基于深度学习和面积占有率的群养猪饮水行为识别

发布时间：2021-10-20 13:30

　　随着智慧化养猪业的快速发展,智能视频监控技术正被广泛研究用于监测猪只的福利和健康状况。猪只的饮水情况是衡量猪只健康状况的重要指标,监测猪只的饮水行为,提取饮水行为的规律,可以有效地对猪只健康异常进行预警,改善其生长福利。对于传统计算机视觉技术提取猪只特征困难,普适性较差的问题,本文提出了基于深度学习和面积占有率的猪只饮水行为识别方法,主要研究内容和结论有:首先,由于群养猪饮水行为识别需要对猪只个体及其猪头区域进行研究,提出了基于改进Mask R-CNN的猪体和猪头的分割算法,该算法能在群养猪图像上同时分割出每个猪个体及其猪头区域。由于本文的分割任务是同类别多目标的分割,提出在Mask R-CNN模型的区域建议网络中引入非局部特征向量,并在输出的掩模分支加入了边缘检测滤波器。改进后模型对猪体和猪头的分割精度达到了90.3%和88.1%,分别提高了4.2%和3.3%。其次,由于猪舍中饮水器位置固定并且饮水行为是猪头和饮水器在一段时间内连续接触过程,提出了基于面积占有率的饮水行为判断方法。首先在群养猪图像中划分出指定的饮水区域和饮水器区域,提取完全包含在饮水区域内的猪只个体,然后在单帧图像中... 

【文章来源】：江苏大学江苏省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

某视频帧

不符

基于深度学习和面积占有率的群养猪饮水行为识别12对比度线性拉伸就是将图像灰度值进行线性映射，对比度线性拉伸原理的示意图如图2.4所示。图2.4对比度线性拉伸原理示意图Figure2.4Schematicdiagramoflinercontrastbroadening原始图像记为(,)，图像大小为×，对比度拉伸后的图像记为(,)，这里将灰度范围[,]线性拉伸到[,]，从图中可以看出，感应区域的对比度增强（>1），是以抑制非感兴趣区域（<1,<1）为代价的。此外，对比度拉伸方法还有许多变形，典型的有：1)灰级窗，只将灰度值在限定范围内的目标做对比度拉伸。2)灰级窗切片，将图像中需要检测的目标与其他部分分离，目标部分为白，非目标部分为黑。(a)灰级窗(b)灰级窗切片(c)线性动态范围调整图2.5对比度线性拉伸的几种变形Figure2.5Severaldeformationsoflinercontrastbroadening3)线性动态范围调整，将灰度级变化从感兴趣区域的范围扩大到整个图像灰度，以便更清楚的看到图像细节。几种对比度线性拉伸变形的原理示意图如图2.5所示。(2)直方图均衡化直方图均衡化[50]的目的是增加图像的对比度，使图像中灰度分布均匀，使图像可以显示的更加清晰，所以合并图像中像素个数少的灰度值，展宽像素个数多的灰度值。

【参考文献】：
期刊论文
[1]糖尿病性视网膜图像的深度学习分类方法[J]. 李琼,柏正尧,刘莹芳.  中国图象图形学报. 2018(10)
[2]基于卷积网络的遥感图像建筑物提取技术研究[J]. 付发,未建英,张丽娜.  软件工程. 2018(06)
[3]基于全卷积网络的葡萄病害叶片分割[J]. 赵兵,冯全.  南京农业大学学报. 2018(04)
[4]基于改进Graph Cut算法的生猪图像分割方法[J]. 孙龙清,李玥,邹远炳,李亿杨.  农业工程学报. 2017(16)
[5]融合高斯混合建模和图像粒化的猪只目标检测[J]. 谢双云,王芳,田建艳,党亚男.  黑龙江畜牧兽医. 2016(01)
[6]自适应H-minima的改进分水岭堆叠细胞分割方法[J]. 方红萍,方康玲,刘新海.  计算机应用研究. 2016(05)
[7]基于卷积神经网络的奶牛个体身份识别方法[J]. 赵凯旋,何东健.  农业工程学报. 2015(05)
[8]基于脊腹线波动的猪呼吸急促症状视频分析[J]. 纪滨,朱伟兴,刘波,李先锋,马长华.  农业工程学报. 2011(01)
[9]一种基于自适应阈值的图像分割算法[J]. 王茜,彭中,刘莉.  北京理工大学学报. 2003(04)
[10]一种基于边缘生长的灰度和彩色图象分割方法[J]. 林通,石青云.  中国图象图形学报. 2000(11)

硕士论文
[1]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：3446988