文献类型：期刊文章

作　　者：刘忠超[1,2] 何东健[1,3]

LIU Zhongchao;HE Dongjian(College of Mechanical and Electronic Engineering,Northwest A&F University,Yangling,Shaanxi 712100,China;School of Electronic and Electrical Engineering,Nanyang Institute of Technology,Nanyang 473000,China;Key Laboratory of Agricultural Internet of Things,Ministry of Agriculture and Rural Affairs,Yangling,Shaanxi 712100,China)

机构地区：[1]西北农林科技大学机械与电子工程学院,陕西杨凌712100 [2]南阳理工学院电子与电气工程学院,南阳473000 [3]农业农村部农业物联网重点实验室,陕西杨凌712100

出　　处：《农业机械学报》

基　　金：国家重点研发计划项目(2017YFD0701603);国家自然科学基金面上项目(61473235)

年　　份：2019

卷　　号：50

期　　号：7

起止页码：186-193

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：对奶牛发情的及时监测在奶牛养殖中至关重要。针对现有人工监测奶牛发情行为费时费力、计步器接触式监测会产生奶牛应激行为等问题,根据奶牛发情的爬跨行为特征,提出一种基于卷积神经网络的奶牛发情行为识别方法。构建的卷积神经网络通过批量归一化方法提高网络训练速度,以Max-pooling为下采样,修正线性单元(Rectified linear units,ReLU)为激活函数,Softmax回归分类器为输出层,结合理论分析和试验验证,确定了32×32-20c-2s-50c-2s-200c-2的网络结构和参数。经过对奶牛活动区50头奶牛6个月的视频监控,筛选了具有发情行为爬跨特征的视频150段,随机选取网络训练数据23 000幅和测试数据7 000幅,对构建的网络进行了训练和测试。试验结果表明:本文方法对奶牛发情行为识别准确率为98.25%,漏检率为5.80%,误识别率为1.75%,平均单幅图像识别时间为0.257 s。该方法能够实现奶牛发情爬跨的无接触实时监测,对奶牛发情行为具有较高的识别率,可显著提高规模化奶牛养殖的管理效率。

关 键 词：奶牛 发情 图像识别 深度学习  爬跨行为  卷积神经网络

分 类 号：TP391.41]