的視頻數(shù)據(jù)進(jìn)行分類，以期實(shí)現(xiàn)養(yǎng)殖環(huán)境下母豬發(fā)情狀態(tài)的精準(zhǔn)檢測(cè)。

1 數(shù)據(jù)集構(gòu)建

1.1 實(shí)驗(yàn)數(shù)據(jù)采集

經(jīng)產(chǎn)母豬視頻數(shù)據(jù)于2021年9月15日—11月12日在江蘇省鹽城市射陽(yáng)縣黃沙港鎮(zhèn)尚寶牧業(yè)第三畜牧場(chǎng)內(nèi)采集。本研究的實(shí)驗(yàn)對(duì)象為36頭體況相近、繁殖胎次相同的經(jīng)產(chǎn)大長(zhǎng)母豬(大約克公豬與長(zhǎng)白母豬雜交所繁育的二元母豬)，經(jīng)產(chǎn)母豬在哺乳期結(jié)束后由產(chǎn)床轉(zhuǎn)移至限位欄內(nèi)。母豬妊娠舍內(nèi)部環(huán)境溫度范圍為24～27℃，相對(duì)濕度66%～82%，濕簾與風(fēng)機(jī)保持24 h常開。連續(xù)采集7 d視頻數(shù)據(jù)，實(shí)驗(yàn)期間上下午各進(jìn)行一次人工查情，并測(cè)定母豬的雌二醇與孕酮激素含量變化情況[11]。

數(shù)據(jù)采集系統(tǒng)主要由仿生公豬、巡檢設(shè)備、網(wǎng)絡(luò)傳輸模塊與數(shù)據(jù)存儲(chǔ)模塊4部分組成，如圖1所示。巡檢設(shè)備搭載分辨率為2 560像素×1 440像素的?？低暭t外攝像頭(DS-2CD3346WD-I型)，攝像頭距地高度2.3 m，仿生公豬搭載公豬氣味劑釋放設(shè)備(內(nèi)置Boarmate公豬信息素)和公豬發(fā)聲器[12]，每次試情時(shí)間為3 min,攝像頭采集的視頻通過(guò)網(wǎng)絡(luò)傳輸模塊、?？低暰W(wǎng)絡(luò)硬盤錄像機(jī)(DS-8832N-K8-8×6T型)等設(shè)備存儲(chǔ)至硬盤，可通過(guò)服務(wù)器端實(shí)時(shí)查看。

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

1.2 數(shù)據(jù)集制作

實(shí)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、Mosaic數(shù)據(jù)增強(qiáng)、數(shù)據(jù)集格式化等過(guò)程[13]。

(1)圖像獲?。簭木W(wǎng)絡(luò)硬盤錄像機(jī)中截取仿生公豬3 min試情的監(jiān)控視頻片段，采用Python腳本文件將視頻截取為.jpg格式的圖像，所截圖像的時(shí)間間隔為1 s。

(2)圖像篩選：剔除質(zhì)量較差的圖像，此類圖像多拍攝于極端惡劣天氣，同時(shí)刪除相似度過(guò)高的圖像，最終得到9 820幅有效圖像。

(3)圖像標(biāo)注：使用開源軟件LabelImg對(duì)目標(biāo)區(qū)域進(jìn)行人工標(biāo)注，標(biāo)注的類別包括“sow”、“boar”、“contact”3類。標(biāo)注完成后，保存成后綴名為.xml格式的文件，文件名與圖像名保持一致。

(4)Mosaic數(shù)據(jù)增強(qiáng)：根據(jù)母豬與仿生公豬交互行為在圖像中出現(xiàn)位置的不確定性以及交互區(qū)域光照變化的特點(diǎn)，為減輕過(guò)擬合，擴(kuò)大模型的應(yīng)用場(chǎng)景，增強(qiáng)模型魯棒性，采用Mosaic數(shù)據(jù)增強(qiáng)方式將原始圖像進(jìn)行數(shù)據(jù)擴(kuò)充，本文采用幾何變形、隨機(jī)剪接、光照與色彩調(diào)節(jié)等方式，并隨機(jī)添加邊緣空白，Mosaic數(shù)據(jù)增強(qiáng)后的效果如圖2所示[14]。

