發(fā)布時間：2020-08-14 08:05

【摘要】：在推動奶牛養(yǎng)殖業(yè)現(xiàn)代化和提高牛奶福利的發(fā)展中,奶牛跛行的智能檢測具有重要意義。然而,對于奶牛跛行的人工檢測方法存在耗時費(fèi)力和主觀性強(qiáng)等問題,該方法已難以適應(yīng)規(guī)模日益擴(kuò)大的奶牛養(yǎng)殖業(yè)。當(dāng)前,基于深度學(xué)習(xí)的視頻分析技術(shù)得到了快速的發(fā)展和應(yīng)用,這為奶牛跛行的快速檢測提供了一種很好的方法。為了能夠快速準(zhǔn)確地對奶牛跛行進(jìn)行檢測,本研究提出一種基于奶牛前/后腿相對步長特征的跛行檢測方法,重點(diǎn)研究了復(fù)雜外部環(huán)境下奶牛目標(biāo)關(guān)鍵部位的提取和奶牛跛行檢測方法,主要研究內(nèi)容和結(jié)論如下:(1)奶牛目標(biāo)樣本的獲取是奶牛關(guān)鍵部位檢測的基礎(chǔ)。為實(shí)現(xiàn)奶牛目標(biāo)的準(zhǔn)確定位,本文首先對光流法、幀間差分法、背景減除法和混合高斯模型進(jìn)行了理論分析,并分別采用不同方法對奶牛跛行進(jìn)行了試驗(yàn)研究。然后通過分析試驗(yàn)結(jié)果,本文最終采用混合高斯模型和背景減除法相結(jié)合來對奶牛目標(biāo)進(jìn)行檢測。該方法首先采用混合高斯模型進(jìn)行背景建模,然后采用背景減除法進(jìn)行奶牛目標(biāo)的分割。然而,奶牛目標(biāo)分割后存在斷裂和不夠完整的情況,因此,本文采用最小外接矩形框合并的方法對分割結(jié)果進(jìn)行整合,從而獲得奶牛目標(biāo)準(zhǔn)確的定位。最后通過計(jì)算完整奶牛目標(biāo)的矩形框面積像素值,從而設(shè)置合適的閾值來剔除不包括完整奶牛目標(biāo)的視頻幀。研究結(jié)果表明,使用奶牛目標(biāo)檢測算法從而獲取包含完整奶牛目標(biāo)的視頻幀樣本是有效的、可行的,該研究可為奶牛關(guān)鍵部位的準(zhǔn)確提取奠定基礎(chǔ)。(2)奶牛目標(biāo)關(guān)鍵部位的準(zhǔn)確分割是奶牛跛行檢測的前提。為了準(zhǔn)確地檢測出奶牛目標(biāo)關(guān)鍵部位,本研究利用YOLOv3深度學(xué)習(xí)網(wǎng)絡(luò),開展了復(fù)雜場景下的奶牛關(guān)鍵部位檢測方法研究,并與Faster R-CNN算法、Tiny-YOLOv2算法進(jìn)行了對比。試驗(yàn)結(jié)果表明,YOLOv3算法的準(zhǔn)確率為99.18%,召回率為97.51%,平均幀率為21f/s,平均檢準(zhǔn)率為93.73%,Faster R-CNN算法的準(zhǔn)確率為97.48%,召回率為95.32%,平均幀率為8f/s,平均檢準(zhǔn)率為93.47%,Tiny-YOLOv2算法的準(zhǔn)確率為83.33%,召回率為65.55%,平均幀率為76f/s,平均檢準(zhǔn)率為76.33%。在腿部分類中,YOLOv3的平均準(zhǔn)確率為90.83%,Faster R-CNN的平均準(zhǔn)確率為90.11%,Tiny-YOLOv2的平均準(zhǔn)確率僅為62.26%。結(jié)果表明YOLOv3算法可以較好地應(yīng)用于奶牛目標(biāo)關(guān)鍵部位的高精度檢測。(3)跛行特征的選取是奶牛跛行自動檢測的關(guān)鍵,本文提出了基于前/后腿相對步長的奶牛跛行檢測方法。研究發(fā)現(xiàn),當(dāng)奶牛跛行時,奶牛前/后腿相對步長具有明顯的特征變化,故將其特征用于奶牛跛行檢測。根據(jù)奶牛行走時前、后腿相對步長變化周期并考慮奶牛行走速度的波動,選擇以50幀為周期將前腿和后腿步長串聯(lián)構(gòu)建一個相對步長特征向量,奶牛試驗(yàn)視頻的相對步長特征向量的構(gòu)建為利用分類器實(shí)現(xiàn)奶牛跛行檢測提供了數(shù)據(jù)支持。(4)為了實(shí)現(xiàn)奶牛跛行的準(zhǔn)確檢測,本文構(gòu)建了適合奶牛跛行檢測的分類器模型。按照正負(fù)樣本個數(shù)2:1的比例,對選取的92個奶牛視頻進(jìn)行樣本集劃分。其中訓(xùn)練集中共有62個樣本;測試集共有30個樣本。分別利用SVM分類器、KNN分類器和決策樹分類器對樣本劃分后的視頻樣本進(jìn)行奶牛跛行分類檢測,結(jié)果表明,基于構(gòu)建的SVM分類器的正確率可達(dá)95.62%,明顯高于KNN分類器的準(zhǔn)確率94.68%和決策樹分類器的準(zhǔn)確率89.29%。SVM分類器的真正率為94.15%,比KNN分類器和決策樹分類器分別高0.69%和3.87%;SVM的假正率為6.50%,比KNN分類器和決策樹分類器低2.26%和9.71%。研究結(jié)果表明,奶牛前/后腿步長特征適用于奶牛跛行的準(zhǔn)確檢測。(5)采用Python3.6、PyQt5和MATLAB的GUI編譯工具箱,設(shè)計(jì)了奶牛關(guān)鍵部位檢測軟件與奶牛跛行檢測軟件,通過試驗(yàn)驗(yàn)證,該處理系統(tǒng)能夠?qū)崿F(xiàn)奶牛關(guān)鍵部位檢測、不同分類器方法的比較等功能。
【學(xué)位授予單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;S858.23
【圖文】：

