段恩澤 方 鵬 王紅英 金 楠

(中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083)

0 引言

在養(yǎng)殖福利化和精細(xì)農(nóng)業(yè)的背景下，規(guī)范化養(yǎng)殖成為提高養(yǎng)殖效率的重要保證[1]。減少人力勞動(dòng)對(duì)養(yǎng)殖過程的直接干涉、使用智能機(jī)械進(jìn)行標(biāo)準(zhǔn)化生產(chǎn)管理是目前養(yǎng)殖業(yè)的主要發(fā)展趨勢(shì)。在肉兔養(yǎng)殖過程中，掌握種兔生長(zhǎng)過程中的體質(zhì)量變化趨勢(shì)有利于在生產(chǎn)中及時(shí)淘汰產(chǎn)肉低的肉兔，從而提高育種過程中的選種效率[2]。肉兔養(yǎng)殖規(guī)模較大，傳統(tǒng)稱量方式主要依靠電子秤進(jìn)行人工稱量，不僅費(fèi)時(shí)、費(fèi)力，還容易使肉兔應(yīng)激，造成流產(chǎn)、發(fā)病等不良影響[3]。

國(guó)內(nèi)外研究表明，動(dòng)物體質(zhì)量不僅與表面積有關(guān)，還與體積和投影面積有較大的相關(guān)性，利用圖像信息估算動(dòng)物體質(zhì)量具有可行性[4-6]。目前，利用圖像技術(shù)對(duì)養(yǎng)殖動(dòng)物進(jìn)行無(wú)損檢測(cè)的研究主要集中于豬、雞等養(yǎng)殖動(dòng)物，有關(guān)肉兔的圖像識(shí)別檢測(cè)技術(shù)未見報(bào)道。

勞鳳丹等[7]利用傳統(tǒng)的圖像分割與濾波處理得到蛋雞特征圖像輪廓，計(jì)算相關(guān)系數(shù)，并探究蛋雞行為對(duì)相關(guān)系數(shù)的影響，從而對(duì)蛋雞的6種形態(tài)狀況進(jìn)行分析。畢敏娜等[8]以雞舍散養(yǎng)黃羽肉雞為分割目標(biāo)，利用色差信息實(shí)現(xiàn)了快速分割，其正確率達(dá)到了86.3%，優(yōu)于傳統(tǒng)的色彩聚類模型。張弛等[9]采集了豬分娩的視頻信息，在提取豬分娩連續(xù)的圖像信息后，利用團(tuán)序列檢測(cè)算法識(shí)別大豬和仔豬，實(shí)現(xiàn)了仔豬的識(shí)別。上述研究基于圖像顏色、圖像特征對(duì)目標(biāo)進(jìn)行識(shí)別，具有較高的分割精確度，但對(duì)所采集的圖像質(zhì)量要求較高，并依賴人工對(duì)圖像進(jìn)行后處理，在實(shí)際應(yīng)用中，分割粘連目標(biāo)和多數(shù)量目標(biāo)時(shí)的適用性較差。

隨著人工神經(jīng)網(wǎng)絡(luò)研究的不斷深入，基于卷積神經(jīng)網(wǎng)絡(luò)圖像識(shí)別技術(shù)的精確性和檢測(cè)速度也不斷提高。沈明霞等[10]采用YOLO v3網(wǎng)絡(luò)模型，通過卷積算法以整幅圖像為興趣域，利用特征金字塔網(wǎng)絡(luò)算法定位識(shí)別仔豬目標(biāo)。高云等[11]建立了PigNet網(wǎng)絡(luò)模型，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練，實(shí)現(xiàn)了粘連群豬的圖像分割。卷積神經(jīng)網(wǎng)絡(luò)快速、準(zhǔn)確地進(jìn)行目標(biāo)識(shí)別的優(yōu)勢(shì)為大規(guī)模識(shí)別和讀取個(gè)體養(yǎng)殖動(dòng)物信息提供了可能性。

目前，關(guān)于肉兔圖像識(shí)別和圖像信息處理的研究鮮見報(bào)道。為了快速準(zhǔn)確估算肉兔體質(zhì)量信息，并降低肉兔的應(yīng)激反應(yīng)，本文以兔舍內(nèi)不同年齡段的肉兔為研究對(duì)象，提出一種基于深層卷積神經(jīng)網(wǎng)絡(luò)算法的肉兔體質(zhì)量估測(cè)方法。該方法不用約束肉兔的姿態(tài)，僅依賴于2D圖像特征和養(yǎng)殖參數(shù)即可對(duì)肉兔體質(zhì)量進(jìn)行估測(cè)?；贛ask R-CNN圖像識(shí)別技術(shù)構(gòu)建肉兔體尺特征提取模型，得到3種基于圖像的特征參數(shù)，隨后構(gòu)建4輸入、1輸出的BP神經(jīng)網(wǎng)絡(luò)，并進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)對(duì)目標(biāo)體質(zhì)量的估測(cè)。

