基于視頻分析的雞群活動(dòng)量異常檢測輕量化算法

周小芹＊，呂 嘉，金 宇

（1.河海大學(xué)信息學(xué)部物聯(lián)網(wǎng)工程學(xué)院，江蘇 常州 213022；2.中國移動(dòng)通信集團(tuán)河南有限公司，河南 鄭州 450000）

我國肉雞生產(chǎn)歷史悠久，也是我國畜禽養(yǎng)殖業(yè)走向規(guī)?；⒖茖W(xué)化、產(chǎn)業(yè)化的最早的行業(yè)之一[1]。隨著養(yǎng)殖范圍的擴(kuò)大，對養(yǎng)殖過程中雞群健康狀態(tài)的監(jiān)管難度也在增加，如果雞只染病后發(fā)現(xiàn)不及時(shí)，將增加爆發(fā)大規(guī)模傳染病的風(fēng)險(xiǎn)。如何采取科學(xué)有效的方法對雞群的健康狀態(tài)進(jìn)行準(zhǔn)確評估，成為肉雞養(yǎng)殖業(yè)亟待解決的問題。

目前，已有養(yǎng)殖企業(yè)通過指派專門技術(shù)人員對雞群行為進(jìn)行觀察，用手工記錄雞只在不同狀態(tài)下各行為發(fā)生的頻次、持續(xù)時(shí)間，作為肉雞健康狀態(tài)的判斷依據(jù)。這種方法費(fèi)時(shí)費(fèi)力，不適用于大規(guī)模養(yǎng)殖模式下肉雞生理健康狀況的診斷。隨著傳感器技術(shù)的發(fā)展，劉燁虹等[2]基于無線傳感器網(wǎng)絡(luò)、使用ZigBee 通信協(xié)議，針對雞只的體型設(shè)計(jì)背包式佩戴帶，這是一個(gè)有應(yīng)激的數(shù)據(jù)采集與監(jiān)控系統(tǒng)，初次佩戴后需要較長時(shí)間的適應(yīng)期，呼吸運(yùn)動(dòng)也會影響對雞只活動(dòng)狀態(tài)判斷的準(zhǔn)確性。

人工智能技術(shù)的進(jìn)步，促進(jìn)了動(dòng)物無應(yīng)激測量和行為分析的發(fā)展。將人工智能技術(shù)與傳統(tǒng)產(chǎn)業(yè)深度融合，有望解決傳統(tǒng)產(chǎn)業(yè)遇到的諸多難題[3]。莊曉霖[4]使用基于深度學(xué)習(xí)的目標(biāo)檢測方法對病雞與健康雞進(jìn)行判斷與分類，一定程度上滿足病雞檢測需求。姚和陽[5]提出Faster-RCNN-OHEM 算法，建立了適用于黃羽雞識別的卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)黃羽雞飲食、飲水、振翅等行為的識別。以上方法都是基于圖像的靜態(tài)檢測方法，沒有利用視頻的時(shí)序信息對雞群行為或活動(dòng)量進(jìn)行動(dòng)態(tài)估計(jì)。2021 年李娜[6]使用深度學(xué)習(xí)方法法對雞只進(jìn)行多目標(biāo)跟蹤，通過計(jì)算雞只個(gè)體運(yùn)動(dòng)速度和群體平均運(yùn)動(dòng)速度，將雞只的異常狀況進(jìn)行報(bào)警，如病死雞報(bào)警、驚嚇報(bào)警和打架報(bào)警。本研究基于YOLOv5 和改進(jìn)的Deep SORT 算法對雞群進(jìn)行目標(biāo)檢測與跟蹤，通過計(jì)算得到雞群活動(dòng)量數(shù)據(jù)，判斷雞群的狀態(tài)是否異常，實(shí)現(xiàn)對疫情等的早期預(yù)警。

1 材料與方法

1.1 視頻采集

本研究實(shí)驗(yàn)視頻來自于某家禽養(yǎng)殖試驗(yàn)場的雞舍監(jiān)控?cái)?shù)據(jù)，視頻拍攝時(shí)間為2021 年6 月23 日～27日，視頻拍攝對象為黃羽雞，攝像機(jī)位于黃羽雞雞舍天棚矩形短邊上，斜向下俯視拍攝，能夠拍攝到雞舍內(nèi)黃羽雞的活動(dòng)區(qū)域，見圖1。原始視頻共390 段，平均時(shí)長為15 min，分辨率為1 920×1 080，視頻幀率為25 fps，mp4 格式。

圖1 黃羽雞雞舍原始監(jiān)控視頻

1.2 技術(shù)路線

本研究旨在利用深度學(xué)習(xí)方法通過視頻監(jiān)控對黃羽雞進(jìn)行實(shí)時(shí)跟蹤并進(jìn)行異常活動(dòng)量檢測，主要包括5 部分：

