基于CNN的猪胴体组成测定方法研究
发布时间：2021-08-06 20:44
猪肉作为我国居民的首选肉类食品,其品质一直是生猪养殖、屠宰以及食品加工行业最为关心的问题。目前公认的猪肉品质评价指标有猪胴体中瘦肉率、肌内脂肪含量。CT技术作为一种有效的无损检测技术在猪胴体组成检测方面具有广阔的应用前景。随着深度学习的快速发展,将深度学习技术结合CT无损检测技术实现猪胴体组成的测定成为一个研究热点。本文尝试将卷积神经网络应用于猪胴体组成测定,提出了一种结合Inception模块和MSVR算法的卷积神经网络预测模型。本文的具体工作如下:（1）实验数据的获取和处理。为构建完整的用于猪胴体组成测定的CT图像数据集,首先采集了体重在20-50kg之间的活体公猪CT图像数据以及对应的标签数据（猪胴体肌内脂肪含量和瘦肉率）。为了便于后续模型的训练与学习,对原始CT图像进行了数据预处理,包括格式转换、图像去噪和图像数据增强。（2）基于CNN的猪胴体组成预测模型的构建。利用卷积神经网络自动提取图像特征的特点,基于传统CNN构建了4种不同深度的CNN模型,通过在已构建的数据集上进行实验,验证了利用卷积神经网络在CT图像上预测猪胴体组成的可行性。（3）结合Inception模块和MSVR...
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 研究内容与技术路线
1.4 本文的组织结构
第二章 实验数据的获取和处理
2.1 CT图像相关知识介绍
2.1.1 CT成像原理
2.1.2 CT图像的特点
2.2 实验数据的获取
2.3 CT图像数据的处理
2.3.1 CT图像格式转换
2.3.2 CT图像去噪
2.3.3 数据增强
2.4 本章小结
第三章 基于CNN的猪胴体组成预测模型
3.1 卷积神经网络
3.1.1 卷积神经网络概述
3.1.2 卷积神经网络结构
3.1.3 典型的卷积神经网络
3.2 基于CNN的猪胴体组成预测模型的构建
3.3 实验过程及分析
3.3.1 深度学习环境的搭建
3.3.2 实验评价指标
3.3.3 实验结果与分析
3.4 本章小结
第四章 结合Inception模块和MSVR算法的猪胴体组成预测优化模型
4.1 Inception模块
4.2 MSVR算法
4.3 改进的网络结构
4.4 实验过程及分析
4.4.1 训练过程
4.4.2 实验分析
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]基于K-means-RBF的鸡肉品质分类方法研究[J]. 邢素霞,王九清,陈思,王睿. 食品科学技术学报. 2018(04)
[2]多输出支持向量机混合模型在机车调簧中的应用[J]. 潘迪夫,陈军,鲍天哲,韩锟. 华南理工大学学报(自然科学版). 2018(04)
[3]基于卷积神经网络的小样本图像识别方法[J]. 段萌,王功鹏,牛常勇. 计算机工程与设计. 2018(01)
[4]国内外猪肉质量快速无损检测技术的研究进展[J]. 李莹,张伟敏,黄海珠,胡晓苹. 食品研究与开发. 2017(20)
[5]数字资源长期保存的标准体系研究[J]. 刘振. 情报理论与实践. 2016(07)
[6]水分和温度对猪肉质构及感官品质的影响[J]. 张立彦,胡嘉颖. 现代食品科技. 2016(09)
[7]第1讲 深度学习:开启人工智能的新纪元[J]. 李轶南,张雄伟,李治中,吴海佳,孙久皓. 军事通信技术. 2015(04)
[8]基于机器视觉的猪胴体背膘厚度在线检测技术[J]. 李青,彭彦昆. 农业工程学报. 2015(18)
[9]利用双能X射线预测绵羊胴体肌内脂肪含量的研究[J]. 刘斌,季小阳,付军科,靳婷,段合堂,张文广. 中国畜牧兽医. 2015(08)
[10]注水肉无损检测技术现状与发展趋势分析[J]. 黄玉萍,陈桂云,夏建春,於海明. 农业机械学报. 2015(01)
博士论文
[1]丁酸梭菌对肉鸡脂肪代谢的影响及其机理研究[D]. 赵旭.中国农业大学 2014
[2]基于系统建模的低剂量CT重建研究[D]. 张华.南方医科大学 2014
[3]低剂量CT投影恢复及不完备数据重建算法研究[D]. 刘祎.中北大学 2014
[4]颞骨影像立体解剖学研究[D]. 田旭.北京协和医学院 2013
[5]双模式小动物成像系统关键技术研究[D]. 杨孝全.华中科技大学 2010
[6]畜肉品质评定方法及综合评定系统研究[D]. 王笑丹.吉林大学 2008
[7]基于GPU的三维医学图像处理算法研究[D]. 李冠华.大连理工大学 2009
硕士论文
[1]基于深度学习的高分辨率遥感影像目标检测方法研究[D]. 刘鹏.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[2]基于皮肤镜图像的皮损区域识别研究[D]. 杨雯杰.电子科技大学 2018
