基于身体特征图像及深度学习的奶牛身份识别方法的研究
发布时间：2021-07-17 11:13
奶牛身份识别技术是自动化养殖的重要组成部分,对保障奶牛健康和减少疫情极为有效。现阶段普遍使用的奶牛身份识别技术是给奶牛佩戴带有标号的电子耳标,该方法会对奶牛造成物理损伤,且标签容易丢失。为此,本文提出基于身体特征图像和深度学习的奶牛身份识别方法。本文的主要工作如下:（1）搭建奶牛图像采集平台,包括在挤奶厅安置网络摄像头并传输视频和配置运行环境。制作奶牛图像数据集,其中包括提取奶牛视频帧、样本集预处理、手动标注图像和采用不同方式进行数据集增强等操作。（2）对奶牛身份识别系统的整体框架和功能进行分析,并设计了系统整体检测流程。选用YOLOv3检测算法对自制的奶牛数据集进行训练和测试,同时对奶牛视频进行了测试,并分析和总结了实验结果。使用其它YOLO系列算法对同样的奶牛数据集进行测试,比较不同YOLO算法的实验结果和检测性能。（3）为提升系统检测准确度,本文从数据样本增强和YOLOv3网络结构改进两方面进行补充,提出加入空间金字塔池化层的多尺度目标检测算法,测试结果表明,优化后的模型更适合本文的奶牛身份识别。另外,基于WAMP设计了系统展示平台,实现完整的奶牛个体身份识别系统。
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
卷积过程示意图
图 2.3 LeNet5 网络结构Figure 2.3 LeNet5 network structure（2）VGGNet 是首个通过加深网络深度来改善网络性能的模型[32]，准确率也随着深度的加深而改善，并且在 ILSVRC2014 比赛中获得冠军。常用的深度有 16 层和 19 层，VGGNet在 AlexNet 网络基础上使用更小的卷积核，加深了网络层数，使得网络参数减小，数据拟合度增加，收敛速度也比 AlexNet 快[33]。网络的通道数从输入的224×224×3三通道 RGB 图像，经过多个卷积层后，输出层不断增加到 512，因此可以提取更多的特征。VGGNet 在测试阶段可以使用不同尺度大小的图片，可以提高识别准确度。VGG16 的网络结构如图 2.4 所示：可以看到一共使用四次池化，图片的大小不断减小、通道数不断增加。VGGNet 的改进之处在于可以多尺度图片输入，然后网络初始化图片为同一大小。训练时按照级别简单的顺序优先训练，然后将训练权重传给后面的网络，提高训练速度、减少训练时间。
图 2.3 LeNet5 网络结构Figure 2.3 LeNet5 network structure（2）VGGNet 是首个通过加深网络深度来改善网络性能的模型[32]，准确率也随着深度的加深而改善，并且在 ILSVRC2014 比赛中获得冠军。常用的深度有 16 层和 19 层，VGGNet在 AlexNet 网络基础上使用更小的卷积核，加深了网络层数，使得网络参数减小，数据拟合度增加，收敛速度也比 AlexNet 快[33]。网络的通道数从输入的224×224×3三通道 RGB 图像，经过多个卷积层后，输出层不断增加到 512，因此可以提取更多的特征。VGGNet 在测试阶段可以使用不同尺度大小的图片，可以提高识别准确度。VGG16 的网络结构如图 2.4 所示：可以看到一共使用四次池化，图片的大小不断减小、通道数不断增加。VGGNet 的改进之处在于可以多尺度图片输入，然后网络初始化图片为同一大小。训练时按照级别简单的顺序优先训练，然后将训练权重传给后面的网络，提高训练速度、减少训练时间。
【参考文献】：
期刊论文
[1]图像物体检测深度学习算法综述[J]. 郭泽方. 机械工程与自动化. 2019(01)
[2]基于Faster RCNN的行人检测方法[J]. 张汇,杜煜,宁淑荣,张永华,杨硕,杜晨. 传感器与微系统. 2019(02)
[3]基于SSD的改进目标精定位检测算法[J]. 陈传华,侯志强,余旺盛,李军,廖秀峰,王姣尧. 空军工程大学学报(自然科学版). 2018(06)
[4]遥感图像中飞机的改进YOLOv3实时检测算法[J]. 戴伟聪,金龙旭,李国宁,郑志强. 光电工程. 2018(12)
[5]基于YOLO模型的红外图像行人检测方法[J]. 谭康霞,平鹏,秦文虎. 激光与红外. 2018(11)
[6]论YOLO算法在机器视觉中应用原理[J]. 李茂晖,吴传平,鲍艳,房卓群. 教育现代化. 2018(41)
[7]基于改进的VGGNet算法的人脸识别[J]. 喻丽春,刘金清. 长春工业大学学报. 2018(04)
[8]基于卷积神经网络的图像识别研究[J]. 谢慧芳,刘艺航,王梓,王迎港. 无线互联科技. 2018(14)
[9]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛. 计算机应用研究. 2017(10)
[10]基于改进特征袋模型的奶牛识别算法[J]. 陈娟娟,刘财兴,高月芳,梁云. 计算机应用. 2016(08)
博士论文
[1]奶牛数字化管理关键技术的研究[D]. 郭卫.河北农业大学 2010
硕士论文
[1]基于深度学习的无人机遥感图像目标识别方法研究[D]. 祝思君.北京建筑大学 2018
[2]基于B/S架构的网络学习平台研究与实现[D]. 史亚庆.西安理工大学 2018
[3]基于卷积神经网络的目标检测研究[D]. 杨俊.兰州理工大学 2018
[4]基于深度学习的昆虫图像识别研究[D]. 秦放.西南交通大学 2018
[5]基于深度学习的图像目标识别研究[D]. 陈志韬.哈尔滨工程大学 2018