（1） 構(gòu)建數(shù)據(jù)集：構(gòu)建3 個(gè)數(shù)據(jù)集，分別用于訓(xùn)練目標(biāo)檢測模型、重識別模型和驗(yàn)證多目標(biāo)跟蹤效果。視頻中的黃羽雞姿態(tài)復(fù)雜、密度高，為了增強(qiáng)數(shù)據(jù)集的多樣性，使用了兩種方法對視頻進(jìn)行標(biāo)注。一種方法是使用DarkLabel 進(jìn)行標(biāo)注，每10 幀提取1 幀加入數(shù)據(jù)集；另一種方法是先對視頻分幀，然后使用LabelImg 進(jìn)行人工標(biāo)注。通過標(biāo)注、裁剪，最終確定了8 000 幅圖像作為目標(biāo)檢測的數(shù)據(jù)集，其中訓(xùn)練集6 400 幅圖像，驗(yàn)證集1 600 幅圖像，另外選出1 600 幅圖像作為測試集。為了提高重識別結(jié)果的準(zhǔn)確性，再次使用DarkLabel 進(jìn)行標(biāo)注，根據(jù)標(biāo)注過程中的不同標(biāo)號區(qū)分不同個(gè)體，重識別數(shù)據(jù)集包括30 只雞的1 800 幅圖像，平均每只雞40 幅圖像作為訓(xùn)練集，20 幅圖像作為驗(yàn)證集。

（2） 雞群目標(biāo)檢測模塊：利用雞群目標(biāo)檢測數(shù)據(jù)集訓(xùn)練YOLOv5s 輕量化模型，用于雞群的目標(biāo)檢測，作為多目標(biāo)跟蹤的檢測器。

（3） 雞群重識別網(wǎng)絡(luò)構(gòu)建：利用雞群重識別數(shù)據(jù)集訓(xùn)練Mudeep[7]用于雞群目標(biāo)重識別。

（4） 雞群多目標(biāo)實(shí)時(shí)跟蹤的實(shí)現(xiàn)：結(jié)合YOLOv5s 模型、Mudeep 模型與改進(jìn)的Deep SORT 模型，實(shí)現(xiàn)雞群的多目標(biāo)實(shí)時(shí)跟蹤。

（5） 結(jié)果分析：通過對目標(biāo)檢測效果、重識別效果、多目標(biāo)跟蹤效果進(jìn)行評價(jià)，全面評估雞群多目標(biāo)跟蹤模型的效果，對雞群的活動(dòng)量進(jìn)行綜合計(jì)算，對雞群進(jìn)行異常檢測。

1.3 雞群活動(dòng)量異常檢測

本研究雞群活動(dòng)量異常檢測依賴于場景中多目標(biāo)的檢測與跟蹤，Deep SORT 算法是一個(gè)兩階段算法，其中目標(biāo)檢測算法關(guān)系到跟蹤算法的準(zhǔn)確度與速度，基于多目標(biāo)跟蹤的活動(dòng)量異常檢測流程圖, 見圖2。

圖2 基于多目標(biāo)跟蹤的活動(dòng)量異常檢測流程圖

1.3.1 目標(biāo)檢測算法

YOLO（You Only Look Once）是目標(biāo)檢測領(lǐng)域常用的神經(jīng)網(wǎng)絡(luò)模型，它將目標(biāo)檢測問題轉(zhuǎn)化為回歸問題，用卷積神經(jīng)網(wǎng)絡(luò)就可以直接從輸入圖像預(yù)測目標(biāo)對象所在位置和概率，實(shí)現(xiàn)了端到端的目標(biāo)檢測。YOLOv5s 是YOLOv5 系列中深度最小、特征圖寬度最小、參數(shù)量最小的網(wǎng)絡(luò)，而且部署簡單，因此本研究選擇使用YOLOv5s 輕量級網(wǎng)絡(luò)模型。YOLOv5s 網(wǎng)絡(luò)主要由輸入端、Backbone、Neck 和輸出端組成。

YOLOv5s 的輸入端采用了Mosaic 數(shù)據(jù)增強(qiáng)方式，通過隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式大大豐富了檢測數(shù)據(jù)集，適用于雞群小目標(biāo)、分布不均勻的特定場景。在Backbone 階段，設(shè)計(jì)了Focus 結(jié)構(gòu)，還使用了不同的CSP 結(jié)構(gòu)，不僅能夠增強(qiáng)網(wǎng)絡(luò)學(xué)習(xí)能力，而且在輕量化網(wǎng)絡(luò)的同時(shí)保證檢測準(zhǔn)確率。在Neck階段，采用FPN+PAN 結(jié)構(gòu)加強(qiáng)了網(wǎng)絡(luò)特征融合的能力。在輸出階段，通過損失函數(shù)的改進(jìn)，提升了遮擋重疊目標(biāo)的檢測能力。雞群多目標(biāo)檢測效果，見圖3。

