目錄
前幾天分享一個AI案例：5行Python代碼實現圖像分割，近日就讀到一篇德國基爾大學和哥廷根大學研究的論文：應用在養豬場的全景分割系統，就讓我們一起品品。
1、背景
長時間觀察動物的行爲很難人工完成，因此通常情況下采取的方案是使用基於傳感器的自動化系統。近年來，基於深度學習算法的應用案例，取得了令人滿意的效果，特別是物體和關鍵點探測器已經被用來檢測單個動物。儘管效果很好，但邊界框和稀疏關鍵點並不能跟蹤動物的輪廓，導致大量信息丟失。因此，德國基爾大學和哥廷根大學的專家研究出一套應用在養豬場的全景分割系統，採用相對較新的全景分割技術，旨在精確分割每頭豬豬。
論文中提出了一種用於語義分割的神經網絡框架，給出了不同的網絡頭和後處理方法。通過得到的實例分割掩碼，可以估計動物的大小或重量等更多信息。該方法在一個專門創建的數據集上測試了1000 張手工標記的圖像，儘管存在諸如閉塞和髒鏡頭等干擾，但其準確率仍達到了95%左右。
2、方法
論文所提方法的目的是：使用安裝在豬圈上方的攝像頭採集圖片，之後對圖片中所有的豬進行全景分割。全景分割是語義分割與實例分割的結合，其中語義分割將背景與豬區分開來，實例分割用於區分不同個體的豬，如下圖所示。
論文所提出的全景分割方法是對經典語義分割的擴展。分割任務被分爲如下四步驟實驗，來逐漸增加其複雜度：
- 二值分割
- 語義分割
- 結合二值分割與像素嵌入的精確像素級實例分割（pixel precise instance segmentation）
- 像素嵌入與身體部位分割相結合的豬頭朝向識別
以上所有實驗均使用了相同的網絡結構。僅對最後一層網絡進行相應調整，以得到需要的輸出。因此，論文所提框架能夠適用於以上不同實驗。整個分割框架如下圖所示：
3、實驗
這項研究所使用的數據來自一家傳統的仔豬養殖場。這裏共安裝了 5 個攝像頭，每個攝像頭覆蓋兩個 5.69 平方米的畜欄，每個畜欄最多有 13 頭豬。這些豬 27 天大時入欄，在養殖場裏待 40 天。該數據集涵蓋養殖場四個月的數據。然後從所有可用視頻中隨機選取 1000 個分辨率爲 1280x800 像素的幀，並進行人工標註。
在二值分割中，該網絡預測特定像素的類別屬於豬或背景的概率，預測準確率如下表 所示：
在類別分割任務中，將豬的類別內核設置爲橢圓大小的 50%（見圖 8c）。下表 展示了實驗結果：
對於豬頭朝向的識別，該研究使用了與以前相同的組合網絡，區別在於用身體部位分割替換了之前的二值分割。實驗結果如下表所示：
不同實驗最終效果如下所示：
4、探討
AI 養豬並不是一個剛剛興起的概念，早在兩三年前就已經被炒得很火，阿里、京東等巨頭也紛紛入場。但在這場熱潮背後，業內外人士紛紛質疑：AI 養豬，到底靠不靠譜？
大家質疑的點主要在於，首先，在養豬行業加入 AI 到底有沒有解決養豬的痛點？
從目前的進展來看，阿里、京東以及上文介紹的論文作者都聚焦於用成熟的計算機視覺等技術來改善傳統養豬行業的某個流程。但有人指出，他們所解決的可能並不是根本問題，而與該行業成本息息相關的飼料成本、生物成本、固定資產成本等問題其實跟 AI 關係不大。因此，AI 只是起到了一個錦上添花可有可無的作用。
其次，有位養豬設備從業者指出，目前，很多豬場都還沒有完成信息化的過程，也沒有大數據的積累，因此要想一步跨入人工智能可能有點困難。因此，要實現真正的人工智能養豬，首先需要解決豬場的信息化建設問題，把豬場的豬、物、人都納入到信息化管理中，養豬數據纔會逐步積累起來。
當然，AI 養豬也有其自身的優勢，如減少人力的使用以及人與豬的接觸。前者在 AI 技術成本降低之後有助於減少養豬的總人力成本，而後者有助於改善養豬從業者的工作環境並降低疾病傳染風險。
而且，AI 養豬或許還可以爲程序員提供一個新的就業方向：
論文下載：https://arxiv.org/pdf/2005.10499.pdf
文章來源：機器之心 | 參與：Racoon、張倩、Jamin