圖2 Mosaic數(shù)據(jù)增強(qiáng)效果Fig.2 Mosaic data augment effect

(5)數(shù)據(jù)集格式化:以PASCAL VOC標(biāo)準(zhǔn)格式對(duì)數(shù)據(jù)集進(jìn)行格式化，將原圖置于images目錄下，將相應(yīng)的標(biāo)簽文件置于Labels文件夾下，運(yùn)行voc-YOLOv5.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，按8∶1∶1將標(biāo)注好的數(shù)據(jù)隨機(jī)分配至訓(xùn)練集、測(cè)試集和驗(yàn)證集中[15]。

2 模型構(gòu)建與優(yōu)化

2.1 模型網(wǎng)絡(luò)結(jié)構(gòu)

母豬與仿生公豬交互行為的準(zhǔn)確識(shí)別是判定母豬是否發(fā)情的關(guān)鍵。由于母豬與仿生公豬交互行為發(fā)生區(qū)域相比于整幅圖像較小，且后期模型需應(yīng)用于規(guī)模化豬場(chǎng)，綜合考慮模型檢測(cè)速度與精度，本文以YOLO v5算法作為網(wǎng)絡(luò)基準(zhǔn)模型，對(duì)其進(jìn)行優(yōu)化，將優(yōu)化后的模型作為母豬發(fā)情檢測(cè)模型。 YOLO v5目標(biāo)檢測(cè)算法的主要過(guò)程如圖3所示。

圖3 YOLO v5算法目標(biāo)檢測(cè)示意圖Fig.3 Schematic of object detection based on YOLO v5 algorithm

YOLO v5算法是一種基于YOLO v3-SPP和YOLO v4的網(wǎng)絡(luò)框架，包含YOLO v5s、YOLO v5m、YOLO v5x、YOLO v5l 4個(gè)版本[16]。YOLO v5網(wǎng)絡(luò)模型主要由Input、Backbone、Neck、Prediction 4個(gè)模塊組成，Input模塊用于實(shí)現(xiàn)交互行為圖像的輸入、Backbone模塊用于實(shí)現(xiàn)交互行為圖像特征提取、Neck模塊用于實(shí)現(xiàn)交互行為圖像特征融合、Prediction模塊用于實(shí)現(xiàn)交互行為位置預(yù)測(cè)[17]。YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖4所示。

圖4 YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.4 YOLO v5 network model structural sketch

在輸入端，通過(guò)使用Mosaic數(shù)據(jù)增強(qiáng)方法豐富數(shù)據(jù)表征，采用GIOU損失函數(shù)(Generalized_IOU_NM)預(yù)測(cè)篩選框，并引入含有Focus結(jié)構(gòu)和CSP結(jié)構(gòu)的基準(zhǔn)網(wǎng)絡(luò)[18]。其中，F(xiàn)ocus結(jié)構(gòu)主要用于完成切片操作，使交互行為特征提取更加充分，有效減少下采樣過(guò)程數(shù)據(jù)的丟失[19]。CSP結(jié)構(gòu)主要用以降低計(jì)算瓶頸和內(nèi)存開銷，利用CSP優(yōu)化核心網(wǎng)絡(luò)可提高模型檢測(cè)性能，增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，充分減少計(jì)算量和推理時(shí)間。在Backbone層和末端Neck輸出層之間引入FPN+PAN結(jié)構(gòu)，可有效提升推理速度[20]。

2.2 模型剪枝

考慮到豬場(chǎng)實(shí)際生產(chǎn)條件的限制，為便于經(jīng)產(chǎn)母豬發(fā)情行為識(shí)別所需的軟硬件部署。本研究在YOLO v5s網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)模型進(jìn)行結(jié)構(gòu)化剪枝，以充分降低模型的復(fù)雜度，在保證模型識(shí)別精度的同時(shí)，提高模型的識(shí)別速度[21]。模型通道剪枝流程如圖5所示，主要包括稀疏訓(xùn)練、通道剪枝、模型微調(diào)3個(gè)過(guò)程[22]。

