基于深度学习的蛋鸡行为检测方法研究与系统开发

发布时间：2020-07-01 02:44

【摘要】：目前,蛋鸡养殖虽然在一些设备和环境调控技术方面得到了飞速发展,但是在养殖过程中,检测蛋鸡的健康和福利状况仍然采用效率低、劳动强度大,而且不利于健康的人工作业的方式进行。其不利于蛋鸡养殖业向集约化、规模化的方向发展。因此,蛋鸡行为检测的研究在蛋鸡的自动化养殖和信息化养殖方面具有重要的意义。目前由于蛋鸡个体相似、养殖环境复杂等原因很少有人使用图像技术对蛋鸡进行检测。本课题以蛋鸡为研究对象,对笼养蛋鸡的行为检测及其关键技术进行了深入研究。主要完成的工作和取得成果如下:(1)构建蛋鸡行为检测系统。对系统的检测硬件平台进行了研究与设计,并对蛋鸡行为检测的软件系统进行了方案设计。完成Pascal_VOC数据集制作。根据需求,对图像数据实施添加噪声、平移、旋转等操作进行数据扩增,为蛋鸡行为检测准备合理并且准确的训练数据集和测试数据集。(2)研究当前在深度学习中较为流行的Faster R-CNN、SSD、YOLOV3等检测算法。对这些检测算法进行了蛋鸡行为检测对比实验,实验结果表明YOLOV3在蛋鸡行为的检测速度和精度上都优于另外两种算法,但在实际的检测中,YOLOV3会出现卡顿、延迟等现象。(3)以YOLOV3检测算法为基础,设计了一种轻量型的TD-YOLOV3检测算法。首先,以YOLOV3网络结构为基础,压缩获得轻量型T-YOLOV3网络结构;其次,用Dense block替换T-YOLOV3网络中Conv9后的RES模块,并在网络结构中的第Conv5,Conv7,Conv9,Conv12的卷积层之后添加MLP结构;最后,基于K-means算法的聚类维度优化和训练策略优化进行本文数据集的训练和测试。实验表明,TD-YOLOV3算法不仅在精度上达到了要求,而且又在检测速度上得到了明显提升。(4)基于TD-YOLOV3算法以及DJango前端开发技术设计了一种蛋鸡行为在线检测系统,实现了蛋鸡行为检测以及数据库等功能。
【学位授予单位】：浙江农林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TP391.41;S831
【图文】：

技术路线图,技术路线,蛋鸡,轻量化

1 绪论了蛋鸡行为检测相关的研究，并通过实验进行性能比较。（3）基于 YOLOV3 的蛋鸡行为检测轻量化模型的研究与实现。基于 Dck 和 NIN 网络的 MLP 结构对 YOLOV3 进行了轻量化网络结构的设计。（4）蛋鸡行为识别的在线检测系统开发。基于 YOLOV3 的轻量化检测模 Django 前端框架，开发了一种拥有图像采集、检测、和数据保存功能测系统。.2 技术路线论文的研究目标是基于深度学习的蛋鸡行为检测方法研究和系统开发，术路线如图 1.1 所示。

绪论,章节,蛋鸡

图 1.2 章节安排Figure 1.2 ChapterArrangement第一章：绪论部分。本章主要介绍了该课题的研究背景及意义。阐述了外的蛋鸡检测方法的研究以及深度学习的研究现状和发展趋势。最后介的主要研究内容和论文的组织结构。第二章：蛋鸡行为检测系统搭建与数据集准备部分。本章首先简单介绍为检测系统的设计，包括硬件部分设计和软件部分设计。然后又介绍了识别数据集的制作过程。比如图像的采集，数据的标记，数据的增强，的转换等等。第三章：蛋鸡行为检测算法部分。本章首先介绍了深度学习的相关理论基于理论基础对目前最常用的三种检测算法 Faster R-CNN、SSD、YO了蛋鸡行为检测研究。最后通过实验验证算法的可行性。第四章：模型改进与优化部分。本章主要结合第四章节的 YOLOV3 算一种轻量型蛋鸡行为检测模型 TD-YOLOV3 网络模型。首先以 YOLO设计了一种轻量型的 T-YOLOV3 模型，然后基于 Dense block 密集块、

【参考文献】