目录
摘要1
关键词1
Abstract1
Key words1
引言1
1 材料与方法 2
1.1 图像采集 2
1.1.1 图像采集环境 2
1.1.2 构建图像集 3
1.2基于改进的局部方向模式(LMDP)的牛脸识别 4
1.2.2局部多方向模式（LMDP） 4
1.2.3 纹理特征描述（分块） 10
1.2.5牛脸识别总流程 11
1.3 基于轻量级神经网络的牛脸识别 12
1.3.1.1 ShuffleNet基本单元 12
1.3.1.2 ShuffleNet网络结构 14
1.3.2 ShuffleNet_v2 14
2 结果与分析 17
2.1 实验设备与数据 17
2.2 基于改进的LMDP纹理特征的奶牛个体识别方法 17
2.2.1 特征提取 17
2.2.2 研究分块参数block的对识别率的影响 20
2.3 基于轻量级神经网络的奶牛个体识别方法 21
2.3.1 研究channels的大小对实验结果的影响 21
2.3.2 图像增强对识别率的影响 24
3 讨论 29
3.1 总结 29
3.2 展望 29
致 谢30
参考文献31
基于轻量级网络和颜色特征融合的立体牛脸识别方法研究
摘要
近年来，养殖管理渐渐走向自动化，智能化，科学化。奶牛养殖过程中奶牛易得各种疾病。此时在对该头奶牛进行个体确定之后，才能进行隔离与治疗。因此，奶牛的个体识别在养殖过程中起着十分重要的作用。传统的牲畜身份识别方法均会对奶牛造成身体上的伤害，并且人员劳动强度大,并不适合未来规模化养殖的要求。随着机器学习技术和深度学习技术的发展，计算机视觉越来越多应用到养殖管理中。
本文共进行两个方面的研究：
为了快速准确地实现奶牛个体的识别，基于传统LDP纹理特征 *51今日免费论文网|www.51jrft.com +Q: ^351916072# 
算子，提出了一种局部多方向模式（LMDP）纹理特征算子。将3×3的Kirsch掩模分别扩大为5×5、7×7、9×9。考虑到奶牛脸部纹理特征鲜明，将牛脸的LMDP特征图像分块后统计每块的纹理特征后，将二值牛脸图像分块，并进行降维，得到的数据利用BP神经网络训练。为验证多方向并集图集的作用，试验得出结论：立体牛脸图像集识别率最高，Image1图集下10次实验的平均识别率达到了99.5%。为探究分块方式对识别率的影响，得出结论：在36分块时识别率最高。为探究LMDP掩膜大小对识别率的影响，得出结论：7×7掩膜的识别率最高，在Image1图集下10次实验达到99.5%。
第二，本研究通过构建和训练合适的轻量级神经网络，采用ShuffleNetV2模型，训练处稳定收敛的卷积神经网络，对采集到的牛脸图像进行分类识别。不同参数的ShuffleNetV2网络均获得不错的识别率。在图像增强后的图像集下训练得到的识别率结果与原识别率相差不大。可以判断该轻量级神经网络具有鲁棒性，能够实现静态牛脸的识别。

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605745.html