基于深度学习的群养猪个体身份识别

发布时间：2021-04-18 04:24

　　近年来,我国家畜养殖行业不断向集约化、规模化、专业化方向发展。高密度的封闭式养殖方式对猪只异常行为的实时监测提出了新的要求,而针对猪只个体异常行为监测的前提是猪只的身份识别。通过人工检测的方式不仅耗时耗力,而且缺乏效率,因此,深入研究群养猪图像中猪只个体的前景提取、身份识别、行为识别等,对于提高家畜养殖自动化程度、提升养殖效率是有重要意义的。本文围绕俯视群养猪图像,重点研究了基于深度学习的猪只个体的图像分割以及身份识别,主要研究成果如下:（1）在复杂背景下,从带有黏连情况的群养猪图像中,将每一个猪只个体完整的分割出来是一大难点。针对这个问题,本文提出了两种分割方法,并进行了对比实验。第一种是方法是利用全卷积网络对图像进行全局分割,分割出所有猪只,然后结合距离变化与分水岭算法分离黏连猪只个体。第二种方法是通过目标检测算法提取单个猪的局部区域,然后利用全卷积网络对局部区域进行分割,获得猪只个体的完整图像。对比了两种方法分割的精度以及对黏连猪只的处理能力,实验证明,第二种方法的分割效果更好。另外,由于分割出来的轮廓并不是完全准确的,某些情况下与人工分割的差异较大,因此需要对其进行细分割处理。... 

【文章来源】：江苏大学江苏省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

视频采集平台Figure2.1Videoacquisitionplatform

不符合

符合条

【参考文献】：
期刊论文
[1]基于双金字塔网络的RGB-D群猪图像分割方法[J]. 高云,廖慧敏,黎煊,雷明刚,余梅,李小平.  农业机械学报. 2020(07)
[2]图像分割方法综述[J]. 王秋萍,张志祥,朱旭芳.  信息记录材料. 2019(07)
[3]基于深度卷积神经网络的人脸识别技术综述[J]. 安丰波.  中国新通信. 2019(05)
[4]基于深度学习的群猪图像实例分割方法[J]. 高云,郭继亮,黎煊,雷明刚,卢军,童宇.  农业机械学报. 2019(04)
[5]集约化饲养条件下饲养密度对猪生长性能和健康影响的研究进展[J]. 周凯,刘春龙,吴信.  动物营养学报. 2019(01)
[6]猪只饮水行为机器视觉自动识别[J]. 杨秋妹,肖德琴,张根兴.  农业机械学报. 2018(06)
[7]主流深度学习框架对比[J]. 加日拉·买买提热衣木,常富蓉,刘晨,要秀宏.  电子技术与软件工程. 2018(07)
[8]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕.  电子测量技术. 2017(11)
[9]图像语义分割深度学习模型综述[J]. 张新明,祝晓斌,蔡强,刘新亮,邵玮,王磊.  高技术通讯. 2017(Z1)
[10]基于头尾定位的群养猪运动轨迹追踪[J]. 高云,郁厚安,雷明刚,黎煊,郭旭,刁亚萍.  农业工程学报. 2017(02)

硕士论文
[1]基于广义Hough变换和聚类分析的粘连猪的头尾识别[D]. 杨心.江苏大学 2017
[2]基于Gabor方向直方图和支持向量机的猪个体身份识别[D]. 赵伟.江苏大学 2017



本文编号：3144796