内容一览：对养猪业而言，母猪产仔是其间要害的一环。因而，进步猪仔成活率、保证母猪临产进程安全，成为重要课题。现有的 AI 监测办法，存在着高设备成本与信息传输不稳定的问题，南京农业大学研究人员，利用一种轻量级深度学习办法，对母猪临产这一进程进行前期预警和有效监测，下降成本的一起，提升了监测准确率。
要害词：嵌入式开发板 轻量级深度学习
本文首发于 HyperAI 超神经微信大众平台～
作者｜alice
编辑｜三羊
我国生猪饲养业规划居全球首位，但工业整体仍旧面临着饲养水平较差的问题。关于很多大型养猪场，最要害的是在进步猪仔成活率的一起下降成本。传统办法靠人力监管难度大且主观性强，面临母猪临产进程中难产、猪仔窒息等一系列问题，难以及时有效地处理。
近几年，AI 监控已成为解决这一问题的重要办法。其原理大多是借助云计算为根底的深度学习来进行监控，然而这一办法对设备与网络宽带要求高，具有很强的限制性与不稳定性。
据中国养猪网介绍，母猪在临产前 12-24 小时内，由于催产素或催乳素的作用，往往会表现出筑巢行为，且姿态改换频率添加。**根据此，试验团队经过 YOLOv5 算法规划出一个监测母猪姿态与猪仔出生的模型，并布置在英伟达 Jetson Nano 开发板上，**从而在复杂场景中对该进程进行监测和剖析，具有低成本、低延迟、高效率、易实现的特色。
现在这一成果于 2023 年 1 月发表于《Sensors》期刊，标题为：「Sow Farrowing Early Warning and Supervision for Embedded Board Implementations」。
论文地址： www.mdpi.com/1424-8220/2…
试验概述
数据与处理
视频数据来自江苏宿迁与靖江两个饲养场，**共收集了 35 头围产期母猪的视频数据。**其间靖江猪场的 11 头母猪的数据记载于 2017 年 4 月 27 日至 5 月 13 日，宿迁猪场的 24 头母猪的数据记载于 2020 年 6 月 9 日至 15日。母猪被随机放置在特定尺寸 (2.2m x 1.8m) 的产床之中，视频数据由摄像头 24 小时连续记载。
流程如下：
接下来，对数据进行预处理。试验团队首要筛选出母猪临产前后一天录制的视频，然后用 Python 和 OpenCV 将其处理成图画数据。**利用标签软件对获取的 12,450 张图画中的母猪姿态及重生仔猪数据进行手动标注和数据增强，**得到 32,541 张图画数据组成数据集。
数据增强 (Data Augmentation)：此处指裁剪、平移、旋转、镜像、改动亮度、添加噪音和剪切)
这个数据集被分为 5 个类别：4 种母猪姿态（侧卧、胸骨卧、站立和坐）和仔猪，练习集、验证集和测验集的份额为 7 : 1 : 2。
试验模型
**试验团队利用 YOLOv5s-6.0 建立了一个检测母猪姿态和仔猪的模型。**此模型由 4 个部分组成：
Input：图画输入
BackBone：母猪和仔猪图画特征的提取
Neck：图画特征的融合
Prediction：猜测（因母猪和仔猪的体型差异较大，这一部分运用了 3 种不同的特征图 (feature map)，以进行大、中、小方针对象的检测）
a：CBS 模块细节
b：Res-unit 模块细节
c：CSP1_X 和 CSP2_X 模块细节结构
d：SPPF 模块细节结构
试验团队将算法布置在英伟达推出的 Jetson Nano 系列嵌入式 AI 计算平台，并利用 TensorRT 来优化模型，使其后续在嵌入式开发板上的运转具有更高的吞吐量和更低的延迟，一起避免了网络传输进程中或许存在的数据走漏。
图 4: TensorRT的工作流程
具体参数如下：
模型练习环境：Ubuntu 18.04 操作系统，Intel(R) Xeon(R) Gold 5118 @ 2.30 GHz CPU，NVIDIA Quadro P4000 GPU，8 GB 显存，64 GB 内存，2-TB 硬盘，PyTorch 1.7.1 和 Torchvision 0.8.2 深度学习框架，CUDA 版本 10.1。
模型布置环境：适配 ARM 的 Ubuntu 16.04 操作系统，4 核 ARM A57 @ 1.43 GHz CPU，128 核 Maxwell 架构GPU，4 GB memory，JetPack 4.5，Cuda10.2.89，Python 3.6，TensorRT 7.1，Opencv 4.1.1，CMake 3.21.2 深度学习环境。
模型参数：(1) 关于 YOLOv5 练习，设置 epoch 300，learning_rate 0 .0001，batch_size 16；(2) 关于 TensorRT 优化网络，batch_size 为 1，精度 fp16。
最终试验团队运用精度 (precision)、召回率 (recall rate) 和检测速度 (detection speed) 等方针对不同算法进行了功能评价。
其间，精度及召回率可用于衡量算法检测一切类别数据的才能，包括 4 种母猪姿态（侧卧、胸骨卧、站立和坐）及重生小猪；模型巨细及检测速度则用于衡量该算法是否适合布置在嵌入式设备上。
计算公式如下：
FP：正样本的过错猜测数
FN：负样本 (negative sample) 的过错猜测数
试验成果
模型功能
试验团队发现，在模型练习的 300 个 epoch 中，随着迭代周期添加，精度和召回率整体呈上升趋势。一起可发现，进行数据增强后的 YOLOv5s 模型的精度和召回率一直较高。
