收藏本站
《西北农林科技大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

基于机器视觉的奶牛个体信息感知及行为分析

赵凯旋  
【摘要】:精准养殖是智慧农业的重要组成部分,随着现代农业的发展,精准养殖受到国内外高度关注,已成为现代农业的重要研究方向之一。本研究针对奶牛精准、健康养殖中亟待解决的信息获取问题,研究基于机器视觉的奶牛个体信息自动感知和行为分析软硬件系统,为科学精准养殖提供依据。本研究在国内外研究成果的基础上,以提高奶牛个体信息获取的自动化为目标,对奶牛运动目标检测、无接触身份识别、跛行检测与运动评分、身体区域精细分割、呼吸频率检测、体况自动评分等关键技术展开系统研究。论文的主要工作和创新点如下:(1)针对养殖环境中采集的奶牛行为图像受复杂背景等因素影响问题,为提高奶牛目标检测精度,提出了一种基于背景减去法的目标检测方法。首先计算奶牛外接矩形,提取每帧图像中的局部背景,并进行拼接和求均值得到整体背景图像。然后进行奶牛躯干检测和跟踪,并用躯干作为目标检测的基准区域,引入动态RGB通道合成参数调整机制对目标和背景图像进行实时调整,对调整后图像进行背景减去,使用基准区域对检测结果进行评价,最终确定最优参数组合,实现目标检测。对129段奶牛视频进行检测和对比试验,结果表明,本文方法的检测准确率为88.34%,较原始背景减去法提高24.85个百分点,能够对复杂环境下的运动动物进行精确检测。(2)为实现基于图像处理的无接触、高精确度、适用性强的养殖场环境下奶牛个体有效识别,提出用视频分析方法提取奶牛躯干图像,用卷积神经网络准确识别奶牛个体的方法。该方法以每帧图像中奶牛躯干区域图像为基础,将躯干图像灰度化后经插值运算和归一化变换为48×48大小的矩阵,作为4c-2s-6c-2s-30o结构的卷积神经网络的输入进行个体识别。对30头奶牛共采集360段视频,随机选取60000帧训练数据和21730帧测试数据,试验结果表明,在训练次数为10次时,代价函数收敛至0.0060,视频段样本的识别率为93.33%,单帧图像样本的识别率为90.55%。该方法可实现养殖场中奶牛个体无接触精确识别,具有适用性强、成本低的特点。(3)针对奶牛场中跛行奶牛检测困难这一问题,提出了使用侧视图像对奶牛行走过程进行分析以进行跛行检测和运动评分的方法。提出奶牛运动肢干跟踪方法及从奶牛运动曲线中计算奶牛跛行参数的方法。构建了基于决策树的奶牛跛行检测模型。对621段奶牛行走视频进行了特征提取和识别试验,结果表明,数据集在6个特征下是线性可分的,并且奶牛在不同阶段具有不同的跛足特征,多个特征结合能够在各阶段更准确地表达出跛行信息。分类结果表明,供试样本所有视频总准确度为90.18%,灵敏度和特异性的平均值分别为90.25%和94.74%,结果表明由奶牛运动肢干提取的跛行特征能够用于跛行检测和运动评分。(4)为实现奶牛呼吸状态信息获取自动化、智能化,在构建奶牛视频实时采集系统的基础上,研究并提出了奶牛呼吸频率与异常检测方法。该方法用光流法计算视频帧图像各像素点的相对运动速度,根据各点的速度大小,对像素点进行循环Otsu处理筛选出呼吸运动点,动态计算速度方向曲线的周期即可检测牛只呼吸频率,并根据单次呼吸耗时检测呼吸是否异常。对72头奶牛进行360min的检测试验表明,本文方法呼吸频率计算准确率为95.68%,异常检测成功率为89.06%,平均异常误检次数为2.53次/min。有较高的检测准确率,具有应用于其它动物呼吸状态检测的潜力。(5)为实现深度图像中奶牛头、颈、躯干和四肢等身体区域的精确分割,提出一种深度图像特征和基于该特征的奶牛目标各区域精细分割方法。该方法以每个像素点在不同采样半径下的带阈值LBP序列为深度特征值,设置分类约束条件,用决策树森林机器学习方法实现奶牛各区域的精细分类。对10头奶牛288幅侧视深度图像进行试验,结果表明,当采样半径分段数为30,决策树训练至20层时,奶牛整体各像素点的平均识别率为95.15%,较传统深度图像特征值有更强的细节信息提取能力,可用较少参数实现对复杂结构的精确识别。(6)为解决牧场奶牛体况连续实时自动评分,提出了基于奶牛背部深度图像的体况自动评分方法。提出奶牛背部的髋骨、勾骨等关键点的定位方法,以及基于包络线的可见度和曲率分析方法,计算了关键点处的可见度和曲率。构建了决策树学习、线性回归和BP网络评分预测模型,依据4个体况参数进行分类和回归,实现了奶牛的体况高精度的预测。对来自94头奶牛的4824幅图像测试结果表明,90%以上的样本其差异在0.25以内;BP网络模型能够用于输出连续的BCS值。在2个月间对共94头奶牛的测试结果表明,所有奶牛的评分结果均在0.25个步长以内。该自动检测系统能够检测出体况的微小变化,与人工评分员相比具有更高的灵敏度和精度。