圖5 模型通道剪枝流程 Fig.5 Channel level pruning of model

為了縮短卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，在較短的時(shí)間內(nèi)得到最佳模型，本文在YOLO v5s網(wǎng)絡(luò)的批量歸一化層(Batch normalization, BN)加入超參數(shù)γ和ρ[23]，采用縮放與平移兩種操作對(duì)通道數(shù)據(jù)進(jìn)行歸一化處理，以學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的特征分布，其計(jì)算方法為

(1)

式中Sin——BN層輸入

Sout——BN層輸出

μA——樣本數(shù)據(jù)的均值

σA——樣本數(shù)據(jù)的標(biāo)準(zhǔn)差

p——避免除數(shù)為0時(shí)所使用的微小正數(shù)

在BN層的各通道加入尺寸因子，同時(shí)在損失函數(shù)中引入懲罰項(xiàng)，與網(wǎng)絡(luò)權(quán)重聯(lián)合訓(xùn)練得到稀疏網(wǎng)絡(luò)的尺寸因子γ[24]，其計(jì)算公式為

(2)

式中L——添加正則化懲罰項(xiàng)的損失函數(shù)

l1——原始網(wǎng)絡(luò)的損失函數(shù)

λ——平衡因子

g(γ)——縮放因子的損失函數(shù)

u——所有剪枝通道的集合

式(2)第2項(xiàng)為L(zhǎng)1正則化(L1-Normalization)，用于降低模型的復(fù)雜度。當(dāng)網(wǎng)絡(luò)權(quán)值W接近0時(shí)，即得到稀疏網(wǎng)絡(luò)，最后進(jìn)行模型微調(diào)，目的是挖掘神經(jīng)網(wǎng)絡(luò)的潛在性能[25]。BN層調(diào)整流程如圖6所示。

圖6 BN層通道剪枝示意圖Fig.6 Diagram of batch normalization layer channel sparse

2.3 非極大值抑制優(yōu)化

在仿生公豬試情場(chǎng)景下，當(dāng)母豬接近仿生公豬或母豬部分遮擋公豬時(shí)，由于交并比(Intersection over union，IOU)較大，經(jīng)過(guò)非極大抑制處理后，只剩下單一檢測(cè)框，在一定程度上增加了漏檢概率[26]。針對(duì)以上問題，本文在非極大值抑制(Non-maximum suppression，NMS)部分，采用DIOU非極大值抑制(Distance_IOU_NMS)代替GIOU非極大值抑制(Generalized_IOU_NMS)，在預(yù)測(cè)框與真實(shí)框重疊區(qū)域的判定基礎(chǔ)上，增加對(duì)目標(biāo)框中心點(diǎn)歐氏距離的計(jì)算。當(dāng)仿生公豬與母豬目標(biāo)框出現(xiàn)IOU較大、中心距離也較大時(shí)，判定為兩個(gè)目標(biāo)，以提升模型的檢測(cè)精度[27]。其中，DIOU計(jì)算公式為

(3)

式中DIOU——距離交并比

IOU——交并比

d——目標(biāo)框之間的中心距

c——目標(biāo)框最小外接矩形的對(duì)角距離

DIOU_NMS的處理邏輯為

(4)

式中si——分類評(píng)價(jià)得分

ε——非極大值抑制閾值

DIOU_NMS能夠?qū)⒅丿B面積與目標(biāo)預(yù)測(cè)框中心距綜合考慮，可較為精確地篩選目標(biāo)框。

2.4 評(píng)價(jià)指標(biāo)

