在生猪养殖企业中,利用智能监控技术代替人工监控,在具有复杂背景以及严重遮挡的场景下对猪只分娩进行准确地判断并智能跟踪刚分娩出的仔猪是一项很有价值的研究课题,本课题也是企业委托研发项目中新产品的核心技术之一。在本文中,我们改进了基于深度学习的Faster R-CNN目标检测算法,在我们的猪只数据集上,改进后算法在提高猪只目标定位精度的同时大幅度提高了检测速度,然后在该算法的基础上,我们提出了实际场景下的猪只分娩识别算法和仔猪智能跟踪算法,具体工作:●改进FasterR-CNN算法。深度学习经过对大脑学习能力的研究和模仿,能对原始数据进行高效地特征提取和分析处理,是当前目标检测任务的主流算法。本文在Faster R-CNN算法的基础上,通过精心设计Anchor提升了算法在猪只数据集上的查准率和查全率;在神经网络前向传播产生的候选目标框中,去除低置信度的目标框从而避免其参与时间复杂度高的非极大值抑制计算,在不影响精度的前提下大幅度地提升了算法的检测速度。● 猪只分娩识别及仔猪目标跟踪。本文首先提出了仔猪出生区域划定算法,对于每一张待检测图片,如果有大猪,就划定精确的仔猪出生区域;然后提出了当前仔猪数量判定算法,对于视频中的每一帧,算法都会计算出当前仔猪数量;最后,本文提出了一种基于距离的目标框匹配算法,当仔猪出生后,使得前后两帧的仔猪框编号一一对应,达到跟踪的目的。● 系统的工程实现与项目部署。在本文提出的上述算法基础上,我们研发了一个猪只分娩识别及仔猪跟踪系统原型,该系统由C++语言编写设计,部署在windows 7操作系统上。在合作企业方提供的实际分娩场景下对多路海康摄像头并行监控。经过大量的测试实验,结果表明在复杂场景下,系统对于仔猪出生时刻的判定正确率在97%以上,并且在严重遮挡情况下也能很好地跟踪仔猪,具有较好的商用价值。