利用深度图像分析检测不活动性和估计猪的实际体重

发布时间：2020-10-14 00:03

　　 深度图像分析在农业中具有很大的潜力,在动物行为检测和体重估计中具有重要应用价值。检测猪不活动行为及其体重的传统方法依赖于费时费力的人工检查。本论文提出了使用深度图像检测围栏中群养母猪的不活动行为的相关方法,并建立了个体仔猪体重的检测模型。研究通过搭建的图像采集系统自动连续记录动物的深度图像,通过提出的DepInact图像处理和逻辑分析方法跟踪处于非活动状态的群养猪个体,并对处于这一状态超过一定时间阈值的猪只(目标猪只)进行识别。为了验证所开发系统的稳健性和准确性,获得了 656对间隔4秒拍摄的相应的深度数据和彩色图像,其中深度数据用来自动检测目标猪只,而彩色图像用来人工确定真实的非活动目标猪只。通过比较DepInact识别结果与人工真实标记结果,得到利用DepInact进行非活动目标猪只检测的准确率为85.7%,从而证明所开发的系统可以用于非活动目标猪只的自动识别。特别的,该系统对猪舍光线条件改变不敏感,具有较好的环境适应性。本研究的第二部分讨论了基于深度图像的仔猪体重检测方法。研究提取单个仔猪特征(如背部区域,高度和高度总和)并利用这些特征建立了支持向量机(SVM)模型来估计仔猪重量。研究比较了单一特征输入和多特征输入的结果,最优模型为使用三个输入特征时建立的SVM模型,校正集相关系数和均方根误差分别为0.82和0.09 kg,预测集相关系数和均方根误差为0.95和0.08 kg。然而,但仍需开展更多深入的研究来提高系统识别和预测的准确性。
【学位单位】：华中农业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S828;TP391.41;TP181
【文章目录】：
摘要
Abstract
List of Abbreviations
1. Introduction
    1.1 Origin of Research Problem
    1.2 Significance
    1.3 Objectives
2. Literature review
    2.1 Crop cultivation
    2.2 Food inspection and quality control
    2.3 Weight estimation
    2.4 Tracking
    2.5 Behavior and Health Monitoring
    2.6 Depth images
3. Application of depth images for detection of inactivity
    3.1 Data collection
    3.2 Image analysis and algorithm development for detection ofinactivity
        3.2.1 Basic loop
        3.2.2 Image Processing
    3.3 Results for detection of inactivity
        3.3.1 Manual verification
        3.3.2 Allowance and Loop count
4. Discussion for Inactivity
5. Application of depth images for weight estimation
    5.1 Data collection
    5.2 Image analysis for weight estimation
        5.2.1 Data preprocessing
        5.2.2 Model development
        5.2.3 Model Evaluation
    5.3 Results for weight estimation
        5.3.1 Model performance and comparison
6. Discussion for weight estimation
7. Conclusion
References
Appendices
Acknowledgements

【相似文献】

相关期刊论文 前10条

1 周自顾;曹杰;郝群;高泽东;肖宇晴;;保留边界特征的深度图像增强算法研究[J];应用光学;2018年02期

2 刘田间;郭连朋;朱禛;赖平;;一种深度图像修复算法研究[J];信息技术;2017年06期

3 钱钧;李良福;周锋飞;王超;邹彬;;基于结构特征引导滤波的深度图像增强算法研究[J];应用光学;2016年02期

4 郑传远;李良福;肖樟树;陆铖;;一种改进的各向异性扩散深度图像增强算法[J];计算机工程与科学;2016年09期

5 吕浩;陈世峰;;基于多方向滤波的强边缘深度图像补全方法[J];集成技术;2016年06期

6 刘汉伟;曹雏清;;基于图像融合的深度图像修复算法[J];现代电子技术;2020年02期

7 王殿伟;陈鹏;李大湘;许志杰;王晶;;基于深度融合的深度图像修复算法[J];光电子·激光;2019年06期

8 葛利跃;朱令令;张聪炫;陈震;;深度图像优化分层分割的3D场景流估计[J];南昌航空大学学报(自然科学版);2018年02期

9 章勤;虢伟;;基于多幅深度图像的三维重构技术[J];华中科技大学学报(自然科学版);2008年02期

10 杨书焓;谭斌;;深度图像修复算法综述[J];计算机产品与流通;2019年02期

相关博士学位论文 前10条

1 王月;面向产品装配引导的增强现实虚实融合技术研究[D];西北工业大学;2018年

2 杨莉莉;深度图像的获取与复原算法研究[D];西安电子科技大学;2018年

3 丁益洪;立体足迹三维曲面分割与识别[D];解放军信息工程大学;2005年

4 范涛;基于压缩感知深度图像处理及三维编码系统优化方法[D];上海大学;2017年

5 苗丹;三维视频压缩、传输、渲染相关技术的研究[D];中国科学技术大学;2015年

6 宋希彬;基于RGB-D信息的深度图像增强关键技术研究[D];山东大学;2017年

7 马爽;具有自主发育能力的机器人感知与认知方法研究[D];吉林大学;2016年

8 杜同春;写字机器人感知与推理方法研究[D];哈尔滨工程大学;2017年

9 许小艳;多视点视频中的视图合成[D];重庆大学;2011年

10 丁雅斌;隐式表达三维模型流水线的关键技术研究[D];天津大学;2007年

相关硕士学位论文 前10条

1 王照华;面向堆叠矩形物体的识别与抓取方法研究[D];哈尔滨工业大学;2019年

2 杨书焓;利用最小生成树图像分割指导深度图像的修复[D];西华大学;2019年

3 陈正阳;深度图像自适应邻域修复方法[D];成都理工大学;2019年

4 曾星;基于深度图像的坐姿识别技术及应用研究[D];国防科技大学;2017年

5 李锦环;基于生成对抗网络的单目深度图像的生成[D];大连理工大学;2019年

6 OJUKWU CHRISTOPHER CHIJIOKE;利用深度图像分析检测不活动性和估计猪的实际体重[D];华中农业大学;2019年

7 易瑶;面向深度图像的3D-HEVC帧内编码模式决策快速算法研究[D];浙江工业大学;2019年

8 司艳丽;基于彩色图像和深度图像的重叠颗粒分层计数[D];江苏大学;2019年

9 刘智娟;基于机器视觉的路面裂缝三维建模与修补参数计算[D];长安大学;2019年

10 曹扬;基于红外和深度图像的人脸对齐研究[D];上海交通大学;2016年

本文编号：2839883