论文部分内容阅读
利用计算机视觉技术实现对奶牛的自动检测与识别,是未来智慧养殖待发展的关键技术。立足规模化、集约化奶牛场的信息与智能化管理需求,综合利用计算机视觉与深度学习方法,探索视觉复杂场景中的奶牛目标检测、躯体精细分割与身份识别方法,力图丰富南疆奶牛养殖的智能装备,提高其管理的自动化、智能化能力。论文的主要工作如下:(1)为改善复杂场景中奶牛图像目标检测的精度,将YOLO V3方法应用于奶牛图像目标检测。采用该方法对奶牛图像数据开展了目标检测实验。实验结果表明,该方法对单牛图像和群牛图像2组实验图像的漏检率分别为20.69%、25.00%;每幅图像检测平均耗时0.24秒,检测效率较高。并对比分析了YOLO V3方法在不同置信度阈值下的检测效果差异;对比了YOLO tiny-V2方法与YOLO V3方法在测试集上的检测性能差异;考量了YOLO V3方法在不同尺度图像上的目标检测表现。(2)针对视觉场景下群牛图像中“粘连”牛体难以准确图像分割的难题,采用LabelMe标注工具标注了样本数据集,将Mask R-CNN方法应用于奶牛图像实例分割。以PyTorch为深度学习的基础开发框架,建立了Mask R-CNN网络,经训练得到较优化的奶牛图像分割模型——CowNet;采用了准确率指标评价分割效果;结果表明:CowNet模型在样本数据集上的分割准确率达到84.77%。(3)为实现视觉复杂场景中的奶牛身份快速、可靠识别,将GrabCut图像分割方法与Inception V3卷积神经网络相结合应用于奶牛体廓分割与身份识别。以TensorFlow为深度学习框架,建立了Inception V3网络,经训练得到较优化的奶牛身份识别模型。结果表明:对FriesianCattle 2017公有数据集上的总体平均识别准确率达到87.93%,在TarimCattle 2020数据集上的总体平均识别准确率达到84.54%。本文创新点:采用数据增强、人工标注、调优训练参数等方法,在COCO2014预训练模型基础上,训练获得了专用于奶牛的图像分割模型——CowNet;为了丰富图像数据获得的方法、满足深度学习方法对大规模数据的需要,通过构建奶牛3D模型,经纹理贴图与投影变换,获得不同视角下的奶牛图像,为较难采集的目标数据集提供了一种图像增强方法。未来,将继续开展身份识别系统的集成研究、新增奶牛的再识别研究及奶牛行为分析、疾病预测研究。