目录
前几天分享一个AI案例：5行Python代码实现图像分割，近日就读到一篇德国基尔大学和哥廷根大学研究的论文：应用在养猪场的全景分割系统，就让我们一起品品。
1、背景
长时间观察动物的行为很难人工完成，因此通常情况下采取的方案是使用基于传感器的自动化系统。近年来，基于深度学习算法的应用案例，取得了令人满意的效果，特别是物体和关键点探测器已经被用来检测单个动物。尽管效果很好，但边界框和稀疏关键点并不能跟踪动物的轮廓，导致大量信息丢失。因此，德国基尔大学和哥廷根大学的专家研究出一套应用在养猪场的全景分割系统，采用相对较新的全景分割技术，旨在精确分割每头猪猪。
论文中提出了一种用于语义分割的神经网络框架，给出了不同的网络头和后处理方法。通过得到的实例分割掩码，可以估计动物的大小或重量等更多信息。该方法在一个专门创建的数据集上测试了1000 张手工标记的图像，尽管存在诸如闭塞和脏镜头等干扰，但其准确率仍达到了95%左右。
2、方法
论文所提方法的目的是：使用安装在猪圈上方的摄像头采集图片，之后对图片中所有的猪进行全景分割。全景分割是语义分割与实例分割的结合，其中语义分割将背景与猪区分开来，实例分割用于区分不同个体的猪，如下图所示。
论文所提出的全景分割方法是对经典语义分割的扩展。分割任务被分为如下四步骤实验，来逐渐增加其复杂度：
- 二值分割
- 语义分割
- 结合二值分割与像素嵌入的精确像素级实例分割（pixel precise instance segmentation）
- 像素嵌入与身体部位分割相结合的猪头朝向识别
以上所有实验均使用了相同的网络结构。仅对最后一层网络进行相应调整，以得到需要的输出。因此，论文所提框架能够适用于以上不同实验。整个分割框架如下图所示：
3、实验
这项研究所使用的数据来自一家传统的仔猪养殖场。这里共安装了 5 个摄像头，每个摄像头覆盖两个 5.69 平方米的畜栏，每个畜栏最多有 13 头猪。这些猪 27 天大时入栏，在养殖场里待 40 天。该数据集涵盖养殖场四个月的数据。然后从所有可用视频中随机选取 1000 个分辨率为 1280x800 像素的帧，并进行人工标注。
在二值分割中，该网络预测特定像素的类别属于猪或背景的概率，预测准确率如下表 所示：
在类别分割任务中，将猪的类别内核设置为椭圆大小的 50%（见图 8c）。下表 展示了实验结果：
对于猪头朝向的识别，该研究使用了与以前相同的组合网络，区别在于用身体部位分割替换了之前的二值分割。实验结果如下表所示：
不同实验最终效果如下所示：
4、探讨
AI 养猪并不是一个刚刚兴起的概念，早在两三年前就已经被炒得很火，阿里、京东等巨头也纷纷入场。但在这场热潮背后，业内外人士纷纷质疑：AI 养猪，到底靠不靠谱？
大家质疑的点主要在于，首先，在养猪行业加入 AI 到底有没有解决养猪的痛点？
从目前的进展来看，阿里、京东以及上文介绍的论文作者都聚焦于用成熟的计算机视觉等技术来改善传统养猪行业的某个流程。但有人指出，他们所解决的可能并不是根本问题，而与该行业成本息息相关的饲料成本、生物成本、固定资产成本等问题其实跟 AI 关系不大。因此，AI 只是起到了一个锦上添花可有可无的作用。
其次，有位养猪设备从业者指出，目前，很多猪场都还没有完成信息化的过程，也没有大数据的积累，因此要想一步跨入人工智能可能有点困难。因此，要实现真正的人工智能养猪，首先需要解决猪场的信息化建设问题，把猪场的猪、物、人都纳入到信息化管理中，养猪数据才会逐步积累起来。
当然，AI 养猪也有其自身的优势，如减少人力的使用以及人与猪的接触。前者在 AI 技术成本降低之后有助于减少养猪的总人力成本，而后者有助于改善养猪从业者的工作环境并降低疾病传染风险。
而且，AI 养猪或许还可以为程序员提供一个新的就业方向：
论文下载：https://arxiv.org/pdf/2005.10499.pdf
文章来源：机器之心 | 参与：Racoon、张倩、Jamin