精确、快速的挤奶奶牛个体识别技术是自动化养殖的重要组成部分,对保障奶牛健康、提高养殖场的管理能力和生产效益具有重要作用。针对传统人工耳标法识别效率低、易磨损、占用人力资源;二维码耳标、胃标、射频识别等电子设备成本高、识别距离短、耐用率低,且会对奶牛造成物理损伤的问题,本文在分析国内外奶牛识别研究现状的基础上,采用计算机视觉技术和视频分析技术,结合奶牛背部体斑特征的多样性,研究基于深度学习的挤奶奶牛个体识别方法,为奶牛养殖场提供一种高精度、无接触、低成本识别奶牛的方法。本文的主要工作及结论如下:(1)搭建了奶牛背部视频采集平台并研究了奶牛图像预处理方法。根据奶牛日常的挤奶过程和挤奶厅实际情况,设计并搭建了奶牛背部视频采集软硬件平台和视频处理平台,共获取48段奶牛背部视频;为减少采集的视频帧图像中的噪声,分别进行双边滤波、高斯滤波、中值滤波、均值滤波和方框滤波试验,结果表明双边滤波在去噪的同时与原图结构具有最强的相似性和最高的信噪比;对图像进行亮度、对比度增强与锐化处理,增强了图像质量;用张正友棋盘格标定法对摄像机进行标定,得到无畸变的奶牛图像。通过对奶牛图像样本旋转和亮度扩充,增强样本多样性,由于奶牛头部较小且变化幅度大,因此仅标注奶牛背部区域,建立了89头奶牛的36790幅供试集。(2)针对奶牛个体身份的识别,研究并提出了基于改进YOLO v3的奶牛个体识别模型。首先以Darknet-53为框架,根据奶牛目标的特点和YOLO v3的不足,从优化适合的锚点框个数和尺寸、对预测框的位置参数建模、改进损失函数、增加1×1卷积核和残差模块等4个方面,对YOLO v3模型进行改进,并从迭代次数和置信度阈值2个方面对训练网络得到的不同识别模型进行评估,获得了最优的改进YOLO v3识别模型。为分析、验证模型的识别效果,建立了基于Faster R-CNN和YOLO v3的奶牛个体识别模型作为对比。(3)用测试集样本对奶牛个体识别模型进行识别试验和分析。将实际养殖场环境中获取的奶牛测试集分别输入改进YOLO v3模型、YOLO v3模型、Faster R-CNN模型进行测试,测试结果分析表明,改进YOLO v3模型在测试集上的准确率为95.91%,召回率为95.32%,m AP为95.16%,平均帧率为32fps,均高于其他2个模型,具有较高的识别准确率和适应奶牛形变的能力,对视频段识别的误检率为3.63%,且预处理方法对识别结果有一定提升,能够满足养殖场对挤奶奶牛进行实时识别的要求。(4)对不同体斑颜色、不同光照条件下3种模型的识别效果进行对比试验,验证模型的鲁棒性。用纯黑色、纯白色(不同体斑颜色),侧向阳光和灯光(不同光照条件)下的样本进行识别试验,改进YOLO v3模型在不同条件下对奶牛识别的F1值均高于YOLO v3模型和Faster R-CNN模型2-5%,表明本文提出的改进YOLO v3模型具有良好的适应不同光照条件下对不同体斑颜色的奶牛识别的性能以及鲁棒性,可为养殖场进出挤奶厅的奶牛个体编号实时识别提供技术支撑。