本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個(gè)體身份識(shí)別方法，由筆耕文化傳播整理發(fā)布。

當(dāng)前位置：文檔下載 > 所有分類(lèi) > 自然科學(xué) > 數(shù)學(xué) > 基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個(gè)體身份識(shí)別方法

182

農(nóng)業(yè)工程學(xué)報(bào) 2015年

圖像訓(xùn)練并測(cè)試網(wǎng)絡(luò)性能，最終實(shí)現(xiàn)奶牛實(shí)際養(yǎng)殖環(huán)境下的個(gè)體精確高效識(shí)別。 的片段，分別計(jì)算每個(gè)片段內(nèi)二值圖像真值的上邊界和下邊界，并計(jì)算兩者的差值作為圖像跨度。

1 材料與方法

1.1 圖像采集

試驗(yàn)視頻采集自陜西楊凌科元克隆股份有限公司的規(guī)模奶牛養(yǎng)殖場(chǎng)，采集于2013年7月至8月，拍攝對(duì)象為健康的美國(guó)荷斯坦奶牛。奶牛會(huì)頻繁地經(jīng)過(guò)固定的窄道行走至飲水池飲水，在與窄道平行的采食棚支撐梁上安裝1臺(tái)DS-2DM1-714球型攝像機(jī)（�？低暎贾荩�，使攝像機(jī)傳感器與牛只行走方向基本平行，并調(diào)整視野寬度大于2個(gè)牛身長(zhǎng)度。奶牛目標(biāo)與攝像機(jī)之間有柵欄前景遮擋，柵格大小為0.5 m×1.2 m。

在無(wú)霧、無(wú)霾的晴天7：00－18：00時(shí)段獲取30頭奶牛的視頻片段。奶牛個(gè)體全部出現(xiàn)在視野左側(cè)時(shí)開(kāi)始采集，持續(xù)采集到奶牛行走至視野右側(cè)邊緣作為一個(gè)視頻段，并剔除包含奶牛停頓和異常行為的視頻。每頭奶牛得到12段視頻，共計(jì)360段視頻，每段視頻持續(xù)時(shí)長(zhǎng)約為10 s。采集視頻為PAL制式并保存在攝像機(jī)本地存儲(chǔ)卡內(nèi)，幀率/碼率為25 fps/2 000kbps，分辨率為704像素（水平）×576像素（垂直）。

后續(xù)視頻處理平臺(tái)處理器為Inter Quad Q8400，主頻為2.66 GHz，4 GB內(nèi)存，500 GB硬盤(pán)，，算法開(kāi)發(fā)平臺(tái)為MATLAB 2012a。由于奶牛沿直線(xiàn)行走通過(guò)視野，視頻中奶牛的活動(dòng)區(qū)域固定在圖像的中間區(qū)段，因此通過(guò)預(yù)設(shè)的感興趣區(qū)域（ROI）參數(shù)剔除無(wú)效的圖像區(qū)域。根據(jù)30頭奶牛最大體高確定ROI區(qū)域的大小和位置，最終得到的奶牛行走圖像大小為704像素（水平）×242像素（垂直）。

1.2 供試數(shù)據(jù)

將30頭奶牛從1到30進(jìn)行編號(hào)，對(duì)每頭奶牛的12段視頻隨機(jī)挑選出3段作為測(cè)試樣本，剩余視頻作為該奶牛個(gè)體的訓(xùn)練樣本，共得到90段測(cè)試用視頻段，及270段訓(xùn)練用視頻段。每段視頻持續(xù)時(shí)長(zhǎng)為10 s左右，視頻幀率為25 fps/s，經(jīng)過(guò)視頻分析與處理共得到奶牛軀干圖像約90 000幅。由于奶牛通過(guò)視野時(shí)運(yùn)動(dòng)速度有差異，導(dǎo)致奶牛個(gè)體間的訓(xùn)練樣本數(shù)不同。為避免樣本量差異對(duì)識(shí)別結(jié)果的影響，需要保證不同模式中參與訓(xùn)練的樣本數(shù)量基本一致，故從每個(gè)奶牛個(gè)體訓(xùn)練視頻段的軀干圖像集中隨機(jī)挑選出2 000幅作為該奶牛個(gè)體的訓(xùn)練集，對(duì)于測(cè)試視頻段中的圖像則無(wú)需進(jìn)行篩選。最終得到包括30頭奶牛軀干圖像的訓(xùn)練圖像為60 000幅，測(cè)試圖像為21 730幅。測(cè)試集中每個(gè)奶牛個(gè)體的圖像數(shù)量在650～850之間，訓(xùn)練數(shù)據(jù)與測(cè)試數(shù)據(jù)之間無(wú)重疊。 1.3 提取軀干圖像 1.3.1 軀干定位

