薛月菊，李诗梅，郑 婵，甘海明，李程鹏，刘洪山※

（1. 华南农业大学电子工程学院，广州 510642；2. 华南农业大学数学与信息学院，广州 510642）

0 引言

仔猪的存活率对猪场的生产力和养殖效益具有直接影响[1-2]。猪场饲养环境下，哺乳母猪姿态转换所导致的踩压仔猪，是引起仔猪死亡的主要原因之一。不同姿态转换对仔猪的威胁不相同[3-4]。研究哺乳母猪姿态转换行为的自动识别，一方面当发生姿态转换时可做出预警，提高仔猪的存活率；另一方面可统计母猪姿态转换的频率、类型和持续时间，挑选母性良好的母猪作为育种猪，从遗传育种角度降低断奶前仔猪的死亡率[5]。

目前，针对猪的姿态和姿态转换识别已有相关的研究成果。如基于传感器的母猪立姿、卧姿和爬跨姿态识别[6]和姿态转换检测[7]。但猪佩戴的传感器易脱落、发生故障，且识别精度不高[7]，而非接触式的计算机视觉技术开始被用于识别母猪姿态和姿态转换。如利用背景减法和支持向量机（Support Vector Machine，SVM）自动识别猪只姿态[8]、在深度图像中获得母猪身体各区域的深度来确定母猪姿态[9]、利用Faster R-CNN识别姿态[10]，以及先利用Faster R-CNN识别姿态再利用隐马尔科夫模型（Hidden Markov Model，HMM）识别母猪姿态转换[11]。但由于母猪在姿态转换过程中，身体高度变化幅度不尽相同，HMM未充分利用母猪形状特征，导致高危动作漏检和误检，且姿态转换时间定位不够精确[11]。

卷积神经网络（Convolutional Neural Networks，CNN）提供了一种端到端的学习模型。近几年，国内外学者开始研究长段视频的动作时空定位和分类，主流的方法包括：1）基于双流网络结构，如I3D+TCN[12]、Mask R-CNN+TCNN[13]和MOC-D[14]。……