基于實(shí)例分割的白羽肉雞體質(zhì)量估測(cè)方法

陳 佳 劉龍申 沈明霞 太 猛 王錦濤 孫玉文

(南京農(nóng)業(yè)大學(xué)工學(xué)院， 南京 210031)

0 引言

動(dòng)物體質(zhì)量是畜禽養(yǎng)殖所關(guān)注的主要生長(zhǎng)指標(biāo)之一，體質(zhì)量隨時(shí)間的變化趨勢(shì)反映動(dòng)物的健康情況[1]。傳統(tǒng)的動(dòng)物體質(zhì)量測(cè)量方法主要采用體質(zhì)量箱、電子秤或地磅等儀器進(jìn)行直接測(cè)量，不但耗時(shí)、耗力，而且易使動(dòng)物產(chǎn)生較大應(yīng)激反應(yīng)[2]。

為提高動(dòng)物體質(zhì)量測(cè)量的效率，研究人員結(jié)合圖像處理技術(shù)與人工智能算法，利用動(dòng)物的胸圍、體高、體長(zhǎng)等外在特征參數(shù)進(jìn)行分析與建模[3-4]，從而估算動(dòng)物體質(zhì)量。目前研究主要以中、大型動(dòng)物為主，比如利用生豬背部投影信息[5-8]，并結(jié)合體高等深度映射信息[9-12]來(lái)估算生豬體質(zhì)量，通過(guò)機(jī)器視覺(jué)結(jié)合模糊逼近算法[13]、三維點(diǎn)云數(shù)據(jù)結(jié)合回歸模型[14-15]來(lái)估算奶牛體質(zhì)量。同時(shí)，深度學(xué)習(xí)等智能算法也被應(yīng)用于伊犁馬[16]和杜泊羊[17]等體型較大的動(dòng)物體質(zhì)量估測(cè)中，收到良好的效果。

禽類動(dòng)物具有體積小、應(yīng)激大等特點(diǎn)，采用傳統(tǒng)的稱量方法容易造成動(dòng)物驚嚇。為此，學(xué)者們主要采用智能檢測(cè)設(shè)備和無(wú)接觸式體質(zhì)量測(cè)量?jī)煞N方式。文獻(xiàn)[18-21]研究表明，不同種類雞的體尺特征與體質(zhì)量間存在較大相關(guān)性，可作為以圖像為主要載體的無(wú)接觸式體質(zhì)量估測(cè)的有力依據(jù)。DE等[22]利用雞的整體面積與周長(zhǎng)估算體質(zhì)量。MOLLAH等[23]在較為理想的試驗(yàn)環(huán)境下使用雞的背部投影面積進(jìn)行體質(zhì)量估測(cè)，效果良好。AMRAEI等[24]利用機(jī)器視覺(jué)與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)際場(chǎng)景下雞只的定位與體質(zhì)量估測(cè)，并驗(yàn)證了雞體面積、周長(zhǎng)與體質(zhì)量的兩兩相關(guān)性。MORTENSEN等[25]為了引入高度信息，使用深度圖像代替普通RGB圖像，從而獲得更準(zhǔn)確的原始數(shù)據(jù)與處理數(shù)據(jù)，采用去除頭尾的方式，在實(shí)際應(yīng)用場(chǎng)景中提高了模型的準(zhǔn)確率。

