随着生活水平提高,人们对于畜禽类及其供应的乳类产品需求量越来越高,同时对现代化健康养殖提出新的要求。现代化养殖中的奶牛个体识别成为研究热点,传统的经典方法在投入成本、实际使用需求等方面展现出不足,如何在满足系统实时性需求下克服奶牛图像复杂性所导致的奶牛识别率低的问题成为本文研究的重点。基于卷积神经网络的奶牛个体识别方法是符合现代化、智能化要求的无接触奶牛识别方法。得益于深度学习在图像处理和模式识别方向的发展,本文基于卷积神经网络理论,围绕奶牛个体识别中的问题展开研究,介绍了适合复杂背景的奶牛个体识别网络,本文的主要工作有:1.本文实验图像为2018年7月至8月采集自内蒙古呼和浩特市蒙牛乳业奶源基地养殖牧场内,对奶牛个体躯干、头、尾进行图像采集,共采集成年奶牛个体170头,拍摄奶牛360度视频数据40段。2.本文提出了基于多尺度卷积神经网络的去噪方法MSDCNN,通过不同大小的卷积窗对图像进行卷积合并,用不同的感知域来抽取图像的特征,选用Relu作为网络的激活函数。奶牛图像叠加高斯噪声模拟噪声干扰,通过去噪实验测得MSDCNN去噪效果。MSDCNN对标准差为10、20、30的高斯噪声去噪峰值信噪比分别为33.44、31.82、28.13;传统高斯去噪对标准差为10、20、30的高斯噪声去噪峰值信噪比分别为31.83、29.02、27.13。同一数据集下MSDCNN展现了良好的去噪效果。3.采用一种基于深度学习的、适用于自然光图像的奶牛个体识别方法。本文针对奶牛个体图像周围环境复杂性这一问题,基于Google的Inception V3模型,通过多个卷积层对奶牛图像进行抽象表征,最后连接到softmax层以实现奶牛的个体识别。本实验对奶牛视频数据进行视频分析和处理获取到每头奶牛个体的图像为21632张,随机对奶牛个体的图像数据进行9:1划分,分别用作训练集和测试集,其中每头奶牛个体的测试图像在65~80张之间。统计了每头奶牛的识别准确率,通过计算得出:本方法对单帧奶牛图像的识别率达到了87%,且网络不存在过拟合的情况。以Inception网络概率数据的Top-5为基础进行多帧图像识别,对奶牛的个体识别率达到了92%。通过交叉验证试验测试了算法的准确性,给出十组测试准确率数据。本实验表明,本文展示的基于深度学习的方法能够在复杂背景实现奶牛个体的准确识别。4.通过在原图像叠加不同等级噪声的方式验证了噪声对识别准确性的影响。对叠加标准差为10、20、30的高斯噪声图像的统计识别率分别为85.5%、84.6%、82.7%;使用MSDCNN算法对图像进行去噪后的统计识别率分别为86.4%、85.8%、84.6%。证明MSDCNN算法能有效提高奶牛噪声图像的识别准确率。本研究结果充分证明,在视频图像下复杂背景的奶牛个体识别技术的可行性,为奶牛识别提供有效解决方案,同时为现代化养殖系统提供应用基础。