基于深度学习的猪只目标检测及状态分析
发布时间：2021-07-28 17:54
养殖场中对养殖病猪的生活状态观测及疾病预防大多都是依靠人工观察来完成,容易受到个人经验和自然环境等因素的影响。研究表明,猪只的较长时间垂头站立或者较长时间躺卧行为表示猪只处于疲劳状态或者患有疾病的概率较大[1],需进一步检查身体状况,进而采取下一步治疗措施;如果猪只较长时间抬头站立,表明猪只可能被外界刺激和扰乱,或者是害怕、恐慌等,有必要检查猪舍的内部和周围环境。如果通过人工的方法进行检测猪只的状况,不仅劳动强度大,而且不及时。因此,应用视频监控方式的数字化养殖已经开始出现,该方法不仅可以及时对猪只的状态有所掌握,同时也可以大大减少劳动力,降低养殖成本。猪只的目标检测是猪只的行为分析和数字化养殖的重要前期工作,为了得到准确的猪只的状态,及时发现患病隐患,本文首先利用深度学习技术对猪只姿态进行检测。为了提高检测精确度、减少网络参数的数量,本研究首先通过对猪只个体特征的分析,提出了改进ResNet模型用于猪只检测,改进模型通过跨层连接来获取猪只特征之间的关系,加入了新的残差块来提高模型的特征表达能力,减少网络的层数以降低网络的复杂度。改进模型是通过减少卷积层的数量,构建不同类型的残差块,增...
【文章来源】：东北农业大学黑龙江省 211工程院校
【文章页数】：99 页
【学位级别】：博士
【部分图文】：
图１－２自动驾驶系统流程??Ｆｉｇｕｒｅｌ－２?Ａｕｔｏｍａｔｅｄ?ｄｒｉｖｉｎｇ?ｓｙｓｔｅｍ?ｐｒｏｃｅｓｓ??
东北农业大学工学博士学位论文??检测技术??原理与人类进行图像识别的原理基本的影响。人类在进行图像识别过程中通过图像拥有的特征进行相应的分类，类看到图片时，大脑便会快速感知出过程中己经实现了快速识别［３（）］。大脑否和这一图像存在相同或者是类似特行图像识别的过程与这一过程类似，特征，以此实现对图像的识别，图像
前言??否存在目标，并确定目标的位置和范围［３１—３３］。如图１－４所示，图中包含多个目标，如人、汽??车、雨伞、棒球等，目标检测的任务是将这些目标识别出来，确定其类别、位置和边框范??图１－４目标检测不例??Ｆｉｇｕｒｅ?１－４?Ｔａｒｇｅｔ?ｄｅｔｅｃｔｉｏｎ?ｅｘａｍｐｌｅ??目标检测长是机器视觉领域的重要研宄方向。传统的目标检测方法取得了一定的积极进??展，但在现实场景中，由于目标和目标所处场景的复杂性和多样性变化，传统的目标检测方??法并不能满足实际应用的需求。当下，基于图像的各种机器视觉技术在各个领域都有了十足??的发展和应用［３４］。??１．４．３基于深度学习的目标检测??传统的目标检测领域使用的区域选择策略时间复杂度高，产生很多的冗余窗口并且效果??差，特征对于目标变化缺乏鲁棒性。这两个问题是深度学习需要解决的。对于特征提取的问??题，在深度学习领域基本不再使用手工特征，而是使用神经网络进行特征学习，常用的工具??就是卷积神经网络；而对于候选区域提取这个问题的，在基于深度学习的目标检测算法领域??大致有两大类方法
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的车型识别[J]. 石磊,王亚敏,曹仰杰,卫琳. 计算机科学. 2018(05)
[2]基于大数据技术的用电量预测模型[J]. 陈星豪,陶国飞,黄柳萍. 广西水利水电. 2018(02)
[3]Faster R-CNN模型在车辆检测中的应用[J]. 王林,张鹤鹤. 计算机应用. 2018(03)
[4]基于并行卷积神经网络的人群密度估计方法[J]. 贾翻连,张丽红. 测试技术学报. 2018(01)
[5]经典深度卷积神经网络模型在手绘草图识别中的应用研究[J]. 佘鹏,甘健侯,文斌,周菊香. 云南师范大学学报(自然科学版). 2018(01)
[6]基于PReLUs-Softplus非线性激励函数的卷积神经网络[J]. 郜丽鹏,郑辉. 沈阳工业大学学报. 2018(01)
[7]基于循环卷积神经网络的目标检测与分类[J]. 艾玲梅,叶雪娜. 计算机技术与发展. 2018(02)
[8]运用双向LSTM拟合RNA二级结构打分函数[J]. 王帅,蔡磊鑫,顾倜,吕强. 计算机应用与软件. 2017(09)
[9]基于卷积神经网络的运输船舶分类识别方法[J]. 戚超,王晓峰. 微型机与应用. 2017(17)
[10]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
博士论文
[1]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
[2]基于深度学习的暴力检测及人脸识别方法研究[D]. 丁春辉.中国科学技术大学 2017
[3]基于FPGA的卷积神经网络并行结构研究[D]. 陆志坚.哈尔滨工程大学 2013
硕士论文
[1]基于卷积神经网络的人脸识别系统设计与实现[D]. 史为抗.济南大学 2017
[2]基于深度学习的表情识别方法研究[D]. 程曦.长春工业大学 2017
[3]基于视频跟踪与多模型声音识别的猪行为检测与分析[D]. 张苏楠.太原理工大学 2016
[4]基于深度学习的图像态势感知应用研究[D]. 杨文慧.哈尔滨工业大学 2016
[5]基于卷积神经网络的图像分类方法研究[D]. 朱芸芸.北京交通大学 2016
[6]基于卷积神经网络的人脸表情和性别识别[D]. 产文涛.安徽大学 2016
[7]基于matching-CNN的行人再识别[D]. 徐志敏.西安电子科技大学 2015
[8]改进的卷积神经网络模型及其应用研究[D]. 何鹏程.大连理工大学 2015
[9]基于边缘检测的非局部均值图像去噪算法[D]. 甘凯华.合肥工业大学 2015
[10]二维图形加速引擎设计与实现[D]. 周毅.湖南大学 2013
本文编号：3308368
【文章来源】：东北农业大学黑龙江省 211工程院校
【文章页数】：99 页
【学位级别】：博士
【部分图文】：
图１－２自动驾驶系统流程??Ｆｉｇｕｒｅｌ－２?Ａｕｔｏｍａｔｅｄ?ｄｒｉｖｉｎｇ?ｓｙｓｔｅｍ?ｐｒｏｃｅｓｓ??