圖3 雞群多目標(biāo)檢測效果

1.3.2 改進(jìn)的多目標(biāo)跟蹤算法

針對跟蹤時(shí)雞只互相遮擋、快速運(yùn)動(dòng)過程中產(chǎn)生非剛性形變等導(dǎo)致的ID 頻繁轉(zhuǎn)換、目標(biāo)丟失問題，對原Deep Sort 算法進(jìn)行改進(jìn)。采用廣義交并比（GIOU）替換原Deep Sort 的交并比（IOU）進(jìn)行關(guān)聯(lián)匹配，擴(kuò)大預(yù)測框。經(jīng)測試，相鄰兩幀同一雞只的運(yùn)動(dòng)距離有限，將雞只預(yù)測框的寬與高均擴(kuò)大1.2 倍，緩解雞只快速跑動(dòng)導(dǎo)致匹配失敗的問題。

根據(jù)雞只重識別數(shù)據(jù)集，對ReID 網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練，使其適合雞只對象跟蹤。ReID 模型使用了18層殘差網(wǎng)絡(luò)、36 層卷積、特征維度512，通過調(diào)參發(fā)現(xiàn)，加深卷積層深度有助于雞只的跟蹤，最終獲取黃羽雞深度特征權(quán)重文件。雞群多目標(biāo)跟蹤效果，見圖4。

圖4 雞群多目標(biāo)跟蹤效果

1.3.3 活動(dòng)量異常識別

通常情況下雞只運(yùn)動(dòng)較慢，但運(yùn)動(dòng)不具有規(guī)律性，例如展翅時(shí)出現(xiàn)非剛性形變；當(dāng)雞只快速運(yùn)動(dòng)（例如打架時(shí)），產(chǎn)生速度突變和方向突變。因此，本研究在進(jìn)行活動(dòng)量統(tǒng)計(jì)時(shí)，既考慮雞只的運(yùn)動(dòng)距離，又考慮雞只外觀形狀的變化。計(jì)算雞只活動(dòng)量步驟如下：

（1） 計(jì)算雞只運(yùn)動(dòng)距離參數(shù)。根據(jù)相鄰兩幀之間正確跟蹤的雞只檢測框中心的歐式距離進(jìn)行計(jì)算，如公式（1）所示：

式中，i 表示第i 只雞只，k 表示幀號，x、y 為檢測框的中心坐標(biāo)。

（2） 計(jì)算雞只形變參數(shù)。根據(jù)相鄰兩幀之間正確跟蹤的雞只檢測框的長寬比進(jìn)行計(jì)算，如公式（2）所示：

式中，i 表示第i 只雞只，k 表示幀號，w、h 為檢測框的寬度和高度。

（3） 計(jì)算雞群活動(dòng)量。根據(jù)每只雞只相鄰幀的運(yùn)動(dòng)距離參數(shù)和形變參數(shù)，計(jì)算相鄰幀雞群活動(dòng)量，如公式（3）所示：

式中，n 是一幀圖像中被正確跟蹤的雞只數(shù)量，di是第i 只雞只相鄰幀運(yùn)動(dòng)距離參數(shù)，hi是第i 只雞只相鄰幀形變參數(shù)。

（4） 異常識別。將每一幀雞群的活動(dòng)量數(shù)據(jù)導(dǎo)入數(shù)據(jù)庫，基于局部離群因子LOF（Local Outlier Factor）算法找出異常值。這是一種基于密度的方法，優(yōu)勢在于不對數(shù)據(jù)分布做太多要求，還能量化每個(gè)數(shù)據(jù)點(diǎn)的異常程度。

2 分析與討論

本研究方法對測試視頻的目標(biāo)檢測指標(biāo)mAP（Mean Average Precision） 為 95.3% ，Precision 為93.7%，Recall 為97%。跟蹤指標(biāo)MOTA（Multi-object tracking accuracy）為63.6%，MOTP（Multi-object tracking precision）為80.8%。實(shí)驗(yàn)表明，跟蹤成功與否主要取決于目標(biāo)檢測是否成功，通常情況下，只要目標(biāo)檢測成功，就可以跟蹤目標(biāo)，并且較少發(fā)生ID 切換。反之，遮擋嚴(yán)重會發(fā)生漏檢，陰影較多時(shí)會發(fā)生誤檢。總之，雖然改進(jìn)的跟蹤算法一定程度上可以對快速運(yùn)動(dòng)目標(biāo)正確跟蹤，減少ID 切換，但是仍然依賴于目標(biāo)檢測算法的性能。

3 結(jié)論

為提高規(guī)?；怆u養(yǎng)殖的精細(xì)管理水平，改善人工觀測雞群活動(dòng)的局限性，本研究采用YOLOv5 和改進(jìn)的Deep Sort 算法提取雞群運(yùn)動(dòng)參數(shù)和外觀參數(shù)，設(shè)計(jì)活動(dòng)量異常統(tǒng)計(jì)方法，使得工作人員能夠快速且準(zhǔn)確的定位異常發(fā)生的地點(diǎn)與時(shí)間，及時(shí)采取干預(yù)措施，將人工智能技術(shù)引入家禽養(yǎng)殖領(lǐng)域，為精準(zhǔn)養(yǎng)殖提供新的技術(shù)發(fā)展方向。