本文評(píng)價(jià)指標(biāo)分為2部分，第1部分為交互行為識(shí)別結(jié)果評(píng)價(jià)，使用模型大小、模型訓(xùn)練時(shí)間、平均精確率、召回率、F1值、單幅圖像平均檢測(cè)時(shí)間、單幀視頻平均檢測(cè)時(shí)間等指標(biāo)評(píng)估模型的檢測(cè)性能[28]。第2部分為發(fā)情檢測(cè)結(jié)果評(píng)價(jià)，使用錯(cuò)誤率、靈敏度、特異性、準(zhǔn)確率4個(gè)指標(biāo)評(píng)估發(fā)情測(cè)試試驗(yàn)效果[29]。

3 結(jié)果與分析

3.1 模型訓(xùn)練與測(cè)試

在完成網(wǎng)絡(luò)的調(diào)整后，將建立的數(shù)據(jù)集輸入至優(yōu)化后的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并采用圖像批量檢測(cè)與視頻檢測(cè)兩種方式對(duì)訓(xùn)練完成的模型進(jìn)行測(cè)試。

3.1.1試驗(yàn)平臺(tái)

模型依賴于Pytorch 1.6深度學(xué)習(xí)框架，試驗(yàn)平臺(tái)處理器型號(hào)為Intel CoreTM i7-11700k，顯卡型號(hào)為NVIDIA GTX3090，顯卡內(nèi)存為24 GB，在Ubuntu 18.04操作系統(tǒng)上配置Python 3.8、CUDA 11.4、OpenCV 4.5.1等深度學(xué)習(xí)環(huán)境。

3.1.2模型訓(xùn)練

在模型訓(xùn)練前，統(tǒng)一各個(gè)網(wǎng)絡(luò)模型的參數(shù)，其中迭代輪次設(shè)置為160個(gè)，批量大小設(shè)置為16，初始學(xué)習(xí)率設(shè)置為0.01，循環(huán)學(xué)習(xí)率設(shè)置為0.1，初始沖量設(shè)置為0.98，初始權(quán)重衰減系數(shù)設(shè)置為0.000 5，每個(gè)迭代周期保存一次模型，選取最優(yōu)的模型作為交互行為識(shí)別模型。訓(xùn)練160個(gè)迭代輪次的分類損失值、邊框損失值和目標(biāo)損失值曲線如圖7所示。

圖7 分類損失值、邊框損失值和目標(biāo)損失值曲線Fig.7 Results of classification loss, bounding box loss and object loss

由圖7可知，優(yōu)化后的模型YOLO v5gs收斂速度較YOLO v5s、YOLO v5m、YOLO v5l、YOLO v5x 4個(gè)模型更快, 160個(gè)迭代輪次的時(shí)間開銷較YOLO v5s模型縮短36 min,較YOLO v5x模型縮短164 min，改進(jìn)后的模型內(nèi)存占用量?jī)H5.7 MB,較改進(jìn)前縮小60%，更易于部署與使用。優(yōu)化后的模型與原始模型的精確率、召回率、平均精度均值(mAP)曲線如圖8所示。

圖8 模型測(cè)試效果Fig.8 Results of model tested

圖8中，平均精度均值(mAP)表示所有類別平均精度的平均值，本文類別數(shù)為3。mAP0.5表示交并比閾值為0.5時(shí)的平均精度均值,mAP0.5∶0.95表示交并比閾值在[0.5,0.95]之間每隔0.05取1次mAP,然后取得的平均值。由圖7、8可知，模型輕量化后，在保證精度基本不下降的同時(shí)，能夠有效提高檢測(cè)速度，選取160個(gè)迭代輪次中最優(yōu)權(quán)重模型作為發(fā)情行為識(shí)別模型。

