姿态估计作为计算机视觉领域一个很重要的研究方向,成为了近几年来的热门研究方向,其在农业领域也是具有重大作用。以奶牛饲养为例,对奶牛的关键点定位的目的是利用计算机自动定位到图像或者视频中的奶牛特定的关节点的坐标位置,实现对奶牛姿态的描述和理解,帮助饲养员更好的理解奶牛的行为,同时可以更精确、更有效率的检测多头奶牛,极大减少人力物力的投入。尽管如此,对于动物的姿态估计仍然是个挑战,无论是动物的体型、姿态特点均与人有很大的差异。本文将以奶牛作为研究对象,构建深度学习模型,开展对奶牛的关节点定位的研究。具体内容如下:（1）通过手机、摄像机等摄影设备,拍摄、收集制作一个不同环境、不同气候下的奶牛关节点定位的数据集,同时制作一个专门的标注器来对该数据集进行关键点的标注。（2）在分析对比现有的人体姿态估计的深度学习模型的基础上,本实验选取了PyraNet、Stacked Hourglass和全卷积网络形式的ResNet18来作为对比实验,其中Stacked Hourglass网络为人体姿态估计里面一个性能很高的网络模型,PyraNet则是基于Stacked Hourglass的网络结构并在其基础上替换了新的模块的网络,ResNet也是一个极为经典的神经网络,其之后出现的神经网络绝大多数都借鉴了 ResNet的设计思想。因此本实验将选取这三个网络来做对比,从而挑选出最适合本数据集的关键点检测模型。（3）在对比这二个模型的效果的基础上,本课题构建了一个奶牛关节点定位的系统。该系统分为两个部分,一部分可以挑选深度学习模型针对本实验的数据集进行训练,同时可以处理相关标注文件来简化训练操作;另一部分则可以通过加载一个已经训练好的模型,来对一张读取进来的奶牛的图片做关节点定位,并将定位结果以画点的形式直观的反映在图片上。