【关键词】:精细养殖 跛行检测 运动评分 身体分割 呼吸监测 体况识别
【学位授予单位】:西北农林科技大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:S823;TP391.41
【目录】:
  • 摘要6-8
  • Abstract8-16
  • 第1章 绪论16-30
  • 1.1 选题的目的和意义16-17
  • 1.2 研究背景与国内外研究概况17-25
  • 1.2.1 奶牛个体信息获取研究现状18-22
  • 1.2.2 奶牛行为分析研究现状22-25
  • 1.3 研究内容25-26
  • 1.4 技术路线和研究方案26-28
  • 1.4.1 研究方法26-27
  • 1.4.2 研究方案27
  • 1.4.3 技术路线27-28
  • 1.5 论文的组织结构28-30
  • 第2章 奶牛运动目标检测方法研究30-52
  • 2.1 引言30-36
  • 2.1.1 背景减去法30-31
  • 2.1.2 混合高斯模型法31-33
  • 2.1.3 块匹配法33-34
  • 2.1.4 各方法存在的问题34-35
  • 2.1.5 本文奶牛目标检测方法基本思想35-36
  • 2.2 图像获取36-42
  • 2.2.1 网络数字摄像机36-37
  • 2.2.2 VPN技术37-38
  • 2.2.3 摄像机布置情况38-39
  • 2.2.4 软件功能模块39-42
  • 2.2.5 侧视视频采集方法42
  • 2.3 环境背景建模42-44
  • 2.4 躯干定位与跟踪44-46
  • 2.4.1 躯干定位44-45
  • 2.4.2 躯干跟踪45-46
  • 2.5 动态背景减去46-47
  • 2.6 目标检测结果与分析47-51
  • 2.7 本章小结51-52
  • 第3章 奶牛个体无接触身份识别方法52-71
  • 3.1 引言52-53
  • 3.2 供试数据53-54
  • 3.3 卷积神经网络54-61
  • 3.3.1 卷积神经网络原理54
  • 3.3.2 卷积神经网络的结构54-55
  • 3.3.3 局部感受野与权值共享55-57
  • 3.3.4 LeNet-5网络分析57-59
  • 3.3.5 卷积神经网络的优点59
  • 3.3.6 奶牛个体识别的网络结构59-61
  • 3.4 图像检索方法分析61-67
  • 3.4.1 图像距离量度61-65
  • 3.4.2 SIFT方法65-67
  • 3.5 个体识别结果与分析67-69
  • 3.5.1 卷积神经网络识别结果与分析67-68
  • 3.5.2 特征图分析68-69
  • 3.5.3 与图像检索方法的比较69
  • 3.6 本章小结69-71
  • 第4章 奶牛跛行检测与运动评分方法研究71-92
  • 4.1 引言71-76
  • 4.1.1 奶牛运动评分方法71-73
  • 4.1.2 跛行鉴别方法73-75
  • 4.1.3 存在的问题75-76
  • 4.2 实验材料76-77
  • 4.2.1 视频获取与人工评分76
  • 4.2.2 视频畸变性验证76-77
  • 4.3 提取运动曲线77-79
  • 4.3.1 运动曲线提取方法77-78
  • 4.3.2 运动曲线验证78-79
  • 4.3.3 验证结果79
  • 4.4 跛行参数提取79-84
  • 4.4.1 提取运动参数79-81
  • 4.4.2 运动参数的分布情况81-84
  • 4.5 跛行检测与运动评分84-87
  • 4.5.1 决策树模型84-86
  • 4.5.2 分类结果评价86-87
  • 4.6 结果分析与讨论87-90
  • 4.6.1 跛行检测与运动评分结果87-88
  • 4.6.2 背部姿态研究比较88-89
  • 4.6.3 与其它方法的比较分析89-90
