在奶牛關鍵點預測的基礎上,通過點、線重構奶牛骨架結構,可為奶牛跛行檢測、發(fā)情行為分析、運動量估測等提供重要參考。本研究基于部分親和場,以養(yǎng)殖場監(jiān)控攝像頭拍攝的視頻為原始數(shù)據(jù),使用1 600幅圖像訓練了奶牛骨架提取模型,實現(xiàn)了奶牛站立、行走狀態(tài)下關鍵點信息和部分親和場信息的預測,并通過最優(yōu)匹配連接對奶牛骨架結構進行準確提取。為了驗證該模型的性能,采用包含干擾因素的100幅單目標奶牛和100幅雙目標奶牛圖像進行了測試。結果表明,該模型對單目標行走奶牛骨架提取的置信度為78.90%,雙目標行走奶牛骨架提取的置信度較單目標下降了10.96個百分點。計算了不同關鍵點相似性（Object keypoint similarity,OKS）下的模型準確率,當OKS為0.75時,骨架提取準確率為93.40%,召回率為94.20%,說明該模型具有較高的準確率。該方法可以提取視頻中奶牛骨架,在無遮擋時具有高置信度和低漏檢率,當遮擋嚴重時置信度有所下降。該模型的單目標和雙目標圖像幀處理速度分別為3.30、3.20 f/s,基本相同。本研究可為多目標奶牛骨架提取提供參考。 

【文章頁數(shù)】：11 頁

【文章目錄】：
0 引言
1 奶牛骨架提取數(shù)據(jù)集
    1.1 試驗數(shù)據(jù)獲取及預處理
    1.2 奶牛關鍵點標簽制作
2 網(wǎng)絡構建
    2.1 VGG前饋網(wǎng)絡
    2.2 基于部分親和場的多階段二分支網(wǎng)絡
        2.2.1 二分支網(wǎng)絡
        2.2.2 熱點圖
        2.2.3 部分親和場
        2.2.4 匹配關鍵點和部分親和場
3 測試結果與分析
4 奶牛骨架提取的影響因素分析
    4.1 奶牛數(shù)量對預測置信度的影響
    4.2 雙目標奶牛間的遮擋程度對置信度的影響
    4.3 光照對預測置信度的影響
5 奶牛骨架提取應用試驗
    5.1 試驗測試結果
    5.2 不同尺度對奶牛骨架提取的影響
6 結論


【參考文獻】：
期刊論文
[1]基于支持向量機分類模型的奶牛行為識別方法[J]. 任曉惠,劉剛,張淼,司永勝,張馨月,馬麗.  農(nóng)業(yè)機械學報. 2019(S1)
[2]基于卷積神經(jīng)網(wǎng)絡的奶牛發(fā)情行為識別方法[J]. 劉忠超,何東健.  農(nóng)業(yè)機械學報. 2019(07)
[3]基于自適應無參核密度估計算法的運動奶牛目標檢測[J]. 宋懷波,陰旭強,吳頔華,姜波,何東健.  農(nóng)業(yè)機械學報. 2019(05)
[4]基于整體-星型模型的人體姿態(tài)估計[J]. 代欽,石祥濱,喬建忠,劉芳.  小型微型計算機系統(tǒng). 2018(12)
[5]深度學習實時多人姿態(tài)估計與跟蹤[J]. 許忠雄,張睿哲,石曉軍,岳貴杰,劉弋鋒.  中國電子科學研究院學報. 2018(04)
[6]基于頭頸部輪廓擬合直線斜率特征的奶牛跛行檢測方法[J]. 宋懷波,姜波,吳倩,李通,何東健.  農(nóng)業(yè)工程學報. 2018(15)
[7]基于Horn-Schunck光流法的多目標反芻奶牛嘴部自動監(jiān)測[J]. 宋懷波,李通,姜波,吳倩,何東健.  農(nóng)業(yè)工程學報. 2018(10)
[8]基于融合圖像與運動量的奶牛行為識別方法[J]. 顧靜秋,王志海,高榮華,吳華瑞.  農(nóng)業(yè)機械學報. 2017(06)
[9]基于視頻分析的犢�；拘袨樽R別[J]. 何東健,孟凡昌,趙凱旋,張昭.  農(nóng)業(yè)機械學報. 2016(09)
[10]基于隨機森林深度特征選擇的人體姿態(tài)估計[J]. 朱玨鈺,曹亞微,周書仁,李峰.  計算機工程與應用. 2017(02)



本文編號：3724849