图 5：YOLOv5s 检测模型的精度和召回率
a：精度 (precision)
b：召回率 (recall)
橘线：经过数据增强后的 YOLOv5s 模型的精度/召回率
蓝线：未经数据增强的 YOLOv5s 模型的精度/召回率
试验中，均匀精度 (mAP) 被用来评价该算法检测一切类别的才能。试验团队在评价 YOLOv5s 算法的一起，还横向比照了 YOLOX-nano 和 NanoDet-m 两种算法的功能，成果发现，YOLOX-nano 和 NanoDet-m 的检测速度略快于 YOLOv5s，但精度较低，存在对仔猪漏检和误检的状况。而 YOLOv5s 算法对不同尺寸的方针检测作用良好，模型在图画、本地视频和摄像头的均匀检测速度上与其他两种相当。而且，经过数据增强的 YOLOv5s 模型具有最高的精度和召回率，分别为 0.982 和 0.937。
为了测验模型的的泛化才能 (generalization ability) 与抗干扰才能，试验团队在练习模型时分将其间一头母猪保留作「新样本」，从中挑选了 410 张包括不同复杂场景的图画对模型进行测验。成果显现，母猪姿态的漏检和误检首要遭到光照改变影响；仔猪首要遭到热灯敞开的影响，即强光下的仔猪难以辨认；榜首只仔猪出生时刻和不同色彩热灯场景对模型的检测才能影响较小。
左二栏：母猪姿态的漏检率在复杂光照下最高
左三栏：母猪姿态的误检率在复杂光照下与夜间敞开热灯的状况下较高
左四栏：仔猪误检数量在复杂光照下和夜间热灯敞开的状况下较高
左五栏：仔猪漏检数量在夜间热灯敞开的状况下较高
a：复杂光照下
b：榜首只仔猪出生
c：不同色彩的热灯下
d：夜间热灯敞开
布置前后
试验团队将模型布置在英伟达 Jetson Nano 后，可以准确地对母猪姿态以及猪仔进行检测。比较测验成果后发现，尽管该模型布置在英伟达 Jetson Nano 后精度上呈现了细小的下降，可是其速度却提升了 8 倍以上。
表 3：模型测验作用比照
左一栏：模型的格式
左二栏：模型布置平台，Quadro P4000 为比照测验所用平台。
嵌入式开发板上的 GPU 利用率限制了该模型的实际使用才能。下图展示了模型在嵌入式开发板上检测图画和视频方针时的 GPU 利用率。由于需求对视频流进行解码处理，因而在检测视频时的 GPU 利用率高于检测图画时的利用率，但这并不影响模型的功能。测验成果表明，研究中的模型可以使用于不同的出产场景。
图 7：检测进程中 GPU 利用率
(a) 图画检测中 GPU 的利用率
(b) 视频检测中 GPU 的利用率
检测成果
试验团队经过对 22 头母猪的数据进行测验和剖析，**得出产前 48 小时至产后 24 小时母猪均匀姿态转化频率。**依据改变频率（下图所示），团队将模型的预警战略概括为：
1. 姿态转化频率超上限值（17.5 次/小时）和低于下限值（10 次/小时）时宣布警报。
2. 为了削减母猪日常活动对预警的影响，上限值或下限值必须超过 5 小时。
对样本的测验表明，该模型可以在产仔开端前 5 小时宣布警报，预警时刻与产仔实际时刻误差为 1.02 小时。
图 8: 母猪产前 48 小时至产后 24 小时均匀姿态转化率剖析图
(a) 均匀姿态转化率改变规模
(b) 均匀姿态转化频率
产前 48 小时至产前 24 小时，此期间母猪活动正常
产前 24 小时至产前 1 小时，姿态转化频率逐步添加，后逐步削减
产后 1 小时至 24 小时，姿态转化频率接近 0，后略有添加
当首个重生仔猪被检测到后，临产警报就会被触发，显现「开端临产！起始时刻：XXX」。此外，LED 灯闪耀也可以协助饲养员快速定位正在临产的母猪，判别是否需求人工干预。
可是当检测速度过高时，仔猪往往被过错地检测到。因而，为了实现实时检测，削减误报，试验团队采取了「连续三次检测法」。只有连续三次检测到重生仔猪时，才判别为仔猪。此办法误报次数为 1.59 次，传统单次检测法则为 9.55 次。误报次数显着下降，整体均匀准确率为 92.9%。
AI 养猪：智慧饲养新纪元
我国作为全球生猪饲养大国，2015 年至 2018 年，生猪年出栏量为 7 亿头左右。但近年来，遭到猪瘟等影响，生猪存栏量及出栏量不断有较大波动。据已发布的行业研究数据，近年来生猪饲养散户份额不断下降，规划化程度不断进步，因而要求更高效集约的饲养技术使用到生猪饲养业中。
在国内，AI 养猪已有牢靠产品。阿里云联合艾博机器、旗硕科技推出 AI 养猪解决方案，满意了多元场景的需求。京东农牧智能饲养方案根据 AI、物联网等技术，实现了「猪脸辨认，全链溯源」。AI 带来的更智能、更精细的饲养模式正在逐步推广。
然而现在 AI 养猪的推广还面临着费用高、操作较为复杂等亟待解决的问题，怎么让更多的养猪场敞开怀有接纳 AI，恐怕还有很长的路要走。
本文首发于HyperAI 超神经微信大众平台～
参考链接：
[1]www.163.com/dy/article/…
[2]xueshu.baidu.com/usercenter/…
[3]www.aliyun.com/solution/go…
[4]www.dekanggroup.com/index/news/…
[5]www.thepaper.cn/newsDetail_…
[6]reurl.cc/mDKyEM
[7] 丁奇安，刘龙申，陈佳，太猛，沈明霞. 根据 Jetson Nano 的哺乳期仔猪方针检测[J/OL]. 农业机械学报.
