基于改進(jìn)FlowNet 2.0光流算法的奶牛反芻行為分析方法

姬江濤 劉啟航,2 高榮華 李奇峰 趙凱旋 白 強(qiáng)

(1.河南科技大學(xué)農(nóng)業(yè)裝備工程學(xué)院， 洛陽(yáng) 471003；2.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097；3.北京市農(nóng)林科學(xué)院信息技術(shù)研究中心， 北京 100097)

0 引言

奶牛進(jìn)食后一段時(shí)間，將未能消化的食物從食道返回口腔，重新咀嚼后吞咽的行為稱為反芻行為[1-3]。反芻行為與奶牛生產(chǎn)、繁殖性能及疾病等因素密切相關(guān)[4-8]。STONE等[9]、KAUFMAN等[10]和ANTANAITIS等[11]試驗(yàn)驗(yàn)證奶牛反芻時(shí)間與產(chǎn)奶量呈正相關(guān)性[12]。ALMEIDA等[13]研究表明，奶?；继悴r(shí)其反芻時(shí)長(zhǎng)明顯下降。因此，監(jiān)測(cè)奶牛個(gè)體反芻行為能夠及時(shí)掌握其健康狀況，便于早期發(fā)現(xiàn)患病牛只[14]，避免病情加重影響正常產(chǎn)奶和繁殖[15-18]，提高奶牛養(yǎng)殖水平。

反芻行為表現(xiàn)出來(lái)的視覺(jué)特征是逆嘔-咀嚼-吞咽，一次行為發(fā)生的時(shí)間約為70 s，每次反芻行為中咀嚼時(shí)間為50～60 s，因此咀嚼次數(shù)是反芻行為最直觀體現(xiàn)，且咀嚼次數(shù)減少意味著反芻行為異常。傳統(tǒng)依靠人工監(jiān)測(cè)并判斷反芻行為異常的工作方式，效率較低、準(zhǔn)確率難以保證。隨著養(yǎng)殖規(guī)模擴(kuò)大及現(xiàn)代化、精準(zhǔn)化畜牧業(yè)發(fā)展，智能監(jiān)測(cè)設(shè)備不斷涌現(xiàn)[19-21]，使得反芻行為監(jiān)測(cè)智能化成為可能?，F(xiàn)有智能化反芻行為監(jiān)測(cè)大多通過(guò)穿戴式設(shè)備，監(jiān)測(cè)奶牛咀嚼加速度、聲音規(guī)律等，該技術(shù)監(jiān)測(cè)精度高、實(shí)時(shí)性強(qiáng)，但穿戴式監(jiān)測(cè)設(shè)備安裝成本高、易造成奶牛應(yīng)激反應(yīng)[22]。隨著視覺(jué)技術(shù)在養(yǎng)殖中應(yīng)用逐漸增多，基于視頻分析的奶牛反芻監(jiān)測(cè)方法降低了接觸式設(shè)備監(jiān)測(cè)奶牛反芻行為的成本，避免了設(shè)備對(duì)奶牛造成的應(yīng)激反應(yīng)，是未來(lái)奶牛反芻行為監(jiān)測(cè)發(fā)展的重要趨勢(shì)。ANDRIAMASINORO等[23]結(jié)合慣性測(cè)量單元(Inertia measuring unit, IMU)識(shí)別奶牛反芻行為，準(zhǔn)確率為95.0%。CHEN等[24]采用Mean-Shift算法精確跟蹤奶牛下頜運(yùn)動(dòng)，從視頻中提取出牛嘴運(yùn)動(dòng)的質(zhì)心軌跡曲線，實(shí)現(xiàn)奶牛反芻行為監(jiān)測(cè)，準(zhǔn)確率為92.03%。REITER等[25]采用Smartbow算法創(chuàng)建了Smartwell視頻分析系統(tǒng)監(jiān)測(cè)奶牛每小時(shí)反芻時(shí)間，誤差為35.3 s。毛燕茹等[26]通過(guò)Kalman濾波和Hungarian算法對(duì)同一奶牛上下顎區(qū)域關(guān)聯(lián)匹配獲取嘴部咀嚼曲線，實(shí)現(xiàn)多目標(biāo)奶牛嘴部跟蹤和反芻行為監(jiān)測(cè)，咀嚼次數(shù)平均正確率為96.93%。

