基于视频分析的奶牛关键部位提取及跛行检测研究

发布时间：2020-08-14 08:05

【摘要】：在推动奶牛养殖业现代化和提高牛奶福利的发展中,奶牛跛行的智能检测具有重要意义。然而,对于奶牛跛行的人工检测方法存在耗时费力和主观性强等问题,该方法已难以适应规模日益扩大的奶牛养殖业。当前,基于深度学习的视频分析技术得到了快速的发展和应用,这为奶牛跛行的快速检测提供了一种很好的方法。为了能够快速准确地对奶牛跛行进行检测,本研究提出一种基于奶牛前/后腿相对步长特征的跛行检测方法,重点研究了复杂外部环境下奶牛目标关键部位的提取和奶牛跛行检测方法,主要研究内容和结论如下:(1)奶牛目标样本的获取是奶牛关键部位检测的基础。为实现奶牛目标的准确定位,本文首先对光流法、帧间差分法、背景减除法和混合高斯模型进行了理论分析,并分别采用不同方法对奶牛跛行进行了试验研究。然后通过分析试验结果,本文最终采用混合高斯模型和背景减除法相结合来对奶牛目标进行检测。该方法首先采用混合高斯模型进行背景建模,然后采用背景减除法进行奶牛目标的分割。然而,奶牛目标分割后存在断裂和不够完整的情况,因此,本文采用最小外接矩形框合并的方法对分割结果进行整合,从而获得奶牛目标准确的定位。最后通过计算完整奶牛目标的矩形框面积像素值,从而设置合适的阈值来剔除不包括完整奶牛目标的视频帧。研究结果表明,使用奶牛目标检测算法从而获取包含完整奶牛目标的视频帧样本是有效的、可行的,该研究可为奶牛关键部位的准确提取奠定基础。(2)奶牛目标关键部位的准确分割是奶牛跛行检测的前提。为了准确地检测出奶牛目标关键部位,本研究利用YOLOv3深度学习网络,开展了复杂场景下的奶牛关键部位检测方法研究,并与Faster R-CNN算法、Tiny-YOLOv2算法进行了对比。试验结果表明,YOLOv3算法的准确率为99.18%,召回率为97.51%,平均帧率为21f/s,平均检准率为93.73%,Faster R-CNN算法的准确率为97.48%,召回率为95.32%,平均帧率为8f/s,平均检准率为93.47%,Tiny-YOLOv2算法的准确率为83.33%,召回率为65.55%,平均帧率为76f/s,平均检准率为76.33%。在腿部分类中,YOLOv3的平均准确率为90.83%,Faster R-CNN的平均准确率为90.11%,Tiny-YOLOv2的平均准确率仅为62.26%。结果表明YOLOv3算法可以较好地应用于奶牛目标关键部位的高精度检测。(3)跛行特征的选取是奶牛跛行自动检测的关键,本文提出了基于前/后腿相对步长的奶牛跛行检测方法。研究发现,当奶牛跛行时,奶牛前/后腿相对步长具有明显的特征变化,故将其特征用于奶牛跛行检测。根据奶牛行走时前、后腿相对步长变化周期并考虑奶牛行走速度的波动,选择以50帧为周期将前腿和后腿步长串联构建一个相对步长特征向量,奶牛试验视频的相对步长特征向量的构建为利用分类器实现奶牛跛行检测提供了数据支持。(4)为了实现奶牛跛行的准确检测,本文构建了适合奶牛跛行检测的分类器模型。按照正负样本个数2:1的比例,对选取的92个奶牛视频进行样本集划分。其中训练集中共有62个样本;测试集共有30个样本。分别利用SVM分类器、KNN分类器和决策树分类器对样本划分后的视频样本进行奶牛跛行分类检测,结果表明,基于构建的SVM分类器的正确率可达95.62%,明显高于KNN分类器的准确率94.68%和决策树分类器的准确率89.29%。SVM分类器的真正率为94.15%,比KNN分类器和决策树分类器分别高0.69%和3.87%;SVM的假正率为6.50%,比KNN分类器和决策树分类器低2.26%和9.71%。研究结果表明,奶牛前/后腿步长特征适用于奶牛跛行的准确检测。(5)采用Python3.6、PyQt5和MATLAB的GUI编译工具箱,设计了奶牛关键部位检测软件与奶牛跛行检测软件,通过试验验证,该处理系统能够实现奶牛关键部位检测、不同分类器方法的比较等功能。
【学位授予单位】：西北农林科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;S858.23
【图文】：

