01  论文基本信息

《智能化农业装备学报（中英文）》2023年第4卷第1期“智能化养殖关键技术与装备”专题刊载了东北农业大学 闫凯，高悦，戴百生，孙红敏，尹艳玲，沈维政的论文——基于无锚时序动作定位的群养生猪争斗行为检测研究。该研究由国家自然科学基金项目（31902210，32172784）；黑龙江省高校青年创新人才培养计划项目（UNPYSCT—2018142）；黑龙江省科学基金青年科学基金项目（QC2018074）；东北农业大学东农学者计划“青年才俊”项目（18QC23）资助。

02  引文信息

引用格式如下，欢迎大家阅读、引用。

闫凯, 高悦, 戴百生, 孙红敏, 尹艳玲, 沈维政. 基于无锚时序动作定位的群养生猪争斗行为检测研究[J]. 智能化农业装备学报（中英文）, 2023, 4(1): 17-25.

Yan Kai, Gao Yue, Dai Baisheng, Sun Hongmin, Yin Yanling, Shen Weizheng. Research on detection of aggressive behavior among gregarious pigs based on anchor-free temporal localization[J]. Journal of Intelligent Agricultural Mechanization, 2023, 4(1): 17-25.

DOI: 10.12398/j.issn.2096-7217.2023.01.002

扫描二维码可阅读/下载全文

03  论文研究内容

摘要：现代生猪养殖业不断趋于规模化和集约化，密集型群养环境下生猪的争斗行为频繁发生，严重影响生猪健康、福利、生产性能以及养殖场经济效益。以群养猪舍监控视频为研究对象，提出一种基于端到端的无锚时序动作定位框架的群养生猪争斗行为检测模型，以实现从群养生猪监控视频中自动检测出争斗行为的发生及其发生时段。该模型首先通过I3D特征提取网络提取监控视频中具有代表性的争斗行为特征，随后将该特征输入时序金字塔网络获取多尺度的时序信息，最后使用粗糙预测获取初始提名，使用精细预测对得到的粗糙提名进行细化，粗糙预测通过时序卷积网络回归出动作区间的帧位置、距离动作开始和结束位置的偏移量以及所发生的动作类别，精细预测通过激活指导学习和边界对比学习来对边界位置进行细化并得到最后的预测结果。为了训练和验证所提出模型，构建包含174段不同时长视频和464段时序标注的群养生猪争斗行为检测视频数据集。试验结果表明，该模型能够在提名数量为100段时在平均tIoU下达到79.1%的召回率，对包含10段争斗行为的90 min的原始监控视频进行检测，预测结果能覆盖所有真实实例，能较好地完成群养生猪争斗行为检测的任务。本研究可为现代化生猪养殖场实现生猪行为智能分析与健康养殖提供参考和借鉴。

关键词：群养生猪, 争斗行为, 视频识别, 行为检测

Abstract: The modern pig farming industry tends to scale up and intensify, and the aggressive behavior among gregarious pigs occurs frequently, which seriously affects their health and production, and economic benefit. An end-to-end anchor-free temporal localization framework is proposed to automatically detect aggressive behavior among gregarious pigs, its occurrence and their time periods by means of surveillance videos. The model first extracted the representative aggressive behavior from the surveillance video by I3D feature extraction network, and then input the features into the temporal pyramid network to obtain multi-scale temporal information, and finally used coarse prediction to obtain the initial nomination, and used fine prediction to refine the obtained coarse nomination, and the coarse prediction regressed the frame position of the action interval, the offset from the start and end of the action, and the occurrence of the action by the temporal convolution network. The fine prediction refined the boundary positions and obtained the final prediction results by activation-guided learning and boundary contrast learning. In order to train and validate the proposed model, a video dataset containing 174 videos of different durations and 464 temporal annotations for the detection of aggressive behavior among gregarious pigs was constructed. The experimental results showed that the model could achieve a recall rate of 79.1% at average tIoU when the number of nominations was 100, and detected 90 min of original surveillance video containing 10 segments of aggressive behaviors, and the prediction results could cover all real instances, which could better detect the aggressive behavior among gregarious pigs. This study can provide a reference for modern pig farms to achieve intelligent analysis and healthy breeding.

Keywords: gregarious pigs, aggressive behavior, video recognition, behavior detection

04  作者简介

第一作者：闫凯，硕士研究生；研究方向为智慧畜牧与数字农业。E-mail: 564307745@qq.com

通讯作者：戴百生，博士，副教授；研究方向为智慧畜牧与数字农业。E-mail: bsdai@neau.edu.cn

《智能化农业装备学报（中英文）》是经国家新闻出版署批准，中华人民共和国农业农村部主管、农业农村部南京农业机械化研究所主办的农业工程类学术期刊。中国工程院罗锡文院士担任编辑委员会主任委员。国内统一刊号：CN 32-1887/S2国际标准刊号：ISSN 2096-7217

《智能化农业装备学报（中英文）》是经国家新闻出版署批准，中华人民共和国农业农村部主管、农业农村部南京农业机械化研究所主办的农业工程类学术期刊。中国工程院罗锡文院士担任编辑委员会主任委员。国内统一刊号：CN 32-1887/S2国际标准刊号：ISSN 2096-7217

期刊网站：http://znhnyzbxb.niam.com.cn

联系电话：025-84346292

电子邮箱：jiam@caas.cn