基于視頻分析的反芻行為監(jiān)測(cè)方法，具有較強(qiáng)的光照敏感性，不適宜圖像明暗程度差異較大的養(yǎng)殖環(huán)境。而光流法不會(huì)受光照條件約束且能夠保證較高檢測(cè)率，被廣泛應(yīng)用到復(fù)雜養(yǎng)殖環(huán)境下動(dòng)物行為分析。如宋懷波等[27]利用Lucas-Kanade稀疏光流法分析視頻序列幀中奶牛花斑邊界平均光流變化規(guī)律，實(shí)現(xiàn)呼吸行為檢測(cè)，幀處理耗時(shí)在0.10～0.13 s之間，檢測(cè)平均準(zhǔn)確率為98.58%。李通[28]提出了一種基于Horn-Schunck光流法的多目標(biāo)奶牛嘴部區(qū)域自動(dòng)檢測(cè)方法，跟蹤成功率達(dá)到89.12%。段恩澤等[29]基于優(yōu)化Mask RCNN的實(shí)例分割網(wǎng)絡(luò)和基于LiteFlowNet的光流計(jì)算網(wǎng)絡(luò)，構(gòu)建了一種死兔行為識(shí)別模型，識(shí)別準(zhǔn)確率為90%。其中FlowNet算法相較于傳統(tǒng)光流算法光流計(jì)算速度更快，對(duì)視頻幀間運(yùn)動(dòng)信息敏感，更加適合擁有豐富大小位移信息的反芻行為監(jiān)測(cè)，而由于其高靈敏度運(yùn)動(dòng)感知能力，會(huì)不可避免受到反芻過(guò)程中奶牛頭部小細(xì)節(jié)運(yùn)動(dòng)干擾。

本文改進(jìn)FlowNet 2.0光流算法利用垂直光流分量替代光流速度計(jì)算光流圖，消除水平運(yùn)動(dòng)對(duì)光流分析干擾；設(shè)置光流閾值避免垂直光流中頭部運(yùn)動(dòng)光流干擾，在保持高靈敏度的同時(shí)減小其他運(yùn)動(dòng)影響。

1 數(shù)據(jù)集構(gòu)建與研究方法

1.1 數(shù)據(jù)來(lái)源

2021年9月—2022年3月分別在北京市延慶大地群生奶牛養(yǎng)殖基地和北京市富農(nóng)興牧奶牛養(yǎng)殖中心采集奶牛反芻行為視頻數(shù)據(jù)，使用高清網(wǎng)絡(luò)攝像機(jī)，攝像機(jī)位于反芻奶牛頭部側(cè)邊45°～90°，距離目標(biāo)奶牛0.5～1 m位置，每段視頻1～2 min。

首先對(duì)反芻行為視頻數(shù)據(jù)預(yù)處理，截取約10 s畫(huà)質(zhì)清晰視頻段，每段300幀，篩選出20頭奶牛共30段反芻行為視頻為試驗(yàn)數(shù)據(jù)集。如圖1所示，數(shù)據(jù)集為奶牛近距離側(cè)面反芻行為，其中頭部占據(jù)鏡頭主體區(qū)域，嘴巴進(jìn)行大幅度的反芻咀嚼運(yùn)動(dòng)。反芻過(guò)程中，奶牛頭部小幅度隨機(jī)擺動(dòng)與周圍其他牛只運(yùn)動(dòng)干擾影響反芻光流特征提取。

