王婷婷， 蒼巖， 畢曉君， 何恒翔

(1.哈爾濱工程大學(xué) 信息與通信工程學(xué)院，黑龍江 哈爾濱 150001； 2.哈爾濱工業(yè)大學(xué) 電子與信息工程學(xué)院，黑龍江 哈爾濱 150006)

隨著“網(wǎng)易”、“阿里”、“京東”等互聯(lián)網(wǎng)企業(yè)強(qiáng)勢(shì)進(jìn)入農(nóng)業(yè)生產(chǎn)領(lǐng)域，人工智能技術(shù)開始廣泛應(yīng)用于動(dòng)物養(yǎng)殖領(lǐng)域[1-4]。生豬的體重信息是生豬體況的重要參數(shù)。傳統(tǒng)的生豬體重測(cè)量方法是磅秤測(cè)量或者懸掛稱重，不僅不能實(shí)現(xiàn)體重實(shí)時(shí)監(jiān)控以實(shí)現(xiàn)精細(xì)化飼養(yǎng)；而且會(huì)造成豬只應(yīng)激反應(yīng)，嚴(yán)重影響其生長(zhǎng)速度。因此，無接觸式測(cè)重方式一直是生豬養(yǎng)殖產(chǎn)業(yè)的一個(gè)熱點(diǎn)以及難點(diǎn)問題。目前比較常見的非接觸式體重測(cè)量方法多是基于機(jī)器視覺方法。學(xué)者利用視覺圖像分析方法發(fā)現(xiàn)了豬體背部面積與體重參數(shù)之間具有很強(qiáng)的相關(guān)性[5]；隨后，證明了豬體背部面積和體高參數(shù)與體重的相關(guān)性最高[6]；學(xué)者利用視覺圖像分析方法進(jìn)行了實(shí)際生豬體重的測(cè)量，并且取得了較好的精度；胡英新等[8]對(duì)單體生豬的體重參數(shù)以及體尺參數(shù)進(jìn)行線性回歸分析研究，利用體尺參數(shù)成功預(yù)測(cè)出體重?cái)?shù)據(jù)。李卓等[9-10]利用立體視覺方式實(shí)現(xiàn)了生豬體尺參數(shù)的測(cè)量，通過SPSS軟件處理體尺和體重?cái)?shù)據(jù)，建立體重預(yù)估的數(shù)學(xué)模型，其研究重點(diǎn)是如何通過的精準(zhǔn)的體尺參數(shù)，包括體長(zhǎng)、臀圍、胸圍等參數(shù)，分析這些參數(shù)與體重之間的關(guān)系，同時(shí)加入品系影響因數(shù)，從而實(shí)現(xiàn)體重的預(yù)測(cè)。論文中利用人工測(cè)量的體尺參數(shù)作為模型校準(zhǔn)參數(shù)，樣本數(shù)據(jù)量比較少，很難確定精確的模型關(guān)系。深度學(xué)習(xí)算法恰恰能夠在“大數(shù)據(jù)量”的驅(qū)動(dòng)下，挖掘數(shù)據(jù)的潛在特征，從而實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)。

近年來，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法快速發(fā)展。Girshick等[11]提出R-CNN(regions with CNN features)算法，使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)處理目標(biāo)檢測(cè)問題，基于數(shù)據(jù)集VOC2012平均準(zhǔn)確率為53.3%。2014年，He等[12]提出了SPPNet，用于解決CNN輸入圖片尺寸不固定的問題，進(jìn)一步推動(dòng)了基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法的發(fā)展。Girshick[13]又推出了Fast RCNN算法，大幅提升了目標(biāo)檢測(cè)的速度。然而，應(yīng)用此類算法進(jìn)行目標(biāo)檢測(cè)依然存在一個(gè)瓶頸問題，即目標(biāo)候選區(qū)域提取計(jì)算量大，候選區(qū)域提取復(fù)雜等問題。針對(duì)此問題，Ren等[14]對(duì)Fast R-CNN算法進(jìn)行了改進(jìn)，將候選區(qū)域提取部分也使用CNN來完成，并與后續(xù)目標(biāo)檢測(cè)網(wǎng)絡(luò)參數(shù)共享設(shè)計(jì)了Faster R-CNN算法，大大減少了計(jì)算量。至此，F(xiàn)aster R-CNN算法成為這一系列算法中最為常用的主流算法。此外，一些研究人員將目標(biāo)檢測(cè)問題看成回歸問題，也實(shí)現(xiàn)了較好的目標(biāo)檢測(cè)效果。2016年，一種新的目標(biāo)檢測(cè)方法YOLO(you only look once)使用一個(gè)神經(jīng)網(wǎng)絡(luò)，直接從整張圖像來測(cè)量出邊界框的坐標(biāo)、物體的置信度[15]。在此基礎(chǔ)上，又陸續(xù)推出了YOLOv2[16]和YOLOv3[17]，進(jìn)一步提升了網(wǎng)絡(luò)的檢測(cè)性能。Liu等[18]提出了一種與YOLO思想一致但效果更好的算法SSD(single shot multibox detector, SSD)。基于深度學(xué)習(xí)的回歸擬合方面，Dai等[19]設(shè)計(jì)了一種多線性回歸測(cè)量模型，專門用于分析和測(cè)量對(duì)尺度時(shí)序交通數(shù)據(jù)。Lu等[20]提出了一種Lasso和梯度增強(qiáng)混合的回歸模型用于房?jī)r(jià)的預(yù)測(cè)，具有很好的檢測(cè)精度。

