生猪行业越来越重视猪只福利,有利于提高猪肉品质。提高猪只福利主要从改善猪舍环境和监测猪只健康两点着手。而氨气作为猪舍环境因素之一,对猪只的日常行为、生产性能均有较大的影响。本文以此为研究背景搭建了环境多变量控制养殖试验箱和图像采集平台,进行了5ppm、20ppm和50ppm三期氨气浓度的群养猪养殖试验及图像采集,每期试验养殖6头体重为9.6 kg左右的大白保育猪28天。基于深度学习研发了PigNet网络分割算法,对粘连群养猪图像进行猪个体分割,获取猪只位置坐标和猪体面积。结合猪只习性,研发了群养猪行为识别算法,获取了试验的群养猪日常行为信息。统计算法处理的群养猪行为结果,分析氨气浓度与群养猪行为、生产性能的关系,并得出相关结论。本文具体研究内容如下:(1)搭建了环境多变量控制养殖试验箱和图像采集平台。本文首先根据动物养殖面积、通风量、热交换量及排粪量等养殖箱环境参数文献及标准,对环境多变量控制养殖试验箱进行结构设计和确定尺寸,并进行了理论计算确定主要设备的型号及功率。该环境多变量控制养殖试验箱控制氨气浓度的精度达?1ppm,为同一氨气浓度下持续饲养群养猪的试验,提供了良好条件。选择了Kinect v2为采集的摄像头,基于采集试验要求,编写了图像采集程序。使用图像采集程序进行预试验,通过预试验测试了采集程序的采集性能,并预估正式群养猪养殖试验中,图像数据所需的存储容量为183G/天。(2)研发了基于深度学习的PigNet网络分割算法。本文提出了基于Mask R-CNN的PigNet分割模型。PigNet网络模型在Mask R-CNN主干网络基础上建立PigNet主干网络,经过区域候选网络(Region proposal networks,RPN)提取的特征和主干网络前向传播提取的特征均被ROIAlign所共享。ROIAlign操作是提取ROI提取特征并保留输入和输出之间的像素的精准空间位置。从ROI出来两个分支,一个分支完成预测类别和回归框任务,另一Mask分支对每个ROI的目标预测输出一个掩模。使用Labelme软件制作数据集达2500幅群养猪图像样本。验证集的结果表明,PigNet模型准确率为85.40%,较FCN-pig模型、Mask R-CNN模型分别高出64.00%和11.40%,且分割运算时间较Mask R-CNN模型短30ms。确定PigNet网络算法为本文的分割算法。经过进一步的研发,使得PigNet模型能获取猪个体的质心坐标和面积信息。(3)研发了群养猪行为识别算法。基于PigNet模型获取猪个体的质心坐标和面积,结合划分的群养猪行为区域,本文设计了群养猪行为识别算法。采用群养猪行为识别算法对群养猪图像进行处理,得到群养猪日常行为信息。对比人工统计结果,4类群养猪行为时长错误率均小于1.6%,表明该群养猪行为识别算法统计的精度高。(4)设计了5ppm、20ppm和50ppm三期氨气浓度群养猪养殖试验方案及采集图像方案,并完成了三期氨气浓度群养猪养殖试验和图像采集。采用群养猪行为识别算法获取5ppm、20ppm和50ppm三期氨气试验的第1d、7d、14d、21d、28d群养猪行为信息。处理结果为,三期氨气浓度的群养猪吃食的时长和频次都没有增长趋势,反而出现了下降趋势。50ppm氨气浓度试验的群养猪平均每猪的吃食时长均低于同天数的5ppm和20ppm试验吃食时长。对比7d与28d,5ppm、20ppm和50ppm三期不同氨气浓度试验群养猪平均每猪的躺卧行为时长分别下降了1.09h、0.28h和0.73h,平均每猪的活动行为时长分别上升了1.73h、0.73h和0.88h。对5ppm、20ppm和50ppm三期氨气浓度养殖试验的群养猪日常行为时长及频次进行分析,最终得出结论为,氨气对群养猪吃食、饮水时长及频次均有抑制作用,高浓度氨气会使群养猪出现厌食、躁动、睡眠不好,随着氨气浓度的升高,猪只平均日增重呈下降趋势,平均料重比呈升高趋势。