幀間差值法對(duì)目標(biāo)的運(yùn)動(dòng)邊緣具有優(yōu)良的檢測(cè)性能，對(duì)奶牛進(jìn)行幀間差值處理可得到奶牛的粗略輪廓，對(duì)得到的二值圖像進(jìn)行跨度分析，以剔除外部干擾，并分割出尾巴、頭和頸部，最終得到軀干區(qū)域。

如圖1所示，將得到的幀間差值圖像劃分成等間距

圖1 幀間差值圖像分布跨度

Fig. 1 Distribution of frames difference image

當(dāng)各片段內(nèi)邊界和跨度值滿(mǎn)足如式（1）所示條件時(shí)，說(shuō)明第i片段包含軀干區(qū)域，予以保留；否則視為無(wú)效片段，清除該片段內(nèi)的圖像值。

Ri=Ui Di

Mr=max{R1,L,Rn}

Mu=max{U1,L,Un} （1） U>M TM

uur i

Ri>TrMr

式中：Ui為第i片段內(nèi)的上邊界；Di為第i片段內(nèi)的下邊

界；Tu為軀干上邊界偏移閾值；Tr為軀干片斷跨度閾值；n為圖像中片段的總數(shù)。

從樣本庫(kù)中隨機(jī)選取30段視頻進(jìn)行統(tǒng)計(jì)分析知，當(dāng)Tu及Tr分別取0.06和0.4時(shí)，能夠去除大部分無(wú)用區(qū)域并保留軀干片段。

計(jì)算修剪后的二值圖像的外接矩形，其上半部分為軀干區(qū)域，下半部分為奶牛四肢。對(duì)于荷斯坦品種的奶牛，其軀干縱向高度與體高之比rb/t變化幅度較小[22]。因此，本研究對(duì)30頭奶牛通過(guò)試驗(yàn)確定rb/t平均值為0.6。將定位的軀干區(qū)域以中心為基點(diǎn)縮小到80%，以去除邊界處的背景區(qū)塊。軀干定位結(jié)果如圖2所示。

圖2 奶牛軀干定位結(jié)果

Fig.2 Result of locating cows’ body

1.3.2 軀干跟蹤

Word文檔免費(fèi)下載：基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個(gè)體身份識(shí)別方法 （下載1-7頁(yè)，共7頁(yè)）

我要評(píng)論

相關(guān)主題

相關(guān)文檔

基于CUDA技術(shù)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別算法

其中,除N2層外,其他各層都使用雙曲正切激活函數(shù)12J: 3.3待識(shí)別個(gè)體識(shí)剮結(jié)果...基于分流抑制機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)人臉檢測(cè) 法【J】.計(jì)算機(jī)應(yīng)用,2006,26(z1):46...

基于卷積神經(jīng)網(wǎng)絡(luò)的身份證號(hào)碼識(shí)別研究與實(shí)現(xiàn)_圖文

基于卷積神經(jīng)網(wǎng)絡(luò)的身份證號(hào)碼識(shí)別研究與實(shí)現(xiàn)_教育學(xué)/心理學(xué)_人文社科_專(zhuān)業(yè)資料 暫無(wú)評(píng)價(jià)

基于卷積神經(jīng)網(wǎng)絡(luò)的人臉性別識(shí)別_汪濟(jì)民_圖文

將 卷積神經(jīng)網(wǎng)絡(luò)引入到人臉性別識(shí)別中, 該網(wǎng)絡(luò)的結(jié)構(gòu)具有稀疏連接和權(quán)值共享的優(yōu)點(diǎn), 卷積層和采樣層交替進(jìn)行, 簡(jiǎn)化了模 型的復(fù)雜度。實(shí)驗(yàn)表明, 該方法的網(wǎng)絡(luò)結(jié)構(gòu)...