綜上，基于深度學(xué)習(xí)模型的目標(biāo)檢測(cè)算法以及參數(shù)預(yù)測(cè)的回歸算法，都具有很高的精度，具有實(shí)際應(yīng)用條件。本文算法的實(shí)際應(yīng)用背景中，需先通過深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)圖像中目標(biāo)的檢測(cè)，將圖片中的生豬目標(biāo)識(shí)別出來，即首先完成分類任務(wù)，并對(duì)目標(biāo)進(jìn)行定位，而后利用深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行回歸計(jì)算，預(yù)測(cè)體重參數(shù)。若采用2個(gè)深度學(xué)習(xí)網(wǎng)絡(luò)級(jí)聯(lián)結(jié)構(gòu)，雖然也可以完成任務(wù)，但特征提取層出現(xiàn)冗余，模型結(jié)構(gòu)復(fù)雜度高，訓(xùn)練耗時(shí)。針對(duì)這一問題，本文提出一個(gè)多任務(wù)并行處理的端對(duì)端的深度神經(jīng)網(wǎng)絡(luò)，能夠同時(shí)完成目標(biāo)識(shí)別、定位以及參數(shù)測(cè)量。目標(biāo)識(shí)別與定位網(wǎng)絡(luò)使用聯(lián)合訓(xùn)練方式進(jìn)行訓(xùn)練，與目標(biāo)參數(shù)測(cè)量網(wǎng)絡(luò)之間進(jìn)行交替訓(xùn)練，多個(gè)任務(wù)之間網(wǎng)絡(luò)參數(shù)獨(dú)立學(xué)習(xí)。

1 改進(jìn)算法原理

本文針對(duì)實(shí)際應(yīng)用場(chǎng)景，通過將回歸網(wǎng)絡(luò)與Faster R-CNN算法融合，構(gòu)建了一個(gè)端對(duì)端的多任務(wù)并行處理網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別、定位和參數(shù)測(cè)量。改進(jìn)后的網(wǎng)絡(luò)總體可以劃分為2個(gè)部分，一是原始Faster R-CNN基本結(jié)構(gòu)，它包含2個(gè)輸出分別為目標(biāo)候選窗口分類和窗口坐標(biāo)偏移量回歸；另一個(gè)是新添加的回歸網(wǎng)絡(luò)層，輸出的是目標(biāo)的參數(shù)歸一化測(cè)量值。目標(biāo)的參數(shù)回歸部分網(wǎng)絡(luò)與Faster R-CNN網(wǎng)絡(luò)通過2個(gè)全連接層并行連接，構(gòu)成了一個(gè)端對(duì)端的多個(gè)任務(wù)處理的網(wǎng)絡(luò)。具體改進(jìn)后的網(wǎng)絡(luò)如圖1所示。

圖1 改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Improved network structure figure

1.1 網(wǎng)絡(luò)融合的方法研究

原始Faster R-CNN網(wǎng)絡(luò)包含3個(gè)部分，分別為基礎(chǔ)特征提取網(wǎng)絡(luò)、候選區(qū)域生成網(wǎng)絡(luò)(region proposal networks，RPN)和Fast R-CNN輸出網(wǎng)絡(luò)。其網(wǎng)絡(luò)框架如圖2所示。