1 材料與方法

1.1 圖像數(shù)據(jù)采集

于2019年12月20—25日對(duì)河南省濟(jì)源市陽(yáng)光兔業(yè)科技有限公司的祖代母兔進(jìn)行體質(zhì)量和圖像采集。肉兔品種為伊普呂兔，按日齡和批次分別飼養(yǎng)在不同階梯式兔舍中。將不同日齡組的肉兔利用電子秤依次進(jìn)行稱量，并記錄體質(zhì)量數(shù)據(jù)，隨后將肉兔放置在寬40 cm、長(zhǎng)80 cm的標(biāo)準(zhǔn)周轉(zhuǎn)箱中，使用三腳架和攝像頭采集肉兔的俯視圖，每拍攝一次后等待10～30 s，在肉兔自然變換姿勢(shì)后再次采集圖像，每只肉兔共采集3幅不同姿勢(shì)的圖像。其中，15日齡的肉兔共30只，30日齡的肉兔共35只，60日齡的肉兔共35只，90日齡的肉兔共35只，180日齡的肉兔共35只，300日齡的肉兔共33只，360日齡的肉兔共30只。采樣攝像頭為?？低昅V-CA020-10GC型，分辨率為1 624像素×1 240像素，俯測(cè)高度為150 cm，圖像尺寸為1 920像素×1 200像素，存儲(chǔ)為JPG格式。

1.2 基于Mask R-CNN的兔體分割網(wǎng)絡(luò)設(shè)計(jì)

相比于利用顏色空間差異[7]和傳統(tǒng)機(jī)器學(xué)習(xí)算法進(jìn)行圖像識(shí)別和目標(biāo)分割，卷積神經(jīng)網(wǎng)絡(luò)由數(shù)據(jù)本身特征驅(qū)動(dòng)，能夠簡(jiǎn)化訓(xùn)練流程、提高識(shí)別速度與精度。在已有的卷積神經(jīng)網(wǎng)絡(luò)研究的基礎(chǔ)上[12-13]，Mask R-CNN在BBOX識(shí)別分支上增加了并行全卷積網(wǎng)絡(luò)(Fully convolutional network, FCN)層，在FCN層內(nèi)引入了用于預(yù)測(cè)目標(biāo)掩膜(Object mask)的分支，實(shí)現(xiàn)高質(zhì)量的語(yǔ)義分割和實(shí)例分割[14]。本研究基于Mask R-CNN，設(shè)計(jì)了依據(jù)面積與體質(zhì)量之間關(guān)系估測(cè)肉兔體質(zhì)量的預(yù)測(cè)模型。

基于Mask R-CNN的肉兔圖像分割模型包括特征提取網(wǎng)絡(luò)、特征組合網(wǎng)絡(luò)、區(qū)域提取網(wǎng)絡(luò)、RoIAlign和功能性網(wǎng)絡(luò)5部分，如圖1所示。

特征金字塔網(wǎng)絡(luò)(Feature pyramid network, FPN)將不同深度的特征圖重新組合[15]，使新的特征圖包含不同深度的特征信息。本文使用ResNet101[16]作為骨架網(wǎng)絡(luò)，根據(jù)特征圖的尺寸分為5個(gè)階段。取后4個(gè)階段的最后一層輸出4個(gè)特征圖，分別記為C2、C3、C4、C5。FPN的橫向連接將這4個(gè)特征圖組合成新特征圖P2、P3、P4、P5、P6，其中P6由P5通過池化得到。特征組合處理過程為

(1)

式中 conv——卷積函數(shù)

sum——逐元素對(duì)位求和函數(shù)

upsample——特征圖長(zhǎng)寬乘2的上采樣函數(shù)

pooling——步長(zhǎng)為2的池化函數(shù)

Ci——每個(gè)階段輸出的第i幅特征圖

Pi——第i幅新特征圖

P′i——橫向連接組合特征圖

Ui——上采樣結(jié)果特征圖

P5——第5幅新特征圖

P6——第6幅新特征圖

區(qū)域提取網(wǎng)絡(luò)(Region proposal network, RPN)利用FPN得到的特征圖表達(dá)分割物體位置的候選框。通過回歸計(jì)算，將特征圖P2、P3、P4、P5、P6中的每個(gè)特征向量計(jì)算得出一個(gè)5n維的向量，以描述n個(gè)錨的修正值。每個(gè)錨的修正值為Δx、Δy、Δh、Δw、p。p為前后景置信度。對(duì)于特征圖P2、P3、P4、P5、P6中的每個(gè)點(diǎn)，均預(yù)設(shè)了不同寬、高的錨，然后利用RPN網(wǎng)絡(luò)回歸得到的修正值修正每個(gè)錨的中心坐標(biāo)值、寬和高。RPN的作用是幫助更快地選出感興趣區(qū)域(RoI)。