目前，國(guó)內(nèi)禽類動(dòng)物體質(zhì)量測(cè)量方式仍以人工測(cè)量或帶有稱量功能的實(shí)體檢測(cè)設(shè)備測(cè)量為主。為提高肉雞體質(zhì)量測(cè)量的準(zhǔn)確率，實(shí)時(shí)掌握肉雞的健康情況，本文提出一種基于實(shí)例分割的白羽肉雞體質(zhì)量估測(cè)方法，通過(guò)Mask R-CNN[26]與YOLACT[27](You only look at coefficients)兩種算法對(duì)圖像進(jìn)行實(shí)例分割，定位白羽肉雞位置并提取覆蓋肉雞的掩膜，從而消除復(fù)雜環(huán)境中雜物、肉雞投影等干擾噪聲；利用自適應(yīng)掩膜與橢圓擬合去除容易造成形變的雞頭、雞尾，并利用最小二乘法，建立雞體像素投影面積與體質(zhì)量間的線性回歸模型；最后，對(duì)算法效果進(jìn)行分析評(píng)價(jià)，結(jié)合YOLO v3[28](You only look once v3)定位算法與形態(tài)學(xué)、自適應(yīng)二值化處理的類實(shí)例分割方法進(jìn)行對(duì)比，并將本文方法衍生到群雞場(chǎng)景的體質(zhì)量估測(cè)中，以期實(shí)現(xiàn)真實(shí)養(yǎng)殖環(huán)境中的白羽肉雞體質(zhì)量非接觸式測(cè)量。

1 材料與方法

1.1 試驗(yàn)對(duì)象

試驗(yàn)于2019年12月在山東省海陽(yáng)市新希望六和股份有限公司進(jìn)行，從種雞場(chǎng)內(nèi)隨機(jī)挑選45只28周齡的白羽肉雞公雞和10只48周齡的白羽肉雞公雞作為試驗(yàn)對(duì)象。

1.2 試驗(yàn)儀器

選用山狗A8型運(yùn)動(dòng)相機(jī)，分辨率為1 920像素×1 080像素，拍攝角度選用70°小廣角，數(shù)據(jù)存儲(chǔ)方式為數(shù)據(jù)線直連便攜式計(jì)算機(jī)。

1.3 數(shù)據(jù)采集

白羽肉雞舍內(nèi)環(huán)境溫度在18～20℃之間，照明燈光偏黃，21:00后舍內(nèi)熄燈。雞舍尺寸為14 m×12 m×3.3 m，共容納白羽肉雞550只，每平方米約為3只。

以上述數(shù)據(jù)為參考，于雞舍內(nèi)搭建試驗(yàn)平臺(tái)，將相機(jī)固定于長(zhǎng)1 m、高1.2 m的支架上進(jìn)行俯拍。單只雞試驗(yàn)中，每次僅對(duì)1只白羽肉雞進(jìn)行約1 min的視頻錄制，獲取包括站立、行走、修飾羽毛等不同自然行為；群雞試驗(yàn)中，仿照白羽肉雞舍內(nèi)密度，在試驗(yàn)平臺(tái)中同時(shí)對(duì)2或3只白羽肉雞進(jìn)行拍攝，每次視頻錄制約5 min。白羽肉雞的體尺信息(體長(zhǎng)、體寬、體高)和體質(zhì)量信息通過(guò)手工測(cè)量并記錄。圖1為試驗(yàn)裝置示意圖。

2 個(gè)體表型特征獲取

本文使用Mask R-CNN和YOLACT兩種基于深度學(xué)習(xí)的實(shí)例分割算法進(jìn)行白羽肉雞個(gè)體的定位與分割，并對(duì)比分割效果。通過(guò)基于自適應(yīng)掩膜的橢圓擬合方法對(duì)白羽肉雞背部像素投影進(jìn)行處理，去除頭尾干擾。

2.1 模型設(shè)計(jì)

2.1.1Mask R-CNN

Mask R-CNN沿用了Faster R-CNN的框架，在基礎(chǔ)特征網(wǎng)絡(luò)后加入了全連接的分割子網(wǎng)，在分類與回歸外，又加入了分割的新功能。它是一個(gè)兩階段的框架，第1階段掃描并生成建議框，第2階段對(duì)建議框進(jìn)行分類，并形成邊界框與掩膜。

圖2為Mask R-CNN框架圖，通過(guò)殘差網(wǎng)絡(luò)(Residual network, ResNet)的跨層連接方式實(shí)現(xiàn)卷積層下采樣，結(jié)合特征金字塔網(wǎng)絡(luò)(Feature pyramid network, FPN)，融合不同采樣層得到的特征圖，并傳達(dá)給下一步操作。

