Identifying mounting behaviour in boars using deep learning-based instance segmentation and binary classification - a pilot study

引言 群养公猪中的爬跨行为对动物福利和生产性能构成重大挑战，常导致损伤和应激。为解决此问题，我们开发了一种基于计算机视觉的新方法，用于自动检测猪的爬跨行为。方法 本试验研究在8头4-5月龄、体重介于60-90公斤的公猪上进行，分为两组，每组4头。使用顶置摄像头连续采集一周的视频资料，共获得766段2秒的视频片段。所提出的混合方法结合了基于掩码区域的卷积神经网络（Mask R-CNN）实例分割与二元分类器。为评估模型在不同数据条件下的表现，数据集被划分为训练集、验证集和测试集，采用三种数据分组方案：按帧、按片段和按天划分。结果 在评估的五种二元分类算法中，基于其优越性能选择了支持向量机（SVM）。混合系统在按片段划分时达到了95%的平衡准确率和F1分数，在按帧划分时提升至99%，而在按天划分时降至74%。讨论 在试验条件下，该系统为群养公猪爬跨行为的持续监测提供了一个可行的概念验证，处理速度为每秒五帧。这一能力为支持早期干预和主动福利管理提供了强大潜力，但需在未来进行多地点验证。展望未来，研究将集中于整合个体动物追踪并进行更大规模的研究，以进一步探索系统的可扩展性并提升其性能。