8圖 1-1 技術(shù)路線圖Fig.1-1 The technology route map文組織結(jié)構(gòu)由六章組成，各章節(jié)內(nèi)容安排如下：一章，緒論。首先介紹奶牛跛行檢測的研究背景和意義，然后簡要概述牛跛行的研究現(xiàn)狀和當(dāng)前研究依然存在的問題，闡述本文的主要研究二章，奶牛跛行行為分析與奶牛目標(biāo)檢測。分析奶牛跛行與奶牛行走之紹奶牛視頻采集場所與開發(fā)環(huán)境，以及側(cè)視視頻采集方法，從而實(shí)現(xiàn)奶。介紹經(jīng)典的運(yùn)動目標(biāo)檢測算法，分析各算法的使用場合和優(yōu)缺點(diǎn)，選斯模型和背景減去法的奶牛目標(biāo)檢測，并對分割后的奶牛目標(biāo)進(jìn)行后目標(biāo)輪廓并繪制矩形框，利用矩形框合并方法實(shí)現(xiàn)奶牛目標(biāo)的定位。通牛目標(biāo)的矩形框面積像素值，從而設(shè)置合適的閾值來剔除不包括完整奶

第二章 奶牛跛行行為分析與奶牛目標(biāo)檢測頻數(shù)據(jù)通過網(wǎng)絡(luò)設(shè)備傳輸給客戶端，通過客戶端的相應(yīng)軟件完成實(shí)時存儲。視頻采集平臺的硬件組成主要包括網(wǎng)絡(luò)攝像機(jī)和網(wǎng)絡(luò)連接設(shè)備，試驗(yàn)采用�？低� DS-2DM1-714 型球形攝像機(jī)和 SONY HDR-CX290E 攝像機(jī)拍攝，海康威視DS-2DM1-714 型球形攝像機(jī)鏡頭能夠?qū)崿F(xiàn)水平方向的 360o連續(xù)旋轉(zhuǎn)和垂直方向的-10o~90o范圍內(nèi)旋轉(zhuǎn)，從而滿足不同視覺角度的視頻監(jiān)控要求，且在任何速度下圖像無抖動。海康威視 DS-2DM1-714 型球形攝像機(jī)具有紅外功能，照射距離可達(dá) 60m，在夜間也可以清楚的拍攝到奶牛目標(biāo)�？紤]到奶�；顒臃秶纫蛩�，�？低旸S-2DM1-714 型球形攝像機(jī)安裝在頂棚支撐梁結(jié)構(gòu)的中間，可利用 IP 地址進(jìn)行遠(yuǎn)程控制，內(nèi)置數(shù)字解碼器，經(jīng)過電腦程序?qū)魅霐?shù)據(jù)處理后，可以對目標(biāo)的迅速定位和連續(xù)追蹤，實(shí)現(xiàn)顯示與采集。各硬件設(shè)備的連接方式如圖 2-1 所示。視頻采集平臺的軟件開發(fā)工具包括Microsoft Visual Studio和MATLAB，利用SD函數(shù)實(shí)現(xiàn)網(wǎng)絡(luò)攝像機(jī)的調(diào)用和視頻樣本的獲取。