圖2 Faster R-CNN 網(wǎng)絡(luò)框架Fig.2 The framework of Faster R-CNN network

回歸網(wǎng)絡(luò)分為特征提取部分和回歸輸出2個(gè)部分網(wǎng)絡(luò)。其具體框架如圖3所示。

圖3 回歸網(wǎng)絡(luò)基本框架Fig.3 The framework of the regression network

2個(gè)網(wǎng)絡(luò)均需要進(jìn)行特征提取，共享2個(gè)部分網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)層可以減少網(wǎng)絡(luò)需要訓(xùn)練的參數(shù)，且可以將2個(gè)網(wǎng)絡(luò)通過特征提取網(wǎng)絡(luò)層的共享而結(jié)合成一個(gè)統(tǒng)一的網(wǎng)絡(luò)。原始Faster R-CNN網(wǎng)絡(luò)經(jīng)過RPN網(wǎng)絡(luò)處理后可以得到目標(biāo)的大致候選區(qū)域，這些候選區(qū)域經(jīng)過ROI(region of interesting)池化處理后得到固定尺寸為7×7×512的特征向量。每個(gè)候選區(qū)域的特征向量使用ReLU函數(shù)和2個(gè)全連接層激活處理后，連接3個(gè)并行的全連接層分別輸出目標(biāo)的類別置信度、定位框坐標(biāo)的偏移量和目標(biāo)的參數(shù)歸一化測(cè)量值。其中，新添加的分支是一個(gè)簡(jiǎn)單的回歸網(wǎng)絡(luò)，具體通過一個(gè)全連接層與Sigmoid函數(shù)結(jié)合的方式實(shí)現(xiàn)，全連接層和Sigmoid函數(shù)輸出神經(jīng)元個(gè)數(shù)均設(shè)置為1。具體改進(jìn)部分的網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。通過添加這一分支，擴(kuò)展了Faster R-CNN算法的功能，使網(wǎng)絡(luò)可以對(duì)每一個(gè)候選區(qū)域進(jìn)行進(jìn)一步的參數(shù)測(cè)量，解決了一個(gè)圖像中有多個(gè)目標(biāo)時(shí)的參數(shù)測(cè)量問題。

圖4 改進(jìn)部分的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Image of improved partial network structure

為了使網(wǎng)絡(luò)測(cè)量值與目標(biāo)的參數(shù)的真實(shí)標(biāo)簽一一對(duì)應(yīng)，需要在圖像真實(shí)參數(shù)標(biāo)簽輸入到網(wǎng)絡(luò)訓(xùn)練之前對(duì)其進(jìn)行歸一化處理，使其映射到[0,1]，具體為：

(1)

參數(shù)測(cè)量值為網(wǎng)絡(luò)輸出層測(cè)量值經(jīng)過反歸一化計(jì)算所得的數(shù)值：

(2)

與Faster R-CNN算法一樣，當(dāng)真實(shí)標(biāo)簽與測(cè)量候選區(qū)域的IOU(intersection over union)至少為0.5時(shí)，認(rèn)為ROI是正例，目標(biāo)的參數(shù)測(cè)量的損失函數(shù)只針對(duì)正例的ROI進(jìn)行計(jì)算。原始Faster R-CNN目標(biāo)檢測(cè)的損失函數(shù)定義不變[8]，新添加的回歸測(cè)量分支的損失函數(shù)定義為[21]：

(3)

1.2 網(wǎng)絡(luò)訓(xùn)練方法研究

本文所提出網(wǎng)絡(luò)的輸入是一幅圖像，目標(biāo)類別、位置和參數(shù)的測(cè)量值是網(wǎng)絡(luò)的輸出。通過將目標(biāo)識(shí)別和目標(biāo)定位結(jié)合一起，利用聯(lián)合訓(xùn)練方式進(jìn)行權(quán)重參數(shù)更新。 目標(biāo)參數(shù)測(cè)量任務(wù)，則作為一個(gè)單獨(dú)的任務(wù)使用獨(dú)立的優(yōu)化器優(yōu)化。從整個(gè)網(wǎng)絡(luò)表現(xiàn)上看，訓(xùn)練方式為交替訓(xùn)練方式。但是從內(nèi)部任務(wù)來看，目標(biāo)檢測(cè)任務(wù)使用聯(lián)合訓(xùn)練方式,其損失函數(shù)繼承了Faster R-CNN的結(jié)構(gòu)[21]：

(4)

式中：加權(quán)求和的2項(xiàng)分別為交叉熵?fù)p失函數(shù)和SmoothL1損失函數(shù)，分別對(duì)應(yīng)目標(biāo)識(shí)別和目標(biāo)定位框預(yù)測(cè)任務(wù)。λ為2個(gè)損失函數(shù)的平衡參數(shù)，依據(jù)經(jīng)驗(yàn)設(shè)置為10。

