基于机器视觉的奶牛个体信息感知及行为分析
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第16-30页 |
| 1.1 选题的目的和意义 | 第16-17页 |
| 1.2 研究背景与国内外研究概况 | 第17-25页 |
| 1.2.1 奶牛个体信息获取研究现状 | 第18-22页 |
| 1.2.2 奶牛行为分析研究现状 | 第22-25页 |
| 1.3 研究内容 | 第25-26页 |
| 1.4 技术路线和研究方案 | 第26-28页 |
| 1.4.1 研究方法 | 第26-27页 |
| 1.4.2 研究方案 | 第27页 |
| 1.4.3 技术路线 | 第27-28页 |
| 1.5 论文的组织结构 | 第28-30页 |
| 第2章 奶牛运动目标检测方法研究 | 第30-52页 |
| 2.1 引言 | 第30-36页 |
| 2.1.1 背景减去法 | 第30-31页 |
| 2.1.2 混合高斯模型法 | 第31-33页 |
| 2.1.3 块匹配法 | 第33-34页 |
| 2.1.4 各方法存在的问题 | 第34-35页 |
| 2.1.5 本文奶牛目标检测方法基本思想 | 第35-36页 |
| 2.2 图像获取 | 第36-42页 |
| 2.2.1 网络数字摄像机 | 第36-37页 |
| 2.2.2 VPN技术 | 第37-38页 |
| 2.2.3 摄像机布置情况 | 第38-39页 |
| 2.2.4 软件功能模块 | 第39-42页 |
| 2.2.5 侧视视频采集方法 | 第42页 |
| 2.3 环境背景建模 | 第42-44页 |
| 2.4 躯干定位与跟踪 | 第44-46页 |
| 2.4.1 躯干定位 | 第44-45页 |
| 2.4.2 躯干跟踪 | 第45-46页 |
| 2.5 动态背景减去 | 第46-47页 |
| 2.6 目标检测结果与分析 | 第47-51页 |
| 2.7 本章小结 | 第51-52页 |
| 第3章 奶牛个体无接触身份识别方法 | 第52-71页 |
| 3.1 引言 | 第52-53页 |
| 3.2 供试数据 | 第53-54页 |
| 3.3 卷积神经网络 | 第54-61页 |
| 3.3.1 卷积神经网络原理 | 第54页 |
| 3.3.2 卷积神经网络的结构 | 第54-55页 |
| 3.3.3 局部感受野与权值共享 | 第55-57页 |
| 3.3.4 LeNet-5网络分析 | 第57-59页 |
| 3.3.5 卷积神经网络的优点 | 第59页 |
| 3.3.6 奶牛个体识别的网络结构 | 第59-61页 |
| 3.4 图像检索方法分析 | 第61-67页 |
| 3.4.1 图像距离量度 | 第61-65页 |
| 3.4.2 SIFT方法 | 第65-67页 |
| 3.5 个体识别结果与分析 | 第67-69页 |
| 3.5.1 卷积神经网络识别结果与分析 | 第67-68页 |
| 3.5.2 特征图分析 | 第68-69页 |
| 3.5.3 与图像检索方法的比较 | 第69页 |
| 3.6 本章小结 | 第69-71页 |
| 第4章 奶牛跛行检测与运动评分方法研究 | 第71-92页 |
| 4.1 引言 | 第71-76页 |
| 4.1.1 奶牛运动评分方法 | 第71-73页 |
| 4.1.2 跛行鉴别方法 | 第73-75页 |
| 4.1.3 存在的问题 | 第75-76页 |
| 4.2 实验材料 | 第76-77页 |
| 4.2.1 视频获取与人工评分 | 第76页 |
| 4.2.2 视频畸变性验证 | 第76-77页 |
| 4.3 提取运动曲线 | 第77-79页 |
| 4.3.1 运动曲线提取方法 | 第77-78页 |
| 4.3.2 运动曲线验证 | 第78-79页 |
| 4.3.3 验证结果 | 第79页 |
| 4.4 跛行参数提取 | 第79-84页 |
| 4.4.1 提取运动参数 | 第79-81页 |
| 4.4.2 运动参数的分布情况 | 第81-84页 |
| 4.5 跛行检测与运动评分 | 第84-87页 |
| 4.5.1 决策树模型 | 第84-86页 |
| 4.5.2 分类结果评价 | 第86-87页 |
| 4.6 结果分析与讨论 | 第87-90页 |
| 4.6.1 跛行检测与运动评分结果 | 第87-88页 |
| 4.6.2 背部姿态研究比较 | 第88-89页 |
| 4.6.3 与其它方法的比较分析 | 第89-90页 |
| 4.6.4 未来研究方向 | 第90页 |
| 4.7 本章小结 | 第90-92页 |
| 第5章 奶牛呼吸频率和呼吸异常检测及环境控制系统 | 第92-111页 |
| 5.1 引言 | 第92-93页 |