Mask R-CNN使用RoIAlign算法對(duì)RoI進(jìn)行分割。相比于RoIPooling算法[17]，RoIAlign算法取消了整數(shù)化操作，利用雙線性插值法獲得坐標(biāo)為浮點(diǎn)數(shù)的像素點(diǎn)上的像素值，然后對(duì)每個(gè)單元格內(nèi)的采樣點(diǎn)進(jìn)行maxpooling操作，從而得到最終的RoIAlign結(jié)果，解決了RoIPooling兩次量化造成的區(qū)域不匹配問題，提高了檢測(cè)模型的準(zhǔn)確性。

該兔體分割網(wǎng)絡(luò)的多任務(wù)損失值主要包括3部分，計(jì)算公式為

L=Lcls+Lbox+Lmask

(2)

(3)

(4)

(5)

式中L——損失值

Lcls——分類損失值

Lbox——回歸損失值

Lmask——分割損失值

Ncls——訓(xùn)練RPN中選擇錨的數(shù)量

pi——錨預(yù)測(cè)為目標(biāo)的概率

λ——權(quán)重平衡參數(shù)

Nreg——參與回歸的正負(fù)樣本總數(shù)

ti——錨在RPN訓(xùn)練階段的預(yù)測(cè)偏移量

Sm——掩膜尺寸

Mask R-CNN中的class分支、box分支和mask分支共同參與卷積計(jì)算得到RoI，其中，分類損失值Lcls預(yù)測(cè)目標(biāo)的類別，如檢測(cè)出RoI為定義的肉兔類，則在分割RoI類時(shí)只使用肉兔類的交叉熵?fù)p失值作為誤差進(jìn)行計(jì)算，其他類別的交叉熵?fù)p失值不參與該RoI的損失計(jì)算，從而避免了類別間的競(jìng)爭(zhēng)。

回歸損失值Lbox控制目標(biāo)的回歸框的位置信息，用于返回預(yù)測(cè)錨的偏移量與實(shí)際錨的偏移量之間的關(guān)系。

分割損失值Lmask對(duì)每個(gè)RoI的目標(biāo)進(jìn)行分割，并生成對(duì)應(yīng)的掩膜。

對(duì)于每個(gè)RoI，mask分支對(duì)K個(gè)類別中每個(gè)類別都生成一個(gè)m×m尺寸的掩膜。在得到預(yù)測(cè)掩膜后，對(duì)掩膜上的每個(gè)像素點(diǎn)求Sigmoid函數(shù)值，得到的結(jié)果作為L(zhǎng)mask的輸入之一。

本文建立的肉兔圖像分割模型通過卷積計(jì)算得到包含兔體的感興趣區(qū)域，Lcls通過對(duì)圖像的卷積計(jì)算將RoI的類別定義為肉兔，Lbox計(jì)算得肉兔區(qū)域的回歸框的位置坐標(biāo)，Lmask計(jì)算得平均二值交叉熵?fù)p失值，通過對(duì)掩膜中每個(gè)像素點(diǎn)求Sigmoid函數(shù)值來(lái)對(duì)回歸框進(jìn)行掩膜預(yù)測(cè)，將預(yù)測(cè)出的掩膜輪廓信息存儲(chǔ)在不同層深度，組合后使用顏色填充來(lái)表示預(yù)測(cè)出的肉兔類目標(biāo)。

2 肉兔體質(zhì)量估算模型構(gòu)建

2.1 肉兔圖像分割網(wǎng)絡(luò)訓(xùn)練與分析

2.1.1圖像預(yù)處理

預(yù)處理主要包括圖像的剪裁、數(shù)據(jù)增廣和降噪。將原圖剪裁至512像素×512 像素以簡(jiǎn)化運(yùn)算量，采用旋轉(zhuǎn)90°、180°和鏡像等方式，將采集到的700幅肉兔圖像擴(kuò)增至1 400幅，作為肉兔圖像分割網(wǎng)絡(luò)的數(shù)據(jù)集，并利用高斯模糊對(duì)全部圖像進(jìn)行降噪處理。將肉兔圖像分割網(wǎng)絡(luò)數(shù)據(jù)集的70%作為訓(xùn)練集，30%作為驗(yàn)證集，驗(yàn)證集用于檢驗(yàn)訓(xùn)練出的網(wǎng)絡(luò)精度。

2.1.2兔體分割網(wǎng)絡(luò)權(quán)重文件訓(xùn)練

將預(yù)處理后的肉兔圖像導(dǎo)入開源標(biāo)注軟件Labelme中制作訓(xùn)練集。標(biāo)注肉兔的輪廓為獨(dú)立連通域，標(biāo)簽命名為rabbit。解析標(biāo)注好的.json文件，獲得深度為8的圖像文件，由此得到肉兔圖像分割網(wǎng)絡(luò)的訓(xùn)練集。

