摘要
在国家提出奶业振兴战略的政策背景下，羊奶作为我国的第二大乳品类，其需求量逐步攀升。智能化和规模化养殖奶山羊是提高羊奶质量和产量的有效手段，而奶山羊行为识别技术是智能化和规模化养殖中必不可少的一项技术。通过对奶山羊行为的监测可以有效衡量奶山羊的健康情况及福利水平，从而保证羊奶的产量和质量。本文以畜牧教学实验基地的奶山羊为研究对象，针对现有行为识别算法计算量大且识别准确率较低的问题，对奶山羊的站立和行走等五种基本行为进行研究，研究内容如下： 奶山羊行为识别数据集的构建。针对当前高质量奶山羊行为识别数据集匮乏的问题，本文建立了奶山羊行为识别数据集。首先通过搭建于畜牧教学实验基地的监控平台，获得大量奶山羊视频；其次，对本文所要研究的奶山羊行为进行定义，并根据定义筛选视频；然后，将筛选出的视频片段分解为帧，并利用自动标注和手动标注结合的方式进行标注。最后将标注好的文件进行格式转换，便于后续模型训练和验证。 基于深度可分离卷积的SlowFast奶山羊行为识别。针对基于SlowFast网络的奶山羊行为识别算法参数量过多的问题，本文将深度可分离卷积扩展到三维，并提出基于深度可分离卷积的SlowFast网络。为了评估基于深度可分离卷积的SlowFast奶山羊行为识别网络的性能，使用奶山羊行为识别数据集对本文提出的网络进行训练，并与多种行为识别网络进行对比。实验结果表明，SlowFast网络在奶山羊行为识别数据集上达到了83.31%的准确率，并且使用三维深度可分离卷积能够在牺牲较少识别准确率的情况将网络参数量降低至11.23M。 基于混合注意力的SlowFast奶山羊行为识别。为了提高奶山羊行为识别网络性能，本文提出了基于时空及通道混合注意力机制（TCBAM）的SlowFast奶山羊行为识别网络，将通道注意力模块、空间注意力模块和时间注意力模块以穿行堆叠的方式组合，并加入到SlowFast行为识别算法中，以提高模型对奶山羊及关键帧的注意力，从而提升行为识别的准确率。此外，为了解决数据不平衡问题，本文采用优化FocalLoss损失函数并引入可调节权重因子，有效提高了识别准确率。实验结果表明，TCBAM模块能够有效提升网络模型对视频中奶山羊个体的关注度，并减少对行为特征贡献较小帧的干扰，将识别准确率提升到了85.28%。此外，FocalLoss损失函数能够解决数据集不平衡带来的部分类别识别准确率低的问题。
NETL