基于機(jī)器視覺的奶牛個(gè)體信息感知及行為分析.pdf

1、精準(zhǔn)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(zhǔn)養(yǎng)殖受到國(guó)內(nèi)外高度關(guān)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(duì)奶牛精準(zhǔn)、健康養(yǎng)殖中亟待解決的信息獲取問題，研究基于機(jī)器視覺的奶牛個(gè)體信息自動(dòng)感知和行為分析軟硬件系統(tǒng)，為科學(xué)精準(zhǔn)養(yǎng)殖提供依據(jù)。本研究在國(guó)內(nèi)外研究成果的基礎(chǔ)上，以提高奶牛個(gè)體信息獲取的自動(dòng)化為目標(biāo)，對(duì)奶牛運(yùn)動(dòng)目標(biāo)檢測(cè)、無接觸身份識(shí)別、跛行檢測(cè)與運(yùn)動(dòng)評(píng)分、身體區(qū)域精細(xì)分割、呼吸頻率檢測(cè)、體況自動(dòng)評(píng)分等關(guān)鍵技術(shù)展開系

2、統(tǒng)研究。論文的主要工作和創(chuàng)新點(diǎn)如下:
　　(1)針對(duì)養(yǎng)殖環(huán)境中采集的奶牛行為圖像受復(fù)雜背景等因素影響問題，為提高奶牛目標(biāo)檢測(cè)精度，提出了一種基于背景減去法的目標(biāo)檢測(cè)方法。首先計(jì)算奶牛外接矩形，提取每幀圖像中的局部背景，并進(jìn)行拼接和求均值得到整體背景圖像。然后進(jìn)行奶牛軀干檢測(cè)和跟蹤，并用軀干作為目標(biāo)檢測(cè)的基準(zhǔn)區(qū)域，引入動(dòng)態(tài)RGB通道合成參數(shù)調(diào)整機(jī)制對(duì)目標(biāo)和背景圖像進(jìn)行實(shí)時(shí)調(diào)整，對(duì)調(diào)整后圖像進(jìn)行背景減去，使用基準(zhǔn)區(qū)域?qū)z測(cè)結(jié)果進(jìn)行評(píng)價(jià)

3、，最終確定最優(yōu)參數(shù)組合，實(shí)現(xiàn)目標(biāo)檢測(cè)。對(duì)129段奶牛視頻進(jìn)行檢測(cè)和對(duì)比試驗(yàn)，結(jié)果表明，本文方法的檢測(cè)準(zhǔn)確率為88.34％，較原始背景減去法提高24.85個(gè)百分點(diǎn)，能夠?qū)?fù)雜環(huán)境下的運(yùn)動(dòng)動(dòng)物進(jìn)行精確檢測(cè)。
　　(2)為實(shí)現(xiàn)基于圖像處理的無接觸、高精確度、適用性強(qiáng)的養(yǎng)殖場(chǎng)環(huán)境下奶牛個(gè)體有效識(shí)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(luò)準(zhǔn)確識(shí)別奶牛個(gè)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(chǔ)，將軀干圖像灰度化后經(jīng)插值運(yùn)

4、算和歸一化變換為48×48大小的矩陣，作為4c-2s-6c-2s-30o結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行個(gè)體識(shí)別。對(duì)30頭奶牛共采集360段視頻，隨機(jī)選取60000幀訓(xùn)練數(shù)據(jù)和21730幀測(cè)試數(shù)據(jù)，試驗(yàn)結(jié)果表明，在訓(xùn)練次數(shù)為10次時(shí)，代價(jià)函數(shù)收斂至0.0060，視頻段樣本的識(shí)別率為93.33％，單幀圖像樣本的識(shí)別率為90.55％。該方法可實(shí)現(xiàn)養(yǎng)殖場(chǎng)中奶牛個(gè)體無接觸精確識(shí)別，具有適用性強(qiáng)、成本低的特點(diǎn)。
　　(3)針對(duì)奶牛場(chǎng)中跛行奶牛檢

