基于3D卷积视频分析的猪步态评分方法

TP391.4%S828; [目的]猪肢蹄病是种猪淘汰的重要原因之一,给养殖场带来巨大的经济损失.猪蹄疾病判断通常依赖人工肉眼观察猪只步态进行排查,存在效率低、人力成本高等问题.本文旨在实现自动化猪步态评分,高效判断猪只肢蹄健康状况.[方法]本文提出一种"端到端"的猪步态评分方法,在单头种猪经过测定通道时采集视频,并制作四分制步态数据集.采用深度学习技术分析视频,设计了一种基于3D卷积网络的时间注意力模块(Time attention module,TAM),有效提取视频帧图像之间的特征信息.将TAM与残差结构结合,构建猪步态评分模型TA3D,对步态视频进行特征提取与步态分...

Full description

Saved in:
Bibliographic Details
Published in华南农业大学学报 Vol. 45; no. 5; pp. 743 - 753
Main Authors 吴振邦, 陈泽锴, 田绪红, 杨杰, 尹令, 张素敏
Format Journal Article
LanguageChinese
Published 华南农业大学数学与信息学院,广东广州 510642%国家生猪种业工程技术研究中心,广东广州 510642 01.09.2024
猪禽种业全国重点实验室,广东广州 510640
华南农业大学动物科学学院,广东广州 510642
国家生猪种业工程技术研究中心,广东广州 510642
猪禽种业全国重点实验室,广东广州 510640%华南农业大学数学与信息学院,广东广州 510642
Subjects
注意力机制
Limb and hoof disease
Image processing
深度学习
猪
Pig
Deep learning
Attention mechanism
视频分析
步态评分
Gait scoring
Video analysis
图像处理
肢蹄病
Online AccessGet full text
ISSN1001-411X
DOI10.7671/j.issn.1001-411X.202311019

Cover

More Information
Summary:TP391.4%S828; [目的]猪肢蹄病是种猪淘汰的重要原因之一,给养殖场带来巨大的经济损失.猪蹄疾病判断通常依赖人工肉眼观察猪只步态进行排查,存在效率低、人力成本高等问题.本文旨在实现自动化猪步态评分,高效判断猪只肢蹄健康状况.[方法]本文提出一种"端到端"的猪步态评分方法,在单头种猪经过测定通道时采集视频,并制作四分制步态数据集.采用深度学习技术分析视频,设计了一种基于3D卷积网络的时间注意力模块(Time attention module,TAM),有效提取视频帧图像之间的特征信息.将TAM与残差结构结合,构建猪步态评分模型TA3D,对步态视频进行特征提取与步态分类评分.为进一步提升模型性能并实现自动化处理,本文设计了步态关注模块(Gait focus module,GFM),能够自动从实时视频流中提取有效信息并合成高质量步态视频,在提高模型性能的同时降低计算成本.[结果]试验结果表明,GFM可以实时运行,步态视频大小可以减少 90%以上,显著降低存储成本,TA3D模型步态评分准确率达到 96.43%.与其他经典的视频分析模型的对比测试结果表明,TA3D的准确率和推理速度均达到最佳水平.[结论]本文提出的方案可应用于猪只步态自动评分,为猪肢蹄病的自动检测提供参考.
ISSN:1001-411X
DOI:10.7671/j.issn.1001-411X.202311019