  • 4.6.4 未来研究方向90
  • 4.7 本章小结90-92
  • 第5章 奶牛呼吸频率和呼吸异常检测及环境控制系统92-111
  • 5.1 引言92-93
  • 5.2 试验视频采集方法93
  • 5.3 奶牛呼吸运动检测93-95
  • 5.3.1 光流场原理93-94
  • 5.3.2 光流计算方法94-95
  • 5.4 运动点筛选95-98
  • 5.4.1 Otsu方法95-96
  • 5.4.2 运动点筛选方法96-97
  • 5.4.3 呼吸点筛选结果97-98
  • 5.5 呼吸参数选取及频率计算98-101
  • 5.5.1 参数选取99
  • 5.5.2 频率计算99-100
  • 5.5.3 呼吸频率修正与异常检测100-101
  • 5.6 试验结果与分析101-103
  • 5.7 环境控制系统的设计103-109
  • 5.7.1 系统设计硬件设计104-106
  • 5.7.2 系统软件流程106-108
  • 5.7.3 信息利用方法108-109
  • 5.8 本章小结109-111
  • 第6章 奶牛身体区域精细分割方法111-127
  • 6.1 基于深度特征的区域精细分割方法111-114
  • 6.1.1 Kinect躯干分割概述111-112
  • 6.1.2 区域标记与深度特征112-113
  • 6.1.3 传统的深度图像特征的缺点113-114
  • 6.2 奶牛身体区域精细分割问题114-115
  • 6.3 奶牛深度图像采集115-116
  • 6.3.1 摄像机布置方案115-116
  • 6.3.2 供试数据116
  • 6.4 基于LBP深度特征的区域精细分割方法116-121
  • 6.4.1 LBP原理116-118
  • 6.4.2 基于LBP的深度图像特征118-120
  • 6.4.3 随机决策森林120-121
  • 6.5 试验结果与分析121-125
  • 6.5.1 奶牛各区域识别结果121-123
  • 6.5.2 识别率与各区域样本比例的关系123-124
  • 6.5.3 与Kinect原始方法的比较124-125
  • 6.6 本章小结125-127
  • 第7章 奶牛体况自动评价系统127-149
  • 7.1 奶牛体况自动评分问题分析127-130
  • 7.1.1 体况评分127-129
  • 7.1.2 基于机器视觉系统的自动化BCS129-130
  • 7.2 奶牛顶视背部深度图像获取方案130-134
  • 7.2.1 采集系统设置130-133
  • 7.2.2 数据采集133
  • 7.2.3 背景建模133-134
  • 7.3 体况特征的提取134-139
  • 7.3.1 包络线134
  • 7.3.2 曲面曲率134-136
  • 7.3.3 图像旋转136
  • 7.3.4 图像修剪136-137
  • 7.3.5 勾骨与骶骨韧带定位与检测137-138
  • 7.3.6 尾根去除和针骨检测138-139
  • 7.4 建立体况预测模型139-141
  • 7.4.1 决策树模型139-140
  • 7.4.2 线性回归模型140
  • 7.4.3 BP神经网络140
  • 7.4.4 模型评估140-141
  • 7.5 体况评分结果与分析141-146
  • 7.5.1 相关性和参数分布情况141-142
  • 7.5.2 决策树分类结果142-143
  • 7.5.3 回归结果143-144
  • 7.5.4 奶牛个体评分结果分析144-146
  • 7.6 分析与讨论146-148
  • 7.6.1 BCS回归预测模型的优点146-147
  • 7.6.2 与其它研究的比较147
  • 7.6.3 未来研究方向147-148
  • 7.7 本章小结148-149
  • 第8章 结论和展望149-153
  • 8.1 结论149-150
  • 8.2 创新点150-151
  • 8.3 展望151-153
  • 参考文献153-161
  • 致谢161-162
  • 作者简介162

中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026