圖1 奶牛反芻運(yùn)動(dòng)視頻示例Fig.1 Video example of cow rumination

1.2 理論方法

由于奶牛反芻行為位移較小，需要精度較高的全局光流分析算法才能捕獲到反芻行為的規(guī)律特征。FlowNet 2.0由大、小位移求解網(wǎng)絡(luò)組成，能夠捕獲到小位移運(yùn)動(dòng)信息，因此本文以FlowNet 2.0為基礎(chǔ)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 FlowNet 2.0網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 FlowNet 2.0 network structure

圖2中，F(xiàn)lowNetCorr、FlowNetS、FlowNetS 3個(gè)網(wǎng)絡(luò)串聯(lián)組成大位移求解網(wǎng)絡(luò)，F(xiàn)lowNet-SD網(wǎng)絡(luò)專注小位移求解。其中FlowNetS網(wǎng)絡(luò)是只包含卷積層的連接輸入兩幀圖像的通道；FlowNetCorr中采用關(guān)聯(lián)層促進(jìn)網(wǎng)絡(luò)匹配過(guò)程。設(shè)相鄰兩幀圖像的多通道特征圖分別為f1、f2，其寬、高、通道數(shù)分別為w、h、c。關(guān)聯(lián)層用來(lái)比較每個(gè)f1和f2中的圖像塊。定義f1以位置x1為中心的圖像塊和f2以x2為中心的圖像塊之間的關(guān)聯(lián)性為

(1)

式中o——計(jì)算區(qū)域

k——計(jì)算區(qū)域邊長(zhǎng)的1/2

每個(gè)圖像塊是邊長(zhǎng)為K=2k+1的正方形。兩幀之間計(jì)算相關(guān)性的區(qū)域被限制在一個(gè)[-k,k]×[-k,k]的區(qū)域內(nèi)，C(x1,x2)表示f1中x1處特征與f2中x2處特征的相似度。當(dāng)k=0時(shí)，C(x1,x2)表示f1中x1處特征向量和f2中x2處特征向量的點(diǎn)乘運(yùn)算。

向FlowNetCorr網(wǎng)絡(luò)輸入兩幀連續(xù)的待求解圖像1和圖像2，由上一層網(wǎng)絡(luò)估計(jì)的光流對(duì)圖像2扭曲變換得到連續(xù)圖像的亮度差，融合網(wǎng)絡(luò)將每組圖像預(yù)測(cè)的光流場(chǎng)作為輸入，對(duì)大、小位移網(wǎng)絡(luò)結(jié)果進(jìn)行卷積操作，最終得到光流圖像。

奶牛反芻時(shí)其頭部無(wú)規(guī)則運(yùn)動(dòng)，如擺頭、低頭等，造成FlowNet 2.0光流算法生成的光流圖像存在大量干擾運(yùn)動(dòng)光流，無(wú)法抽取有效的反芻光流。因此，本文通過(guò)改進(jìn)FlowNet 2.0光流算法消除干擾運(yùn)動(dòng)對(duì)反芻光流的影響。

2 FlowNet 2.0光流算法改進(jìn)

為消除牛只自身頭部運(yùn)動(dòng)與背景干擾對(duì)反芻光流特征提取的影響，首先使用垂直光流分量替代光流速度計(jì)算光流，消除水平運(yùn)動(dòng)造成的干擾；然后設(shè)置光流閾值避免垂直光流中頭部運(yùn)動(dòng)光流干擾，生成視頻幀間反芻行為光流圖像。同時(shí)為減小奶牛反芻行為中因嘴巴閉合與張開(kāi)至最大時(shí)光流消失對(duì)檢測(cè)的影響，設(shè)置反芻區(qū)域面積閾值準(zhǔn)確提取區(qū)域內(nèi)光流數(shù)據(jù)，提升檢測(cè)準(zhǔn)確率。最終對(duì)反芻運(yùn)動(dòng)曲線圖濾波擬合計(jì)算，準(zhǔn)確獲取奶牛反芻運(yùn)動(dòng)咀嚼頻次。

