方 鹏 郝宏运 李腾飞 王红英

(1.中国农业大学工学院， 北京 100083； 2.北京城市学院北京3D打印研究院， 北京 100083)

0 引言

人类对畜牧业产品的消费需求逐年上升，同时，畜牧业所需的生产资料(土地、水资源、劳动力等)却不断萎缩[1]，生产力与社会需求的矛盾日益凸显。在这种情况下，精准畜牧业[2-3]理念以其可持续、高效、低耗的特点应运而生。获取动物的个体行为、健康、福利信息对精准畜牧业管理决策十分重要[4-5]。机器视觉技术广泛应用于动物监测中，而基于视觉的监测技术的前提是实现对动物图像的提取和分割，只有对动物轮廓信息进行精准分割，才能对动物个体进行生长评估[6]、体况评价和行为分析[7-8](如发情行为、产前行为)等方面的研究。

机器视觉技术具有采集速度快、识别精度高的特点，同时更具有无接触、对动物应激小的优势，在鸡只体况监测[9-12]、鸡只行为识别[13-14]和鸡只福利状态监测[15-16]等方面都有广泛的应用。相关研究在很大程度上依赖于图像的分割，显然，图像分割的准确性和精度对基于机器视觉的鸡只监测技术至关重要。然而，传统的基于颜色空间[17]、帧差或者光流[18]的分割方法难以在复杂养殖环境中实现高精度、高鲁棒性的图像分割。

近年来，具有很强特征学习能力的深度卷积神经网络在计算机视觉领域得到了广泛应用。通过大量经过人工标注的图像数据的训练，神经网络可以充分提取携带丰富空间和语义信息的图像特征，并将其用于图像分割，其分割效果良好[19]。……