总结综述和文献学习情况:
战略思想:
一、看论文具体方法(完善中)
1、只看摘要1d/10chapt;确定我的方向基于什么背景;
2、只看引言10d/30chapt(文献研究的问题,解决问题用什么方法、技术、模型,前人方法局限性);了解我所研究的是什么问题,前人缺点
3、看方法和图表部分;学习论文的知识点
4、思考做实验
First01(基于计算机视觉奶牛体况综述):
1.1 关于奶牛体况评分发展过程:人工评分阶段、传统机器学习阶段(二维领域研究)、深度学习阶段(三维领域研究)
1.1.1 传统机器学习在BCS的局限性:传统机器学习关于BCS依赖于人工标记问题,单纯改进降维和提取特征方法导致只在特定条件下有效、使用场景有限。
1.1.2 现阶段BCS评分使用技术:深度学习和3D技术
1.2 关于奶牛体况评分所需技术要求:长期、连续的技术对奶牛进行精准BCS评分
1.3 围产期BCS主要指标:
头产牛:被毛评分(CS)对母牛分娩状况影响最大、分娩评分对奶牛产后患病情况直接作用及总作用最大、被毛评分(CS) 对奶牛高峰产奶量直接作用和总作用最大、被毛评分(CS) 对犊牛初生重作用最大、犊牛初生重对犊牛哺乳期疾病评分作用最大、犊牛初生重对犊牛哺乳期日增重作用最大。
经产牛:瘤胃充盈评分(RFS)对母牛分娩状况影响最大、瘤胃充盈评分(RFS) 的直接作用和总作用最大、产后疾病评分对产奶量的影响直接作用和总作用最大、神态评分(AS) 对犊牛初生重作用最大、被毛评分(CS) 对犊牛哺乳期疾病评分作用最大、犊牛初生重对犊牛日增重作用最大。具体见参考文献:围产前期奶牛体征评分对母牛健康状况及生产性能的影响_邵凯
1.3.1 围产期BCS评分目的:
目标:是做到奶牛发病提前预警,提前干预,从而降低淘汰率,实现牛群可持续发展。
1.3.2 围产期奶牛BCS技术路线图:
1.3.3 奶牛的体况评分关键部位:
荷斯坦奶牛腰部(腰椎横突、腰椎棘突、腰角)、骨盆区域(髋关节、坐骨结节、尻角)、尾根
1.3.4 奶牛体况影响指标:奶牛产奶量、健康状况、繁殖能力
1.3.5 提升奶牛品质方式之一:养殖过程中,饲养员通过分析体况评分来控制奶牛的摄入和排出量
1.3.6 体况评分高低的影响:过高或过低都会使奶牛在不同时间停止排卵、孕酮含量降低、影响繁殖、真胃移位等疾病、BCS过低也会使奶牛产后身体产生较大损伤;
1.3.7 专家对于BCS的技术理论:将机器学习的方法应用在基于二维图像的奶牛体况评估中。
First02(基于计算机视觉奶牛体况综述):
2.1 奶牛体况评分技术:
2.1.1 传统机器学习:特征提取-模型分析
具体方法:从2D相机拍摄的RGB图像中提取与体况相关的体表几何特征(动物身体
的轮廓、形状等),并将特征值与人工评分值建立回归关系来实现奶牛体况评估。
传 统 机 器 学 习 方 法,如 K-means、主 成 分 分 析( PCA) 、支持向量机( SVM) 、决策树等数据驱动的模式识别算法,建立分类器或回归器拟合数据特征与 BCS 之间的关系,最后设计实现奶牛 BCS 自动评估系统。
2.1.2 传统机器学习技术:特征值、回归、k-means、PCA、SVM、决策树、分类器和回归器拟合数据特征
2.1.3 基于3D 传统机器学习的奶牛体况评分
BCS全自动极大潜力:深度图像(包含更多与体况评分直接相关特征)
2.2 专家使用技术
专家:WEBER:使用TOF相机获得3D视图;FISCHER对深度图像做分割和归一化处理,提取关键部位特征方法:主成分分析法、多元线性回归法;SPOLIANSKY做图像处理和回归:
图像修复、去噪; 物体识别与分离,奶牛识别与分离;视频和图像选择,包括相关数据的视频帧选择; 图像旋转,对准平行于 x 轴的奶牛;MARTINS 等[41]采用数学建模方法做奶牛体况评分;HANSEN [42]使用 3D 相机对自动化奶牛体况评分做研究,组建了自动评分系统;郭浩[43]提出基于深度图像重建奶牛相应部位,获得与体型相关的数据,将人工测量与重建点云测量所得到的指标进行对比;
2.2.1 技术具体步骤:
2D /3D 相机采集奶牛关键部位数据---数据整理由评分员评分--完成数据集标注--然后进行图像预处理--将2D /3D 图像在通道维度进行拼接--所选模型训练--获得模型权重--练好的网络预测奶牛BCS;
2.2.2 2D深度学习的奶牛体况评分
专家:SHIGETA将 3D 图像数据转换为 2D 图像,然后利用卷积神经网络将 2D 图像数据训练分类,偏差 ± 0. 25 的情况下评分准确率达到 94. 6% ;ÇEVIK使用 R CNN 深度学习模型进行奶牛体况评分,然后使用 R-CNN模型结合迁移学习的方法进行训练;黄小平使用目标检测模型进行奶牛体况评分。利用 SSD 算法定位奶牛后视图中奶牛的部分,并分类出奶牛体况评分。采用 DenseNet 网络作为 SSD 网络中的 Backbone,并在 DenseNet 网络中加入了 Inception v4 模块,在特征提取能力和感受野方面得到了明显提升;SUN获取到的奶牛 2D 俯视图,经过处理得到图像数据的灰度、深度以及相位图,然后将这3 种图像在通道维度上进行拼接,作为深度学习网络的输入层,使用 YOLO 算法捕获图像中的奶牛身体区域,接着采用 DenseNet BC 算法做图像分类,最后模型输出奶牛 BCS。
PHYO采用滚动倾斜直方图和卷积神经网络技术对奶牛图像进行身份识别,实验结果精度达到 96. 3% ;QIAO利用深度学习算法 Mask-R- -CNN实现奶牛图像分割和轮廓提取,为奶牛体况评分、体重估计以及动物行为分析提供了技术基础。
2.2.3 3D深度学习的奶牛体况评分
深度学习技术,实现直接由图像到体况得分的体况评估方法
2.3 机器学习现存问题:
图像识别技术依然存在算法不成熟、多目标识别困难、无法做到奶牛身份识别等问题。
2.4 文献综述结论:
通过上述分析,基于 2D /3D 传统机器学习的相关研究可知,当前基于传统机器学习的奶牛体况评分方法主要存在依赖于人工标记、所含与体况评分相关信息少的问题,单纯地改进降维、提取特征的方法,只能在特定的情况下使 BCS 评价得到提高,使用场景受限,且效果提升非常有限。随着深度学习的兴起,研究者们开始对不需要人工标记特征的方法进行探索。
文献三:图像识别技术在奶牛体况评分中的应用研究_刘建飞
1 使用技术
1. 数字图像处理技术流程图
图像输入设备--A/D--主计算机--D/A--监视器
2. 将RGB分量转化为灰度分量
加权平均法、平均值法、最大值法
3.图像增强方法
直方图均衡化、空间滤波、PCA、FLD
结论:PCA方法在奶牛体况评分中更优于FLD