使用COCO數(shù)據(jù)集(Common objects in context)上已經(jīng)訓(xùn)練好的Mask R-CNN模型權(quán)重對(duì)肉兔圖像分割網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)。COCO數(shù)據(jù)集是微軟提供的開源、大型、豐富的物體檢測(cè)、分割和字幕數(shù)據(jù)集，其中包含了大象、貓、狗、馬等動(dòng)物的大量常見特征，在此基礎(chǔ)上對(duì)肉兔的特征進(jìn)行遷移訓(xùn)練，能夠減少訓(xùn)練時(shí)間，并提高訓(xùn)練效果，使訓(xùn)練效率大大提升。最后得到包含肉兔圖像特征參數(shù)的兔體預(yù)測(cè)權(quán)重文件。

2.1.3兔體輪廓提取

使用2.1.2節(jié)得到的權(quán)重文件對(duì)驗(yàn)證集進(jìn)行實(shí)例分割。采用準(zhǔn)確率和精確率指標(biāo)評(píng)價(jià)該模型的分割結(jié)果，并根據(jù)結(jié)果調(diào)整RPN的錨尺寸和學(xué)習(xí)率等參數(shù)重新訓(xùn)練，直到分割網(wǎng)絡(luò)性能達(dá)理想程度。

得到理想準(zhǔn)確率和精確率模型后，對(duì)1 400幅肉兔圖像分割網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行旋轉(zhuǎn)和鏡像，得到與該數(shù)據(jù)集不同的新數(shù)據(jù)集共1 400幅圖像。新數(shù)據(jù)集用于獲取基于肉兔圖像分割網(wǎng)絡(luò)的圖像特征，為下一步體質(zhì)量估測(cè)提供數(shù)據(jù)支撐。對(duì)新數(shù)據(jù)集進(jìn)行實(shí)例分割，分割出的文件包含了背景、兔體信息、識(shí)別框體和準(zhǔn)確率等信息，去除上述信息后，將背景和掩膜輪廓填充為不同顏色，提取到單只肉兔的掩膜圖像，并以此處得到的掩膜圖像作為后續(xù)處理對(duì)象。兔體掩膜提取過程如圖2所示。

2.2 肉兔體尺特征提取

2.2.1投影面積提取

圖像中的肉兔在耳朵、腿和尾巴等部位具有不同的姿態(tài)，在2維層面上產(chǎn)生的形狀對(duì)投影面積的影響很大，例如收起耳朵和展開耳朵得到的投影面積完全不同。而尾巴、耳朵和兔腿的體質(zhì)量遠(yuǎn)小于身體和頭部的體質(zhì)量，因此在提取肉兔投影面積時(shí)必須去除耳朵、腿和尾巴的干擾。

開運(yùn)算能夠去除圖像的突起部分，使用尺寸為s×s的圓形核(Kernel)對(duì)肉兔掩膜圖像中凸出的腿、耳朵、尾巴等部位進(jìn)行去除，s值越大，去除掉的突出區(qū)域的像素就越多。圓形核如圖3所示。

需要分割的兔體具有不同的形狀和尺寸，難以選擇出適用于所有情況的s值。因此針對(duì)不同尺寸的肉兔，應(yīng)當(dāng)選擇不同大小的核。由于腿、耳朵和尾巴的大小與肉兔整體的大小有關(guān)，可以將s與兔體原輪廓的像素值相關(guān)聯(lián)。首先設(shè)定s的初始值以去除干擾，再根據(jù)產(chǎn)生的結(jié)果調(diào)整初始值。結(jié)果表明，當(dāng)s為兔體面積的1/350時(shí)，使用核對(duì)不同形狀、不同尺寸的肉兔輪廓進(jìn)行開運(yùn)算均能產(chǎn)生良好的去除干擾。圖4b、4c為利用核去除肉兔輪廓中耳朵、腿和尾巴的過程。

去除干擾后的特征圖中，非零像素表示肉兔的相對(duì)面積[18-19]。圖像采集條件相同時(shí)，由于周轉(zhuǎn)箱的尺寸和像素點(diǎn)數(shù)已知，通過參考周轉(zhuǎn)箱可以計(jì)算肉兔特征圖的實(shí)際面積為

(6)

式中SR——肉兔特征圖實(shí)際面積

NR——肉兔特征圖像素點(diǎn)數(shù)量

SB——周轉(zhuǎn)箱實(shí)際面積

NB——周轉(zhuǎn)箱像素點(diǎn)數(shù)量

2.2.2彎曲度計(jì)算

在去除干擾的肉兔掩膜基礎(chǔ)上，提取兔體彎曲度C，作為反映肉兔頭部與身體彎曲或扭曲程度的指標(biāo)。本文采集的肉兔姿勢(shì)為趴臥或四肢著地行走，頭部幾乎不會(huì)上下擺動(dòng)。彎曲度計(jì)算過程如下：