[3]从江香猪肌内脂肪预测模型构建及LPL基因相关研究[D]. 张雄.贵州大学 2017
[4]基于机器视觉的生猪瘦肉率无损检测技术研究[D]. 张萌.华南农业大学 2016
[5]基于颜色特征优化的猪肉新鲜度判定模型构建及移动应用开发[D]. 潘婧.上海海洋大学 2016
本文编号：3326461
【文章来源】：西北农林科技大学陕西省 211工程院校 985工程院校 教育部直属院校
【文章页数】：56 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与意义
1.2 研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 研究内容与技术路线
1.4 本文的组织结构
第二章 实验数据的获取和处理
2.1 CT图像相关知识介绍
2.1.1 CT成像原理
2.1.2 CT图像的特点
2.2 实验数据的获取
2.3 CT图像数据的处理
2.3.1 CT图像格式转换
2.3.2 CT图像去噪
2.3.3 数据增强
2.4 本章小结
第三章 基于CNN的猪胴体组成预测模型
3.1 卷积神经网络
3.1.1 卷积神经网络概述
3.1.2 卷积神经网络结构
3.1.3 典型的卷积神经网络
3.2 基于CNN的猪胴体组成预测模型的构建
3.3 实验过程及分析
3.3.1 深度学习环境的搭建
3.3.2 实验评价指标
3.3.3 实验结果与分析
3.4 本章小结
第四章 结合Inception模块和MSVR算法的猪胴体组成预测优化模型
4.1 Inception模块
4.2 MSVR算法
4.3 改进的网络结构
4.4 实验过程及分析
4.4.1 训练过程
4.4.2 实验分析
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
个人简历
【参考文献】：
期刊论文
[1]基于K-means-RBF的鸡肉品质分类方法研究[J]. 邢素霞,王九清,陈思,王睿. 食品科学技术学报. 2018(04)
[2]多输出支持向量机混合模型在机车调簧中的应用[J]. 潘迪夫,陈军,鲍天哲,韩锟. 华南理工大学学报(自然科学版). 2018(04)
[3]基于卷积神经网络的小样本图像识别方法[J]. 段萌,王功鹏,牛常勇. 计算机工程与设计. 2018(01)
[4]国内外猪肉质量快速无损检测技术的研究进展[J]. 李莹,张伟敏,黄海珠,胡晓苹. 食品研究与开发. 2017(20)
[5]数字资源长期保存的标准体系研究[J]. 刘振. 情报理论与实践. 2016(07)
[6]水分和温度对猪肉质构及感官品质的影响[J]. 张立彦,胡嘉颖. 现代食品科技. 2016(09)
[7]第1讲 深度学习:开启人工智能的新纪元[J]. 李轶南,张雄伟,李治中,吴海佳,孙久皓. 军事通信技术. 2015(04)
[8]基于机器视觉的猪胴体背膘厚度在线检测技术[J]. 李青,彭彦昆. 农业工程学报. 2015(18)
[9]利用双能X射线预测绵羊胴体肌内脂肪含量的研究[J]. 刘斌,季小阳,付军科,靳婷,段合堂,张文广. 中国畜牧兽医. 2015(08)
[10]注水肉无损检测技术现状与发展趋势分析[J]. 黄玉萍,陈桂云,夏建春,於海明. 农业机械学报. 2015(01)
博士论文
[1]丁酸梭菌对肉鸡脂肪代谢的影响及其机理研究[D]. 赵旭.中国农业大学 2014
[2]基于系统建模的低剂量CT重建研究[D]. 张华.南方医科大学 2014
[3]低剂量CT投影恢复及不完备数据重建算法研究[D]. 刘祎.中北大学 2014
[4]颞骨影像立体解剖学研究[D]. 田旭.北京协和医学院 2013
[5]双模式小动物成像系统关键技术研究[D]. 杨孝全.华中科技大学 2010
[6]畜肉品质评定方法及综合评定系统研究[D]. 王笑丹.吉林大学 2008
[7]基于GPU的三维医学图像处理算法研究[D]. 李冠华.大连理工大学 2009
硕士论文
[1]基于深度学习的高分辨率遥感影像目标检测方法研究[D]. 刘鹏.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[2]基于皮肤镜图像的皮损区域识别研究[D]. 杨雯杰.电子科技大学 2018
[3]从江香猪肌内脂肪预测模型构建及LPL基因相关研究[D]. 张雄.贵州大学 2017
[4]基于机器视觉的生猪瘦肉率无损检测技术研究[D]. 张萌.华南农业大学 2016
[5]基于颜色特征优化的猪肉新鲜度判定模型构建及移动应用开发[D]. 潘婧.上海海洋大学 2016
本文编号：3326461
本文链接：https://www.wllwen.com/projectlw/qgylw/3326461.html