技术路线图,奶牛,跛行,矩形框

8图 1-1 技术路线图Fig.1-1 The technology route map文组织结构由六章组成，各章节内容安排如下：一章，绪论。首先介绍奶牛跛行检测的研究背景和意义，然后简要概述牛跛行的研究现状和当前研究依然存在的问题，阐述本文的主要研究二章，奶牛跛行行为分析与奶牛目标检测。分析奶牛跛行与奶牛行走之绍奶牛视频采集场所与开发环境，以及侧视视频采集方法，从而实现奶。介绍经典的运动目标检测算法，分析各算法的使用场合和优缺点，选斯模型和背景减去法的奶牛目标检测，并对分割后的奶牛目标进行后目标轮廓并绘制矩形框，利用矩形框合并方法实现奶牛目标的定位。通牛目标的矩形框面积像素值，从而设置合适的阈值来剔除不包括完整奶

拓扑结构图,网络连接,摄像机,海康

第二章奶牛跛行行为分析与奶牛目标检测频数据通过网络设备传输给客户端，通过客户端的相应软件完成实时存储。视频采集平台的硬件组成主要包括网络摄像机和网络连接设备，试验采用海康威视 DS-2DM1-714 型球形摄像机和 SONY HDR-CX290E 摄像机拍摄，海康威视DS-2DM1-714 型球形摄像机镜头能够实现水平方向的 360o连续旋转和垂直方向的-10o~90o范围内旋转，从而满足不同视觉角度的视频监控要求，且在任何速度下图像无抖动。海康威视 DS-2DM1-714 型球形摄像机具有红外功能，照射距离可达 60m，在夜间也可以清楚的拍摄到奶牛目标。考虑到奶牛活动范围等因素，海康威视DS-2DM1-714 型球形摄像机安装在顶棚支撑梁结构的中间，可利用 IP 地址进行远程控制，内置数字解码器，经过电脑程序对传入数据处理后，可以对目标的迅速定位和连续追踪，实现显示与采集。各硬件设备的连接方式如图 2-1 所示。视频采集平台的软件开发工具包括Microsoft Visual Studio和MATLAB，利用SD函数实现网络摄像机的调用和视频样本的获取。

视频,背景,奶牛

图 2-2 拍摄视频背景图Fig.2-2 Take a video background picture2.2.3 视频样本获取方法本研究共采集到 50 头奶牛的视频。每个视频段从奶牛出现在视野左侧时开始采集，直到奶牛行走到视野右端并完全消失。每头奶牛均获取 6 段视频样本，每段视频的采集时长约为 5~20s，总视频样本共计 300 段，从中随机挑取 20 段中跛行奶牛行走视频，30 段正常奶牛行走视频，采集视频帧率和码率分别设置为 25 fps/2000 kbps，分辨率为 704×576 像素。奶牛视频包含信息如表 2-1 所示。表 2-1 奶牛视频集信息Table 2-1 Information of cow video set类型标签视频数量时间天气影响因素视频时长/s视频总时长/s正常奶牛 30 白天\夜间晴天\阴天\雨天飞鸟\夜间飞虫 5~10 151跛行奶牛 20 白天\夜间晴天\阴天\雨天飞鸟\夜间飞虫 10~20 248

【相似文献】