(1)通過連續(xù)多次開運(yùn)算不斷縮小輪廓突起部分，根據(jù)返回結(jié)果調(diào)整開運(yùn)算的核，最終在不明顯改變面積的同時(shí)平滑兔體輪廓曲線，減少后續(xù)提取骨架的分支干擾。

(2)提取所得輪廓的生態(tài)骨架(Morphological skeleton)，骨架能夠表示這個(gè)形狀的結(jié)構(gòu)，刪除多余的像素點(diǎn)[20]，兔體骨架能直接反映兔體的彎曲程度。

(3)計(jì)算骨架的凸包，凸包是包含骨架圖散點(diǎn)的最小凸邊形[20]，凸包的面積記為Sc。凸包求取過程如圖4c～4f所示，其中骨架圖是寬度為1像素的曲線，為便于展示進(jìn)行了膨脹處理。

求取凸包的過程表明，骨架的彎曲程度能夠表示兔體的彎曲程度，由骨架得到的凸包面積能夠反映骨架的彎曲程度。不同姿態(tài)下的肉兔，身體扭曲程度越大，骨架越彎，形成的凸包面積越大。

同等彎曲程度的肉兔，體型越大，得到的凸包面積越大。為平衡體型差異，將肉兔投影面積記為S，則Sc與S的比值C可以認(rèn)為與兔體彎曲程度線性相關(guān)。C越小，則肉兔彎曲度越小。

2.2.3體長(zhǎng)計(jì)算

在去除干擾的兔體基礎(chǔ)上，提取肉兔體長(zhǎng)Lr表示肉兔的長(zhǎng)度。由于同一只肉兔的不同姿勢(shì)會(huì)造成投影面積的像素值有差異，因此計(jì)算體長(zhǎng)Lr和彎曲度C能夠幫助后續(xù)體質(zhì)量預(yù)測(cè)時(shí)修正投影面積，提高體質(zhì)量估測(cè)的精度。

兔體可以近似看成一個(gè)矩形，矩形長(zhǎng)邊的長(zhǎng)度可以用來(lái)表示體長(zhǎng)。在去除耳朵、兔腿和尾巴等干擾因素后，將特征圖進(jìn)行二值化并繪制最小外接矩形，則最小外接矩形的長(zhǎng)邊邊長(zhǎng)即兔體體長(zhǎng)，如圖5所示。

2.3 體質(zhì)量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)構(gòu)建

2.3.1BPNN學(xué)習(xí)方法和網(wǎng)絡(luò)結(jié)構(gòu)

反向傳播神經(jīng)網(wǎng)絡(luò)(Back-propagation neural network, BPNN)的傳播過程主要分為輸入信號(hào)的正向傳播和誤差信號(hào)的反向傳播[21]。BPNN的運(yùn)行核心為將期望輸出與網(wǎng)絡(luò)輸出進(jìn)行對(duì)比，以對(duì)比結(jié)果即誤差為依據(jù)，按梯度下降算法迭代更新網(wǎng)絡(luò)，其網(wǎng)絡(luò)結(jié)構(gòu)主要包括輸入層、隱含層和輸出層[22]。本文為探究肉兔投影面積與體質(zhì)量之間的關(guān)系，構(gòu)建了以直接投影面積S、彎曲度C、體長(zhǎng)Lr、日齡M為輸入，對(duì)應(yīng)體質(zhì)量W為輸出的BP神經(jīng)網(wǎng)絡(luò)。

模型訓(xùn)練前對(duì)輸入輸出指標(biāo)的數(shù)量級(jí)進(jìn)行調(diào)整。由于本模型主要利用投影面積S與體質(zhì)量W的相關(guān)性進(jìn)行體質(zhì)量預(yù)測(cè)，而彎曲度C和體長(zhǎng)Lr用于調(diào)整同一只肉兔姿態(tài)不同所造成的像素差異，日齡M用于消除日齡組內(nèi)的體質(zhì)量特異性差異，因此投影面積與體質(zhì)量的直接關(guān)聯(lián)性強(qiáng)，彎曲度、體長(zhǎng)和日齡與體質(zhì)量的直接關(guān)聯(lián)性較弱。因此通過單位換算將面積S、體質(zhì)量W的數(shù)量級(jí)維持在1～10，彎曲度C、體長(zhǎng)Lr和日齡M的數(shù)量級(jí)維持在0～1，由此建立了輸入輸出指標(biāo)。

該模型的輸入層節(jié)點(diǎn)數(shù)為4，輸出層節(jié)點(diǎn)數(shù)為1。根據(jù)Kolmogorov定理[23]，隱含層神經(jīng)元數(shù)量l應(yīng)為

(7)

式中x——輸入層神經(jīng)元數(shù)量

y——輸出層神經(jīng)元數(shù)量

a——1～10之間的常數(shù)

