基于机器视觉的奶牛发情行为自动识别方法

发布时间：2025-07-03 05:03

　　 及时检测奶牛发情、适时人工授精、减少空怀奶牛,是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题,提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测,然后基于颜色和纹理信息去除干扰背景,再利用Alex Net深度学习网络训练奶牛行为分类网络模型,识别奶牛爬跨行为,最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明,本文方法对奶牛发情的识别准确率为100%,召回率为88. 24%。本文方法可应用于奶牛养殖场的日常发情监测中,为生产管理提供辅助决策。

【文章页数】：9 页

【部分图文】：

图1 摄像机安装位置及视野图像

本研究视频采集自陕西省宝鸡市扶风县西北农林科技大学畜牧实验基地奶牛养殖场，经实地考察和调研，发现奶牛爬跨行为主要发生在养殖场的奶牛活动区，故选择对奶牛活动区进行视频采集。奶牛活动区长30m，宽18m，视频采集角度选择场边俯视，在奶牛活动区的对角线位置各安装2个分辨率为200万....

图2 奶牛发情行为自动识别方法流程图

(3)奶牛爬跨行为识别:从视频中提取奶牛的躺卧、爬跨、站立、游走等行为图像，使用AlexNet深度学习网络训练奶牛行为分类网络模型，模型可识别爬跨行为，用以判断奶牛发情。1.3奶牛发情行为识别方法

图3 不同γ下的图像增强结果

图3为γ取不同值时的结果。由图3可以看出，原始图像整体偏暗，画面远端的奶牛与背景对比度不足，对目标轮廓的辨识较为困难;经图像增强校正后，当γ=0.5时，图像亮度提高，但提高过度，引入了新的白噪声，导致图像清晰度下降;γ=0.8时，图像亮度提升较好，图像对比度提升，远端奶牛的辨识度....

图4 不同窗口下的中值滤波结果

图3不同γ下的图像增强结果由于供试视频拍摄位置及角度固定，拍摄成像的奶牛场区域固定，且奶牛的活动范围被限制在围栏内，不会出现奶牛超出围栏区域活动，因此确定围栏内的奶牛活动区为视频拍摄的有效区域，为减少不必要的干扰，通过掩膜法掩去视频内容中的无关区域，如图5所示，后期对奶牛的目标....

本文编号：4055814