随着我国奶牛养殖的规模化发展,利用计算机、传感器等信息化手段实现精准养殖越来越受到广泛关注。精准养殖要求对奶牛个体信息实时获取,其中身份信息、运动量和体况评分尤为重要。奶牛体况评分(Body Condition Score,BCS)是以奶牛身体脂肪沉淀为依据,用于评价奶牛能量积蓄和营养健康状况的一种实用工具。目前,体况评分普遍以人工评判为主,其存在主观误差且效率低下。利用传统数字图像处理技术难以提取和分割身体各关键部位,且受光照复杂多变的影响,分类器在一定程度上难以建模。另外,从牛群BCS到个体的映射,完成集奶牛身份信息、运动量和体况监控为一体的健康管理系统,是当前奶牛精准养殖领域亟待解决的问题。针对上述问题,本文综合利用图像和可穿戴设备两种传感器数据,围绕奶牛身体关键部位检测和跟踪、体况评分方法、个体信息感知等关键问题开展研究,具体工作如下:1.构建了奶牛图像数据自动采集平台,并在此平台上获得8972张奶牛背部俯视图像。图像包含了奶牛臀部两侧、坐骨结节、尾根、腰角和部分脊椎,这些部位与BCS之间存在密切的关系。数据经兽医专家手工标注,为神经网络训练提供数据集。2.针对原有SSD算法没有很好地考虑卷积神经网络各层之间的连接关系,借鉴DenseNet中各层紧密连接的思想,同时引入Inception v4模块扩大了神经网络的感受野,设计了一种高效的用于奶牛尾部检测的混合网络模型一改进SSD算法。该算法对奶牛尾部的检测速度达到115 fps,比原有SSD算法的39fps提高了近2倍。且模型大小仅23.1MB,可节省硬件存储成本。3.提出了一种基于深度学习和改进卡尔曼滤波的目标跟踪算法。在神经网络目标检测的基础上,利用粒子滤波、卡尔曼滤波算法对目标状态进行估计。为解决相邻序列帧中不同个体的分配和指派问题,引入匈牙利算法实现奶牛个体的自动计数功能。实验结果表明:(1)与粒子滤波和原卡尔曼滤波算法相比,改进卡尔曼滤波算法的位置平均偏差最小;(2)通过设定合理的时间阈值T可使计数准确率达到96%及以上。4.提出了一种基于改进SSD模型的多任务深度学习算法,解决了奶牛体况评分问题。实验测试的BCS识别精度在误差为±0.5区间时达到98.46%。为了解决个体BCS识别问题,本文设计一款低功耗的基于Zigbee的计步器,实验测得计步准确率达到94.6%,为进一步感知和诊断奶牛运动相关的疾病奠定基础。综上,本文利用图像和计步器两种数据,通过设计深度学习模型完成对奶牛个体的尾部检测和跟踪,实现奶牛个体信息自动感知和体况评分。最终为畜牧信息化管理和奶牛精准养殖提供技术支撑。