因此BPNN的隱含層神經(jīng)元數(shù)量為3～12。本文構(gòu)建的BPNN拓?fù)浣Y(jié)構(gòu)示意圖如圖6所示。圖中，φ(·)、τ(·)表示隱含層、輸出層的激活函數(shù)，ωij、ωjk及θj、θk分別表示各層權(quán)值、閾值。

2.3.2BPNN模型建立

基于Matlab R2016a中的Neural Network Toolbox工具箱構(gòu)建BPNN。將全部樣本集進(jìn)行分組，設(shè)置訓(xùn)練集、驗(yàn)證集和測(cè)試集的數(shù)據(jù)比例分別為8∶1∶1、7∶1.5∶1.5、6∶2∶2。隱含層神經(jīng)元的數(shù)量會(huì)直接影響神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜系統(tǒng)的映射能力，目前對(duì)于神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元的確定主要根據(jù)經(jīng)驗(yàn)公式通過試湊法[24]確定，本文選定隱含層神經(jīng)元參數(shù)為4、5、6。訓(xùn)練算法分別選擇了列文伯格-馬夸爾特法、貝葉斯正則化法和量化共軛梯度法。其余參數(shù)設(shè)置根據(jù)文獻(xiàn)經(jīng)驗(yàn)值參考，設(shè)置最大迭代次數(shù)為200次，學(xué)習(xí)率為0.1，目標(biāo)誤差為0.001[25]。

2.3.3模型評(píng)價(jià)

采用均方誤差(Mean squared error, MSE)和相關(guān)系數(shù)(R)評(píng)價(jià)建立的模型性能。

2.4 算法編寫軟件與運(yùn)行平臺(tái)

本文處理平臺(tái)為便攜式計(jì)算機(jī)，處理器為Intel Core i5-8300H，主頻為2.3 GHz，8 GB內(nèi)存，1 TB硬盤，顯卡型號(hào)為NVIDA GeForce GTX1060，6 GB顯存。編寫環(huán)境為Windows 10 家庭版64位系統(tǒng)，編程語(yǔ)言為Python，采用 TensorFlow 深度學(xué)習(xí)開源框架。BP神經(jīng)網(wǎng)絡(luò)的編程平臺(tái)為Matlab R2016a。

3 結(jié)果與分析

3.1 肉兔圖像分割網(wǎng)絡(luò)性能分析

3.1.1肉兔圖像分割網(wǎng)絡(luò)性能評(píng)價(jià)方法

評(píng)價(jià)肉兔圖像分割網(wǎng)絡(luò)性能，主要考察圖像分割準(zhǔn)確率、圖像分割完整性和算法運(yùn)行速度。分割準(zhǔn)確率考察模型分類的準(zhǔn)確度，分割完整性考察模型分割的實(shí)例與實(shí)際目標(biāo)的匹配程度，算法運(yùn)行速度考察預(yù)測(cè)速度。

采用平均查準(zhǔn)率(Average precision, AP)評(píng)價(jià)圖像分類準(zhǔn)確度。P為查準(zhǔn)率，表示分類為正樣本的數(shù)量中分類正確的比例。

采用平均像素精度(Mean pixel accuracy, MPA) 評(píng)價(jià)圖像分割完整性。MPA是圖像分割評(píng)估中常用的測(cè)量指標(biāo)，反映正確分割的像素?cái)?shù)量在圖像像素?cái)?shù)量中的占比。

3.1.2對(duì)驗(yàn)證集的分割性能

計(jì)算驗(yàn)證集的平均查準(zhǔn)率和平均像素精度，結(jié)果表明，當(dāng)交并比(IoU)為0.5∶0.95時(shí)，平均查準(zhǔn)率為94.5%，這表明，兔體分割網(wǎng)絡(luò)對(duì)圖像目標(biāo)檢測(cè)分類的準(zhǔn)確度較高。計(jì)算得到的平均像素精度為95.1%，這表明對(duì)于分割出的目標(biāo)，掩膜與實(shí)際目標(biāo)的像素點(diǎn)對(duì)應(yīng)程度較高，即分割出的肉兔目標(biāo)能夠代表實(shí)際肉兔。

3.1.3對(duì)不同日齡肉兔的分割性能

日齡影響肉兔的體型和生理性狀，為探究分割模型對(duì)不同日齡肉兔的分割性能，將驗(yàn)證集按日齡分為7組。分別計(jì)算不同日齡肉兔的平均查準(zhǔn)率和平均像素精度，結(jié)果如表1所示。

表1 肉兔圖像分割網(wǎng)絡(luò)對(duì)不同日齡肉兔分割性能

由表1可知，肉兔分割網(wǎng)絡(luò)對(duì)于兔體實(shí)例分割的平均速度為1.53 s/f，原因主要是硬件配置低，以及采用的ResNet101網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜。由表1可知，7個(gè)日齡組的平均查準(zhǔn)率均不小于96%，表明肉兔圖像分割網(wǎng)絡(luò)能準(zhǔn)確識(shí)別不同體型的肉兔。