圖 2-2 拍攝視頻背景圖Fig.2-2 Take a video background picture2.2.3 視頻樣本獲取方法本研究共采集到 50 頭奶牛的視頻。每個視頻段從奶牛出現(xiàn)在視野左側(cè)時開始采集，直到奶牛行走到視野右端并完全消失。每頭奶牛均獲取 6 段視頻樣本，每段視頻的采集時長約為 5~20s，總視頻樣本共計(jì) 300 段，從中隨機(jī)挑取 20 段中跛行奶牛行走視頻，30 段正常奶牛行走視頻，采集視頻幀率和碼率分別設(shè)置為 25 fps/2000 kbps，分辨率為 704×576 像素。奶牛視頻包含信息如表 2-1 所示。表 2-1 奶牛視頻集信息Table 2-1 Information of cow video set類型標(biāo)簽 視頻數(shù)量 時間 天氣 影響因素 視頻時長/s視頻總時長/s正常奶牛 30 白天\夜間 晴天\陰天\雨天 飛鳥\夜間飛蟲 5~10 151跛行奶牛 20 白天\夜間 晴天\陰天\雨天 飛鳥\夜間飛蟲 10~20 248

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李敏;李華;程茂華;;一種自適應(yīng)子融合集成多分類器方法[J];計(jì)算機(jī)測量與控制;2019年04期

2 黎平;劉萍;張巡;范郁鋒;;基于分類器的身份證號碼識別研究[J];貴州科學(xué);2018年01期

3 王忠民;王科;賀炎;;一種基于多分類器融合的人體運(yùn)動行為識別模型[J];計(jì)算機(jī)科學(xué);2016年12期

4 鄒洪俠;陶碩;;一種代價敏感的三類分類器評估方法的研究與應(yīng)用[J];通化師范學(xué)院學(xué)報;2017年08期

5 牛明昂;王強(qiáng);崔希民;趙康年;柴鵬輝;;多分類器融合與單分類器影像分類比較研究[J];礦山測量;2016年04期

6 趙藝淞;王保云;黎曉路;王婷;;基于多分類器組合的城市不透水面提取研究[J];城市地理;2017年04期

7 何舒煒;;《垃圾分類器》[J];輔導(dǎo)員;2016年11期

8 李健蘋;游中勝;;一種新的多分類器融合方法[J];西南師范大學(xué)學(xué)報(自然科學(xué)版);2014年01期

9 蘭遠(yuǎn)東;曾樹洪;;動態(tài)加權(quán)投票的多分類器聚合[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2014年05期

10 林煜明;朱濤;王曉玲;周傲英;;面向用戶觀點(diǎn)分析的多分類器集成和優(yōu)化技術(shù)[J];計(jì)算機(jī)學(xué)報;2013年08期

相關(guān)會議論文 前10條

1 邵小健;段華;賀國平;;一種改進(jìn)的最少核分類器[A];中國運(yùn)籌學(xué)會第七屆學(xué)術(shù)交流會論文集（上卷）[C];2004年

2 劉希玉;徐志敏;段會川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會2005年信息技術(shù)與信息化研討會論文集（一）[C];2005年

3 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗(yàn)證對象集分類器的再訓(xùn)練演進(jìn)[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2002年

4 馮軍;李夕海;祁樹鋒;;基于差異性度量的多分類器融合及其在核爆地震識別中的應(yīng)用[A];國家安全地球物理叢書（七）——地球物理與核探測[C];2011年

5 夏俊士;杜培軍;張偉;;遙感影像多分類器集成系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[A];中國測繪學(xué)會2010年學(xué)術(shù)年會論文集[C];2010年

6 于麗麗;丁德鑫;曲維光;陳小荷;石民;;基于多分類器集成的古代漢語詞義消歧[A];中國計(jì)算機(jī)語言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

