發(fā)布時間：2017-12-15 00:21

  本文關鍵詞：基于機器視覺的奶牛個體信息感知及行為分析

  更多相關文章： 精細養(yǎng)殖 跛行檢測 運動評分 身體分割 呼吸監(jiān)測 體況識別

【摘要】：精準養(yǎng)殖是智慧農(nóng)業(yè)的重要組成部分,隨著現(xiàn)代農(nóng)業(yè)的發(fā)展,精準養(yǎng)殖受到國內(nèi)外高度關注,已成為現(xiàn)代農(nóng)業(yè)的重要研究方向之一。本研究針對奶牛精準、健康養(yǎng)殖中亟待解決的信息獲取問題,研究基于機器視覺的奶牛個體信息自動感知和行為分析軟硬件系統(tǒng),為科學精準養(yǎng)殖提供依據(jù)。本研究在國內(nèi)外研究成果的基礎上,以提高奶牛個體信息獲取的自動化為目標,對奶牛運動目標檢測、無接觸身份識別、跛行檢測與運動評分、身體區(qū)域精細分割、呼吸頻率檢測、體況自動評分等關鍵技術展開系統(tǒng)研究。論文的主要工作和創(chuàng)新點如下:(1)針對養(yǎng)殖環(huán)境中采集的奶牛行為圖像受復雜背景等因素影響問題,為提高奶牛目標檢測精度,提出了一種基于背景減去法的目標檢測方法。首先計算奶牛外接矩形,提取每幀圖像中的局部背景,并進行拼接和求均值得到整體背景圖像。然后進行奶牛軀干檢測和跟蹤,并用軀干作為目標檢測的基準區(qū)域,引入動態(tài)RGB通道合成參數(shù)調(diào)整機制對目標和背景圖像進行實時調(diào)整,對調(diào)整后圖像進行背景減去,使用基準區(qū)域?qū)�檢測結果進行評價,最終確定最優(yōu)參數(shù)組合,實現(xiàn)目標檢測。對129段奶牛視頻進行檢測和對比試驗,結果表明,本文方法的檢測準確率為88.34%,較原始背景減去法提高24.85個百分點,能夠?qū)�復雜環(huán)境下的運動動物進行精確檢測。(2)為實現(xiàn)基于圖像處理的無接觸、高精確度、適用性強的養(yǎng)殖場環(huán)境下奶牛個體有效識別,提出用視頻分析方法提取奶牛軀干圖像,用卷積神經(jīng)網(wǎng)絡準確識別奶牛個體的方法。該方法以每幀圖像中奶牛軀干區(qū)域圖像為基礎,將軀干圖像灰度化后經(jīng)插值運算和歸一化變換為48×48大小的矩陣,作為4c-2s-6c-2s-30o結構的卷積神經(jīng)網(wǎng)絡的輸入進行個體識別。對30頭奶牛共采集360段視頻,隨機選取60000幀訓練數(shù)據(jù)和21730幀測試數(shù)據(jù),試驗結果表明,在訓練次數(shù)為10次時,代價函數(shù)收斂至0.0060,視頻段樣本的識別率為93.33%,單幀圖像樣本的識別率為90.55%。該方法可實現(xiàn)養(yǎng)殖場中奶牛個體無接觸精確識別,具有適用性強、成本低的特點。(3)針對奶牛場中跛行奶牛檢測困難這一問題,提出了使用側視圖像對奶牛行走過程進行分析以進行跛行檢測和運動評分的方法。提出奶牛運動肢干跟蹤方法及從奶牛運動曲線中計算奶牛跛行參數(shù)的方法。構建了基于決策樹的奶牛跛行檢測模型。對621段奶牛行走視頻進行了特征提取和識別試驗,結果表明,數(shù)據(jù)集在6個特征下是線性可分的,并且奶牛在不同階段具有不同的跛足特征,多個特征結合能夠在各階段更準確地表達出跛行信息。分類結果表明,供試樣本所有視頻總準確度為90.18%,靈敏度和特異性的平均值分別為90.25%和94.74%,結果表明由奶牛運動肢干提取的跛行特征能夠用于跛行檢測和運動評分。(4)為實現(xiàn)奶牛呼吸狀態(tài)信息獲取自動化、智能化,在構建奶牛視頻實時采集系統(tǒng)的基礎上,研究并提出了奶牛呼吸頻率與異常檢測方法。該方法用光流法計算視頻幀圖像各像素點的相對運動速度,根據(jù)各點的速度大小,對像素點進行循環(huán)Otsu處理篩選出呼吸運動點,動態(tài)計算速度方向曲線的周期即可檢測牛只呼吸頻率,并根據(jù)單次呼吸耗時檢測呼吸是否異常。對72頭奶牛進行360min的檢測試驗表明,本文方法呼吸頻率計算準確率為95.68%,異常檢測成功率為89.06%,平均異常誤檢次數(shù)為2.53次/min。有較高的檢測準確率,具有應用于其它動物呼吸狀態(tài)檢測的潛力。(5)為實現(xiàn)深度圖像中奶牛頭、頸、軀干和四肢等身體區(qū)域的精確分割,提出一種深度圖像特征和基于該特征的奶牛目標各區(qū)域精細分割方法。該方法以每個像素點在不同采樣半徑下的帶閾值LBP序列為深度特征值,設置分類約束條件,用決策樹森林機器學習方法實現(xiàn)奶牛各區(qū)域的精細分類。對10頭奶牛288幅側視深度圖像進行試驗,結果表明,當采樣半徑分段數(shù)為30,決策樹訓練至20層時,奶牛整體各像素點的平均識別率為95.15%,較傳統(tǒng)深度圖像特征值有更強的細節(jié)信息提取能力,可用較少參數(shù)實現(xiàn)對復雜結構的精確識別。(6)為解決牧場奶牛體況連續(xù)實時自動評分,提出了基于奶牛背部深度圖像的體況自動評分方法。提出奶牛背部的髖骨、勾骨等關鍵點的定位方法,以及基于包絡線的可見度和曲率分析方法,計算了關鍵點處的可見度和曲率。構建了決策樹學習、線性回歸和BP網(wǎng)絡評分預測模型,依據(jù)4個體況參數(shù)進行分類和回歸,實現(xiàn)了奶牛的體況高精度的預測。對來自94頭奶牛的4824幅圖像測試結果表明,90%以上的樣本其差異在0.25以內(nèi);BP網(wǎng)絡模型能夠用于輸出連續(xù)的BCS值。在2個月間對共94頭奶牛的測試結果表明,所有奶牛的評分結果均在0.25個步長以內(nèi)。該自動檢測系統(tǒng)能夠檢測出體況的微小變化,與人工評分員相比具有更高的靈敏度和精度。
【學位授予單位】：西北農(nóng)林科技大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：S823;TP391.41
，

本文編號：1289936