随着智慧农业的普及,智能化养殖越来越受到人们的重视。快速准确检测出养殖过程中生猪的异常行为,对预警生猪疾病,及时采取应对措施具有十分重要的意义。本文运用深度学习技术,对实际饲养环境下的群养生猪多目标检测与跟踪方法进行研究。主要研究内容如下:1)提出Mini＿YOLOv4的生猪日常行为检测方法。本文所提出的Mini＿YOLOv4算法,首先使用轻量级的Mobile Netv3网络结构替换原版的YOLOv4的特征提取网络,以降低模型整体参数量;然后,在检测网络的CBL＿block1、CBL＿block2模块中,采用深度可分离卷积取代传统卷积运算,降低复杂模型所产生的内存不足和高延迟;最后,又把原YOLOv4网络每个检测尺度的最后一层3×3卷积,改用Inception结构,以提高模型在生猪日常行为检测的准确率。实验结果表明,在检测精度上,本文提出的Mini＿YOLOv4相比于原版的YOLOv4算法提升了3.83个百分点。在检测速度上,改进模型相比于原版的YOLOv4算法提高了32帧/s。2)提出基于DeepSORT的生猪多目标实时跟踪算法。在DeepSORT算法中使用准确、快速的Mini＿YOLOv4模型替换原有的Faster R-CNN目标检测算法作为检测器,同时在级联匹配模块中使用CIOU改进原算法中的IOU,应对生猪目标跟踪过程中出现的遮挡和漏检问题。利用卡尔曼滤波与深度特征匹配,完成对实际饲养环境下的生猪目标框关联,在4段含有目标数目不同以及不同复杂程度的测试视频段的平均跟踪准确度为69.3%,同时可以有效地抑制目标ID跳变,表明将DeepSORT算法应用于实际养殖环境下生猪目标的高效跟踪是可行的。3)生猪多目标检测跟踪系统的实现。利用生猪日常行为检测与生猪多目标跟踪的结果,对生猪每日的休息时间、进食及饮水频次进行了统计分析,并通过行为锚定等级评价法,整合有关文献数据,建立生猪每日休息时间,进食、饮水次数评价表和健康状况评分表。最后,利用Py Qt5进行系统用户页面的设计,系统包含生猪日常行为检测、目标跟踪及健康状况评定三个模块。