區(qū)域推薦網(wǎng)絡(luò)(Region proposal network, RPN)用于獲取若干個(gè)anchor box并進(jìn)行調(diào)整從而更好地?cái)M合目標(biāo)，如果多個(gè)anchor box互相重疊，則根據(jù)針對(duì)前景的評(píng)分來(lái)選擇最優(yōu)anchor box進(jìn)行傳遞，賦予由RoI Pooling改進(jìn)的RoIAlign進(jìn)行池化，最后通過(guò)全連接網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)邊界框、掩膜的預(yù)測(cè)。

2.1.2YOLACT

YOLACT是一種一階段式的實(shí)例分割方法，在目標(biāo)檢測(cè)網(wǎng)絡(luò)基礎(chǔ)上加入掩膜分支。但與常見(jiàn)的串行式方法不同，該方法摒棄了特征定位這一步驟，將實(shí)例分割任務(wù)劃分為兩個(gè)并行的子任務(wù)來(lái)提高效率，分別為原型掩膜分支與目標(biāo)檢測(cè)分支，前者采用全卷積網(wǎng)絡(luò)(Fully convolutional network, FCN)的網(wǎng)絡(luò)結(jié)果生成一系列可以覆蓋全圖的原型掩膜，后者則在檢測(cè)分支的基礎(chǔ)上預(yù)測(cè)掩膜的系數(shù)，從而得到圖像中實(shí)例的坐標(biāo)位置，以及非極大值抑制(Non-maximum suppression，NMS)篩選。并通過(guò)兩個(gè)分支的線性組合來(lái)得到最后的預(yù)測(cè)結(jié)果。

圖3為YOLACT框架圖，與其他網(wǎng)絡(luò)類似，該方法同樣通過(guò)主干網(wǎng)絡(luò)和FPN來(lái)進(jìn)行特征提取，多層FPN一部分用于原型掩膜分支中的原型掩膜生成，另一部分則通過(guò)Prediction Head網(wǎng)絡(luò)進(jìn)行檢測(cè)定位與掩膜系數(shù)等信息的計(jì)算，再通過(guò)NMS進(jìn)行篩選，處理結(jié)果與生成的原型掩膜進(jìn)行組合運(yùn)算，并得到最終結(jié)果。

2.2 數(shù)據(jù)集制作

單只雞試驗(yàn)共采集55組視頻數(shù)據(jù)，每組視頻時(shí)長(zhǎng)1 min。通過(guò)C語(yǔ)言自編代碼進(jìn)行分幀處理，每30幀進(jìn)行一次存儲(chǔ)操作，一共獲取4 873組數(shù)據(jù)。剔除無(wú)效數(shù)據(jù)后剩余4 500組數(shù)據(jù)，并使用開(kāi)源圖像標(biāo)注軟件Labelme進(jìn)行圖像標(biāo)注，所標(biāo)注圖像為RGB圖像。

標(biāo)注完成后獲取每幅圖像對(duì)應(yīng)的json文件，后續(xù)通過(guò)Labelme自帶函數(shù)進(jìn)行信息提取，獲取對(duì)應(yīng)的yaml文件與掩膜圖像，供Mask R-CNN訓(xùn)練使用。

為構(gòu)造可供YOLACT訓(xùn)練的COCO訓(xùn)練集，在獲取圖像對(duì)應(yīng)的json文件后，通過(guò)Labelme2coco進(jìn)行轉(zhuǎn)換，得到本數(shù)據(jù)集對(duì)應(yīng)的annotations.json文件。

2.3 訓(xùn)練參數(shù)設(shè)置

本試驗(yàn)中，Mask R-CNN采用Resnet101網(wǎng)絡(luò)結(jié)構(gòu)，前20輪學(xué)習(xí)率為0.001，后40輪學(xué)習(xí)率為0.000 1，每輪1 000次迭代，共計(jì)60 000次迭代。

YOLACT采用Resnet50網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練60 000次迭代，初始學(xué)習(xí)率為0.001，分別在第20 000次迭代和第40 000次迭代進(jìn)行衰減，衰減為當(dāng)前學(xué)習(xí)率的10%。