2.1 反芻行為光流圖

首先計(jì)算兩幀視頻流間所有像素點(diǎn)的水平光流分量u和垂直光流分量v，每個(gè)像素點(diǎn)在兩幀圖像間的光流速度s為

(2)

每個(gè)像素點(diǎn)光流的運(yùn)動(dòng)角度a為

(3)

a確定不同顏色代表不同運(yùn)動(dòng)角度，s確定顏色強(qiáng)度，生成奶牛反芻行為光流圖，如圖3所示。

圖3 奶牛反芻行為圖像與光流圖Fig.3 Rumination behavior images of cows and optical flow maps

一次完整的反芻咀嚼運(yùn)動(dòng)是從嘴巴閉合到張開(kāi)至最大再到閉合的垂直上下過(guò)程。

牛只自身頭部運(yùn)動(dòng)與背景運(yùn)動(dòng)可拆分為水平方向與垂直方向兩部分，為避免背景與自身運(yùn)動(dòng)對(duì)光流分析影響，分別從兩個(gè)方向的運(yùn)動(dòng)分量上對(duì)反芻行為光流進(jìn)行計(jì)算。定義T為光流圖像，利用FlowNet 2.0光流算法計(jì)算得到光流圖像T，T由a和s共同決定。

為減少s中水平方向運(yùn)動(dòng)分量u對(duì)反芻行為特征提取的影響，將光流速度s替換為各像素點(diǎn)的垂直方向光流分量v的絕對(duì)值|v|。

從圖4可以看出，圖4a中紅框標(biāo)記出的光流區(qū)域?yàn)轭^部運(yùn)動(dòng)對(duì)反芻光流的干擾，改進(jìn)后的算法有效剔除因頭部運(yùn)動(dòng)產(chǎn)生的干擾光流，留下嘴部區(qū)域反芻光流。

圖4 光流計(jì)算方式改進(jìn)前后效果對(duì)比Fig.4 Comparison of effects before and after improvement of optical flow calculation method

2.2 反芻咀嚼頻次計(jì)算

反芻區(qū)域?yàn)槎祷雌c光流圖像的最大連通域。對(duì)二值化反芻光流圖腐蝕、膨脹，獲得圖像最大連通域，計(jì)算其外接矩坐標(biāo)，即為奶牛反芻區(qū)域坐標(biāo)。理想的反芻區(qū)域檢測(cè)結(jié)果如圖5所示。

圖5中紅框?yàn)楦信d趣區(qū)域(Region of interest,ROI)，綠框?yàn)闄z測(cè)出的反芻區(qū)域。一次完整的反芻咀嚼運(yùn)動(dòng)中，奶牛嘴巴閉合狀態(tài)與張開(kāi)至最大時(shí)，不會(huì)產(chǎn)生光流數(shù)據(jù)，若此時(shí)出現(xiàn)其他劇烈且目標(biāo)較小運(yùn)動(dòng)會(huì)影響反芻區(qū)域檢測(cè)。反芻區(qū)域檢測(cè)異常結(jié)果如圖6所示。

圖5 反芻區(qū)域檢測(cè)結(jié)果Fig.5 Results of rumination area detection

圖6 反芻區(qū)域檢測(cè)異常結(jié)果Fig.6 Abnormal results of rumination area detection

圖6a為奶牛嘴巴閉合狀態(tài)下，頸部運(yùn)動(dòng)干擾導(dǎo)致反芻區(qū)域檢測(cè)判斷錯(cuò)誤；圖6b為背景有其他牛只闖入造成光流干擾導(dǎo)致反芻區(qū)域檢測(cè)錯(cuò)誤。通過(guò)設(shè)置面積閾值減少嘴巴閉合與張開(kāi)至最大時(shí)對(duì)反芻區(qū)域檢測(cè)的干擾，面積閾值μ的計(jì)算公式為

