牛只的生長發(fā)育狀況以及選種育種都是通過牛的體尺數(shù)據(jù)進(jìn)行判斷的。而在傳統(tǒng)測量方法中,牛只體尺數(shù)據(jù)的測量大多都是工作人員使用傳統(tǒng)工具徒手進(jìn)行接觸式測量。這樣的測量方法,工作量大,任務(wù)量極其繁重。近年來,隨著機(jī)器視覺技術(shù)的發(fā)展,越來越多的研究人員將機(jī)器視覺技術(shù)應(yīng)用于家畜的體尺測量。在家畜的輪廓提取問題上,大多數(shù)研究都采用背景差分法以及閾值分割法。然而在實(shí)際環(huán)境中,這些方法經(jīng)常會受到牲畜顏色以及光線的影響,導(dǎo)致無法精準(zhǔn)的將目標(biāo)家畜的輪廓曲線提取出來。因此,單一的彩色圖像在真實(shí)環(huán)境下無法準(zhǔn)確獲取牛體空間輪廓曲線。針對上述家畜存在顏色以及光線干擾導(dǎo)致無法精準(zhǔn)分割的問題,本文采用了基于深度學(xué)習(xí)的目標(biāo)分割方法,設(shè)計(jì)了一套非接觸式牛只體尺測量系統(tǒng)。首先,搭建實(shí)驗(yàn)測量平臺,劃分測量區(qū)域并計(jì)算測量區(qū)域的標(biāo)定參數(shù)用于后續(xù)體尺計(jì)算。然后采集牛只原始圖像,利用已經(jīng)訓(xùn)練好的Mask R-CNN目標(biāo)分割模型,對采集得到的原始彩色圖像進(jìn)行處理生成的具有掩碼信息的掩碼圖像,精準(zhǔn)提取出牛體閉合輪廓曲線。針對獲取到的輪廓曲線從左往右逐行掃描確定前、后足點(diǎn)。接下來利用分區(qū)法將輪廓曲線分為A、B、C三個區(qū)域,分別在三個分區(qū)中尋找... 

【文章來源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 卷積神經(jīng)網(wǎng)絡(luò)在圖像分割技術(shù)的應(yīng)用研究
        1.2.2 邊緣檢測的在圖像中的應(yīng)用研究
        1.2.3 視覺技術(shù)在家畜形態(tài)參數(shù)測量中的應(yīng)用研究
    1.3 研究內(nèi)容和技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 研究技術(shù)路線
    1.4 論文結(jié)構(gòu)及章節(jié)安排
2 體尺測量系統(tǒng)總體設(shè)計(jì)方案
    2.1 系統(tǒng)整體設(shè)計(jì)方案
    2.2 系統(tǒng)平臺設(shè)計(jì)
        2.2.1 實(shí)驗(yàn)平臺的搭建
        2.2.2 軟件平臺的搭建
    2.3 目標(biāo)分割算法的研究
    2.4 體尺測量系統(tǒng)軟件結(jié)構(gòu)與開發(fā)工具
        2.4.1 PyTorch框架
        2.4.2 MySQL數(shù)據(jù)庫
        2.4.3 OpenCV視覺庫
        2.4.4 COCO數(shù)據(jù)庫
        2.4.5 Qt
    2.5 本章小結(jié)
3 Mask R-CNN算法的研究
    3.1 基于深度學(xué)習(xí)的圖像分割
        3.1.1 特征提取網(wǎng)絡(luò)
            3.1.1.1 殘差塊
            3.1.1.2 網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 區(qū)域推薦網(wǎng)絡(luò)的設(shè)計(jì)
        3.1.3 掩模的生成
        3.1.4 損失函數(shù)的設(shè)計(jì)
    3.2 目標(biāo)分割算法效果圖
    3.3 本章小結(jié)
4 體尺計(jì)算
    4.1 邊緣信息提取
        4.1.1 輪廓提取
        4.1.2 平滑輪廓曲線
    4.2 體尺測點(diǎn)的提取
        4.2.1 特征區(qū)域的提取
        4.2.2 體尺測點(diǎn)的提取
    4.3 體尺計(jì)算
    4.4 系統(tǒng)界面設(shè)計(jì)
    4.5 本章小結(jié)
5 系統(tǒng)測試與分析
    5.1 體尺測量系統(tǒng)測試
    5.2 實(shí)驗(yàn)結(jié)果及分析
        5.2.1體尺測量實(shí)驗(yàn)
        5.2.2 系統(tǒng)誤差分析
    5.3 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 展望與不足
參考文獻(xiàn)
在校研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)和峭度在軸承故障診斷中的應(yīng)用[J]. 李俊,劉永葆,余又紅.  航空動力學(xué)報. 2019(11)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的小目標(biāo)交通標(biāo)志檢測算法[J]. 周蘇,支雪磊,劉懂,寧皓,蔣連新,石繁槐.  同濟(jì)大學(xué)學(xué)報(自然科學(xué)版). 2019(11)
[3]基于目標(biāo)形態(tài)特征的工件自動分割方法[J]. 逄增治,史建杰,尹建芹,朱利民,李金屏.  北京郵電大學(xué)學(xué)報. 2019(05)
[4]基于圖像邊緣增強(qiáng)與弱化的邊緣檢測[J]. 張晗,錢育蓉,王躍飛,陳人和,田宸瑋.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(11)
[5]基于雙目視覺的小場景三維輪廓提取[J]. 李興坤,肖世德,董慶豐.  傳感器與微系統(tǒng). 2019(11)
[6]井中地震數(shù)據(jù)中值濾波方法研究[J]. 王旭,趙沖.  云南化工. 2019(09)
[7]基于canny邊緣檢測的工業(yè)零件分類識別[J]. 王磊.  電子設(shè)計(jì)工程. 2019(21)
[8]基于自適應(yīng)濾波的改進(jìn)Canny算子圖像邊緣檢測[J]. 陳美玲,朱鋁芬,張?jiān)?石瑤.  現(xiàn)代機(jī)械. 2019(05)
[9]基于量子衍生的圖像中值濾波算法[J]. 勾榮.  計(jì)算機(jī)測量與控制. 2019(10)
[10]基于改進(jìn)Canny算子的手勢圖像邊緣檢測[J]. 柏麗銀,彭亞雄,陸安江.  電子科技. 2020(07)

碩士論文
[1]種牛體尺非接觸測量系統(tǒng)研究[D]. 常海天.長春工業(yè)大學(xué) 2018
[2]基于三維點(diǎn)云的奶牛體尺測量與體重預(yù)測方法研究[D]. 牛金玉.西北農(nóng)林科技大學(xué) 2018
[3]基于圖像處理的奶牛體型線性評定系統(tǒng)研究[D]. 王文娣.河北農(nóng)業(yè)大學(xué) 2005



本文編號：3155474