Instance segmentation is an accurate and reliable method to segment adhesive pigs’ images, and is critical for providing health and welfare information on individual pigs, such as body condition score, live weight, and activity behaviors in group-housed pig environments. In this paper, a PigMS R-CNN framework based on mask scoring R-CNN (MS R-CNN) is explored to segment adhesive pig areas in group-pig images, to separate the identification and location of group-housed pigs. The PigMS R-CNN consists of three processes. First, a residual network of 101-layers, combined with the feature pyramid network (FPN), is used as a feature extraction network to obtain feature maps for input images. Then, according to these feature maps, the region candidate network generates the regions of interest (RoIs). Finally, for each RoI, we can obtain the location, classification, and segmentation results of detected pigs through the regression and category, and mask three branches from the PigMS R-CNN head network. To avoid target pigs being missed and error detections in overlapping or stuck areas of group-housed pigs, the PigMS R-CNN framework uses soft non-maximum suppression (soft-NMS) by replacing the traditional NMS to conduct post-processing selected operation of pigs. The MS R-CNN framework with traditional NMS obtains results with an F1 of 0.9228. By setting the soft-NMS threshold to 0.7 on PigMS R-CNN, detection of the target pigs achieves an F1 of 0.9374. The work explores a new instance segmentation method for adhesive group-housed pig images, which provides valuable exploration for vision-based, real-time automatic pig monitoring and welfare evaluation.

中文翻译：

---

基于PigMS R-CNN的群养猪自动检测与分割

实例分割是一种准确，可靠的方法，可以对粘猪的图像进行分割，并且对于提供个体猪的健康和福利信息（例如身体状况评分，活体重和在群养猪环境中的活动行为）至关重要。本文研究了一种基于面罩评分R-CNN（MS R-CNN）的PigMS R-CNN框架，用于对成群猪图像中的粘性猪区域进行分割，以区分成群饲养的猪的识别和位置。PigMS R-CNN由三个过程组成。首先，将101层残差网络与特征金字塔网络（FPN）相结合，用作特征提取网络，以获取输入图像的特征图。然后，根据这些特征图，区域候选网络生成关注区域（RoI）。最后，对于每个投资回报率，我们都可以获取位置信息，通过回归和类别对检测到的猪进行分类和分割，并掩盖了PigMS R-CNN头部网络中的三个分支。为避免错过目标猪并避免在群猪之间重叠或卡住的区域检测错误，PigMS R-CNN框架使用软非最大抑制（soft-NMS）取代了传统的NMS来对目标猪进行后期处理。猪。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘附在粘着剂组中的猪图像，这为基于视觉的实时实时猪自动监测和福利评估提供了有价值的探索。通过回归和类别对检测到的猪进行分割和分割结果，并掩盖PigMS R-CNN头部网络中的三个分支。为避免错过目标猪并避免在群猪之间重叠或卡住的区域检测错误，PigMS R-CNN框架使用软非最大抑制（soft-NMS）取代了传统的NMS来对目标猪进行后期处理。猪。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘贴有粘性的群养猪图像，这为基于视觉的实时实时猪自动监视和福利评估提供了有价值的探索。通过回归和类别对检测到的猪进行分割和分割结果，并掩盖PigMS R-CNN头部网络中的三个分支。为避免错过目标猪并避免在群猪之间重叠或卡住的区域检测错误，PigMS R-CNN框架使用软非最大抑制（soft-NMS）取代了传统的NMS来对目标猪进行后期处理。猪。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，目标猪的检测F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘附在粘着剂组中的猪图像，这为基于视觉的实时实时猪自动监测和福利评估提供了有价值的探索。并掩盖了PigMS R-CNN头网络的三个分支。为避免错过目标猪并避免在群猪之间重叠或卡住的区域检测错误，PigMS R-CNN框架使用软非最大抑制（soft-NMS）取代了传统的NMS来对目标猪进行后期处理。猪。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘附在粘着剂组中的猪图像，这为基于视觉的实时实时猪自动监测和福利评估提供了有价值的探索。并掩盖了PigMS R-CNN头网络的三个分支。为避免错过目标猪并避免在群猪之间重叠或卡住的区域检测错误，PigMS R-CNN框架使用软非最大抑制（soft-NMS）取代了传统的NMS来对目标猪进行后期处理。猪。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘附在粘着剂组中的猪图像，这为基于视觉的实时实时猪自动监测和福利评估提供了有价值的探索。为避免错过目标猪并避免在群猪之间重叠或卡住的区域检测错误，PigMS R-CNN框架使用软非最大抑制（soft-NMS）取代了传统的NMS来对目标猪进行后期处理。猪。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘附在粘着剂组中的猪图像，这为基于视觉的实时实时猪自动监测和福利评估提供了有价值的探索。为避免错过目标猪并避免在群猪之间重叠或卡住的区域检测错误，PigMS R-CNN框架使用软非最大抑制（soft-NMS）取代了传统的NMS来对目标猪进行后期处理。猪。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘附在粘着剂组中的猪图像，这为基于视觉的实时实时猪自动监测和福利评估提供了有价值的探索。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘贴有粘性的群养猪图像，这为基于视觉的实时实时猪自动监视和福利评估提供了有价值的探索。使用传统NMS的MS R-CNN框架的F1为0.9228。通过在PigMS R-CNN上将soft-NMS阈值设置为0.7，检测到目标猪的F1为0.9374。这项工作探索了一种新的实例分割方法，用于粘附在粘着剂组中的猪图像，这为基于视觉的实时实时猪自动监测和福利评估提供了有价值的探索。