(4)

式中 (x1,y1)、(x2,y2)——ROI框的左上頂點(diǎn)、右下頂點(diǎn)坐標(biāo)

S——檢測(cè)得到的反芻區(qū)域面積

奶牛反芻行為主要表現(xiàn)為嘴部區(qū)域運(yùn)動(dòng)，當(dāng)嘴巴閉合與張開(kāi)至最大時(shí)，背景中其他牛只運(yùn)動(dòng)或牛只個(gè)體頭部運(yùn)動(dòng)會(huì)產(chǎn)生小面積光流干擾反芻光流提取，因此，設(shè)置面積閾值濾掉小面積的光流區(qū)域，來(lái)提升反芻光流提取算法的魯棒性與準(zhǔn)確性。為確定最佳閾值，選取1/10、1/20、1/30、1/40、1/50作為候選閾值在本數(shù)據(jù)集不同場(chǎng)景視頻中進(jìn)行對(duì)比試驗(yàn)，以圖6中出現(xiàn)錯(cuò)檢的視頻為例分析設(shè)置面積閾值后的反芻區(qū)域檢測(cè)結(jié)果，如圖7所示。

圖7 不同面積閾值的反芻區(qū)域檢測(cè)結(jié)果Fig.7 Rumination area detection results of different area thresholds

由圖7a、7b可知，μ為1/10與1/20時(shí)，出現(xiàn)部分反芻區(qū)域漏檢情況，原因?yàn)殚撝翟O(shè)置過(guò)大導(dǎo)致算法將正常反芻區(qū)域過(guò)濾，影響后續(xù)計(jì)算；圖7d、7e中設(shè)定μ為1/40與1/50時(shí)，仍會(huì)出現(xiàn)反芻區(qū)域錯(cuò)檢情況，分析可知其面積閾值設(shè)置過(guò)小，未能剔除部分頭部運(yùn)動(dòng)與背景闖入牛只的干擾；圖7c中設(shè)定μ為1/30時(shí)，面積閾值成功過(guò)濾上述干擾且不會(huì)影響正常反芻區(qū)域的檢測(cè)，算法準(zhǔn)確性最高。對(duì)比分析試驗(yàn)結(jié)果可知，本文數(shù)據(jù)集中的最佳面積閾值μ應(yīng)設(shè)定為1/30。

(5)

式中 |v|——反芻區(qū)域內(nèi)光流速度絕對(duì)值

奶牛嘴巴閉合及張開(kāi)最大導(dǎo)致無(wú)法檢測(cè)到反芻區(qū)域時(shí)，ROI內(nèi)光流數(shù)據(jù)均值計(jì)算公式為

(6)

設(shè)定橫坐標(biāo)為視頻幀序列，縱坐標(biāo)為光流數(shù)據(jù)的反芻運(yùn)動(dòng)曲線，歸一化后使用Savitzky-Golay濾波器減少奶牛頭部其他運(yùn)動(dòng)造成的噪聲影響。由于濾波后反芻運(yùn)動(dòng)曲線呈現(xiàn)正弦分布波峰波谷，定義擬合函數(shù)y，公式為

y=a0sin(a1x+a2)+a3

(7)

式中a0、a1、a2、a3——擬合得出的變量

擬合函數(shù)的極大值點(diǎn)h可通過(guò)二階導(dǎo)數(shù)計(jì)算得出，遍歷曲線統(tǒng)計(jì)極大值點(diǎn)個(gè)數(shù)h，即為輸入視頻的奶牛反芻咀嚼次數(shù)d，令t為輸入視頻的時(shí)間，反芻咀嚼頻次p的計(jì)算公式為

(8)

