基于部分亲和场的行走奶牛骨架提取模型

发布时间：2022-12-23 05:54

　　在奶牛关键点预测的基础上,通过点、线重构奶牛骨架结构,可为奶牛跛行检测、发情行为分析、运动量估测等提供重要参考。本研究基于部分亲和场,以养殖场监控摄像头拍摄的视频为原始数据,使用1 600幅图像训练了奶牛骨架提取模型,实现了奶牛站立、行走状态下关键点信息和部分亲和场信息的预测,并通过最优匹配连接对奶牛骨架结构进行准确提取。为了验证该模型的性能,采用包含干扰因素的100幅单目标奶牛和100幅双目标奶牛图像进行了测试。结果表明,该模型对单目标行走奶牛骨架提取的置信度为78.90%,双目标行走奶牛骨架提取的置信度较单目标下降了10.96个百分点。计算了不同关键点相似性（Object keypoint similarity,OKS）下的模型准确率,当OKS为0.75时,骨架提取准确率为93.40%,召回率为94.20%,说明该模型具有较高的准确率。该方法可以提取视频中奶牛骨架,在无遮挡时具有高置信度和低漏检率,当遮挡严重时置信度有所下降。该模型的单目标和双目标图像帧处理速度分别为3.30、3.20 f/s,基本相同。本研究可为多目标奶牛骨架提取提供参考。 

【文章页数】：11 页

【文章目录】：
0 引言
1 奶牛骨架提取数据集
    1.1 试验数据获取及预处理
    1.2 奶牛关键点标签制作
2 网络构建
    2.1 VGG前馈网络
    2.2 基于部分亲和场的多阶段二分支网络
        2.2.1 二分支网络
        2.2.2 热点图
        2.2.3 部分亲和场
        2.2.4 匹配关键点和部分亲和场
3 测试结果与分析
4 奶牛骨架提取的影响因素分析
    4.1 奶牛数量对预测置信度的影响
    4.2 双目标奶牛间的遮挡程度对置信度的影响
    4.3 光照对预测置信度的影响
5 奶牛骨架提取应用试验
    5.1 试验测试结果
    5.2 不同尺度对奶牛骨架提取的影响
6 结论


【参考文献】：
期刊论文
[1]基于支持向量机分类模型的奶牛行为识别方法[J]. 任晓惠,刘刚,张淼,司永胜,张馨月,马丽.  农业机械学报. 2019(S1)
[2]基于卷积神经网络的奶牛发情行为识别方法[J]. 刘忠超,何东健.  农业机械学报. 2019(07)
[3]基于自适应无参核密度估计算法的运动奶牛目标检测[J]. 宋怀波,阴旭强,吴頔华,姜波,何东健.  农业机械学报. 2019(05)
[4]基于整体-星型模型的人体姿态估计[J]. 代钦,石祥滨,乔建忠,刘芳.  小型微型计算机系统. 2018(12)
[5]深度学习实时多人姿态估计与跟踪[J]. 许忠雄,张睿哲,石晓军,岳贵杰,刘弋锋.  中国电子科学研究院学报. 2018(04)
[6]基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法[J]. 宋怀波,姜波,吴倩,李通,何东健.  农业工程学报. 2018(15)
[7]基于Horn-Schunck光流法的多目标反刍奶牛嘴部自动监测[J]. 宋怀波,李通,姜波,吴倩,何东健.  农业工程学报. 2018(10)
[8]基于融合图像与运动量的奶牛行为识别方法[J]. 顾静秋,王志海,高荣华,吴华瑞.  农业机械学报. 2017(06)
[9]基于视频分析的犊牛基本行为识别[J]. 何东健,孟凡昌,赵凯旋,张昭.  农业机械学报. 2016(09)
[10]基于随机森林深度特征选择的人体姿态估计[J]. 朱珏钰,曹亚微,周书仁,李峰.  计算机工程与应用. 2017(02)



本文编号：3724849