基于深度学习的奶牛目标检测与身份识别研究
发布时间：2021-10-12 06:12
利用计算机视觉技术实现对奶牛的自动检测与识别,是未来智慧养殖待发展的关键技术。立足规模化、集约化奶牛场的信息与智能化管理需求,综合利用计算机视觉与深度学习方法,探索视觉复杂场景中的奶牛目标检测、躯体精细分割与身份识别方法,力图丰富南疆奶牛养殖的智能装备,提高其管理的自动化、智能化能力。论文的主要工作如下:（1）为改善复杂场景中奶牛图像目标检测的精度,将YOLO V3方法应用于奶牛图像目标检测。采用该方法对奶牛图像数据开展了目标检测实验。实验结果表明,该方法对单牛图像和群牛图像2组实验图像的漏检率分别为20.69%、25.00%;每幅图像检测平均耗时0.24秒,检测效率较高。并对比分析了YOLO V3方法在不同置信度阈值下的检测效果差异;对比了YOLO tiny-V2方法与YOLO V3方法在测试集上的检测性能差异;考量了YOLO V3方法在不同尺度图像上的目标检测表现。（2）针对视觉场景下群牛图像中“粘连”牛体难以准确图像分割的难题,采用LabelMe标注工具标注了样本数据集,将Mask R-CNN方法应用于奶牛图像实例分割。以PyTorch为深度学习的基础开发框架,建立了Mask R...
【文章来源】：塔里木大学新疆维吾尔自治区
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
基于人工标记的身份识别方法
D技术在奶牛挤奶时，实时记录对应奶牛身份及其他相关信息，进一步量身定制管理方案，得到了原料乳追溯管理模型。基于RFID技术的识别系统，具备诸多优点：（1）基于RFID的系统能够记录奶牛从出生到被屠宰的全部信息；（2）身份识别速度快，基于RFID技术的标签可满足信息实时传输的需求；（3）将基于RFID技术的数字产品应用于养殖业，提高了奶牛养殖业信息与智能化管理水平。然而，基于RFID技术的身份识别方法亦存在很多局限性：（1）基于RFID技术的动物身份识别系统主要由电子耳标、信号阅读器和终端服务器3大部分组成，如图1-2所示。整套系统的应用成本较高，根据养殖场不同需求，售价在几万到几十万不等，中小型养殖场无法承受；（2）采用中低频段的RFID身份识别系统信号覆盖范围较小[68-69]，规模化养殖场需要信号覆盖范围更大的识别系统；（3）同时阅读多个电子耳标内容时，信号输送会发生干扰，产生射频识别系统中的冲突问题[70]；因此，现代化奶牛场亟需一种低成本、非接触的奶牛个体身份识别方法。图1-2基于RFID身份识别系统1.2.2.3基于数字图像的动物个体身份识别方法近几年，国内外学者利用奶牛生理稳定特征识别奶牛个体身份，如：牛鼻镜纹路、
塔里木大学硕士学位论文绪论8虹膜、视网膜血管、奶牛面部及躯体花纹等。牛鼻镜纹路，不会随时间推移而发生较大改变，具有身份鉴别特性，可以作为动物身份识别的有效特征。牛鼻镜纹路效果，如图1-3所示。Minagawa[71]于2002年，利用鼻镜纹路特征对30头奶牛展开身份识别实验，但因图像像素低、数据不充分，其识别准确率只有66.6%；Barry[72]等于2007年，将主成分分析和欧氏距离分类器技术，应用于29头奶牛的鼻镜纹路图像，识别率达到98.85%；Noviyanto[73]于2012年采集了8头奶牛的120幅鼻镜纹路图像，增强图像分辨率与对比度后，其识别准确率达到90%；Kumar等[74]通过Fisher线性保持映射(FisherLinearPreservingProjection,FLPP)来提取奶牛口鼻处纹理特征，使用支持向量机(SupportVectorMachine,SVM)分类图像，识别准确度达到96.87%。图1-3奶牛鼻镜纹路图像奶牛眼部生理稳定特征，主要为虹膜和视网膜血管。虹膜属于眼球中层结构，在近红外光下可以呈现出丰富的纹理。Lu[75]将汉明距离应用于奶牛虹膜图像的分类，进而达到身份识别的目的，识别准确率达到98.33%；魏征[76]提出一种基于虚拟图像和多流行判别分析的单样本图像识别算法——VI-MDA，将VI-MDA应用于奶牛虹膜图像，在FERET数据库上平均识别率为67.7%，在CMU_PIE数据库上的平均识别率为81.7%。奶牛眼部另一个生理稳定特征为，视网膜血管。Allen[77]等采集了869头牛双眼的视网膜图像1738幅，并建立了识别模型，模型识别准确率达到98.3%。奶牛其他生理稳定特征，还包括奶牛面部及身体花纹。为提高奶牛行为视频分析的自动化程度，赵凯旋、何东健等采用了基于图像的卷积神经网络方法来自动提取奶牛体廓生物特征并用于识别奶牛身份[78]；Cai等在人脸识别方法基础上，提出了基于LBP(LBP,
