利用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)對(duì)奶牛的自動(dòng)檢測(cè)與識(shí)別,是未來智慧養(yǎng)殖待發(fā)展的關(guān)鍵技術(shù)。立足規(guī)模化、集約化奶牛場(chǎng)的信息與智能化管理需求,綜合利用計(jì)算機(jī)視覺與深度學(xué)習(xí)方法,探索視覺復(fù)雜場(chǎng)景中的奶牛目標(biāo)檢測(cè)、軀體精細(xì)分割與身份識(shí)別方法,力圖豐富南疆奶牛養(yǎng)殖的智能裝備,提高其管理的自動(dòng)化、智能化能力。論文的主要工作如下:（1）為改善復(fù)雜場(chǎng)景中奶牛圖像目標(biāo)檢測(cè)的精度,將YOLO V3方法應(yīng)用于奶牛圖像目標(biāo)檢測(cè)。采用該方法對(duì)奶牛圖像數(shù)據(jù)開展了目標(biāo)檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,該方法對(duì)單牛圖像和群牛圖像2組實(shí)驗(yàn)圖像的漏檢率分別為20.69%、25.00%;每幅圖像檢測(cè)平均耗時(shí)0.24秒,檢測(cè)效率較高。并對(duì)比分析了YOLO V3方法在不同置信度閾值下的檢測(cè)效果差異;對(duì)比了YOLO tiny-V2方法與YOLO V3方法在測(cè)試集上的檢測(cè)性能差異;考量了YOLO V3方法在不同尺度圖像上的目標(biāo)檢測(cè)表現(xiàn)。（2）針對(duì)視覺場(chǎng)景下群牛圖像中“粘連”牛體難以準(zhǔn)確圖像分割的難題,采用LabelMe標(biāo)注工具標(biāo)注了樣本數(shù)據(jù)集,將Mask R-CNN方法應(yīng)用于奶牛圖像實(shí)例分割。以PyTorch為深度學(xué)習(xí)的基礎(chǔ)開發(fā)框架,建立了Mask R... 

【文章來源】：塔里木大學(xué)新疆維吾爾自治區(qū)

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

基于人工標(biāo)記的身份識(shí)別方法

D技術(shù)在奶牛擠奶時(shí)，實(shí)時(shí)記錄對(duì)應(yīng)奶牛身份及其他相關(guān)信息，進(jìn)一步量身定制管理方案，得到了原料乳追溯管理模型�；赗FID技術(shù)的識(shí)別系統(tǒng)，具備諸多優(yōu)點(diǎn)：（1）基于RFID的系統(tǒng)能夠記錄奶牛從出生到被屠宰的全部信息；（2）身份識(shí)別速度快，基于RFID技術(shù)的標(biāo)簽可滿足信息實(shí)時(shí)傳輸?shù)男枨�；�?）將基于RFID技術(shù)的數(shù)字產(chǎn)品應(yīng)用于養(yǎng)殖業(yè)，提高了奶牛養(yǎng)殖業(yè)信息與智能化管理水平。然而，基于RFID技術(shù)的身份識(shí)別方法亦存在很多局限性：（1）基于RFID技術(shù)的動(dòng)物身份識(shí)別系統(tǒng)主要由電子耳標(biāo)、信號(hào)閱讀器和終端服務(wù)器3大部分組成，如圖1-2所示。整套系統(tǒng)的應(yīng)用成本較高，根據(jù)養(yǎng)殖場(chǎng)不同需求，售價(jià)在幾萬到幾十萬不等，中小型養(yǎng)殖場(chǎng)無法承受；（2）采用中低頻段的RFID身份識(shí)別系統(tǒng)信號(hào)覆蓋范圍較小[68-69]，規(guī)模化養(yǎng)殖場(chǎng)需要信號(hào)覆蓋范圍更大的識(shí)別系統(tǒng)；（3）同時(shí)閱讀多個(gè)電子耳標(biāo)內(nèi)容時(shí)，信號(hào)輸送會(huì)發(fā)生干擾，產(chǎn)生射頻識(shí)別系統(tǒng)中的沖突問題[70]；因此，現(xiàn)代化奶牛場(chǎng)亟需一種低成本、非接觸的奶牛個(gè)體身份識(shí)別方法。圖1-2基于RFID身份識(shí)別系統(tǒng)1.2.2.3基于數(shù)字圖像的動(dòng)物個(gè)體身份識(shí)別方法近幾年，國(guó)內(nèi)外學(xué)者利用奶牛生理穩(wěn)定特征識(shí)別奶牛個(gè)體身份，如：牛鼻鏡紋路、

塔里木大學(xué)碩士學(xué)位論文緒論8虹膜、視網(wǎng)膜血管、奶牛面部及軀體花紋等。牛鼻鏡紋路，不會(huì)隨時(shí)間推移而發(fā)生較大改變，具有身份鑒別特性，可以作為動(dòng)物身份識(shí)別的有效特征。牛鼻鏡紋路效果，如圖1-3所示。Minagawa[71]于2002年，利用鼻鏡紋路特征對(duì)30頭奶牛展開身份識(shí)別實(shí)驗(yàn)，但因圖像像素低、數(shù)據(jù)不充分，其識(shí)別準(zhǔn)確率只有66.6%；Barry[72]等于2007年，將主成分分析和歐氏距離分類器技術(shù)，應(yīng)用于29頭奶牛的鼻鏡紋路圖像，識(shí)別率達(dá)到98.85%；Noviyanto[73]于2012年采集了8頭奶牛的120幅鼻鏡紋路圖像，增強(qiáng)圖像分辨率與對(duì)比度后，其識(shí)別準(zhǔn)確率達(dá)到90%；Kumar等[74]通過Fisher線性保持映射(FisherLinearPreservingProjection,FLPP)來提取奶�？诒翘幖y理特征，使用支持向量機(jī)(SupportVectorMachine,SVM)分類圖像，識(shí)別準(zhǔn)確度達(dá)到96.87%。圖1-3奶牛鼻鏡紋路圖像奶牛眼部生理穩(wěn)定特征，主要為虹膜和視網(wǎng)膜血管。虹膜屬于眼球中層結(jié)構(gòu)，在近紅外光下可以呈現(xiàn)出豐富的紋理。Lu[75]將漢明距離應(yīng)用于奶牛虹膜圖像的分類，進(jìn)而達(dá)到身份識(shí)別的目的，識(shí)別準(zhǔn)確率達(dá)到98.33%；魏征[76]提出一種基于虛擬圖像和多流行判別分析的單樣本圖像識(shí)別算法——VI-MDA，將VI-MDA應(yīng)用于奶牛虹膜圖像，在FERET數(shù)據(jù)庫上平均識(shí)別率為67.7%，在CMU_PIE數(shù)據(jù)庫上的平均識(shí)別率為81.7%。奶牛眼部另一個(gè)生理穩(wěn)定特征為，視網(wǎng)膜血管。Allen[77]等采集了869頭牛雙眼的視網(wǎng)膜圖像1738幅，并建立了識(shí)別模型，模型識(shí)別準(zhǔn)確率達(dá)到98.3%。奶牛其他生理穩(wěn)定特征，還包括奶牛面部及身體花紋。為提高奶牛行為視頻分析的自動(dòng)化程度，趙凱旋、何東健等采用了基于圖像的卷積神經(jīng)網(wǎng)絡(luò)方法來自動(dòng)提取奶牛體廓生物特征并用于識(shí)別奶牛身份[78]；Cai等在人臉識(shí)別方法基礎(chǔ)上，提出了基于LBP(LBP,


本文編號(hào)：3432031