【論文】基于分流抑制機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)人臉檢測(cè)法

基于分流抑制機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)人臉檢測(cè)法_專(zhuān)業(yè)資料。提出了一種基于分流抑制機(jī)制的卷積神經(jīng)網(wǎng)(SICNN)的人臉檢測(cè)方法。該方法具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練參數(shù)少和適應(yīng)性強(qiáng)等...

iData_一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法_蔡詩(shī)威_圖文

J] . 電視技術(shù), 2014, 38( 19) . 【本文獻(xiàn)信息】 蔡詩(shī)威, 郭太良, 姚劍敏. 一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法[專(zhuān)題 人臉識(shí)別與檢測(cè) 一種基于卷積神經(jīng)...

基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌照字符識(shí)別研究

針對(duì)傳統(tǒng)車(chē)牌識(shí)別算法中字符識(shí)別率偏低的缺點(diǎn),本文采用基于卷積神經(jīng)網(wǎng)絡(luò)的議別方法,通過(guò)對(duì)車(chē)牌字符圖像的 樣本學(xué)習(xí),優(yōu)化神經(jīng)網(wǎng)絡(luò)每層的權(quán)值參數(shù),從而在很大程度上提高...

基于卷積神經(jīng)網(wǎng)絡(luò)的車(chē)牌照字符識(shí)別研究_圖文

陸 璐等。 : 基于 卷積神經(jīng) 網(wǎng)絡(luò) 的車(chē)牌 照 字符 識(shí) 別研 究 CNN ] 3 有效 的解 決方 法〔卷積神經(jīng) 網(wǎng)絡(luò) 是為識(shí)別二維形 通 過(guò)訓(xùn) 練數(shù) 據(jù)進(jìn) 行學(xué)...

基于卷積神經(jīng)網(wǎng)絡(luò)LeNet_5的車(chē)牌字符識(shí)別研究_趙志宏—...

卷積神經(jīng)網(wǎng)絡(luò)通過(guò)結(jié)合三個(gè)方法來(lái)實(shí)現(xiàn)識(shí)別位移、 縮放 ? 638 ? 第 22 卷第 3 期 2010 年 3 月 Vol. 22 No. 3 趙志宏, 等: 基于卷積神經(jīng)網(wǎng)絡(luò) LeNet-5 ...

基于卷積神經(jīng)網(wǎng)絡(luò)LeNet_5的車(chē)牌字符識(shí)別研究_趙志宏_圖文

22 No. 3 趙志宏, 等: 基于卷積神經(jīng)網(wǎng)絡(luò) LeNet-5 的車(chē)牌字符識(shí)別研究 Mar., 2010 和扭曲不變性[5]:局域感受野、權(quán)值共享和次抽樣。局域感 受野指的是每一...

現(xiàn)在進(jìn)行時(shí) 浙教版

見(jiàn)證取樣送檢委托書(shū)

做學(xué)生心目中的好老師演講稿2016春

紫薇新品種‘赤霞’

人教版一年級(jí)下冊(cè)識(shí)字六(公開(kāi)課優(yōu)秀PPT)

SAS JMP 10 中文版教程

8-1向量及其線(xiàn)性運(yùn)算

揮公第114世寧公03-02

第四章創(chuàng)作論一

七年級(jí)下學(xué)期美術(shù)教案

淺析霸王別姬

品質(zhì)管理實(shí)務(wù)(培訓(xùn)資料)

吃什么減肥產(chǎn)品管用減肥效果最好的產(chǎn)品

表面粗糙度和基準(zhǔn)符號(hào)畫(huà)法

網(wǎng)上大學(xué)考試系統(tǒng)(考試人員_使用說(shuō)明).

資產(chǎn)證券化解析100分答案

2014高考志愿填報(bào)指南_填志愿的方法_技巧

高明實(shí)驗(yàn)學(xué)校領(lǐng)導(dǎo)帶班制度20150901

第七屆“挑戰(zhàn)杯”首都大學(xué)生課外學(xué)術(shù)科技作品競(jìng)賽成績(jī)_

(2010版)消費(fèi)者決策和廣告策略

增值稅專(zhuān)用發(fā)票拒收證明

四年級(jí)上語(yǔ)文期中試卷-輕松奪冠-2014蘇教版(無(wú)答案)【小學(xué)學(xué)科網(wǎng)】

  本文關(guān)鍵詞：基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個(gè)體身份識(shí)別方法，由筆耕文化傳播整理發(fā)布。