声明
摘要
1前言
1.1人工智能概述
1.2人工智能发展
1.3人工智能的应用
1.3.1生物识别领域
1.3.2自动驾驶领域
1.3.3自然语言处理领域
1.3.4人工智能在养殖业中的应用及意义
1.4图像识别与目标检测技术
1.4.1图像识别技术
1.4.2目标检测
1.4.3基于深度学习的目标检测
1.5研究背景及意义
1.6本文研究内容及难点
1.6.1本文研究内容
1.6.2研究难点
1.7开发平台
1.7.1 TensorFlow
1.7.2 OpenCV
1.8硬件平台
2深度学习理论
2.1人工神经网络
2.2卷积神经网络
2.2.1卷积神经网络概况
2.2.2卷积神经网络发展史
2.3卷积神经网络的基本结构
2.3.1卷积层
2.3.2池化层
2.3.3连接层
2.3.4损失函数层
2.3.5激活函数
2.4卷积神经网络的核心
2.4.1局部感受野
2.4.2权值共享
2.5卷积神经网络的训练过程
2.6卷积神经网络模型
2.6.1 AlexNet网络模型
2.6.2 GoogLeNet
2.6.3 ResNet
2.6.4 AlxeNet、GoogLeNet、ResNet网络模型比较
2.7评价指标
2.8卷积神经网络的优点和缺点
2.9本章小结
3卷积神经网络性能优化
3.1数据增强
3.1.1旋转
3.1.2平移
3.1.3错切
3.1.4尺度变换
3.1.5颜色变换
3.2模型设计技巧
3.2.1输入标准化
3.2.2采用循环的学习率
3.2.3采用有Maxout的ELU激活函数
3.3正则化
3.3.1随机抑制神经元
3.3.2多任务学习
3.4本章小结
4基于ResNet的猪只检测
4.1数据集建立
4.2猪只检测的ResNet网络架构
4.3改进的ResNet模型
4.3.1残差块设计
4.3.2改进模型的整体结构
4.4实验结果及分析
4.5数据增强对模型性能影响的研究
4.5.1数据集扩大
4.5.2数据集对检测的影响实验
4.5.3 AlexNet模型的实验结果
4.5.4 GoogLeNet模型的实验结果
4.5.5 ResNet模型的实验结果
4.5.6改进ResNet模型的实验结果
4.6本章小结
5猪只姿态轮廓提取
5.1图像滤波
5.1.1均值滤波
5.1.2中值滤波算法
5.1.3高斯滤波算法
5.1.4双边滤波算法
5.1.5改进后的双边滤波器
5.2图像增强
5.3基于改进双边滤波器的Canny边缘提取
5.3.1 Roberts算子
5.3.2 Sobel算子
5.3.3 Prewitt算子
5.3.4 Canny算子
5.4边缘检测结果及分析
5.5本章小结
6姿态识别与状态分析
6.1体态定义及分类
6.2姿态识别方法
6.3猪只行为特征提取
6.4猪只姿态识别
6.5分类方法
6.5.1 SVM分类器
6.5.2 KNN分类器
6.5.3加权欧几里德距离匹配
6.6分类实验
7总结
致谢
参考文献