2.4 模型測(cè)試結(jié)果

在對(duì)實(shí)例分割算法的效果評(píng)價(jià)中，使用精準(zhǔn)率P和交并比(Intersection over Union, IoU)作為指標(biāo)評(píng)價(jià)算法效果。

以一組包含200幅圖像的測(cè)試集對(duì)兩種實(shí)例分割算法進(jìn)行測(cè)試。表1為Mask R-CNN與YOLACT在試驗(yàn)中的實(shí)例分割效果，包括定位、分類和掩膜3部分，可在實(shí)際環(huán)境中精準(zhǔn)識(shí)別種雞個(gè)體并進(jìn)行感興趣區(qū)域(Region of interest, ROI)與掩膜提取，去除環(huán)境噪聲干擾，為后續(xù)處理提供可靠穩(wěn)定的數(shù)據(jù)基礎(chǔ)。其中YOLACT的平均精準(zhǔn)率為96%，平均交并比為95%；Mask R-CNN的平均精準(zhǔn)率為96%，平均交并比為92%。

2.5 雞背部像素投影橢圓擬合

實(shí)例分割算法可以準(zhǔn)確地從復(fù)雜環(huán)境中提取出白羽肉雞個(gè)體，獲取其像素投影面積等信息。但白羽肉雞雞頭活動(dòng)頻繁，易造成形變，雞尾分為垂尾和翹尾兩種，同樣會(huì)造成像素投影面積上的誤差，為保證結(jié)果的穩(wěn)定性，去除雞體行動(dòng)時(shí)形變?cè)斐傻钠?，體長(zhǎng)、體寬數(shù)據(jù)可整合為雞體面積(無(wú)雞頭、雞尾)。

以圖像范圍內(nèi)最大連通域?yàn)槟繕?biāo)進(jìn)行細(xì)化，其質(zhì)心坐標(biāo)計(jì)算公式為

(1)

式中 (x,y)——質(zhì)心坐標(biāo)

(xi,yi)——點(diǎn)i坐標(biāo)

mi——點(diǎn)i質(zhì)量

n——區(qū)域內(nèi)點(diǎn)的數(shù)量

目標(biāo)內(nèi)視作均勻分布，即每點(diǎn)質(zhì)量相同，故式(1)可簡(jiǎn)化為

(2)

由式(2)計(jì)算得到雞體質(zhì)心，并求得雞體邊緣到質(zhì)心的最短距離d。橢圓擬合中，為去除白羽肉雞頭尾的影響，使用以質(zhì)心為圓心、dρ為半徑的圓盤掩膜覆蓋雞身部分，掩膜中數(shù)據(jù)維持不變，掩膜外置零，其中ρ為可控系數(shù)，本文設(shè)置為1.5。

掩膜內(nèi)的雞體邊緣點(diǎn)為所需的身體部分的邊緣點(diǎn)，即橢圓擬合所需的測(cè)量點(diǎn)。構(gòu)造圓錐曲線方程為

(3)

式中p1、p2、p3、p4、p5——擬合系數(shù)

根據(jù)最小二乘原理[29]，構(gòu)造橢圓擬合的目標(biāo)函數(shù)為

(4)

式中N——測(cè)量點(diǎn)個(gè)數(shù)F(p)——目標(biāo)函數(shù)

目標(biāo)函數(shù)最優(yōu)情況為F(p)=0，即F(p)越小越好。因此，需使

(5)

由此可得方程

(6)

求解可得擬合系數(shù)矩陣并計(jì)算出擬合橢圓的長(zhǎng)、短軸長(zhǎng)與面積為

(7)

(8)

S=πab

(9)

