基于改进YOLO v3模型的挤奶奶牛个体识别方法

被引：44

作者：

何东健 ^{[1
,2
]}

刘建敏 ^{[1
,2
]}

熊虹婷 ^{[1
,3
]}

芦忠忠 ^{[1
,2
]}

机构：

[1] 西北农林科技大学机械与电子工程学院

[2] 农业农村部农业物联网重点实验室

[3] 陕西省农业信息感知与智能服务重点实验室

来源：

农业机械学报 | 2020年 / 51卷 / 04期

基金：

国家重点研发计划;

关键词：

挤奶奶牛; 个体识别; 视频分析; 机器视觉; 改进YOLO v3;

D O I：

暂无

中图分类号：

S823 [牛]; TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

0905 ; 080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

为实现无接触、高精度养殖场环境下奶牛个体的有效识别,提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先,在奶牛进、出挤奶间的通道上方安装摄像机,定时、自动获取奶牛背部视频,并用视频帧分解技术得到牛背部图像;用双边滤波法去除图像噪声,并用像素线性变换法增强图像亮度和对比度,通过人工标注标记奶牛个体编号;为适应复杂环境下的奶牛识别,借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36 790幅背部图像中,随机选取22 074幅为训练集,其余图像为验证集和测试集。识别结果表明,改进YOLO v3模型的识别准确率为95. 91%,召回率为95. 32%,m AP为95. 16%,Io U为85. 28%,平均帧率为32 f/s,识别准确率比YOLO v3高0. 94个百分点,比Faster R-CNN高1. 90个百分点,检测速度是Faster R-CNN的8倍,背部为纯黑色奶牛的F1值比YOLO v3提高了2. 75个百分点。本文方法具有成本低、性能优良的特点,可用于养殖场复杂环境下挤奶奶牛个体的实时识别。

引用

页码：250 / 260

页数：11

共 18 条

[1]

Deep learning framework for recognition of cattle using muzzle point image pattern.[J].Santosh Kumar;Amit Pandey;K. Sai Ram Satwik;Sunil Kumar;Sanjay Kumar Singh;Amit Kumar Singh;Anand Mohan.Measurement.2018,

[2]

Analysis of fieldwork activities during milk production recording in dairy ewes by means of individual ear tag (ET) alone or plus RFID based electronic identification (EID).[J].M.G. Cappai;N.G. Rubiu;G. Nieddu;M.P.L. Bitti;W. Pinna.Computers and Electronics in Agriculture.2018,

[3]

Automatic individual identification of Holstein dairy cows using tailhead images.[J].Wenyong Li;Zengtao Ji;Lin Wang;Chuanheng Sun;Xinting Yang.Computers and Electronics in Agriculture.2017,

[4] Real-time recognition of cattle using animal biometrics [J].

Kumar, Santosh ;

Singh, Sanjay Kumar ;

Singh, Ravi Shankar ;

Singh, Amit Kumar ;

Tiwari, Shrikant .

JOURNAL OF REAL-TIME IMAGE PROCESSING, 2017, 13 (03) :505-526

[5]

Cattle Race Classification Using Gray Level Co-occurrence Matrix Convolutional Neural Networks.[J].Mayanda Mega Santoni;Dana Indra Sensuse;Aniati Murni Arymurthy;Mohamad Ivan Fanany.Procedia Computer Science.2015,

[6] Effective and accurate discrimination of individual dairy cattle through acoustic sensing [J].