1. 研究目的与意义、国内外研究现状（文献综述）
课题的意义：
随着我国国民生活水平的提高，人们不仅对牛肉制品和牛奶制品的需求量日益增大，对其品质的关注度也不断攀升，提高牛肉及牛奶的总产量及其品质已成为迫切需要。饲养业的发展须实现牛只养殖的智能化、规模化、精细化及标准化，而快速准确的牛只个体识别则是建立牛只档案、执行预定方案及畜牧产品溯源的基础。
在实际应用中，基于图像处理的牛只个体识别更加安全、可靠，不会给动物带来伤害和痛苦，但目前该技术仍面临着挑战：第一，获取的图像数据背景混乱、光照条件差异大、牛只在图像中的位置、姿态随机，给识别算法带来较大干扰。第二，实际应用中种群繁殖或购置添加新个体等系统扩容问题难以避免，当原系统中增加陌生的个体时，需重新训练分类器。鉴于深度学习算法在人脸识别领域的成功应用，我们首先考虑利用深度学习算法解决上述两大难题。深度学习是一种包含多个隐含层的感知器，它使用底层特征形成高层特征，并使用更加抽象的高层特征表示类别，从而最终提升分类或预测的准确性。其中，卷积神经网络在手写体识别、人脸检测等应用中表现出良好的抗干扰能力，同时对光线变化、前景遮挡均有较高的鲁棒性，可以很好地解决牛只个体识别中数据复杂多变的问题。
2. 研究的基本内容和问题
1项目研究目标：1）利用扩充后的图集对已有模型进行扩充实验，验证在更大范围下的识别效果。
2）改进已有模型，提高识别率。验证掩膜大小对识别效果的影响。3）开发可移植在移动端的识别奶牛信息的系统
2项目研究内容：
3. 研究的方法与方案
研究方法
1.1图像采集
本次研究的试验场地是蒙古自治区鄂尔多斯市鄂托克旗渠畔村某规模化奶牛养殖场该养殖场长180米宽165米，在奶牛场的围墙上安装了4个摄像头拍摄头（海康威视，型号为2cd1221-i3 6mm）.摄像头距离地面的垂直距离为1.8m，与水平方向的夹角为45°。本次拍摄的对象为12至24个月大的荷斯坦奶牛。
4. 研究创新点
1）首先通过深度学习进行牛脸识别来标识牛个体的研究本身就比较少。
2）第二，本实验利用扩充了的图集进行训练，并对原有方法进行优化,对掩膜的大小及数值的设置均进行对比实验， 以求找到一个，准确率最高的模板。
3）第三，与传统的卷积神经网络不同，本实验还将采用轻量级神经网络shufflenet v2进行牛脸识别，该网络与传统
5. 研究计划与进展
2019年12月-2020年1月：与指导老师沟通交流，确定研究方向，明确自己的需要学习的知识。
2020年1~2月：学习python 深度学习等方面的知识，并完成扩充图集的工作。
