我国猪肉消费市场需求巨大,人民对高质量猪肉的高期待,应猪场现代化管理和智能化养殖要求,为了动物福利和经济效益更好,实现生猪可持续健康养殖,贯穿整个生猪产业。监测猪只行为是其中的关键环节,猪只行为监测能反映猪只的身体状况、生长状况以及评价猪只状态,是提高猪只福利与养殖经济效益的主要参考依据。传统人工监测方式费时费力低效率不适合集约化规模化养殖,而生猪生活习性导致接触式传感器监测生猪行为效果不理想,因此采用非接触式计算机视觉技术监测生猪生长有广阔的研究前景和现实需求。采用计算机视觉系统监测生猪行为,可降低生猪应激反应和提高生猪养殖动物福利。本文以群养仔猪为研究对象,开发群猪图像采集系统,对采集图像进行预处理,结合深度学习方法构建网络模型,将彩色图像和深度图像输入网络,进行数据训练,实现对群养仔猪的个体分割。本文主要工作内容和结论包括:1)研发了群猪图像数据采集系统,并完成对试验数据彩色图像和深度图像的预处理。本文选择了Kinect V2深度相机为研发设备,根据群猪图像采集需要,开发图像采集程序同时存储彩色图像和深度图像。通过Kinect官方SDK对彩色图像和深度图像进行配准预实验,并验证了群猪图像采集程序的实际性能。深度相机采集原始数据彩色图像和深度图像分辨率不同,本文使用Python得到彩色图像和深度图像的偏移量,通过Open CV的ROI裁剪彩色图和深度图重合部分,然后使用Open CV的resize函数和INTER＿LINEAR函数,实现彩色图像和深度图像对齐处理。2)构建了基于深度学习语义分割的D＿CNNet网络模型。基于深度学习的方法,重新定义卷积神经网络的基本运算操作符卷积运算和池化运算,对传统运算符重新编译成深度感知卷积算子和深度感知池化算子,在模型训练过程中就融合RGB图像和Depth图像信息,并且网络整体参数量并不耗费过多计算资源,在此基础上提出了使用深度感知算子的群猪图像分割网络D＿CNNet。试验结果表明,结合RGB图像与Depth图像信息的群猪图像分割网络模型,能对猪舍内的猪群实现较好的分割效果,在训练集与验证集上的像素分割准确度分别达到了97.99%与98.00%。3)研发了基于RGB-D实例分割的Double FPNet网络模型。基于实例分割Mask R-CNN基础上改进为双金字塔特征提取网络,分别提取RGB图像和Depth图像特征后进行特征融合,然后输入区域生成网络提取预选锚(ROI)和改变后的共享特征输入Head网络,计算ROI目标的类别、回归和掩模三个分支,输出检测定位和分类分割结果。试验结果表明,本文改进的特征金字塔网络能有效解决颜色相近、个体相似群猪粘连影响,实现单个仔猪区域的完整分割,分割准确度达到89.25%,训练GPU占有率为77.57%。与Mask R-CNN分割方法结果对比分析,识别准确度高出14.25个百分点。