本文目標(biāo)參數(shù)測(cè)量網(wǎng)絡(luò)損失函數(shù)為歐氏距離損失函數(shù)。交替訓(xùn)練過程中，每次優(yōu)化只針對(duì)當(dāng)前的學(xué)習(xí)任務(wù)，而不考慮另一個(gè)任務(wù)，故本文多個(gè)任務(wù)的整體訓(xùn)練方式如圖5所示，是聯(lián)合訓(xùn)練方式與交替訓(xùn)練方式的混合訓(xùn)練方法。

圖5 改進(jìn)網(wǎng)絡(luò)整體訓(xùn)練方式Fig.5 Training scheme of improved network

原始Faster R-CNN參數(shù)利用Momentum優(yōu)化參數(shù)，在利用該優(yōu)化器對(duì)本文網(wǎng)絡(luò)進(jìn)行測(cè)試的過程中發(fā)現(xiàn)目標(biāo)參數(shù)測(cè)量網(wǎng)絡(luò)長(zhǎng)時(shí)間不收斂，預(yù)測(cè)相對(duì)誤差較大，因此本文嘗試使用Adam優(yōu)化器。它針對(duì)不同的參數(shù)計(jì)算不同的自適應(yīng)學(xué)習(xí)率，每一次迭代學(xué)習(xí)率都有確定范圍，參數(shù)比較平穩(wěn)，所需內(nèi)存資源少，收斂速度快，是目前最好的優(yōu)化算法。具體為：

mt=μmt-1+(1-μ)gt

(5)

(6)

(7)

(8)

(9)

網(wǎng)絡(luò)參數(shù)優(yōu)化過程如下：

(10)

(11)

式中：β1為一階動(dòng)量衰減系數(shù)；β0為二階動(dòng)量衰減系數(shù)；α為步長(zhǎng)；θ為模型參數(shù)；ε為網(wǎng)絡(luò)模糊因子。本文使用優(yōu)化器的默認(rèn)參數(shù)為：

β1=0.9,β2=0.999,ε=1×10-8

(12)

在數(shù)據(jù)和網(wǎng)絡(luò)參數(shù)都相同的條件下，對(duì)比Momentum和Adam這2種優(yōu)化器的目標(biāo)參數(shù)測(cè)量損失函數(shù)變化曲線，如圖6所示。從圖中可以看出，Adam優(yōu)化器收斂速度比Momentum更快，且收斂平穩(wěn)，損失函數(shù)一直在收斂數(shù)值附近輕微波動(dòng)，并且收斂數(shù)值較小。測(cè)量值與真實(shí)值互相之間接近程度較高，Adam優(yōu)化器對(duì)本文網(wǎng)絡(luò)優(yōu)化效果更好。

圖6 2種優(yōu)化器下的損失函數(shù)變化Fig.6 The loss function of two optimizer

2 豬只體重測(cè)量實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備

本實(shí)驗(yàn)所用數(shù)據(jù)為使用圖森科技3D攝像頭在吉林省某豬場(chǎng)現(xiàn)場(chǎng)采集的生豬背部深度圖像，采集周期為1個(gè)月。本文共標(biāo)注圖像12 718張，其中訓(xùn)練集以及驗(yàn)證集圖像共有9 989張，測(cè)試集圖像2 729張，數(shù)據(jù)劃分比例為8∶2，將劃分好的圖像索引分別寫入trainval.txt和test.txt文檔中，圖像索引只包含圖像名稱，不包含圖像擴(kuò)展名。

2.2 實(shí)驗(yàn)參數(shù)設(shè)置

1)本文所提出的網(wǎng)絡(luò)對(duì)圖像輸入大小沒有任何限制，輸入圖像的大小不影響參數(shù)測(cè)量精度。輸入圖像經(jīng)過基礎(chǔ)特征提取網(wǎng)絡(luò)后，圖像尺寸進(jìn)行歸一化處理，長(zhǎng)邊設(shè)置為800 pixels，短邊設(shè)置為600 pixels。

