猪肉产品是我国大多数居民的主要肉类来源,猪肉质量与人们的健康息息相关,为保证猪肉质量,需要对群养生猪这个重要环节进行监测,以便及时发现猪只异常行为,从而采取相应的措施,降低病害发生率,保证猪肉安全顺利生产。通过图像监测系统记录猪只活动,为实现对猪只行为的自动判别,需要完成猪只的识别分割。本文提出一种利用神经网络对图像分割的方法,其中采用循环残差注意力机制来提升识别准确率,实现了对猪只的有效分割和识别。本文的研究内容如下:1.猪只图像分割系统设计采用嵌入式采集端与云端服务相结合的方式,设计了猪只监测系统,系统能够实现自动获取图像、传输和数据存储;同时在云端提供了图像分割算法,对获取的图像进行进一步智能化处理,完成对猪只图像的分割。2.猪只图像数据预处理图像采集系统对猪只进行连续的监控拍摄后,通过图像预处理办法对图像进行调整,比如缩放等操作,在这个操作结束后,对图像需要进行进一步处理,包括图像增强等过程,以改变图像质量,最后对图像进行归类,为后续的分割图像做准备。3.猪只图像分割算法实现对拍摄的猪只的图片输入神经网络模型进行训练,对比Mask R-CNN、Cascade Mask R-CNN等模型对猪只分割的效果,在这个基础上,引入循环残差注意力（RRA）思想,对模型进行进一步优化,在不显著增加计算量的前提下提升模型特征提取能力、提高分割精度。经过试验表明系统可以满足本文提出的实验要求,经过改进的算法加入引入循环残差注意力（RRA）模块后对各个任务模型的提升效果最为明显。分辨率为512×256的图片,其数据集由一开始的1917,变为3834.并且在生猪个体单类别信息以及猪栏、杂物等可控信息下,选用较浅的Res Net50网络在一定程度能够提取到合理的图像特征,并且可以在一定程度上节省时间。RRA模块的加入改善了生猪分割部位准确性及分割边缘完整性,并且在实际融合RRA模块时以2～3层为宜。在深度分离、高度粘连、杂物遮挡3种场景下,加入2个RRA模块后的模型其对猪耳分割部位更为精细完整。经过实验可以知道,Mask R-CNN-Res Net50在加入1个RRA模块后其在AP0.5、AP0.75指标上与未加入RRA模块相比降低2.5与0.8个百分点。