本文编号：3432031
【文章来源】：塔里木大学新疆维吾尔自治区
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
基于人工标记的身份识别方法
D技术在奶牛挤奶时，实时记录对应奶牛身份及其他相关信息，进一步量身定制管理方案，得到了原料乳追溯管理模型。基于RFID技术的识别系统，具备诸多优点：（1）基于RFID的系统能够记录奶牛从出生到被屠宰的全部信息；（2）身份识别速度快，基于RFID技术的标签可满足信息实时传输的需求；（3）将基于RFID技术的数字产品应用于养殖业，提高了奶牛养殖业信息与智能化管理水平。然而，基于RFID技术的身份识别方法亦存在很多局限性：（1）基于RFID技术的动物身份识别系统主要由电子耳标、信号阅读器和终端服务器3大部分组成，如图1-2所示。整套系统的应用成本较高，根据养殖场不同需求，售价在几万到几十万不等，中小型养殖场无法承受；（2）采用中低频段的RFID身份识别系统信号覆盖范围较小[68-69]，规模化养殖场需要信号覆盖范围更大的识别系统；（3）同时阅读多个电子耳标内容时，信号输送会发生干扰，产生射频识别系统中的冲突问题[70]；因此，现代化奶牛场亟需一种低成本、非接触的奶牛个体身份识别方法。图1-2基于RFID身份识别系统1.2.2.3基于数字图像的动物个体身份识别方法近几年，国内外学者利用奶牛生理稳定特征识别奶牛个体身份，如：牛鼻镜纹路、
塔里木大学硕士学位论文绪论8虹膜、视网膜血管、奶牛面部及躯体花纹等。牛鼻镜纹路，不会随时间推移而发生较大改变，具有身份鉴别特性，可以作为动物身份识别的有效特征。牛鼻镜纹路效果，如图1-3所示。Minagawa[71]于2002年，利用鼻镜纹路特征对30头奶牛展开身份识别实验，但因图像像素低、数据不充分，其识别准确率只有66.6%；Barry[72]等于2007年，将主成分分析和欧氏距离分类器技术，应用于29头奶牛的鼻镜纹路图像，识别率达到98.85%；Noviyanto[73]于2012年采集了8头奶牛的120幅鼻镜纹路图像，增强图像分辨率与对比度后，其识别准确率达到90%；Kumar等[74]通过Fisher线性保持映射(FisherLinearPreservingProjection,FLPP)来提取奶牛口鼻处纹理特征，使用支持向量机(SupportVectorMachine,SVM)分类图像，识别准确度达到96.87%。图1-3奶牛鼻镜纹路图像奶牛眼部生理稳定特征，主要为虹膜和视网膜血管。虹膜属于眼球中层结构，在近红外光下可以呈现出丰富的纹理。Lu[75]将汉明距离应用于奶牛虹膜图像的分类，进而达到身份识别的目的，识别准确率达到98.33%；魏征[76]提出一种基于虚拟图像和多流行判别分析的单样本图像识别算法——VI-MDA，将VI-MDA应用于奶牛虹膜图像，在FERET数据库上平均识别率为67.7%，在CMU_PIE数据库上的平均识别率为81.7%。奶牛眼部另一个生理稳定特征为，视网膜血管。Allen[77]等采集了869头牛双眼的视网膜图像1738幅，并建立了识别模型，模型识别准确率达到98.3%。奶牛其他生理稳定特征，还包括奶牛面部及身体花纹。为提高奶牛行为视频分析的自动化程度，赵凯旋、何东健等采用了基于图像的卷积神经网络方法来自动提取奶牛体廓生物特征并用于识别奶牛身份[78]；Cai等在人脸识别方法基础上，提出了基于LBP(LBP,
本文编号：3432031
本文链接：https://www.wllwen.com/yixuelunwen/dongwuyixue/3432031.html
