李菊霞 李艳文 牛 帆 李 荣 张 韬 景 冰

(1.山西农业大学信息科学与工程学院，太谷 030801; 2.山西财贸职业技术学院计算机系，太原 030031)

0 引言

猪只饮食行为是判断其健康状况的重要依据，科学的猪只饮食管理有利于猪只健康。实时、连续、准确地监测猪只进食、饮水状况，对预防猪只疾病、提高养殖福利具有重要意义[1]。

目前，常见的牲畜进食、饮水行为检测方法涉及无线射频技术和机器视觉技术。无线射频技术需要给猪只佩戴耳标类传感器，虽然能记录各项参数，但传感器容易被动物咬食而损坏[2]；机器视觉技术具有无接触、低成本等优点，在猪只养殖过程中得到大量应用。随着卷积神经网络(Convolutional neural network,CNN)的发展，Mask R-CNN[3]、Faster R-CNN[4]、YOLO、SSD[5]等用于目标检测的深度学习模型在猪只行为检测和猪只姿态检测等方面得到广泛应用[6-10]。相较于其他模型，基于回归思想的YOLO系列[11-13]模型在确保检测精度的情况下提升了检测速度，适用于规模化生产环境，已被应用于苹果[14]、鸡[15]、奶牛[16]等目标检测。

本文基于不同视角、不同遮挡程度以及不同光照强度的猪只饮食图像，建立猪只饮食行为的图像数据库，采用YOLOv4[17]模型对猪只饮食行为进行检测，将猪只进食、饮水行为图像数据输入到深度学习网络中，利用YOLOv4网络的深层次特征提取、高精度检测分类特性，对猪只饮食行为进行准确检测。

1 数据采集与预处理

1.1 数据采集

实验数据采集于山西省临汾市汾西县猪只培育基地，选取4只成年公猪放入约3 m×2.2 m×2.0 m圈养环境中。于2020年6月25日起，上、下午以及夜间分别拍摄时长3 h视频，连续拍摄7 d。……