方 鹏 郝宏运 王红英

(中国农业大学工学院， 北京 100083)

0 引言

动物行为直接反映动物机体对环境的适应程度，不同的行为方式反映动物自身的不同状态，是动物福利评估的重要指标[1-2]，而畜禽生产中动物行为的突然改变往往是动物机体发出的预警信号[3]。因此，实现对动物行为的识别检测对于评估动物福利及健康状态具有重要意义。

相比于奶牛、猪等大体型动物，蛋鸡养殖具有群体大、养殖密度高的特点，其个体行为的识别相对困难[4]。目前，人们主要基于机器视觉技术对蛋鸡行为的识别、分类进行了研究。LEROY等[5]对蛋鸡轮廓图像进行椭圆拟合，建立点分布模型，可对单只蛋鸡的站立、行走和抓挠行为进行识别。劳凤丹等[2,6]针对鸡只的RGB图像和深度图像，基于贝叶斯分类方法实现了对单只蛋鸡行为的识别检测，可对鸡只的采食、运动、饮水等10种行为进行有效识别,大多数行为的识别准确率在90%以上。MEHADIZADEH等[7]对鸡只采食过程中的头部位移、喙部张开速度及闭合速度、喙部张开加速度和闭合加速度等参数的自动检测进行了研究，对鸡只采食行为进行了深入的生物力学研究。上述基于机器学习技术的家禽行为识别技术虽然能达到较高的准确率，但由于需人工提取图像的特征参数，存在模型泛化性、鲁棒性差，特征提取困难的缺点。

深层卷积神经网络的兴起为动物行为的精确识别提供了新思路。由于深层卷积神经网络能够通过大量样本对数据特征进行自主学习，尤其对图像具有极强的表征能力，可以自动提取图像特征，在目标检测和分类领域均有优异表现，在动物行为检测方面也有相关研究。……