| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究目的与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于机器视觉技术的猪只姿态识别的研究现状 | 第13-15页 |
| 1.2.2 猪只异常分析的研究现状 | 第15-16页 |
| 1.3 论文主要研究内容与关键问题 | 第16-17页 |
| 1.3.1 论文主要内容 | 第16页 |
| 1.3.2 关键问题与解决方法 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 图像采集与图像预处理 | 第18-34页 |
| 2.1 系统总体设计 | 第18-20页 |
| 2.2 图像采集硬件系统 | 第20-23页 |
| 2.2.1 设备选型介绍 | 第20-22页 |
| 2.2.2 硬件连接图 | 第22-23页 |
| 2.3 图像采集软件系统 | 第23-26页 |
| 2.3.1 开发环境 | 第24-25页 |
| 2.3.2 SDK 核心流程 | 第25页 |
| 2.3.3 图像采集软件实现 | 第25-26页 |
| 2.4 猪只图像预处理 | 第26-32页 |
| 2.4.1 融合颜色和纹理的均值漂移图像分割算法 | 第27-30页 |
| 2.4.2 二值形态学处理 | 第30-31页 |
| 2.4.3 图像去噪处理 | 第31页 |
| 2.4.4 图像预处理结果 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于决策树支持向量机的猪只姿态分类 | 第34-62页 |
| 3.1 猪只姿态选取与样本库的建立 | 第34-36页 |
| 3.2 多维几何参数特征提取 | 第36-47页 |
| 3.2.1 图像特征分析 | 第36-43页 |
| 3.2.2 多维几何参数特征提取 | 第43-47页 |
| 3.3 支持向量机理论 | 第47-52页 |
| 3.3.1 线性可分 SVM | 第48-50页 |
| 3.3.2 非线性可分 SVM | 第50-51页 |
| 3.3.3 SVM 分类器实现流程 | 第51-52页 |
| 3.4 决策树 SVM 的选用 | 第52-55页 |
| 3.4.1 多分类 SVM | 第52-54页 |
| 3.4.2 猪只姿态分类决策树构造 | 第54-55页 |
| 3.5 数据优化与参数优化 | 第55-57页 |
| 3.5.1 SVM 输入数据优化 | 第55-56页 |
| 3.5.2 SVM 具体参数定义与优化 | 第56-57页 |
| 3.6 SVM 分类实验结果与比较 | 第57-60页 |
| 3.7 本章小结 | 第60-62页 |
| 第四章 基于图像标注的猪只异常行为分析 | 第62-76页 |
| 4.1 猪只姿态图像标注 | 第62-64页 |
| 4.1.1 基于内容的图像检索 | 第62-63页 |
| 4.1.2 猪只姿态图像标注实现 | 第63-64页 |
| 4.2 基于行为锚定评价法的猪只异常评价 | 第64-74页 |
| 4.2.1 行为锚定评价法 | 第64-66页 |
| 4.2.2 猪只异常评价体系的建立 | 第66-74页 |
| 4.3 本章小结 | 第74-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 研究工作总结 | 第76-77页 |
| 5.2 研究工作展望 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 攻读学位期间发表的学术论文及参与的科研项目 | 第86页 |