基于深度学习的牛体尺测量方法研究

发布时间：2021-09-25 05:12

　　近年来,随着畜牧业的发展,在畜牧业中占据重要位置的养牛行业也呈现快速发展的趋势。牛的体尺参数主要包括体高、体长、体斜长,其既能直观反映牛的生长发育状况,同时在精细化养殖中也是牛选育、肉质评价等的重要指标。传统的牛体尺测量多采用人工接触式测量,牛的应激反应大,导致测量困难、误差较大且效率低下。针对这一问题,本文提出一种基于深度学习的牛体尺参数无接触测量方法。本文提出基于深度学习的牛体尺参数测量方法,利用深度学习模型检测牛的六类特征框,实现了牛局部特征轮廓提取、体尺特征点提取、牛站姿纠偏、体尺计算等功能。本文的主要工作内容如下:制作了牛体尺特征部位图像数据集,含5000余张标注了牛、牛头、躯干、牛尻、关节及蹄等部位的图像。利用Faster RCNN算法检测图像中的体尺特征部位;利用Canny边缘检测算法在特征部位局部图像中提取边缘轮廓。对Canny边缘检测输出的边缘检测点采用最小二乘法拟合成二次曲线,得到牛特征部位光滑轮廓;在得到的边缘轮廓线上采用计算最大曲率等方法得到牛体尺测点;通过牛的四个蹄子坐标信息实现牛的站姿纠偏;结合标定参数集计算牛体尺中体高、体长和体斜长参数。通过实验验证,该方... 

【文章来源】：内蒙古科技大学内蒙古自治区

【文章页数】：76 页

【学位级别】：硕士

【部分图文】：

传统神经网络和深度神经网络

内蒙古科技大学硕士学位论文-8-2基于深度学习的牛体尺测量系统方案2.1牛体尺测量系统整体研究方案本文主要研究内容为基于深度学习的牛体尺测量方法研究。整体研究方案如图2.1所示。对于基于深度学习的牛体尺测量方法研究的实现，主要分为四个部分，第一部分是数据集的制作，利用LabelImg标定工具制作牛体尺特征部位检测数据集并命名为图2.1牛体尺测量系统总体方案图CABM-SET数据集，数据集的图像采集于内蒙古自治区擦哈尔和苏尼特牧常第二部分是在FasterRCNN的框架下，本文使用ResNet101网络进行特征提取，通过区域建议网络（regionproposalnetwork，RPN）替代SelectiveSearch和EdgeBoxes等方法来生成大量可能包含目标的候选框区域，最后通过分类回归网络得到类别和边框。第三部分是在牛特征部位进行边缘轮廓提取，检测体尺特征点。第四部分是牛体尺纠偏

内蒙古科技大学硕士学位论文-9-计算。2.1.1体尺参数的研究方案通过牛体尺参数数据可以了解牛的各部位生长发育情况，同时在精细化养殖中也是牛选育、肉质评价等的重要指标。如图2.2所示，A点为髻甲点、B点为地面、C点为肩端、D点为坐骨端。图2.2牛体参数示意图牛体尺参数规定如下：（1）牛体长参数：由肩端至坐骨端后缘的水平距离。（2）牛体高参数：由髻甲最高点至地面的垂直距离。（3）牛体斜长参数：由肩端至坐骨端的直线距离。2.1.2数据集的研究方案数据集对复杂深度学习模型来说非常重要，数据集制作的好坏直接影响模型的训练结果，进而对牛体尺参数的测量的准确性具有很大的影响，所以数据集制作的每一张图片都要慎重挑选，本文通过采集大量牛体图像数据，对大量牛图像数据挑选，标定。制作成自己的数据集并命名为CABM-SET数据集。数据图像来源于苏尼特和察哈尔牧常数据集包含牛6类特征，共5600余张图像。


本文编号：3409157