7 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機(jī)手寫識別筆段特征分類器的學(xué)習(xí)方法[A];黑龍江省計(jì)算機(jī)學(xué)會2009年學(xué)術(shù)交流年會論文集[C];2010年

8 胡茂福;侯整風(fēng);;一種高效流分類加速器的設(shè)計(jì)與實(shí)現(xiàn)[A];第四屆中國智能計(jì)算大會論文集[C];2010年

9 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2006年

10 權(quán)維俊;葉彩華;趙新平;郭文利;唐廣;;專家分類器在京白梨農(nóng)業(yè)氣候區(qū)劃中的應(yīng)用[A];中國氣象學(xué)會2007年年會生態(tài)氣象業(yè)務(wù)建設(shè)與農(nóng)業(yè)氣象災(zāi)害預(yù)警分會場論文集[C];2007年

相關(guān)重要報紙文章 前5條

1 記者 邱凌;電子積木搭出“垃圾分類器”[N];揚(yáng)州日報;2019年

2 黃明;精子分類器決定生男生女[N];廣東科技報;2000年

3 南方日報記者 曹斯 徐林 實(shí)習(xí)生 譚欽允 張艷玲 通訊員 江瀾;miRNA分類器：提早一年“揪出”肝癌[N];南方日報;2015年

4 記者 姜靖;能“社交”的機(jī)器人助理問世[N];科技日報;2016年

5 記者 姜曉凌 見習(xí)記者 王毅俊;原來，科技也能如此美麗[N];上�？萍紙�;2007年

相關(guān)博士學(xué)位論文 前10條

1 孫宸;PolSAR圖像大間隔學(xué)習(xí)分類器設(shè)計(jì)及應(yīng)用[D];西安電子科技大學(xué);2017年

2 于愛華;基于壓縮感知人臉識別技術(shù)的研究[D];浙江工業(yè)大學(xué);2017年

3 雷浩川;多分類器集成的遙感影像分類研究[D];中國地質(zhì)大學(xué)(北京);2018年

4 馮曉東;基于軟概率的分類器動態(tài)集成方法研究[D];重慶大學(xué);2018年

5 陳木生;基于欠采樣和不平衡集成分類的垃圾網(wǎng)頁檢測研究[D];南昌大學(xué);2018年

6 陳海霞;面向數(shù)據(jù)挖掘的分類器集成研究[D];吉林大學(xué);2006年

7 王衛(wèi)東;高維小樣本數(shù)據(jù)的特征提取及分類器算法研究[D];南京理工大學(xué);2007年

8 劉杰;乘員類型的自動識別及其在智能乘員約束系統(tǒng)中的應(yīng)用[D];吉林大學(xué);2007年

9 吳尉林;可移植的穩(wěn)健口語理解方法研究[D];上海交通大學(xué);2007年

10 章軍;小生境粒子群優(yōu)化算法及其在多分類器集成中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 戴偉聰;基于多分類器融合的長期目標(biāo)跟蹤算法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所);2019年

2 張婕;基于級聯(lián)多分類器融合的宮頸癌細(xì)胞識別技術(shù)的研究[D];哈爾濱理工大學(xué);2019年

3 嚴(yán)佳;穩(wěn)定的最近鄰分類器及其統(tǒng)計(jì)性質(zhì)[D];中國科學(xué)技術(shù)大學(xué);2019年

4 吳倩;基于視頻分析的奶牛關(guān)鍵部位提取及跛行檢測研究[D];西北農(nóng)林科技大學(xué);2019年

5 孫帥;廣播頻段頻譜信號處理的機(jī)器學(xué)習(xí)算法研究[D];武漢理工大學(xué);2018年

6 張中巖;基于集成分類器的微傅情感分類研究[D];廈門大學(xué);2017年

7 朱欣怡;離散屬性貝葉斯網(wǎng)絡(luò)分類器的研究[D];山東師范大學(xué);2018年

8 郝振華;基于視頻監(jiān)控的室內(nèi)智能火災(zāi)檢測技術(shù)研究[D];長安大學(xué);2018年

9 李小虎;連續(xù)屬性貝葉斯網(wǎng)絡(luò)分類器的學(xué)習(xí)與研究[D];山東師范大學(xué);2018年

10 后方帥;基于單音的西洋樂器音色識別方法研究[D];山東大學(xué);2018年

本文編號：2792752