近年来,随着养猪场的规模化、集约化发展,圈养猪监控工作随之变得繁重,单纯依靠人工的观察及监控难以满足现代养殖的效率需求。为了提高现代动物养殖的监察效率和自动化水平,将机器视觉技术应用到动物养殖中,不仅可以实时获取丰富的动物资料,还不会对其正常生活造成干扰。目前,利用机器视觉方法对圈养猪监控的研究主要集中在日间,然而圈养猪在夜间仍存在饮水及行走等行为,需要对其进行监控,现有方法无法满足圈养猪全天候监控的实际需求。本文针对夜间圈养猪的监控问题,以夜间猪场真实环境视频图像数据为基础,首先通过深度学习算法标定夜间圈养猪目标;获取目标后,提取特征并识别圈养猪姿态;以站立姿态作为感兴趣帧序列的帧首,构成感兴趣行为帧序列,用3D卷积行为识别网络提取圈养猪时空行为特征,建立帧间关联信息,实现夜间圈养猪的行走和饮水行为的自动识别。本文的主要研究工作内容如下:(1)阐述了机器视觉技术和深度学习在养殖业中的优势及其应用方法,并对目前已有的主流目标检测算法和行为识别算法进行了分类和总结,分析了传统特征方法和深度学习不同算法各自的特点。(2)在夜间圈养猪目标检测中,首先,针对夜间因圈养猪与地板颜色差异小而难以识别的问题,采用SSD(Single Shot Multi Box Detector)目标检测算法作为基础算法,通过引入焦点损失函数,重新设计网络置信损失函数使训练过程中网络更关注难分类样本,提高难分类的夜间圈养猪目标识别概率;在预测模块中,根据圈养猪目标大小重新设计检测框尺寸,使生成的默认框匹配所检测的目标大小;同时,针对多只圈养猪之间存在互相粘连遮挡的问题,引入软化非极大抑制(soft-Non-Maximum Suppression,soft-NMS)算法,重新设计网络输出层,有效检测存在轻微遮挡情况的目标;然后,以二次迁移学习的方法充分利用日间圈养猪样本,解决夜间圈养猪样本量较少的问题;最后,根据日间圈养猪检测结果,在夜间圈养猪样本标注时加入经验负样本,降低夜间猪目标错检概率。(3)对圈养猪姿态进行观察,定义了站立、侧躺和趴卧三种姿态,截取出由上节改进SSD检测到的夜间圈养猪目标,建立夜间圈养猪姿态数据集。提取可以表征圈养猪姿态的几何参数特征、Hu矩和Zernike矩特征形成姿态描述集合,并以SVM作为分类器快速分类圈养猪姿态。(4)以姿态识别为基础,找到站立姿态作为感兴趣帧序列的帧首,提取含有站立姿态的连续图像帧,构成感兴趣行为视频片段。针对圈养猪行为识别实时性要求,精简设计了3D卷积行为识别网络,并添加dropout层防止过拟合,得到可以分类夜间圈养猪行为的时空特征识别模型,实现圈养猪饮水和行走行为的识别。