3.1.3模型測(cè)試

采用圖像批量檢測(cè)與視頻檢測(cè)兩種方式對(duì)模型進(jìn)行測(cè)試。選取978幅圖像進(jìn)行檢測(cè)，改進(jìn)后的模型圖像平均檢測(cè)時(shí)間僅為2 ms,檢測(cè)速度較YOLO v5s提升15%，推理時(shí)間縮短0.3 ms。為進(jìn)一步說(shuō)明改進(jìn)后的模型在交互行為識(shí)別的適用性，本文將改進(jìn)后的模型與同為單次目標(biāo)檢測(cè)器(one stage)的EfficientDet-D0目標(biāo)檢測(cè)算法以及兩階段目標(biāo)檢測(cè)器(two stage)的Faster R-CNN進(jìn)行對(duì)比，交并比閾值均設(shè)置為0.5，模型效果如 表1 所示，根據(jù)對(duì)比，改進(jìn)后的模型識(shí)別效果優(yōu)于上述兩種算法。

表1 模型效果對(duì)比Tab.1 Comparison of model effect

選取9月28日15：08—15：11的視頻數(shù)據(jù)檢測(cè)該模型的識(shí)別性能。模型對(duì)視頻數(shù)據(jù)檢測(cè)實(shí)際上是對(duì)連續(xù)圖像序列進(jìn)行檢測(cè)，模型默認(rèn)每25 ms獲取視頻流中圖像，然后讀取每一幀要檢測(cè)的圖像，將圖像轉(zhuǎn)化為OpenCV可顯示的BGR格式，然后再輸入模型進(jìn)行檢測(cè)，導(dǎo)致視頻檢測(cè)速度比圖像檢測(cè)速度慢，單幀圖像檢測(cè)時(shí)間為6 ms。結(jié)合豬場(chǎng)實(shí)際應(yīng)用場(chǎng)景，此模型的檢測(cè)速度能夠滿足實(shí)時(shí)檢測(cè)的要求，視頻數(shù)據(jù)的檢測(cè)結(jié)果如圖9所示，可實(shí)時(shí)顯示檢測(cè)進(jìn)度、圖像尺寸、目標(biāo)類別、檢測(cè)耗時(shí)等信息。

圖9 母豬交互行為視頻檢測(cè)結(jié)果Fig.9 Recognition results of video of sows’ interactive behavior

受舍內(nèi)光線變化影響，存在極少量的漏檢和誤檢(約0.5%)，如圖10所示。由圖10可以看出，模型能夠?qū)δ肛i目標(biāo)準(zhǔn)確識(shí)別，但由于曝光不足、過(guò)度曝光等原因，造成部分仿生公豬目標(biāo)和交互行為未識(shí)別，但該情況一般出現(xiàn)因光線變化，導(dǎo)致圖像在三通道與單通道短暫過(guò)渡期間。研究進(jìn)一步將篩選出的900幅光照較差的圖像進(jìn)行測(cè)試，交互行為準(zhǔn)確率較正常光線條件下低1.5個(gè)百分點(diǎn)，由此可見，光線對(duì)模型檢測(cè)交互行為的影響較小。

圖10 模型性能的影響因素Fig.10 Influencing factors of model performance

3.2 發(fā)情母豬交互行為分析

根據(jù)檢測(cè)模型輸出的各個(gè)時(shí)刻的交互狀態(tài)，對(duì)經(jīng)產(chǎn)母豬的交互頻率進(jìn)行分析。交互時(shí)長(zhǎng)統(tǒng)計(jì) 3 min 內(nèi)每頭母豬發(fā)情期與非發(fā)情期交互時(shí)長(zhǎng)，計(jì)算36頭母豬發(fā)情期與非發(fā)情期的平均交互頻率。

從表2可知，母豬發(fā)情期與非發(fā)情期與仿生公豬的交互頻率和交互時(shí)長(zhǎng)均發(fā)生顯著的變化。當(dāng)母豬由非發(fā)情期進(jìn)入發(fā)情期時(shí)，平均交互時(shí)長(zhǎng)普遍增加3.2～4.4倍，發(fā)情時(shí)每分鐘平均交互時(shí)長(zhǎng)高達(dá)17.21 s；交互頻率普遍增加2.3～3.7倍，發(fā)情時(shí)平均交互頻率高達(dá)5.61次/min，利用SPSS軟件對(duì)交互時(shí)長(zhǎng)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)[30]。

