淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-1607202016480000
中文論文名稱 人工智慧之雞隻行為影像判定系統
英文論文名稱 Chicken Behaviors Artificial Intelligence Decision System
校院名稱 淡江大學
系所名稱(中) 電機工程學系碩士班
系所名稱(英) Department of Electrical And Computer Engineering
學年度 108
學期 2
出版年 109
研究生中文姓名 黃聖智
研究生英文姓名 Sheng-Chih Huang
學號 607440079
學位類別 碩士
語文別 中文
口試日期 2020-06-23
論文頁數 56頁
口試委員 指導教授-李揚漢
委員-梁佑全
委員-李世安
中文關鍵字 家禽  異常行為  YOLO  OpenCV  影像識別 
英文關鍵字 Poultry  Abnormal Behavior  YOLO  OpenCV  Image Recognition 
學科別分類 學科別應用科學電機及電子
中文摘要 家禽產業中,如何防止雞隻在炎炎夏日產生病變,是一項重要的問題,為了能及早預警雞隻的異常行為,使養殖業者能夠即時監控雞隻的健康狀況,故以此方向來研究。本論文中使用影像識別的方法,去分析雞隻是否有異常的情形,而雞隻的異常行為有很多,包括活動力會下降、減少食慾、產蛋量下降、腿和翅膀伸展、喘息...等等的行為,本研究使用了YOLO(You only look once)的演算法去判別雞隻,針對張口的雞隻嘴巴做標記,觀察其是否有張口現象。
英文摘要 Among the poultry industries, how to prevent chickens from suffering lesions during the hot summer season, is an important problem. This research can help the farmers to do real-time monitoring of the chickens, in order to spot the abnormal behaviors earlier. In this thesis, the method of image recognition is used to analyze the chickens’ abnormal behaviors which are feeling exhausted, loss in appetite, reducing egg production, spreading of legs and wings, gasping and etc. This study uses YOLO method to find chicken degree of mouths opening.
論文目次 目錄
致謝 I
中文摘要 II
ABSTRACT III
目錄 IV
圖目錄 VII
表目錄 IX
第一章 緒論 1
1.1 研究動機 1
1.2 研究目的 2
1.3 章節介紹 2
1.4 論文整體架構 3
第二章 研究背景 4
2.1 目標檢測演算法 4
2.2 雞隻異常行為特徵 4
2.2.1 熱緊迫對雞隻生理影響 6
2.3 文獻回顧 6
第三章 研究方法 8
3.1 系統架構與流程 8
3.1.1 系統架構 8
3.1.2 系統流程 9
3.2 軟硬體設備 10
3.2.1 軟硬體平台 10
3.2.2 軟體核心與相關演算法 11
3.3 YOLO架構介紹 12
3.3.1 YOLOv1 13
3.3.2 YOLOv2 16
3.3.3 YOLOv3 19
3.3.4 YOLOv4 21
3.4 OpenCV介紹 27
3.5 LabelImg介紹 28
第四章 實驗流程 29
4.1 蛋雞場圖片標籤及訓練 29
4.1.1 蛋雞場圖片標籤 29
4.1.2 欲訓練數據資料 33
4.1.3 圖片訓練 35
4.2 YOLO準確率指標 36
4.2.1 IOU(Intersection over Union)並交比 36
4.2.2 mAP(Mean Average Precision) 38
4.2.3 訓練模型結果 40
4.3 實驗結果 50
第五章 結論與未來展望 52
5.1 結論 52
5.2 未來展望 52
參考文獻 54

圖目錄
圖 1.1 章節架構圖 2
圖 1.2 論文重點架構圖 3
圖 2.1 雞隻張口示意圖 5
圖 2.2 雞隻張口示意圖 5
圖 2.3系統流程 7
圖 3.1 系統架構圖 8
圖 3.2 系統流程圖 9
圖 3.3 YOLO檢測流程圖 12
圖 3.4 YOLO檢測模型 13
圖 3.5 YOLO CNN模型架構 14
圖 3.6 YOLOv4性能比較 21
圖 3.7 CSP連接方法 22
圖 3.8 CmBN 24
圖 3.9 YOLOv4 Modified SAM 25
圖 3.10 YOLOv4 Modified PAN 25
圖 3.11 Mish Activation Function 26
圖 3.12 OpenCV 27
圖 3.13 LabelImg 28
圖 4.1 雞隻圖片標記 29
圖 4.2 同一隻雞不同角度標記(a) 30
圖 4.3 同一隻雞不同角度標記(b) 30
圖 4.4 不同種類雞隻標記(a) 31
圖 4.5 不同種類雞隻標記(b) 31
圖 4.6 張口雞隻標記 32
圖 4.7 PASCAL VOC格式XML文件 33
圖 4.8 YOLO格式TXT文件 34
圖 4.9 欲訓練圖片存放位置 34
圖 4.10 每個Batch的訓練數據 35
圖 4.11 IOU介紹 37
圖 4.12 IOU預測標準 37
圖 4.13 Precision & Recall 39
圖 4.14 張口圖片數量不足的mAP 42
圖 4.15 補足張口圖片數量的mAP 43
圖 4.16 YOLOv4 mAP 44
圖 4.17 有使用Random的YOLOv4 mAP 45
圖 4.18 YOLOv3 10000個Batch的mAP 46
圖 4.19 使用YOLOv3訓練的Loss 47
圖 4.20 使用YOLOv3訓練的IOU 48
圖 4.21 無張口雞隻判別 50
圖 4.22 有張口雞隻判別 50
圖 4.23 YOLO準確度比較 51
圖 4.24 YOLO小物件準確度比較 51


表目錄
表 3.1 軟硬體平台 10
表 3.2 軟體核心與相關演算法 11
表 3.3 YOLOv1對比數據表 15
表 3.4 YOLOv2對比數據表 18
表 3.5 Darknet53與其他架構對比 20
表 3.6 YOLOv3準確率對比數據表 20
表 4.1 Precision & Recall 38
表 4.2 訓練圖片張數 41
表 4.3訓練參數 41
表 4.4 實驗結果分析 49
參考文獻 [1]. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C. Y., &
Berg, A. C. (2016, October). Ssd: Single shot multibox detector. In
European conference on computer vision (pp. 21-37). Springer, Cham.