3 試驗(yàn)與結(jié)果分析

3.1 試驗(yàn)數(shù)據(jù)集和參數(shù)設(shè)置

本文試驗(yàn)基于Windows操作系統(tǒng)、Pytorch框架，其中Python版本為3.6，Pytorch版本為1.0.1，CUDA API版本為10.0，Cudnn版本為7.4.1。選取9頭奶牛的15段視頻作為試驗(yàn)數(shù)據(jù)集，隨機(jī)選取不同場(chǎng)景下11頭奶牛的15段視頻作為測(cè)試數(shù)據(jù)集。部分視頻圖像如圖8所示。

3.2 試驗(yàn)分析

為驗(yàn)證改進(jìn)FlowNet 2.0光流算法的有效性，在相同設(shè)備、相同算法環(huán)境下，對(duì)比FlowNet 2.0光流算法與改進(jìn)后算法的反芻行為光流曲線，其中以視頻幀序號(hào)作為橫坐標(biāo)，光流速度均值作為縱坐標(biāo)，如圖9所示。

由圖9可以看出，改進(jìn)FlowNet 2.0光流算法相較于FlowNet 2.0光流算法曲線更具規(guī)律性、周期性，波峰波谷更為分明。如圖9a中一次反芻運(yùn)動(dòng)周期內(nèi)波峰往往會(huì)出現(xiàn)多次(圖中紅圈標(biāo)出)，難以實(shí)現(xiàn)曲線波峰波谷的計(jì)數(shù)。出現(xiàn)該現(xiàn)象的原因是FlowNet 2.0光流算法計(jì)算光流速度s沒(méi)有對(duì)頭部運(yùn)動(dòng)與背景干擾進(jìn)行處理，導(dǎo)致曲線中參雜其他運(yùn)動(dòng)噪聲干擾，波峰波谷不明顯。改進(jìn)后算法計(jì)算垂直光流速度v，避免了水平方向運(yùn)動(dòng)的干擾，且通過(guò)閾值的設(shè)置成功過(guò)濾掉垂直方向奶牛頭部小幅度運(yùn)動(dòng)干擾，使得曲線周期性明顯。如圖9b所示，算法結(jié)果中一次反芻運(yùn)動(dòng)周期內(nèi)僅出現(xiàn)一次波峰，保證了反芻咀嚼次數(shù)計(jì)數(shù)的準(zhǔn)確性。

圖9 光流曲線結(jié)果對(duì)比Fig.9 Comparison diagrams of optical flow curve results

為進(jìn)一步驗(yàn)證算法的反芻區(qū)域面積閾值設(shè)置與濾波曲線擬合過(guò)程對(duì)算法準(zhǔn)確率的提升效果，對(duì)比FlowNet 2.0光流算法與改進(jìn)FlowNet 2.0光流算法的濾波效果圖，如圖10所示。

圖10 濾波結(jié)果對(duì)比Fig.10 Comparison diagrams of filtering results

在圖10中，通過(guò)比對(duì)同一數(shù)據(jù)集的濾波曲線(如圖10c、10d)，該數(shù)據(jù)集等140幀左右時(shí)(圖中綠圈標(biāo)出)奶牛出現(xiàn)短暫低頭動(dòng)作，圖10c中濾波后曲線波峰波谷不明顯，無(wú)法確定周期；而圖10d中濾波后曲線除第140幀左右出現(xiàn)波峰特征不明顯外，總體呈現(xiàn)正弦曲線規(guī)律，利用正弦函數(shù)擬合曲線，濾波后曲線與擬合曲線基本重合，而擬合曲線在第140幀左右波峰明顯，避免了奶牛低頭動(dòng)作帶來(lái)的光流干擾。由圖10可知，反芻區(qū)域面積閾值的設(shè)置能夠有效減少頭部等其他運(yùn)動(dòng)對(duì)反芻光流的影響，增大波峰波谷間的差值，使曲線周期性更為明顯，有效避免濾波曲線有少部分區(qū)域出現(xiàn)周期缺失的現(xiàn)象，確保算法魯棒性。