2)本實(shí)驗(yàn)增加了數(shù)據(jù)增強(qiáng)以防止網(wǎng)絡(luò)發(fā)生欠擬合現(xiàn)象。本文采用的方法是對(duì)輸入圖像進(jìn)行水平鏡像翻轉(zhuǎn)，其中，鏡像的對(duì)稱軸是圖像的中心線。經(jīng)過數(shù)據(jù)增強(qiáng)操作后，數(shù)據(jù)集數(shù)量較原始數(shù)據(jù)集增長(zhǎng)一倍，變?yōu)?9 978張，大大增加了訓(xùn)練圖像的數(shù)量。由于對(duì)圖像進(jìn)行翻轉(zhuǎn)時(shí)，相應(yīng)的感興趣區(qū)域也進(jìn)行相同的翻轉(zhuǎn)操作，因此翻轉(zhuǎn)后的圖像目標(biāo)候選區(qū)域能夠與標(biāo)簽依然一一對(duì)應(yīng)。

3)訓(xùn)練圖像中目標(biāo)的體重參數(shù)范圍為159.27～167.27 kg。在本文提出的網(wǎng)絡(luò)訓(xùn)練之前，將目標(biāo)的體重標(biāo)注信息進(jìn)行歸一化處理，將其映射到[0,1]，與Sigmoid函數(shù)構(gòu)成一一對(duì)應(yīng)關(guān)系。

4)網(wǎng)絡(luò)初始化參數(shù)。待測(cè)圖像分為2個(gè)類別，分別為“pig”和“pig_bad”，算法默認(rèn)的背景類為“background”，因此本實(shí)驗(yàn)需要進(jìn)行3個(gè)類別的目標(biāo)分類識(shí)別。將目標(biāo)分類識(shí)別網(wǎng)絡(luò)的輸出層類別參數(shù)設(shè)置為3，定位框坐標(biāo)的輸出單元個(gè)數(shù)設(shè)置為3×4，體重參數(shù)測(cè)量輸出層的神經(jīng)元個(gè)數(shù)設(shè)置為1，輸出體重參數(shù)的歸一化數(shù)值。訓(xùn)練網(wǎng)絡(luò)使用ImageNet預(yù)訓(xùn)練的網(wǎng)絡(luò)模型進(jìn)行遷移學(xué)習(xí)微調(diào)操作。網(wǎng)絡(luò)只使用了VGG16的前13層網(wǎng)絡(luò)結(jié)構(gòu)，故只遷移預(yù)訓(xùn)練網(wǎng)絡(luò)的前13層參數(shù)，跳過其他層參數(shù)。其中，底層特征提取層參數(shù)不進(jìn)行更新，具體指的是網(wǎng)絡(luò)的前4層(conv1_1、conv1_2、conv2_1和conv2_2)的參數(shù)固定，其他層參數(shù)根據(jù)本實(shí)驗(yàn)圖像數(shù)據(jù)內(nèi)容進(jìn)行學(xué)習(xí)微調(diào)，通過此方式進(jìn)行訓(xùn)練可以有效減少總體需要訓(xùn)練的參數(shù)，RPN網(wǎng)絡(luò)層以及Fast RCNN網(wǎng)絡(luò)卷積層參數(shù)使用零均值、標(biāo)準(zhǔn)差為0.01的高斯函數(shù)隨機(jī)初始化。

5)網(wǎng)絡(luò)訓(xùn)練相關(guān)參數(shù)設(shè)置。每批次送入網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)量為256。使用9 989張深度訓(xùn)練圖像，訓(xùn)練迭代參數(shù)設(shè)置為20 000次，將初始學(xué)習(xí)率步長(zhǎng)設(shè)置為0.000 1，經(jīng)過4 000次訓(xùn)練，學(xué)習(xí)率依次衰減為原來學(xué)習(xí)率的1/10。網(wǎng)絡(luò)訓(xùn)練利用GPU處理模式處理。網(wǎng)絡(luò)其他參數(shù)從原始Faster R-CNN網(wǎng)絡(luò)遷移過來。

6)網(wǎng)絡(luò)總體訓(xùn)練方式設(shè)置為交替訓(xùn)練。首先進(jìn)行特征提取完成目標(biāo)檢測(cè)任務(wù)和目標(biāo)體重參數(shù)測(cè)量2個(gè)任務(wù)的并行前向傳播，隨后共享特征提取部分網(wǎng)絡(luò)參數(shù)，目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行反向傳播時(shí)，目標(biāo)體重參數(shù)測(cè)量網(wǎng)絡(luò)依然進(jìn)行前向傳播。反之亦然，總體上，目標(biāo)檢測(cè)任務(wù)和體重參數(shù)測(cè)量任務(wù)表現(xiàn)為交替進(jìn)行，反向傳播微調(diào)整體網(wǎng)絡(luò)權(quán)重參數(shù)。

