养猪业是关系到国计民生的重要产业,对保障猪肉食品的安全可靠供应意义重大。随着规模化养猪业的发展,对实现自动监控猪行为的人工智能需求也越来越强。利用机器视觉对猪舍环境下猪群状态及个体行为监控,有助于提高经营效益和生产能力,保障动物福利,具有广阔应用前景。在对国内外研究现状分析总结的基础上,开展了基于机器学习的猪群状态与猪只个体行为识别的智能化研究,主要研究工作如下:(1)对所采集的猪只视频图像特点进行了分析,详细阐述了基于前景目标分割算法的多目标跟踪方法基本原理,介绍了猪只行为监控系统的实现原理及技术算法,为开发高效且实用的猪只行为识别系统奠定了基础。采用直方图均衡化、双边滤波,使用自适应阈值分割方法自动计算局部阈值完成前景目标的初步提取,采用Kalman滤波算法进行目标自动跟踪,以实现持续地识别猪只状态与行为。采用形态学处理方法对图像进行简化并过滤掉格栅、墙缝等背景干扰像素,并自动建立非交互式标记矩阵,使用GrabCut算法分割前景目标像素,精确提取目标像素区域,可以有效提高前景目标的识别准确度,结构相似度SSIM大于88%,提出的方法相比于传统算法效率显著提高,平均运算时长比传统GrabCut算法减少了23%。本方法实现了非交互式的多前景目标的有效分割,满足视频监控系统的实时性要求,为视频监控系统的智能预警提供可靠的前景分割数据。(2)提出了基于机器学习的猪群挤压状态识别方法。在顶部视图下,利用前景分割图像中粘连区域无法分离的特性,通过寻找轮廓并以椭圆拟合,计算椭圆面积、旋转角度、椭圆离心率、椭圆长轴和短轴等作为特征向量,分析对比了特征向量的相关性和特异性,使用支持向量机、adaboost和随机森林等多种机器学习方法进行样本训练建立分类器模型,从而识别猪群是否为挤压状态,其中基于支持向量机的分类器准确率可达到95%以上。根据严重程度发出智能预警,避免小猪长时间受到挤压,从而提高小猪的存活率。(3)基于机器学习方法对猪只个体行为进行了识别研究。通过旋转矩形框标记侧视图生猪体态,提取重心坐标、旋转角度、前景目标面积、质心到腹部的距离和旋转框的高度与长宽比等特征向量,采用支持向量机训练所提取的猪只轮廓多维特征向量样本,实现了对猪只行走、躺卧姿态的识别。但传统机器学习方法存在准确度依赖于多维特征向量的提取精度的不足,不能有效适应不同复杂环境下的猪只行为识别要求。(4)基于深度学习领域技术在猪只个体行为识别方面进行了研究与探索,训练并建立了针对猪舍环境下GoogLeNet卷积人工神经网络的深度学习模型,该模型无需对图像进行目标分割、跟踪和特征提取等工作,可直接快速有效地检测猪只个体姿态,有效克服复杂环境约束,针对站立、躺卧等行为,可以获得96%以上的识别准确率。基于深度学习的卷积人工神经网络克服了传统图像处理、视频跟踪方法和传统机器学习方法适用领域的不足,扩展了基于深度学习的卷积人工神经网络的应用领域,为进一步推进深度学习技术与猪只行为监控系统的研究与发展提供了必要的理论基础与技术保障。