5、測(cè)困難這一問題，提出了使用側(cè)視圖像對(duì)奶牛行走過程進(jìn)行分析以進(jìn)行跛行檢測(cè)和運(yùn)動(dòng)評(píng)分的方法。提出奶牛運(yùn)動(dòng)肢干跟蹤方法及從奶牛運(yùn)動(dòng)曲線中計(jì)算奶牛跛行參數(shù)的方法。構(gòu)建了基于決策樹的奶牛跛行檢測(cè)模型。對(duì)621段奶牛行走視頻進(jìn)行了特征提取和識(shí)別試驗(yàn)，結(jié)果表明，數(shù)據(jù)集在6個(gè)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(gè)特征結(jié)合能夠在各階段更準(zhǔn)確地表達(dá)出跛行信息。分類結(jié)果表明，供試樣本所有視頻總準(zhǔn)確度為90.18％，靈敏度和特異性的平均

6、值分別為90.25％和94.74％，結(jié)果表明由奶牛運(yùn)動(dòng)肢干提取的跛行特征能夠用于跛行檢測(cè)和運(yùn)動(dòng)評(píng)分。
　　(4)為實(shí)現(xiàn)奶牛呼吸狀態(tài)信息獲取自動(dòng)化、智能化，在構(gòu)建奶牛視頻實(shí)時(shí)采集系統(tǒng)的基礎(chǔ)上，研究并提出了奶牛呼吸頻率與異常檢測(cè)方法。該方法用光流法計(jì)算視頻幀圖像各像素點(diǎn)的相對(duì)運(yùn)動(dòng)速度，根據(jù)各點(diǎn)的速度大小，對(duì)像素點(diǎn)進(jìn)行循環(huán)Otsu處理篩選出呼吸運(yùn)動(dòng)點(diǎn)，動(dòng)態(tài)計(jì)算速度方向曲線的周期即可檢測(cè)牛只呼吸頻率，并根據(jù)單次呼吸耗時(shí)檢測(cè)呼吸是否異常。對(duì)

7、72頭奶牛進(jìn)行360min的檢測(cè)試驗(yàn)表明，本文方法呼吸頻率計(jì)算準(zhǔn)確率為95.68％，異常檢測(cè)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(cè)準(zhǔn)確率，具有應(yīng)用于其它動(dòng)物呼吸狀態(tài)檢測(cè)的潛力。
　　(5)為實(shí)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(biāo)各區(qū)域精細(xì)分割方法。該方法以每個(gè)像素點(diǎn)在不同采樣半徑下的帶閾值LBP序列為深度特征值，設(shè)置分類約束條件，用決策

8、樹森林機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)奶牛各區(qū)域的精細(xì)分類。對(duì)10頭奶牛288幅側(cè)視深度圖像進(jìn)行試驗(yàn)，結(jié)果表明，當(dāng)采樣半徑分段數(shù)為30，決策樹訓(xùn)練至20層時(shí)，奶牛整體各像素點(diǎn)的平均識(shí)別率為95.15％，較傳統(tǒng)深度圖像特征值有更強(qiáng)的細(xì)節(jié)信息提取能力，可用較少參數(shù)實(shí)現(xiàn)對(duì)復(fù)雜結(jié)構(gòu)的精確識(shí)別。
　　(6)為解決牧場(chǎng)奶牛體況連續(xù)實(shí)時(shí)自動(dòng)評(píng)分，提出了基于奶牛背部深度圖像的體況自動(dòng)評(píng)分方法。提出奶牛背部的髖骨、勾骨等關(guān)鍵點(diǎn)的定位方法，以及基于包絡(luò)線的可見度和曲

9、率分析方法，計(jì)算了關(guān)鍵點(diǎn)處的可見度和曲率。構(gòu)建了決策樹學(xué)習(xí)、線性回歸和BP網(wǎng)絡(luò)評(píng)分預(yù)測(cè)模型，依據(jù)4個(gè)體況參數(shù)進(jìn)行分類和回歸，實(shí)現(xiàn)了奶牛的體況高精度的預(yù)測(cè)。對(duì)來自94頭奶牛的4824幅圖像測(cè)試結(jié)果表明，90％以上的樣本其差異在0.25以內(nèi);BP網(wǎng)絡(luò)模型能夠用于輸出連續(xù)的BCS值。在2個(gè)月間對(duì)共94頭奶牛的測(cè)試結(jié)果表明，所有奶牛的評(píng)分結(jié)果均在0.25個(gè)步長(zhǎng)以內(nèi)。該自動(dòng)檢測(cè)系統(tǒng)能夠檢測(cè)出體況的微小變化，與人工評(píng)分員相比具有更高的靈敏度和精度。