| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景及研究意义 | 第13-15页 |
| 1.2 国内外研究进展 | 第15-20页 |
| 1.2.1 基于深度学习的目标检测研究进展 | 第15-18页 |
| 1.2.2 智能视频监控下的猪只行为识别研究进展 | 第18-20页 |
| 1.3 猪只数据集 | 第20页 |
| 1.4 论文研究内容 | 第20-21页 |
| 1.5 论文结构安排 | 第21-23页 |
| 第二章 基于深度学习的目标检测算法:Faster R-CNN | 第23-37页 |
| 2.1 Faster R-CNN算法概述 | 第23-29页 |
| 2.1.1 算法整体流程 | 第24-25页 |
| 2.1.2 RPN网络思想 | 第25-27页 |
| 2.1.3 训练方法 | 第27-29页 |
| 2.1.4 实验结果 | 第29页 |
| 2.2 改进Faster R-CNN算法 | 第29-35页 |
| 2.2.1 提升精度性能 | 第30-32页 |
| 2.2.2 提升时间性能 | 第32-35页 |
| 2.3 本章小节 | 第35-37页 |
| 第三章 猪只分娩识别算法 | 第37-53页 |
| 3.1 划定仔猪出生区域 | 第37-41页 |
| 3.1.1 制作数据集 | 第37-38页 |
| 3.1.2 训练猪只目标检测模型 | 第38-39页 |
| 3.1.3 划定仔猪出生区域 | 第39-41页 |
| 3.2 当前仔猪数量的判定 | 第41-47页 |
| 3.2.1 数据结构设计和统计方法 | 第42页 |
| 3.2.2 当前仔猪数量的初始化 | 第42-43页 |
| 3.2.3 当前仔猪数量更新策略一 | 第43-44页 |
| 3.2.4 当前仔猪数量更新策略二 | 第44-45页 |
| 3.2.5 最终策略 | 第45-47页 |
| 3.3 分娩识别判定 | 第47-50页 |
| 3.4 本章小结 | 第50-53页 |
| 第四章 仔猪目标跟踪算法 | 第53-59页 |
| 4.1 仔猪目标提取 | 第53-54页 |
| 4.2 仔猪目标框匹配 | 第54-56页 |
| 4.3 实验结果 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 系统工程实现与部署 | 第59-69页 |
| 5.1 系统简介 | 第59-60页 |
| 5.1.1 系统开发环境 | 第59页 |
| 5.1.2 系统流程 | 第59-60页 |
| 5.2 系统启动模块 | 第60-61页 |
| 5.3 并行获取摄像头实时帧模块 | 第61-62页 |
| 5.3.1 海康威视网络球机 | 第61-62页 |
| 5.3.2 抓取实时帧 | 第62页 |
| 5.4 猪只检测器模块 | 第62-64页 |
| 5.5 结果展示模块 | 第64-68页 |
| 5.6 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-73页 |
| 6.1 工作总结 | 第69-71页 |
| 6.2 工作展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 硕士在读期间参与项目 | 第77-79页 |
| 致谢 | 第79页 |