论文部分内容阅读
我国是世界上最大的猪肉生产国与消费国,但目前养猪业还依赖于饲养员周期性地人工巡场观察,以获取猪只的信息,发现异常情况,存在劳动强度大、工效低、时效性差等问题。通过机器视觉来监测母猪的行为并进行预警,可以有效地提高猪场的生产效益,保障母猪及仔猪的健康,但传统的机器视觉监测母猪行为方法大多针单一场景,普适性较差。本文采用深度学习方法对妊娠期母猪的行为进行监测,主要研究内容和结论有:(1)提出了基于图像的猪头部和尾部识别方法。利用自行建立的猪只识别的DeepLab模型识别猪只,比较了链码、复数与极坐标3种轮廓描述方法和Fisher线性判别、最近邻分类(KNN)及朴素贝叶斯分类器3种分类器组合检测猪头尾的结果,发现采用复数描述轮廓,并用最近邻分类(KNN)时,猪头尾识别效果最好,准确率可达85%。(2)提出了 3种提高深度学习模型分割图像精度的精分割算法。针对深度学习模型无法进一步提高分割精度的问题,利用猪只识别的DeepLab模型初分割图,结合其边缘,分别设计了结合分水岭算法的精分割算法、基于前景和背景相似性的区域生长算法和结合Canny算法的精分割算法,用于特定场景的图像检测精度最高可分别提升0.73%、4.41%和4.98%。(3)提出了采用单幅图像识别猪立卧姿态的方法。利用建立的猪识别模型和猪头尾识别方法,将待识别的猪图像调整到水平状态,并保证猪头在同一侧,由此建立了猪立卧姿态识别的LeNet模型,识别精度达95%左右。运用该模型探究了母猪分娩前的行为,结果表明母猪分娩前会明显地提升活动量并扩大活动范围。(4)改进了基于邻域搜索法对监控水印进行复原的图像预处理方法。针对非透明水印增加了高斯差分优化水印定位。针对透明水印提出了基于邻域像素差异度的水印定位方法,能够较好地消除水印,复原图像。