為驗(yàn)證改進(jìn)FlowNet 2.0光流算法獲取到的奶牛反芻咀嚼次數(shù)準(zhǔn)確性，對(duì)比FlowNet 2.0光流算法和改進(jìn)算法的反芻咀嚼次數(shù)誤檢率，如表1所示。

由表1可知，F(xiàn)lowNet 2.0光流算法反芻咀嚼次數(shù)檢測(cè)準(zhǔn)確率為93.64%，改進(jìn)FlowNet 2.0光流算法的反芻咀嚼次數(shù)檢測(cè)準(zhǔn)確率為99.39%，比改進(jìn)前提升5.75個(gè)百分點(diǎn)。為了進(jìn)一步驗(yàn)證改進(jìn)FlowNet 2.0光流算法的穩(wěn)定性與魯棒性，采用新的測(cè)試試驗(yàn)數(shù)據(jù)驗(yàn)證改進(jìn)FlowNet 2.0光流算法的反芻咀嚼次數(shù)與反芻咀嚼次數(shù)誤檢率，如表2所示。

表1 不同方法計(jì)算奶牛反芻咀嚼次數(shù)對(duì)比Tab.1 Comparative of different methods for calculating rumination times of dairy cows

表2 奶牛反芻咀嚼次數(shù)檢測(cè)結(jié)果Tab.2 Testing results rumination times of dairy cows

由表2可知，除0587_2編號(hào)奶牛頭部運(yùn)動(dòng)劇烈，造成反芻咀嚼次數(shù)檢測(cè)誤檢率較高外，其余樣本反芻咀嚼次數(shù)均檢測(cè)正確。改進(jìn)FlowNet 2.0光流算法在新的測(cè)試試驗(yàn)數(shù)據(jù)中仍保持較高反芻咀嚼次數(shù)檢測(cè)準(zhǔn)確率，驗(yàn)證了改進(jìn)FlowNet 2.0光流算法的穩(wěn)定性與魯棒性。

4 結(jié)束語(yǔ)

為改善反芻過(guò)程中頭部運(yùn)動(dòng)與背景牛只運(yùn)動(dòng)對(duì)反芻行為分析的影響，本文提出了一種改進(jìn)FlowNet 2.0光流算法的奶牛反芻行為分析方法，利用垂直光流分量替代光流速度計(jì)算光流圖，消除水平運(yùn)動(dòng)對(duì)光流分析干擾；設(shè)置光流閾值避免垂直光流中頭部運(yùn)動(dòng)光流干擾；二值化檢測(cè)奶牛反芻區(qū)域進(jìn)一步消除背景運(yùn)動(dòng)影響；設(shè)置反芻區(qū)域面積閾值準(zhǔn)確提取區(qū)域內(nèi)光流數(shù)據(jù)，避免反芻光流消失時(shí)頭部運(yùn)動(dòng)與闖入牛只影響；濾波擬合計(jì)算反芻曲線，增大波峰波谷差值，保證曲線周期性與算法魯棒性，準(zhǔn)確得到奶牛反芻咀嚼頻次信息。試驗(yàn)結(jié)果證明，改進(jìn)FlowNet 2.0光流算法反芻咀嚼頻次計(jì)算準(zhǔn)確率達(dá)到99.39%，相較于FlowNet 2.0光流算法準(zhǔn)確率提升5.75個(gè)百分點(diǎn)。且改進(jìn)后的光流算法避免了牛只自身頭部運(yùn)動(dòng)與背景干擾對(duì)反芻光流特征提取的影響，解決了奶牛反芻行為中因嘴巴閉合與張開(kāi)至最大導(dǎo)致反芻光流消失時(shí)頭部運(yùn)動(dòng)干擾問(wèn)題，確保算法準(zhǔn)確率，為群體養(yǎng)殖模式下奶牛反芻行為的智能監(jiān)測(cè)分析提供技術(shù)支撐。