2.3 實(shí)驗(yàn)結(jié)果及分析

改進(jìn)網(wǎng)絡(luò)的目標(biāo)檢測(cè)部分損失函數(shù)以及目標(biāo)體重參數(shù)測(cè)量部分的損失函數(shù)，表征測(cè)量值與真實(shí)值之間的接近程度。經(jīng)過20 000次迭代，2個(gè)任務(wù)的損失函數(shù)均達(dá)到1×10-10數(shù)量級(jí)，本文提出的網(wǎng)絡(luò)已經(jīng)成功收斂。對(duì)訓(xùn)練好的網(wǎng)絡(luò)，利用測(cè)試圖片進(jìn)行測(cè)試。測(cè)試集中包含2 729張圖像，用來驗(yàn)證模型性能。為了證明本文所提出的網(wǎng)絡(luò)具有很好的泛化性，測(cè)試圖片與訓(xùn)練圖片之間沒有重復(fù)。

為了更清晰地描述體重測(cè)量值與真實(shí)值之間的接近程度，本文隨機(jī)選取1 000張圖像的體重測(cè)量數(shù)值，體重參數(shù)測(cè)量誤差曲線，如圖7所示。圖中實(shí)線表示測(cè)量的絕對(duì)誤差，虛線表示測(cè)量的相對(duì)誤差。圖7表明，體重測(cè)量的絕對(duì)誤差大部分小于0.8 kg，僅有少數(shù)測(cè)量誤差較大，但也小于3 kg。測(cè)量結(jié)果表明，本網(wǎng)絡(luò)的預(yù)測(cè)體重的相對(duì)誤差較低，在0.5%附近有輕微波動(dòng)。通過計(jì)算2 729張測(cè)試圖像的測(cè)量結(jié)果，絕對(duì)誤差的平均值為0.644 kg，相對(duì)誤差的平均值為0.374%。實(shí)驗(yàn)結(jié)果表明本文所提出網(wǎng)絡(luò)的預(yù)測(cè)體重參數(shù)與實(shí)際體重真實(shí)值相近，模型測(cè)量精度較高。

圖7 測(cè)量誤差變化Fig.7 Image of measurement error variation

圖8為本文所提出的網(wǎng)絡(luò)輸出的結(jié)果圖，其中類別為“pig”表示待測(cè)對(duì)象的類別，數(shù)值顯示測(cè)量結(jié)果。無論獲取到的待測(cè)對(duì)象身體角度如何變化，本文所提出的網(wǎng)絡(luò)均能準(zhǔn)確的檢測(cè)出目標(biāo)類別，并對(duì)其定位，以及預(yù)測(cè)出目標(biāo)的體重參數(shù)值。圖中所顯示的矩形框左上角區(qū)域表示待測(cè)對(duì)象的類別、及其概率，以及相應(yīng)的體重參數(shù)測(cè)量值。本文所提出的網(wǎng)絡(luò)檢測(cè)結(jié)果的mAP為0.909，通過與真實(shí)數(shù)值對(duì)比可以發(fā)現(xiàn)本文所提出的網(wǎng)絡(luò)體重參數(shù)測(cè)量較準(zhǔn)確。

圖8 類別為“pig”的樣本測(cè)試結(jié)果Fig.8 The test results of sample for category “pig”

3 結(jié)論

1)本文通過改進(jìn)Faster R-CNN目標(biāo)檢測(cè)算法的網(wǎng)絡(luò)結(jié)構(gòu)，擴(kuò)展了網(wǎng)絡(luò)的功能，成功設(shè)計(jì)并實(shí)現(xiàn)了2個(gè)網(wǎng)絡(luò)的融合并使網(wǎng)絡(luò)兼具目標(biāo)識(shí)別、定位和相關(guān)參數(shù)測(cè)量等多個(gè)任務(wù)同時(shí)并行處理的功能。

2)提出使用整體交替訓(xùn)練的方式，可以實(shí)現(xiàn)網(wǎng)絡(luò)的快速收斂，同時(shí)將改進(jìn)的Faster R-CNN算法應(yīng)用于限位欄條件下單個(gè)豬體的體重的測(cè)量。

3)實(shí)驗(yàn)結(jié)果表明，本文改進(jìn)網(wǎng)絡(luò)在限位欄有遮擋的條件下，目標(biāo)體重參數(shù)測(cè)量的平均絕對(duì)誤差為0.644 kg，相對(duì)平均誤差為0.374%。測(cè)量效果好，可以滿足實(shí)際應(yīng)用的精度要求。