式中a——橢圓長(zhǎng)半軸長(zhǎng)

b——橢圓短半軸長(zhǎng)S——橢圓面積

通過(guò)最小二乘法擬合出的橢圓可以根據(jù)雞體情況自適應(yīng)變化，面積近似于雞體面積，結(jié)果如圖4所示，其中左圖為白羽肉雞背部投影二值化結(jié)果，右圖為身體部分的橢圓擬合結(jié)果，編號(hào)為6的白羽肉雞在不同頭部動(dòng)作下存在像素投影面積上的差異，橢圓擬合可以較好地消除這種差異，僅保留參考價(jià)值較大的雞體背部像素投影面積。表2為白羽肉雞在不同姿態(tài)下的背部像素投影面積標(biāo)準(zhǔn)差與橢圓擬合面積標(biāo)準(zhǔn)差，由表2可見(jiàn)在橢圓擬合后不同姿態(tài)的背部像素投影面積離散程度較小，該處理在一定程度上提高了面積特征提取的穩(wěn)定性。

表2 背部像素投影面積與橢圓擬合面積標(biāo)準(zhǔn)差Tab.2 Standard deviation of back pixel area and ellipse fitting area 像素

3 雞體質(zhì)量估測(cè)模型

3.1 雞體尺、體質(zhì)量數(shù)據(jù)關(guān)聯(lián)性分析

試驗(yàn)采集的數(shù)據(jù)包括俯拍圖像數(shù)據(jù)和手工測(cè)量體尺、體質(zhì)量數(shù)據(jù)兩部分，其中手工測(cè)量數(shù)據(jù)包括體長(zhǎng)、體寬、體高。表3是部分試驗(yàn)的統(tǒng)計(jì)數(shù)據(jù)，表4是使用SPSS進(jìn)行雙變量相關(guān)性分析的結(jié)果。

由表4可見(jiàn)，體質(zhì)量與體長(zhǎng)、體寬呈顯著相關(guān)，體高與體寬呈顯著相關(guān)。因此，估測(cè)體質(zhì)量所需的特征主要為體長(zhǎng)與體寬，兩者可共同組成白羽肉雞背部投影面積特征。試驗(yàn)中按同一高度進(jìn)行拍攝，故圖像中的像素面積與實(shí)際面積均符合同一比例尺，白羽肉雞背部投影面積特征可由其雞背部像素投影面積特征替代，該特征由俯拍圖像直接呈現(xiàn)，方便提取。

表3 白羽肉雞測(cè)量數(shù)據(jù)Tab.3 Measurement data of breeding white feather broilers

表4 雙變量相關(guān)性分析結(jié)果Tab.4 Results of bivariate correlation analysis

3.2 最小二乘線性回歸模型

通過(guò)橢圓擬合，可以得出同一高度下的白羽肉雞背部投影像素?cái)M合面積，計(jì)算得出的部分抽樣數(shù)據(jù)如表5所示。

表5 肉雞背部投影像素?cái)M合面積與真實(shí)體質(zhì)量對(duì)應(yīng)統(tǒng)計(jì)Tab.5 Statistics of fitting area and real weight

可見(jiàn)肉雞背部投影像素?cái)M合面積與體質(zhì)量呈正比關(guān)系，利用最小二乘法進(jìn)行線性回歸，目標(biāo)函數(shù)為

(10)

式中q1、q2——線性回歸方程系數(shù)

f(p)——目標(biāo)函數(shù)

目標(biāo)函數(shù)要求越小越好。同橢圓擬合方法，令

(11)

即求解

(12)

從而得出雞體面積與體質(zhì)量間的線性回歸模型。

4 試驗(yàn)結(jié)果與分析

4.1 試驗(yàn)樣本設(shè)置

試驗(yàn)對(duì)象為28周齡與48周齡的白羽肉種公雞，并進(jìn)行編號(hào)。隨機(jī)選取20只白羽肉雞的拍攝圖像作為訓(xùn)練集進(jìn)行實(shí)例分割與線性回歸模型構(gòu)建，并將剩余雞只的不同姿態(tài)的拍攝圖像作為測(cè)試集來(lái)驗(yàn)證模型效果，為保證結(jié)果的可靠性，每只白羽肉雞的拍攝樣本數(shù)量均為隨機(jī)決定。