表2 發(fā)情期與非發(fā)情期交互行為分析Tab.2 Analysis of interaction between estrus and non-estrus

3.3 母豬發(fā)情檢測(cè)試驗(yàn)

通過(guò)計(jì)算交互時(shí)長(zhǎng)和頻率的皮爾遜相關(guān)系數(shù)可知，兩者具有極強(qiáng)相關(guān)關(guān)系(R=0.86)。本文選用交互時(shí)長(zhǎng)對(duì)母豬發(fā)情行為進(jìn)行研究，選取96個(gè)視頻片段，視頻時(shí)長(zhǎng)均為3 min，其中包含46組非發(fā)情期

母豬行為數(shù)據(jù)和50組發(fā)情期母豬行為數(shù)據(jù)，模型對(duì)行為數(shù)據(jù)每秒檢測(cè)1次，單個(gè)視頻母豬交互時(shí)間統(tǒng)計(jì)結(jié)果如圖11所示。

圖11 交互時(shí)間統(tǒng)計(jì)結(jié)果Fig.11 Time statistics of interactive behavior

根據(jù)圖11的統(tǒng)計(jì)分布結(jié)果，分別以交互時(shí)間11、14、17、20、23 s作為是否發(fā)情的判定閾值，計(jì)算發(fā)情識(shí)別結(jié)果，以錯(cuò)誤率、靈敏度、特異性、準(zhǔn)確率作為評(píng)價(jià)指標(biāo)，其中錯(cuò)誤率用以估算未發(fā)情的母豬被錯(cuò)誤識(shí)別為發(fā)情母豬的比率，數(shù)值越小，表示假報(bào)警的次數(shù)越少；靈敏度指從發(fā)情樣本中檢出的發(fā)情母豬的比率，數(shù)值越高，發(fā)情檢測(cè)效果越好；特異性指從未發(fā)情樣本中檢出的未發(fā)情母豬的比率，數(shù)值越高，發(fā)情檢測(cè)效果越好，由表3可知，以20 s作為發(fā)情檢測(cè)閾值時(shí)，發(fā)情檢測(cè)錯(cuò)誤率為10.0%，靈敏度為90.0%，特異性為89.1%，準(zhǔn)確率為89.6%。

表3 不同判定時(shí)間測(cè)試結(jié)果Tab.3 Test results of different judgment times %

為進(jìn)一步測(cè)試該閾值下光照條件對(duì)發(fā)情檢測(cè)的影響，試驗(yàn)挑選包含12組(4組發(fā)情期、8組非發(fā)情期)存在光照較差的3 min視頻數(shù)據(jù)，并與人工測(cè)試結(jié)果對(duì)比，測(cè)試結(jié)果表明：以20 s作為發(fā)情檢測(cè)閾值時(shí)，模型判定結(jié)果與人工檢測(cè)發(fā)情結(jié)果相同，研究表明：由光線導(dǎo)致的交互行為誤檢與漏檢對(duì)發(fā)情判定影響較小。

4 結(jié)論

(1)采用深度學(xué)習(xí)的方法識(shí)別檢測(cè)母豬與仿生公豬的交互行為，平均精確率達(dá)97.8%，單幅圖像檢測(cè)時(shí)間僅1.7 ms，單幀視頻檢測(cè)時(shí)間為6.0 ms，可避免人工查情對(duì)母豬所造成的應(yīng)激，為后續(xù)母豬發(fā)情檢測(cè)奠定基礎(chǔ)。

(2)以20 s作為發(fā)情判定標(biāo)準(zhǔn)時(shí)，發(fā)情檢測(cè)錯(cuò)誤率為10.0%、靈敏度為90.0%、特異性為89.1%、準(zhǔn)確率為89.6%。在保證高靈敏度的同時(shí)，降低了檢測(cè)的錯(cuò)誤率，提高了檢測(cè)的特異性和準(zhǔn)確率。