平均像素精度隨日齡增長(zhǎng)而增長(zhǎng)，在15日齡時(shí)最低，為91.4%，而60日齡之后肉兔的平均像素精度穩(wěn)定在94.9%～96.1%之間。原因是15日齡的肉兔體型過小，相同相機(jī)視距下，15日齡肉兔圖像更為模糊難以分割。但總體來(lái)看，肉兔圖像分割網(wǎng)絡(luò)對(duì)不同日齡肉兔均有較好的分割效果。

3.1.4不同姿態(tài)肉兔的分割性能

本文提出的肉兔圖像分割算法對(duì)肉兔的姿態(tài)不限制，在采樣圖像中表現(xiàn)為肉兔的彎曲度和身體姿態(tài)各不相同。圖7為肉兔不同姿態(tài)分類。圖7a～7d分別為姿態(tài)組A～D。

分別計(jì)算4個(gè)姿態(tài)組的肉兔圖像平均查準(zhǔn)率和平均像素精度，結(jié)果如表2所示。

表2 肉兔圖像分割網(wǎng)絡(luò)對(duì)不同姿態(tài)肉兔的分割性能

由表2可知，隨著彎曲程度變大，干擾部分越多，AP和MPA有所降低，D組姿態(tài)的MPA最低，為93.5%，這是因?yàn)樾螤钸^于不規(guī)則，輪廓難以精確描述目標(biāo)。但從整體來(lái)看，4個(gè)姿態(tài)組的分割性能相差較小，均能保持良好的分割效果，因此，兔體分割網(wǎng)絡(luò)在分割實(shí)例時(shí)受姿態(tài)的影響較小，對(duì)不同姿態(tài)的肉兔均有良好的適應(yīng)性。

3.2 肉兔體質(zhì)量估測(cè)結(jié)果與分析

3.2.1BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

分析BP神經(jīng)網(wǎng)絡(luò)對(duì)圖像提取的特征參數(shù)和體質(zhì)量之間的擬合性能，主要參考神經(jīng)網(wǎng)絡(luò)的均方誤差。將訓(xùn)練集、驗(yàn)證集和測(cè)試集的數(shù)據(jù)比例設(shè)為8∶1∶1、7∶1.5∶1.5、6∶2∶2，隱含層神經(jīng)元的數(shù)量設(shè)定為4、5、6，訓(xùn)練算法設(shè)為列文伯格-馬夸爾特法、貝葉斯正則化法和量化共軛梯度法，使用肉兔圖像分割網(wǎng)絡(luò)的980個(gè)訓(xùn)練集的樣本數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，結(jié)果表明，當(dāng)數(shù)據(jù)集比例為7∶1.5∶1.5時(shí)效果最佳。在7∶1.5∶1.5的數(shù)據(jù)集比例下，使用不同隱含層神經(jīng)元數(shù)量和不同算法的最終預(yù)測(cè)結(jié)果如表3所示。

表3 不同神經(jīng)元數(shù)量和算法配置的BPNN預(yù)測(cè)性能

由表3可知，在測(cè)試集中，當(dāng)隱含層神經(jīng)元數(shù)量為6個(gè)，訓(xùn)練算法為列文伯格-馬夸爾特法時(shí)，BPNN對(duì)數(shù)據(jù)的擬合程度最高，相關(guān)系數(shù)R為0.993 91，這表明預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)接近。因此該BPNN能夠正確反映圖像所提取的特征參數(shù)與體質(zhì)量之間的關(guān)系。在該BPNN下，驗(yàn)證集的均方誤差為0.033 6。

保存BPNN模型，使用驗(yàn)證集數(shù)據(jù)預(yù)測(cè)體質(zhì)量，圖8為本文模型預(yù)測(cè)值與真實(shí)值之間的關(guān)系。

由圖8可知，本文模型可以較為準(zhǔn)確地預(yù)測(cè)肉兔體質(zhì)量，實(shí)際體質(zhì)量與預(yù)測(cè)體質(zhì)量的擬合直線的R2為0.985 3，直線斜率為1.004 9，表明本文模型預(yù)測(cè)的肉兔體質(zhì)量接近實(shí)際值。驗(yàn)證集中預(yù)測(cè)體質(zhì)量與實(shí)際體質(zhì)量平均相差123 g。

3.2.2不同日齡肉兔體質(zhì)量估測(cè)結(jié)果

由3.2.1節(jié)可知，網(wǎng)絡(luò)預(yù)測(cè)肉兔體質(zhì)量時(shí)，肉兔實(shí)際體質(zhì)量越小，數(shù)據(jù)點(diǎn)越密集，這表明該網(wǎng)絡(luò)的估測(cè)精度受肉兔體質(zhì)量的影響較大。因此，將肉兔按日齡分組，本文模型對(duì)不同日齡肉兔的體質(zhì)量預(yù)測(cè)結(jié)果如表4所示。