4.2 橢圓擬合效果對(duì)比

進(jìn)行體質(zhì)量估測(cè)前需先對(duì)實(shí)例分割得到的白羽肉雞個(gè)體投影掩膜進(jìn)行預(yù)處理。白羽肉雞體質(zhì)量與其體尺相關(guān)，且考慮到白羽肉雞頭部活動(dòng)較多、尾羽姿態(tài)不同等情況會(huì)對(duì)投影面積造成影響，本試驗(yàn)使用結(jié)合自適應(yīng)掩膜的橢圓擬合來(lái)去除頭尾影響，得到受姿態(tài)干擾較小的白羽肉雞背部投影像素?cái)M合面積。

圖5為提取特征橢圓擬合前后的體質(zhì)量估測(cè)效果對(duì)比圖，在橢圓擬合后，體質(zhì)量估測(cè)的精度提高較明顯，整體穩(wěn)定性也有了一定提高。

橢圓擬合用于去除頭尾部分的影響，對(duì)于同一編號(hào)不同姿勢(shì)的白羽肉雞起到了一定的穩(wěn)定作用。該方法除了通過(guò)略去雞頭雞尾來(lái)減少姿勢(shì)不同的干擾外，也在一定程度上減少了特征提取時(shí)的精度要求，提高模型估測(cè)速度，適用于無(wú)人工干預(yù)的現(xiàn)實(shí)養(yǎng)殖環(huán)境。

4.3 單只雞體質(zhì)量估測(cè)結(jié)果與分析

4.3.1試驗(yàn)結(jié)果統(tǒng)計(jì)分析

試驗(yàn)以28周齡與48周齡的白羽肉雞為研究對(duì)象，對(duì)不同編號(hào)的樣本在不同姿態(tài)、遮擋情況下的體質(zhì)量估測(cè)結(jié)果進(jìn)行對(duì)比與分析。其中，姿態(tài)與遮擋情況通過(guò)手工分類，如圖6所示，列出了理想姿態(tài)、伸頭、歪頭、部分遮擋4種情況，部分遮擋的白羽肉雞的被遮擋面積小于自身面積的1/3。表6、7為部分對(duì)比結(jié)果。

在不同姿態(tài)與部分遮擋的情況下，本文方法均能較為精準(zhǔn)地進(jìn)行體質(zhì)量估測(cè)，YOLACT進(jìn)行特征提取的體質(zhì)量估測(cè)平均準(zhǔn)確率均在91%以上，Mask R-CNN存在部分90%以下情況。在理想姿態(tài)下，大多數(shù)編號(hào)的白羽肉雞體質(zhì)量測(cè)量的平均準(zhǔn)確率在95%以上，而在伸頭、歪頭等頭部形變的情況下，以及部分遮擋的情況下，橢圓擬合提高了本文方法的魯棒性，平均準(zhǔn)確率依然在90%以上。綜合評(píng)價(jià)中，Mask R-CNN進(jìn)行特征提取的體質(zhì)量估測(cè)平均準(zhǔn)確率為97.23%，YOLACT進(jìn)行特征提取的體質(zhì)量估測(cè)平均準(zhǔn)確率為97.49%。28周齡以上白羽肉雞成長(zhǎng)較為平穩(wěn)，從統(tǒng)計(jì)數(shù)據(jù)可見(jiàn)，針對(duì)成熟后的白羽肉雞本文方法均可取得較好效果，體現(xiàn)本文方法的良好適用性。

表6 YOLACT部分試驗(yàn)體質(zhì)量估測(cè)準(zhǔn)確率Tab.6 Partial experimental results of weight estimation for YOLACT %

表7 Mask R-CNN部分試驗(yàn)體質(zhì)量估測(cè)準(zhǔn)確率Tab.7 Partial experimental results of weight estimation for Mask R-CNN %

在體質(zhì)量估測(cè)環(huán)節(jié)，單幅圖像的最大處理時(shí)間在0.5 s左右，YOLACT的特征提取用時(shí)平均0.4 s左右，Mask R-CNN稍慢，兩者全過(guò)程運(yùn)行均在1 s左右，能夠快速準(zhǔn)確地識(shí)別白羽肉雞并進(jìn)行體質(zhì)量估測(cè)，滿足實(shí)際應(yīng)用中的實(shí)時(shí)性要求。

