当前位置：主页 > 科技论文 > AI论文 >

基于卷积神经网络的奶牛个体身份识别方法

发布时间：2016-07-10 18:09

本文关键词：基于卷积神经网络的奶牛个体身份识别方法，由笔耕文化传播整理发布。

当前位置：文档下载 > 所有分类 > 自然科学 > 数学 > 基于卷积神经网络的奶牛个体身份识别方法

基于卷积神经网络的奶牛个体身份识别方法

182

农业工程学报 2015年

图像训练并测试网络性能，最终实现奶牛实际养殖环境下的个体精确高效识别。的片段，分别计算每个片段内二值图像真值的上边界和下边界，并计算两者的差值作为图像跨度。

基于卷积神经网络的奶牛个体身份识别方法

1 材料与方法

1.1 图像采集

试验视频采集自陕西杨凌科元克隆股份有限公司的规模奶牛养殖场，采集于2013年7月至8月，拍摄对象为健康的美国荷斯坦奶牛。奶牛会频繁地经过固定的窄道行走至饮水池饮水，在与窄道平行的采食棚支撑梁上安装1台DS-2DM1-714球型摄像机（海康威视，杭州），使摄像机传感器与牛只行走方向基本平行，并调整视野宽度大于2个牛身长度。奶牛目标与摄像机之间有栅栏前景遮挡，栅格大小为0.5 m×1.2 m。

在无雾、无霾的晴天7：00－18：00时段获取30头奶牛的视频片段。奶牛个体全部出现在视野左侧时开始采集，持续采集到奶牛行走至视野右侧边缘作为一个视频段，并剔除包含奶牛停顿和异常行为的视频。每头奶牛得到12段视频，共计360段视频，每段视频持续时长约为10 s。采集视频为PAL制式并保存在摄像机本地存储卡内，帧率/码率为25 fps/2 000kbps，分辨率为704像素（水平）×576像素（垂直）。

后续视频处理平台处理器为Inter Quad Q8400，主频为2.66 GHz，4 GB内存，500 GB硬盘，，算法开发平台为MATLAB 2012a。由于奶牛沿直线行走通过视野，视频中奶牛的活动区域固定在图像的中间区段，因此通过预设的感兴趣区域（ROI）参数剔除无效的图像区域。根据30头奶牛最大体高确定ROI区域的大小和位置，最终得到的奶牛行走图像大小为704像素（水平）×242像素（垂直）。

1.2 供试数据

将30头奶牛从1到30进行编号，对每头奶牛的12段视频随机挑选出3段作为测试样本，剩余视频作为该奶牛个体的训练样本，共得到90段测试用视频段，及270段训练用视频段。每段视频持续时长为10 s左右，视频帧率为25 fps/s，经过视频分析与处理共得到奶牛躯干图像约90 000幅。由于奶牛通过视野时运动速度有差异，导致奶牛个体间的训练样本数不同。为避免样本量差异对识别结果的影响，需要保证不同模式中参与训练的样本数量基本一致，故从每个奶牛个体训练视频段的躯干图像集中随机挑选出2 000幅作为该奶牛个体的训练集，对于测试视频段中的图像则无需进行筛选。最终得到包括30头奶牛躯干图像的训练图像为60 000幅，测试图像为21 730幅。测试集中每个奶牛个体的图像数量在650～850之间，训练数据与测试数据之间无重叠。 1.3 提取躯干图像 1.3.1 躯干定位

帧间差值法对目标的运动边缘具有优良的检测性能，对奶牛进行帧间差值处理可得到奶牛的粗略轮廓，对得到的二值图像进行跨度分析，以剔除外部干扰，并分割出尾巴、头和颈部，最终得到躯干区域。

如图1所示，将得到的帧间差值图像划分成等间距

图1 帧间差值图像分布跨度

Fig. 1 Distribution of frames difference image

当各片段内边界和跨度值满足如式（1）所示条件时，说明第i片段包含躯干区域，予以保留；否则视为无效片段，清除该片段内的图像值。

Ri=Ui Di

Mr=max{R1,L,Rn}

Mu=max{U1,L,Un} （1） U>M TM

uur i

Ri>TrMr

式中：Ui为第i片段内的上边界；Di为第i片段内的下边

界；Tu为躯干上边界偏移阈值；Tr为躯干片断跨度阈值；n为图像中片段的总数。

从样本库中随机选取30段视频进行统计分析知，当Tu及Tr分别取0.06和0.4时，能够去除大部分无用区域并保留躯干片段。

计算修剪后的二值图像的外接矩形，其上半部分为躯干区域，下半部分为奶牛四肢。对于荷斯坦品种的奶牛，其躯干纵向高度与体高之比rb/t变化幅度较小[22]。因此，本研究对30头奶牛通过试验确定rb/t平均值为0.6。将定位的躯干区域以中心为基点缩小到80%，以去除边界处的背景区块。躯干定位结果如图2所示。

基于卷积神经网络的奶牛个体身份识别方法

图2 奶牛躯干定位结果

Fig.2 Result of locating cows’ body

1.3.2 躯干跟踪

Word文档免费下载：基于卷积神经网络的奶牛个体身份识别方法 （下载1-7页，共7页）

我要评论