[6]基于深度学习的人脸检测算法研究[D]. 蒋少强.哈尔滨工程大学 2018
[7]基于深度学习与稀疏表示的模式识别研究及牛脸识别应用[D]. 吕昌伟.北方民族大学 2018
[8]基于卷积神经网络的光场图像深度估计[D]. 潘志伟.浙江工商大学 2018
[9]基于STM32的奶牛动态称重系统研究[D]. 董小宁.山东农业大学 2017
[10]牛脸特征点检测的研究与实现[D]. 宋肖肖.西北农林科技大学 2017
本文编号：3288067
【文章来源】：内蒙古大学内蒙古自治区 211工程院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
卷积过程示意图
图 2.3 LeNet5 网络结构Figure 2.3 LeNet5 network structure（2）VGGNet 是首个通过加深网络深度来改善网络性能的模型[32]，准确率也随着深度的加深而改善，并且在 ILSVRC2014 比赛中获得冠军。常用的深度有 16 层和 19 层，VGGNet在 AlexNet 网络基础上使用更小的卷积核，加深了网络层数，使得网络参数减小，数据拟合度增加，收敛速度也比 AlexNet 快[33]。网络的通道数从输入的224×224×3三通道 RGB 图像，经过多个卷积层后，输出层不断增加到 512，因此可以提取更多的特征。VGGNet 在测试阶段可以使用不同尺度大小的图片，可以提高识别准确度。VGG16 的网络结构如图 2.4 所示：可以看到一共使用四次池化，图片的大小不断减小、通道数不断增加。VGGNet 的改进之处在于可以多尺度图片输入，然后网络初始化图片为同一大小。训练时按照级别简单的顺序优先训练，然后将训练权重传给后面的网络，提高训练速度、减少训练时间。
图 2.3 LeNet5 网络结构Figure 2.3 LeNet5 network structure（2）VGGNet 是首个通过加深网络深度来改善网络性能的模型[32]，准确率也随着深度的加深而改善，并且在 ILSVRC2014 比赛中获得冠军。常用的深度有 16 层和 19 层，VGGNet在 AlexNet 网络基础上使用更小的卷积核，加深了网络层数，使得网络参数减小，数据拟合度增加，收敛速度也比 AlexNet 快[33]。网络的通道数从输入的224×224×3三通道 RGB 图像，经过多个卷积层后，输出层不断增加到 512，因此可以提取更多的特征。VGGNet 在测试阶段可以使用不同尺度大小的图片，可以提高识别准确度。VGG16 的网络结构如图 2.4 所示：可以看到一共使用四次池化，图片的大小不断减小、通道数不断增加。VGGNet 的改进之处在于可以多尺度图片输入，然后网络初始化图片为同一大小。训练时按照级别简单的顺序优先训练，然后将训练权重传给后面的网络，提高训练速度、减少训练时间。
【参考文献】：
期刊论文
[1]图像物体检测深度学习算法综述[J]. 郭泽方. 机械工程与自动化. 2019(01)
[2]基于Faster RCNN的行人检测方法[J]. 张汇,杜煜,宁淑荣,张永华,杨硕,杜晨. 传感器与微系统. 2019(02)
[3]基于SSD的改进目标精定位检测算法[J]. 陈传华,侯志强,余旺盛,李军,廖秀峰,王姣尧. 空军工程大学学报(自然科学版). 2018(06)
[4]遥感图像中飞机的改进YOLOv3实时检测算法[J]. 戴伟聪,金龙旭,李国宁,郑志强. 光电工程. 2018(12)
[5]基于YOLO模型的红外图像行人检测方法[J]. 谭康霞,平鹏,秦文虎. 激光与红外. 2018(11)
[6]论YOLO算法在机器视觉中应用原理[J]. 李茂晖,吴传平,鲍艳,房卓群. 教育现代化. 2018(41)
[7]基于改进的VGGNet算法的人脸识别[J]. 喻丽春,刘金清. 长春工业大学学报. 2018(04)
[8]基于卷积神经网络的图像识别研究[J]. 谢慧芳,刘艺航,王梓,王迎港. 无线互联科技. 2018(14)
[9]基于卷积神经网络的目标检测研究综述[J]. 李旭冬,叶茂,李涛. 计算机应用研究. 2017(10)
[10]基于改进特征袋模型的奶牛识别算法[J]. 陈娟娟,刘财兴,高月芳,梁云. 计算机应用. 2016(08)
博士论文
[1]奶牛数字化管理关键技术的研究[D]. 郭卫.河北农业大学 2010
硕士论文
[1]基于深度学习的无人机遥感图像目标识别方法研究[D]. 祝思君.北京建筑大学 2018
[2]基于B/S架构的网络学习平台研究与实现[D]. 史亚庆.西安理工大学 2018
[3]基于卷积神经网络的目标检测研究[D]. 杨俊.兰州理工大学 2018
[4]基于深度学习的昆虫图像识别研究[D]. 秦放.西南交通大学 2018
[5]基于深度学习的图像目标识别研究[D]. 陈志韬.哈尔滨工程大学 2018
[6]基于深度学习的人脸检测算法研究[D]. 蒋少强.哈尔滨工程大学 2018
[7]基于深度学习与稀疏表示的模式识别研究及牛脸识别应用[D]. 吕昌伟.北方民族大学 2018
[8]基于卷积神经网络的光场图像深度估计[D]. 潘志伟.浙江工商大学 2018
[9]基于STM32的奶牛动态称重系统研究[D]. 董小宁.山东农业大学 2017
[10]牛脸特征点检测的研究与实现[D]. 宋肖肖.西北农林科技大学 2017
本文编号：3288067
本文链接：https://www.wllwen.com/yixuelunwen/dongwuyixue/3288067.html