圖7為以兩種實(shí)例分割獲取的投影為特征進(jìn)行體質(zhì)量估測(cè)的結(jié)果，由圖可見(jiàn)，模型的效果較為穩(wěn)定，表明白羽肉雞背部像素投影面積與體質(zhì)量進(jìn)行關(guān)聯(lián)是可行的，相較而言，YOLACT能夠獲取較為準(zhǔn)確的目標(biāo)掩膜，為橢圓擬合提供更好的觀測(cè)點(diǎn)，故在體質(zhì)量估測(cè)部分的準(zhǔn)確率也比較精準(zhǔn)，穩(wěn)定性也更好。

4.3.2不同分割算法對(duì)比分析

為對(duì)比基于深度學(xué)習(xí)的實(shí)例分割算法的效果，并驗(yàn)證本文模型的有效性，隨機(jī)抽取部分樣本進(jìn)行測(cè)試，與類實(shí)例分割方法進(jìn)行對(duì)比。

此處使用的對(duì)比類實(shí)例分割方法為一種結(jié)合YOLO v3定位與Otsu算法、形態(tài)學(xué)優(yōu)化等圖像處理技術(shù)的目標(biāo)分割算法，通過(guò)YOLO v3進(jìn)行白羽肉雞定位，獲取感興趣區(qū)域后進(jìn)行局部自適應(yīng)二值化處理，并結(jié)合形態(tài)學(xué)優(yōu)化操作和濾波去除殘留的環(huán)境噪聲，以實(shí)現(xiàn)近似于AMRAEI等[24]提出的類實(shí)例分割算法的處理效果。

利用3種算法進(jìn)行白羽肉雞個(gè)體分割，相較結(jié)合目標(biāo)定位與Otsu算法的類實(shí)例分割方法，基于深度學(xué)習(xí)的實(shí)例分割能夠更好地從復(fù)雜環(huán)境中分割出白羽肉雞個(gè)體，且保留邊緣細(xì)節(jié)。在特征提取后進(jìn)行體質(zhì)量估測(cè)的對(duì)比結(jié)果如圖8所示，可見(jiàn)在大部分情況中，Mask R-CNN與YOLACT提取的特征都能更好地應(yīng)用于體質(zhì)量估測(cè)中，體現(xiàn)了基于深度學(xué)習(xí)的實(shí)例分割算法在投影特征獲取上的優(yōu)越性。

根據(jù)不同編號(hào)白羽肉雞的體質(zhì)量估測(cè)數(shù)據(jù)可知，應(yīng)用Mask R-CNN進(jìn)行特征提取的體質(zhì)量估測(cè)最低準(zhǔn)確率為編號(hào)8(92.46%)，最高準(zhǔn)確率為編號(hào)12(99.94%)，最低平均準(zhǔn)確率為編號(hào)14(93.56%)，最高平均準(zhǔn)確率為編號(hào)19(99.32%)。應(yīng)用YOLACT進(jìn)行特征提取的體質(zhì)量估測(cè)最低準(zhǔn)確率為編號(hào)14(92.21%)，最高準(zhǔn)確率為編號(hào)19(99.96%)，最低平均準(zhǔn)確率為編號(hào)14(92.21%)，最高平均準(zhǔn)確率為編號(hào)19(99.54%)，本文方法在不同編號(hào)的白羽肉雞的體質(zhì)量估測(cè)中均體現(xiàn)出良好的估測(cè)性能。

而在類實(shí)例分割算法進(jìn)行特征提取的體質(zhì)量估測(cè)中，最低準(zhǔn)確率為編號(hào)8(87%)，最高準(zhǔn)確率為編號(hào)19(99.97%)，最低平均準(zhǔn)確率為編號(hào)14(89.3%)，最高平均準(zhǔn)確率為編號(hào)19(98.69%)。這些數(shù)據(jù)一方面表明了類實(shí)例分割算法的不穩(wěn)定性，與基于深度學(xué)習(xí)的實(shí)例分割方法相比可能造成較大誤差，另一方面也體現(xiàn)了種雞背部像素投影面積與體質(zhì)量之間的強(qiáng)關(guān)聯(lián)性，以及本文方法對(duì)體質(zhì)量估測(cè)的穩(wěn)定性。