[2]. Hurtik, P., Molek, V., Hula, J., Vajgl, M., Vlasanek, P., & Nejezchleba, T.
(2020). Poly-YOLO: higher speed, more precise detection and instance
segmentation for YOLOv3. arXiv preprint arXiv:2005.13243.
[3]. Mack, L. A., Felver-Gant, J. N., Dennis, R. L., & Cheng, H. W. (2013).
Genetic variations alter production and behavioral responses following
heat stress in 2 strains of laying hens. Poultry science, 92(2), 285-294.
[4]. Davis, R. H., Hassan, O. E. M., & Sykes, A. H. (1973). Energy utilization
in the laying hen in relation to ambient temperature. The Journal of
Agricultural Science, 81(1), 173-177.
[5]. Marder, J., & Arad, Z. (1989). Panting and acid-base regulation in heat
stressed birds. Comparative biochemistry and physiology. A,
Comparative physiology, 94(3), 395.
[6]. Lara, L. J., & Rostagno, M. H. (2013). Impact of heat stress on poultry
production. Animals, 3(2), 356-369.
[7]. Widyastuti, R., & Yang, C. K. (2018, October). Cat’s nose recognition
using you only look once (yolo) and scale-invariant feature transform
(sift). In 2018 IEEE 7th Global Conference on Consumer Electronics
(GCCE) (pp. 55-56). IEEE.
[8]. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only
look once: Unified, real-time object detection. In Proceedings of the IEEE
conference on computer vision and pattern recognition (pp. 779-788).
[9]. Redmon, J., & Farhadi, A. (2017). YOLO9000: better, faster, stronger. In
Proceedings of the IEEE conference on computer vision and pattern
recognition (pp. 7263-7271).
[10]. Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental
improvement. arXiv preprint arXiv:1804.02767.
[11]. Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4:
Optimal Speed and Accuracy of Object Detection. arXiv preprint
arXiv:2004.10934.
[12]. Wang, C. Y., Mark Liao, H. Y., Wu, Y. H., Chen, P. Y., Hsieh, J. W., &
Yeh, I. H. (2020). CSPNet: A new backbone that can enhance learning
capability of cnn. In Proceedings of the IEEE/CVF Conference on
Computer Vision and Pattern Recognition Workshops (pp. 390-391).
[13]. Yao, Z., Cao, Y., Zheng, S., Huang, G., & Lin, S. (2020).
Cross-iteration batch normalization. arXiv preprint arXiv:2002.05712.
[14]. Woo, S., Park, J., Lee, J. Y., & So Kweon, I. (2018). Cbam:
Convolutional block attention module. In Proceedings of the European
conference on computer vision (ECCV) (pp. 3-19).
[15]. Liu, S., Qi, L., Qin, H., Shi, J., & Jia, J. (2018). Path aggregation
network for instance segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 8759-8768).
[16]. Misra, D. (2019). Mish: A self regularized non-monotonic neural
activation function. arXiv preprint arXiv:1908.08681.
[17]. Jana, A. P., & Biswas, A. (2018, May). YOLO based Detection and
Classification of Objects in video records. In 2018 3rd IEEE International
Conference on Recent Trends in Electronics, Information &
Communication Technology (RTEICT) (pp. 2448-2452). IEEE.
[18]. Hu, J., Gao, X., Wu, H., & Gao, S. (2019, October). Detection of
Workers Without the Helments in Videos Based on YOLO V3. In 2019
12th International Congress on Image and Signal Processing, BioMedical
Engineering and Informatics (CISP-BMEI) (pp. 1-4). IEEE.
[19]. Yang, W., & Jiachun, Z. (2018, July). Real-time face detection based
on YOLO. In 2018 1st IEEE International Conference on Knowledge
Innovation and Invention (ICKII) (pp. 221-224). IEEE.
[20]. Lan, W., Dang, J., Wang, Y., & Wang, S. (2018, August). Pedestrian
detection based on yolo network model. In 2018 IEEE International
Conference on Mechatronics and Automation (ICMA) (pp. 1547-1551).
IEEE.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2020-08-12公開。
  • 同意授權瀏覽/列印電子全文服務,於2020-08-12起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2486 或 來信