东北农业大学工学博士学位论文??检测技术??原理与人类进行图像识别的原理基本的影响。人类在进行图像识别过程中通过图像拥有的特征进行相应的分类，类看到图片时，大脑便会快速感知出过程中己经实现了快速识别［３（）］。大脑否和这一图像存在相同或者是类似特行图像识别的过程与这一过程类似，特征，以此实现对图像的识别，图像
前言??否存在目标，并确定目标的位置和范围［３１—３３］。如图１－４所示，图中包含多个目标，如人、汽??车、雨伞、棒球等，目标检测的任务是将这些目标识别出来，确定其类别、位置和边框范??图１－４目标检测不例??Ｆｉｇｕｒｅ?１－４?Ｔａｒｇｅｔ?ｄｅｔｅｃｔｉｏｎ?ｅｘａｍｐｌｅ??目标检测长是机器视觉领域的重要研宄方向。传统的目标检测方法取得了一定的积极进??展，但在现实场景中，由于目标和目标所处场景的复杂性和多样性变化，传统的目标检测方??法并不能满足实际应用的需求。当下，基于图像的各种机器视觉技术在各个领域都有了十足??的发展和应用［３４］。??１．４．３基于深度学习的目标检测??传统的目标检测领域使用的区域选择策略时间复杂度高，产生很多的冗余窗口并且效果??差，特征对于目标变化缺乏鲁棒性。这两个问题是深度学习需要解决的。对于特征提取的问??题，在深度学习领域基本不再使用手工特征，而是使用神经网络进行特征学习，常用的工具??就是卷积神经网络；而对于候选区域提取这个问题的，在基于深度学习的目标检测算法领域??大致有两大类方法
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的车型识别[J]. 石磊,王亚敏,曹仰杰,卫琳. 计算机科学. 2018(05)
[2]基于大数据技术的用电量预测模型[J]. 陈星豪,陶国飞,黄柳萍. 广西水利水电. 2018(02)
[3]Faster R-CNN模型在车辆检测中的应用[J]. 王林,张鹤鹤. 计算机应用. 2018(03)
[4]基于并行卷积神经网络的人群密度估计方法[J]. 贾翻连,张丽红. 测试技术学报. 2018(01)
[5]经典深度卷积神经网络模型在手绘草图识别中的应用研究[J]. 佘鹏,甘健侯,文斌,周菊香. 云南师范大学学报(自然科学版). 2018(01)
[6]基于PReLUs-Softplus非线性激励函数的卷积神经网络[J]. 郜丽鹏,郑辉. 沈阳工业大学学报. 2018(01)
[7]基于循环卷积神经网络的目标检测与分类[J]. 艾玲梅,叶雪娜. 计算机技术与发展. 2018(02)
[8]运用双向LSTM拟合RNA二级结构打分函数[J]. 王帅,蔡磊鑫,顾倜,吕强. 计算机应用与软件. 2017(09)
[9]基于卷积神经网络的运输船舶分类识别方法[J]. 戚超,王晓峰. 微型机与应用. 2017(17)
[10]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
博士论文
[1]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
[2]基于深度学习的暴力检测及人脸识别方法研究[D]. 丁春辉.中国科学技术大学 2017
[3]基于FPGA的卷积神经网络并行结构研究[D]. 陆志坚.哈尔滨工程大学 2013
硕士论文
[1]基于卷积神经网络的人脸识别系统设计与实现[D]. 史为抗.济南大学 2017
[2]基于深度学习的表情识别方法研究[D]. 程曦.长春工业大学 2017
[3]基于视频跟踪与多模型声音识别的猪行为检测与分析[D]. 张苏楠.太原理工大学 2016
[4]基于深度学习的图像态势感知应用研究[D]. 杨文慧.哈尔滨工业大学 2016
[5]基于卷积神经网络的图像分类方法研究[D]. 朱芸芸.北京交通大学 2016
[6]基于卷积神经网络的人脸表情和性别识别[D]. 产文涛.安徽大学 2016
[7]基于matching-CNN的行人再识别[D]. 徐志敏.西安电子科技大学 2015
[8]改进的卷积神经网络模型及其应用研究[D]. 何鹏程.大连理工大学 2015
[9]基于边缘检测的非局部均值图像去噪算法[D]. 甘凯华.合肥工业大学 2015
[10]二维图形加速引擎设计与实现[D]. 周毅.湖南大学 2013
本文编号：3308368
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3308368.html