4.4 群雞體質(zhì)量估測(cè)結(jié)果與分析

圖9中場(chǎng)景1為每平方米3只白羽肉雞的模擬環(huán)境，場(chǎng)景2為每平方米2只白羽肉雞的模擬環(huán)境，2個(gè)場(chǎng)景均模擬現(xiàn)實(shí)養(yǎng)雞場(chǎng)養(yǎng)殖密度，圖9a、9b中3幅圖從左到右依次是實(shí)物圖、實(shí)例分割結(jié)果、掩膜提取效果。試驗(yàn)以YOLACT進(jìn)行特征提取與白羽肉雞ROI獲取，通過(guò)ROI對(duì)肉雞個(gè)體進(jìn)行分割，從而獲取單雞目標(biāo)。再根據(jù)單只雞體質(zhì)量估測(cè)方法進(jìn)行各只雞的體質(zhì)量估計(jì)，從而實(shí)現(xiàn)多雞體質(zhì)量估測(cè)。

圖9是YOLACT進(jìn)行實(shí)例分割的結(jié)果，可見(jiàn)該算法可以正確識(shí)別圖像中的白羽肉雞并進(jìn)行掩膜覆蓋。圖10為ROI提取結(jié)果，通過(guò)YOLACT的定位提取出各只白羽肉雞所在的ROI，從而分割出各只白羽肉雞的投影。

表8為兩種場(chǎng)景的體質(zhì)量估測(cè)結(jié)果，場(chǎng)景1內(nèi)編號(hào)為2、3、4的白羽肉雞的體質(zhì)量估測(cè)準(zhǔn)確率分別為94.74%、90.50%、94.03%；場(chǎng)景2內(nèi)編號(hào)為1、2的白羽肉雞體質(zhì)量估測(cè)準(zhǔn)確率分別為95.46%、90.63%，相較單只雞體質(zhì)量估測(cè)準(zhǔn)確率略有下降。由統(tǒng)計(jì)結(jié)果可見(jiàn)，在群雞非粘連環(huán)境中，體質(zhì)量估測(cè)精度仍保持較好，具有一定的魯棒性。

表8 群雞場(chǎng)景體質(zhì)量估測(cè)結(jié)果Tab.8 Weight estimation results for group broilers

5 結(jié)論

(1)提出一種基于實(shí)例分割的白羽肉雞體質(zhì)量估測(cè)方法。采用Mask R-CNN與YOLACT兩種基于深度學(xué)習(xí)的實(shí)例分割方法進(jìn)行白羽肉雞目標(biāo)定位與掩膜，在復(fù)雜環(huán)境中完整地剝離出肉雞個(gè)體。為減小頭尾形變?cè)斐傻挠绊懀褂米赃m應(yīng)掩膜與基于最小二乘原則的橢圓擬合對(duì)白羽肉雞身體部分的像素面積進(jìn)行提取，再通過(guò)最小二乘法對(duì)雞體像素面積與真實(shí)體質(zhì)量進(jìn)行線性回歸建模，最后通過(guò)單只雞、群雞兩種體質(zhì)量估測(cè)試驗(yàn)對(duì)本文方法的有效性進(jìn)行驗(yàn)證。

(2)在單只雞試驗(yàn)中以Mask R-CNN進(jìn)行特征提取的體質(zhì)量估測(cè)平均準(zhǔn)確率為97.23%，以YOLACT進(jìn)行特征提取的體質(zhì)量估測(cè)平均準(zhǔn)確率為97.49%，群雞場(chǎng)景中體質(zhì)量估測(cè)最低準(zhǔn)確率為90.50%。

(3)在理想姿態(tài)、伸頭、歪頭以及部分遮擋情況下，采用本文方法對(duì)28周齡和48周齡兩種白羽肉雞均能進(jìn)行較為準(zhǔn)確的體質(zhì)量估測(cè)。