基于改进YOLO v3模型的奶牛发情行为识别研究

王少华 何东健

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100；2.农业农村部农业物联网重点实验室， 陕西杨凌 712100)

0 引言

目前，我国奶牛养殖场多以传统养殖方式为主，近年来随着牛奶消费需求的增加，奶牛养殖规模和数量快速增长，奶牛场劳动力成本与经济效益之间的矛盾日益突出，因此迫切需要自动化的奶牛养殖管理方法。评估奶牛发情状况是奶牛养殖的重要环节，奶牛发情期短，错过或漏识别会给奶牛场造成经济损失。传统的奶牛发情评估主要依靠人工进行观察，需要投入大量的时间和精力，因此，研究奶牛发情行为的自动识别方法具有重要意义。

随着计算机视觉技术的发展，不少研究者提出了基于视频图像分析识别奶牛发情的方法[1-8]。近年来，深度学习理论和方法得到了极大发展，研究者基于深度学习进行了许多精准养殖方面的研究[9-20]。JIANG等[9]在YOLO v3网络中加入由均值滤波算法和带泄露修正线性单元(Leaky ReLU)构成的过滤层(Filter layer)，优化训练过程，提出了一种基于FYOLO的奶牛关键部位识别方法，识别准确率为99.18%。ZHANG等[10]以视频帧和光流场变化作为网络输入，提出了一种Two-Steam的卷积神经网络模型，用于自动识别视频监控中的猪只行为，识别准确率为98.99%。何东健等[13]通过优化锚点框和改进网络结构提出了一种基于改进YOLO v3模型的挤奶奶牛个体识别方法，识别准确率为95.91%，该方法可实现复杂环境下奶牛个体的精准识别。在奶牛发情行为识别方面，PARK等[16]将采集的牛只在不同状态和行为时的叫声输入卷积神经网络，训练网络通过声音识别牛只包括发情在内的不同行为和状态，识别准确率为96.20%，但该声音采集方法对环境要求较高，不适用于奶牛场复杂的养殖环境。……