随着我国生活水平的提高,奶类产品的需求量快速增长,成为畜牧业中需求增长最快的产业,奶牛养殖业快速发展,养殖规模也不断的扩大,因此养殖奶牛的风险以及奶牛的养殖管理越来越重要。基于奶牛图像特征和深度学习的奶牛身份识别在现代化畜牧业中尤为重要,能为奶牛保险产业以及奶牛养殖管理提供高效、便捷的现代化管理。本文针对奶牛的图像特征与深度学习融合,采用最新的深度学习模型M2DET模型对奶牛图片进行训练、识别,并针对实验中的问题进行优化改进。本文的主要工作内容如下:(1)奶牛数据集的制作。通过吉林省某公司采集到的奶牛图片,随机选取一部分奶牛图片进行筛选、预处理,制作成奶牛数据集。为M2Det模型的训练以及奶牛身份识别等提供实验材料。(2)M2DET模型的训练实验。本文的M2Det模型训练是用自制奶牛数据集进行训练的。针对目前的奶牛识网络模型有一阶段物体检测网络(如DSSD,Retina Net,Refine Det)和两阶段物体检测网络(如Mask RCNN,Det Net)等都有一定的局限性,所以本文中采用了M2Det模型(骨干网加MLFPN)来进行奶牛图片数据训练。通过实验对比可以看出比现有技术更好的检测性能。在MS-COCO基准测试中,以去掉全连层的VGG为骨干网,M2Det采用单尺度推理策略时,以11.8 FPS的速度实现了41.0的AP,当使用多尺度推理策略时,AP为44.2。通过实验得出M2Det模型的目标检测效果比其他网络模型要好。(3)基于奶牛的图像特征和深度学习进行奶牛的身份识别。a.对收集的奶牛图片进行标签制作奶牛图像数据集;b.奶牛图片数据训练。搭建好框架和实验环境,将奶牛图像的数据集输入M2Det模型,对奶牛图像数据集进行训练,以log文件格式保存训练数据;c.奶牛识别测试。只将待测试的奶牛图片导入训练得到的网络权重中进行正向传播,进行奶牛数据对比,输出识别结果。800张奶牛图片的识别率为95.75%。未识别的图片,主要是奶牛背花不明显,以及图片较为模糊。(4)M2Det模型优化改进。M2Det模型在奶牛图像识别方面有很高的精准率,但是还没有达到预期效果,因此本文增强数据集和对M2Det做了优化改进。针对奶牛的图片较为模糊和背花特征不明显导致未识别的问题,本文首先对数据集进行增强。然后对MLFPN的TUM数量以及TUM通道做了优化调整,M2Det的检测效果值提升了0.3。最后是改进M2Det模型的骨干网,采用低层语义更为丰富的HED网络来做骨干网,然后进行改进后的实验,得到的训练检测值AP比之前提升了1,检测效果比之前有所提升。把改进后的的M2Det模型按照奶牛的身份识别流程进行实验,用1000张奶牛图片进行奶牛的身份识别,识别率达到了98.59%,比原来的M2Det提高了2.84%。