记录母猪的各种行为能够紧密跟踪母猪的健康状况,及时发现异常并给予救助,让母猪更加身心健康的成长。传统的方法主要是使用纯人工观察或人工查阅视频记录形式进行,需要消耗大量人力物力。机器视觉技术作为非侵入式监测的解决方案,在行为跟踪识别领域发挥着重要的作用。近年来,使用机器视觉技术对母猪行为检测进行研究成为热点。但是,当前检测方法大多以准确识别生猪个体作为前提,一般针对生猪的单一行为进行检测。本文提出了一种基于深度学习的母猪行为实时检测算法(Real-Time Sows Behaviors Detection Algorithm Based on Deep Learning,SBDA-DL),主要针对母猪的饮水行为、排尿行为和爬跨行为共三种行为进行实时检测。SBDA-DL算法主要分为4个部分:(1)对母猪行为图像进行预处理,包括图像中心截取、图像压缩处理、图像噪声处理和数据增强处理。(2)使用MobileNet分类网络模型,不断对特征图像进行深度可分离卷积、批次归一化处理和ReLU非线性激活。(3)使用SSD检测网络中的多个尺度对特征图像进行滑动窗口搜索,然后对默认框进行Softmax分类检测,最后使用非极大值抑制确定检测窗口。(4)优化检测网络。算法通过压缩SSD网络模型来加快网络检测速度,通过选择正负样本比例、对饮水行为进行细分和替换激活函数为线性函数来增加网络检测准确率。本次实验在力智猪场对母猪进行4个月的视频拍摄,人工截取母猪行为图像,对母猪行为人工进行行为标记和标定框记录,形成共1912张的数据集,其中1338张用作训练,574张用作测试。本文算法在母猪的饮水、排尿和爬跨行为检测分别得到96.5%,91.4%,92.3%的准确率,类别平均准确率为93.4%,在普通配置的微型机上行为检测速度能达到每秒7帧。本检测算法使用了特殊的深度学习网络结构,直接对母猪行为进行检测,在提高行为检测准确率的同时达到实时检测的处理速度,基本达到养殖猪场的要求,能够辅助养殖猪场的工作人员进行日常监控。