表4 不同日齡肉兔的體質(zhì)量預(yù)測(cè)結(jié)果

其中，平均相對(duì)誤差為每個(gè)樣本預(yù)測(cè)體質(zhì)量和實(shí)際體質(zhì)量之差的絕對(duì)值與實(shí)際體質(zhì)量比值的均值，平均相對(duì)誤差反映了該日齡組內(nèi)，體質(zhì)量預(yù)測(cè)的誤差。

由表4可知，在不同日齡組內(nèi)，平均實(shí)際體質(zhì)量和平均預(yù)測(cè)體質(zhì)量較為接近，表明本文模型預(yù)測(cè)體質(zhì)量的整體效果良好。而日齡越大，平均相對(duì)誤差越小，表明本文模型預(yù)測(cè)成年兔體質(zhì)量的效果優(yōu)于幼兔。分析原因，一方面是幼兔體質(zhì)量增長(zhǎng)速度快導(dǎo)致個(gè)體之間的差異明顯，而成年兔個(gè)體之間的體質(zhì)量差異小，造成預(yù)測(cè)不準(zhǔn)確。另一方面是由于相同視距下，幼兔圖像的分割效果低于成年兔圖像的分割效果。此外，增加訓(xùn)練集的樣本數(shù)量能夠減小估測(cè)誤差。

3.2.3不同姿態(tài)肉兔體質(zhì)量估測(cè)結(jié)果

為探究不同姿態(tài)對(duì)體質(zhì)量預(yù)測(cè)效果的影響，將肉兔按3.1.4節(jié)所述方法分為4個(gè)姿態(tài)組。本文模型對(duì)不同姿態(tài)肉兔的體質(zhì)量預(yù)測(cè)結(jié)果如表5所示。

表5 不同姿態(tài)肉兔的體質(zhì)量預(yù)測(cè)結(jié)果

由表5可知，肉兔的姿態(tài)越規(guī)則、干擾因素越少，體質(zhì)量預(yù)測(cè)的精度越高，而姿態(tài)組D的平均誤差最大，一方面原因是姿態(tài)組D的肉兔圖像分割性能最差，另一方面，由于姿態(tài)組D干擾因素多，所獲得的BP神經(jīng)網(wǎng)絡(luò)輸入值與真實(shí)值之間有所差異，降低了預(yù)測(cè)準(zhǔn)確度。但從最終結(jié)果看，各姿態(tài)組的預(yù)測(cè)體質(zhì)量和真實(shí)體質(zhì)量相差較小，能夠在實(shí)際養(yǎng)殖中為體質(zhì)量估測(cè)提供幫助。

4 結(jié)論

(1)通過構(gòu)建面向?qū)嶋H的輸入輸出指標(biāo)，建立了一種基于Mask R-CNN的肉兔圖像分割方法，并以BPNN算法為預(yù)測(cè)手段構(gòu)建了肉兔體質(zhì)量估測(cè)模型。

(2)構(gòu)建了基于Mask R-CNN的肉兔圖像分割網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和測(cè)試。測(cè)試結(jié)果表明，當(dāng)交并比為0.5∶0.95時(shí)，肉兔圖像分割網(wǎng)絡(luò)對(duì)肉兔目標(biāo)分類準(zhǔn)確率為94.5%，對(duì)像素分割的精確率為95.1%。對(duì)不同日齡肉兔，網(wǎng)絡(luò)的分類準(zhǔn)確率不小于96%，對(duì)像素的分割精確度不小于91.4%。對(duì)不同姿態(tài)的肉兔，網(wǎng)絡(luò)的分類準(zhǔn)確率不小于96%，對(duì)像素分割的精確率不小于93.5%。網(wǎng)絡(luò)對(duì)不同日齡和不同姿態(tài)的肉兔均具有良好的分割性能。

(3)以肉兔圖像分割網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果和采集的對(duì)應(yīng)體質(zhì)量為數(shù)據(jù)集，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的肉兔體質(zhì)量估測(cè)模型，并對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。結(jié)果表明，肉兔體質(zhì)量估測(cè)模型的預(yù)測(cè)值與真實(shí)值具有顯著相關(guān)性，擬合相關(guān)系數(shù)R為0.993 91，均方誤差為0.033 6，預(yù)測(cè)體質(zhì)量與實(shí)際體質(zhì)量平均相差123 g。對(duì)于不同日齡的肉兔，網(wǎng)絡(luò)預(yù)測(cè)成年兔體質(zhì)量的效果優(yōu)于幼兔，平均相對(duì)誤差最小為4.29%。對(duì)于不同姿態(tài)的肉兔，網(wǎng)絡(luò)對(duì)姿態(tài)規(guī)則、干擾因素少的肉兔體質(zhì)量估測(cè)效果最佳，平均相對(duì)誤差最小為3.37%。本文構(gòu)建的體質(zhì)量估測(cè)模型對(duì)實(shí)際生產(chǎn)具有指導(dǎo)意義。