| 5.2 试验视频采集方法 | 第93页 |
| 5.3 奶牛呼吸运动检测 | 第93-95页 |
| 5.3.1 光流场原理 | 第93-94页 |
| 5.3.2 光流计算方法 | 第94-95页 |
| 5.4 运动点筛选 | 第95-98页 |
| 5.4.1 Otsu方法 | 第95-96页 |
| 5.4.2 运动点筛选方法 | 第96-97页 |
| 5.4.3 呼吸点筛选结果 | 第97-98页 |
| 5.5 呼吸参数选取及频率计算 | 第98-101页 |
| 5.5.1 参数选取 | 第99页 |
| 5.5.2 频率计算 | 第99-100页 |
| 5.5.3 呼吸频率修正与异常检测 | 第100-101页 |
| 5.6 试验结果与分析 | 第101-103页 |
| 5.7 环境控制系统的设计 | 第103-109页 |
| 5.7.1 系统设计硬件设计 | 第104-106页 |
| 5.7.2 系统软件流程 | 第106-108页 |
| 5.7.3 信息利用方法 | 第108-109页 |
| 5.8 本章小结 | 第109-111页 |
| 第6章 奶牛身体区域精细分割方法 | 第111-127页 |
| 6.1 基于深度特征的区域精细分割方法 | 第111-114页 |
| 6.1.1 Kinect躯干分割概述 | 第111-112页 |
| 6.1.2 区域标记与深度特征 | 第112-113页 |
| 6.1.3 传统的深度图像特征的缺点 | 第113-114页 |
| 6.2 奶牛身体区域精细分割问题 | 第114-115页 |
| 6.3 奶牛深度图像采集 | 第115-116页 |
| 6.3.1 摄像机布置方案 | 第115-116页 |
| 6.3.2 供试数据 | 第116页 |
| 6.4 基于LBP深度特征的区域精细分割方法 | 第116-121页 |
| 6.4.1 LBP原理 | 第116-118页 |
| 6.4.2 基于LBP的深度图像特征 | 第118-120页 |
| 6.4.3 随机决策森林 | 第120-121页 |
| 6.5 试验结果与分析 | 第121-125页 |
| 6.5.1 奶牛各区域识别结果 | 第121-123页 |
| 6.5.2 识别率与各区域样本比例的关系 | 第123-124页 |
| 6.5.3 与Kinect原始方法的比较 | 第124-125页 |
| 6.6 本章小结 | 第125-127页 |
| 第7章 奶牛体况自动评价系统 | 第127-149页 |
| 7.1 奶牛体况自动评分问题分析 | 第127-130页 |
| 7.1.1 体况评分 | 第127-129页 |
| 7.1.2 基于机器视觉系统的自动化BCS | 第129-130页 |
| 7.2 奶牛顶视背部深度图像获取方案 | 第130-134页 |
| 7.2.1 采集系统设置 | 第130-133页 |
| 7.2.2 数据采集 | 第133页 |
| 7.2.3 背景建模 | 第133-134页 |
| 7.3 体况特征的提取 | 第134-139页 |
| 7.3.1 包络线 | 第134页 |
| 7.3.2 曲面曲率 | 第134-136页 |
| 7.3.3 图像旋转 | 第136页 |
| 7.3.4 图像修剪 | 第136-137页 |
| 7.3.5 勾骨与骶骨韧带定位与检测 | 第137-138页 |
| 7.3.6 尾根去除和针骨检测 | 第138-139页 |
| 7.4 建立体况预测模型 | 第139-141页 |
| 7.4.1 决策树模型 | 第139-140页 |
| 7.4.2 线性回归模型 | 第140页 |
| 7.4.3 BP神经网络 | 第140页 |
| 7.4.4 模型评估 | 第140-141页 |
| 7.5 体况评分结果与分析 | 第141-146页 |
| 7.5.1 相关性和参数分布情况 | 第141-142页 |
| 7.5.2 决策树分类结果 | 第142-143页 |
| 7.5.3 回归结果 | 第143-144页 |
| 7.5.4 奶牛个体评分结果分析 | 第144-146页 |
| 7.6 分析与讨论 | 第146-148页 |
| 7.6.1 BCS回归预测模型的优点 | 第146-147页 |
| 7.6.2 与其它研究的比较 | 第147页 |
| 7.6.3 未来研究方向 | 第147-148页 |
| 7.7 本章小结 | 第148-149页 |
| 第8章 结论和展望 | 第149-153页 |
| 8.1 结论 | 第149-150页 |
| 8.2 创新点 | 第150-151页 |
| 8.3 展望 | 第151-153页 |
| 参考文献 | 第153-161页 |
| 致谢 | 第161-162页 |
| 作者简介 | 第162页 |
