| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-13页 |
| 1.1.1 规模化养猪行业发展概况 | 第12页 |
| 1.1.2 人工智能在规模化养猪行业的应用与发展 | 第12-13页 |
| 1.1.3 基于机器视觉的猪只行为监控研究与探索 | 第13页 |
| 1.2 基于机器学习的猪行为监控研究现状 | 第13-18页 |
| 1.2.1 基于移动目标的猪行为研究现状 | 第14-15页 |
| 1.2.2 基于非持续移动的猪行为研究现状 | 第15-18页 |
| 1.3 存在问题 | 第18-19页 |
| 1.4 课题研究目标与意义 | 第19页 |
| 1.5 研究内容 | 第19-20页 |
| 1.6 本章小结 | 第20-22页 |
| 2 基于猪舍环境下的猪只视频图像增强研究 | 第22-38页 |
| 2.1 视频采集条件 | 第22页 |
| 2.2 猪只视频图像色彩空间模型分析 | 第22-25页 |
| 2.3 基于直方图均衡化的图像增强方法 | 第25-31页 |
| 2.4 猪只视频图像滤波方法 | 第31-37页 |
| 2.5 本章小结 | 第37-38页 |
| 3 基于多目标猪只视频跟踪与图像分割方法研究 | 第38-70页 |
| 3.1 基于动态目标检测的算法分析 | 第38-42页 |
| 3.2 存在问题 | 第42-43页 |
| 3.3 基于自适应阈值的猪只图像快速分割算法 | 第43-55页 |
| 3.3.1 灰度图像阈值分割 | 第43-47页 |
| 3.3.2 Otsu阈值分割法 | 第47-48页 |
| 3.3.3 自适应阈值分割算法 | 第48-52页 |
| 3.3.4 基于形态学方法的图像噪声过滤研究 | 第52-55页 |
| 3.4 多目标猪只跟踪算法研究 | 第55-59页 |
| 3.4.1 基于Kalman滤波的自动跟踪算法 | 第56-57页 |
| 3.4.2 多目标小猪检测跟踪试验 | 第57-59页 |
| 3.5 基于非交互式多目标小猪精确分割方法 | 第59-63页 |
| 3.5.1 前景目标标记矩阵 | 第59-60页 |
| 3.5.2 分水岭分割算法 | 第60-62页 |
| 3.5.3 GrabCut算法 | 第62-63页 |
| 3.6 非交互式精确分割试验讨论 | 第63-69页 |
| 3.6.1 非交互式精确分割算法试验 | 第63-65页 |
| 3.6.2 分割效果对比分析 | 第65-67页 |
| 3.6.3 分割效果结构相似性评价 | 第67-68页 |
| 3.6.4 分割算法运算效率分析 | 第68-69页 |
| 3.7 本章小结 | 第69-70页 |
| 4 基于局部轮廓信息的猪只状态视觉检测 | 第70-94页 |
| 4.1 猪只目标边缘轮廓信息检测 | 第70-73页 |
| 4.2 基于椭圆拟合的猪群挤压状态特征研究 | 第73-82页 |
| 4.3 基于机器学习的分类方法研究 | 第82-87页 |
| 4.3.1 支持向量机 | 第82-85页 |
| 4.3.2 基于集成学习的机器学习方法 | 第85-87页 |
| 4.4 基于模式识别的猪群挤压状态识别试验 | 第87-91页 |
| 4.4.1 挤压状态识别的准确率分析 | 第87-88页 |
| 4.4.2 分类器识别效果分析 | 第88-91页 |
| 4.5 猪群挤压状态自动监控预警系统 | 第91-92页 |
| 4.6 本章小结 | 第92-94页 |
| 5 基于机器学习的猪只个体行为识别研究 | 第94-106页 |
| 5.1 轮廓及特征向量 | 第94-98页 |
| 5.2 基于机器学习的猪只姿态识别 | 第98-99页 |
| 5.3 基于深度学习的卷积人工神经网 | 第99-100页 |
| 5.4 基于GoogLeNet的卷积人工神经网络设计与实现 | 第100-105页 |
| 5.5 本章小结 | 第105-106页 |
| 6 结论与展望 | 第106-108页 |
| 6.1 结论 | 第106页 |
| 6.2 创新点 | 第106-107页 |
| 6.3 展望 | 第107-108页 |
| 致谢 | 第108-110页 |
| 参考文献 | 第110-118页 |
| 作者简介 | 第118页 |