奶山羊的行为识别与分析可以作为奶山羊福利及其健康状况的直接证据,行为识别为奶山羊的智能化养殖和精准养殖提供保障。本文以奶山羊远程监控视频为研究对象,应用深度残差网络模型ResNet实现了奶山羊站立、趴卧、蜷缩、进食行为的识别。本文主要的研究内容与结论如下:(1)奶山羊数据集的获取与制作。为提供数量充足以及种类多样的奶山羊数据集,首先,在奶山羊养殖场搭建远程视频监控设备拍摄奶山羊视频,然后对视频进行关键帧提取,删除无效图像等预处理操作,制作出初始奶山羊图像数据集。其次,分别使用几何变换,几何与色彩变换以及多尺度变换三种数据增强方案进行数据增强,最终制作出三种奶山羊数据集。通过对比分析,基于多尺度变换的数据增强不仅可以有效防止过拟合的发生,还能最大程度的提升模型识别准确率。(2)基于ResNet的奶山羊行为识别模型的构建。利用卷积神经网络能够自主学习图像特征并进行分类识别的特点,基于深度残差网络ResNet构建18层,34层和50层不同深度的奶山羊行为识别模型,通过实验,不仅验证了ResNet网络模型在奶山羊行为识别领域的可行性,更验证了50层深度残差网络ResNet-50是识别效果最优的模型,识别准确率可以达到91.1%。(3)基于改进的ResNet-50的奶山羊行为识别模型的构建。为进一步优化奶山羊行为识别模型,达到更高的识别准确率,本文对ResNet-50网络模型做出改进。首先,对比研究自适应学习率算法Ada Grad,RMSProp和Adam,改进最优算法Adam为Adam New算法,引入Nesterov动量的同时改进其修正二阶矩偏差公式以控制算法的动态学习率,保证其单调递减适应,避免出现学习率时大时小的问题,然后使用Adam New算法优化模型,实验表明,改进后的算法收敛性更好;其次,对比研究ResNet-V1和ResNet-V2残差结构,使用ResNet-V2结构优化模型,模型的准确率提升至93%左右;最后,对比研究激活函数Re LU和SELU,使用激活函数SELU替换Re LU的同时结合lecun＿normal初始化权重方式优化模型,模型准确率提升至95%左右。最终,基于改进的ResNet-50的奶山羊行为识别模型识别准确率由91.1%提升至95%左右,提高了3.9%。综上所述,此次研究基于ResNet网络实现了对奶山羊站立、趴卧、蜷缩、进食行为高准确率的识别,为奶山羊的健康养殖提供保障。