目录
摘 要 I
ABSTRACT II
第一章 绪论 1
1 选题背景和意义 1
2 研究现状 1
2.1 人脸识别研究现状 1
2.2 动物身份识别研究现状 2
2.3 目标分割和特征提取研究现状 3
3 研究内容及论文结构安排 3
3.1 研究内容 3
3.2 论文结构安排 4
第二章 材料与方法 5
1 数据采集 5
2 基于PCABP的鸡脸识别算法 5
2.1 PCA算法 6
2.2 BP神经网络 8
3 基于深度学习的鸡只身份识别算法 9
3.1 YOLOv3算法概述 9
3.2 YOLOv3算法结构与主要思想 9
3.3 先验框（anchor box）的生成 11
3.4 边界框（bounding box）的回归预测 14
3.5 损失函数 15
4 YOLOv3算法改进 17
4.1 SPP模块 17
4.2 YOLOv3_SPP 17
第三章 结果与分析 18
1 PCABP识别结果 18
1.1 特征图提取 18
1.2 PCABP评价指标 20
2 YOLOv3SPP识别结果 21
2.1 特征图提取 21
2.2 YOLOv3_SPP评价指标 22
2.3 识别效果 24
3 算法移植巡检机器人平台 30
第四章 结论与展望 31
1 结论 31
2 展望 31
参考文献 32
目录
致 谢 35
规模化养鸡场智能巡检机器人鸡只身份识别算法研究
摘 要
在规模化养鸡场中，智能巡检机器人的研发有效解决了人工不便观察鸡只健康状态、养殖环境差严重危害巡检人员身体健康等问题，其在巡检作业时，鸡只身份识别技术是其首要完成的任务。本文根据采集的 *51今日免费论文网|www.51jrft.com +Q: *351916072* 
两种数据集类型ORL和VOC对比研究了传统识别算法和深度学习模型算法对动物的身份识别效果，实现了5只鸡只的身份序号识别。本文首先采取PCA算法，对ORL鸡脸数据集降维，提取鸡脸特征空间，之后输入分类网络BP中进行识别分类，最终识别准确率为100%。针对深度学习模型YOLOv3对VOC数据集目标定位不准确、置信度较低、误检多检等问题，提出了改进后的YOLOv3_SPP算法，该算法能很好地定位鸡只位置，准确预测类别序号，模型各个评价指标与YOLOv3相比都得到了提升，其中在测试集上的mAP达到99.52%，相比于YOLOv3的91.43%提高了8.09%。改进后的算法为巡检机器人后期追踪鸡只健康状态提供了良好的基础。
目录

原文链接：http://www.jxszl.com/dzxx/dzdq/609113.html