共查询到17条相似文献，搜索用时 359 毫秒
1.
基于图像的肉羊生长参数实时无接触监测方法 总被引：1，自引：1，他引：0
针对基于体尺、体质量的肉羊实时生长监测中体尺、体质量需要人工测量的不足,论文提出基于结构化限位装置及机器视觉技术的无接触肉羊生长参数测量方法,并讨论无接触方法获取的体尺数据与羊只生长特性的关系。首先,基于自主研发的无应激形态参数采集系统实时采集60只小尾寒羊的俯视图和侧视图,应用图像处理技术对所得到的图像进行分析,提取体高、臀高、体长、胸深、胸宽、臀宽3类6种体尺参数;无接触生长参数采集系统同时记录对应羊只的体质量。对无接触方法获取的体尺、体质量数据相关关系进行研究,并分别利用单因素线性回归、单因素非线性回归、多元线性回归、偏最小二乘回归、RBF网络拟合、SVM回归方法建立体尺与体质量关系模型。试验表明:体高、臀高、体长、胸深、胸宽、臀宽的最大相对误差分别为4.73%、2.55%、2.50%、3.95%、3.80%和2.90%;无接触方法获取的体高、体长、胸宽与体质量相关性大于0.8;在基于单因素的生长监测中可选择体长参数;多体尺能够较全面地表达羊只的生长状态,其中胸深、胸宽、体长是重要的监测参数;多因素非线性模型可以更全面、精准的体现羊只生长特性。论文提出的无接触方法可有效提升工作效率,节约50%的人工投入。同时,也可减少羊只的应激反应,是长期、实时监测羊只生长的实用方法,对推动精准、福利化养羊具有重要意义。 相似文献
2.
基于点云旋转归一化的猪体体尺测点提取方法 总被引：2，自引：2，他引：0
家畜体尺测量是现代畜牧业研究的重要课题,而体尺测点的提取是体尺测量过程中的关键。为了解决猪体点云的三维体尺测点的自动提取问题,提出了一种基于旋转归一化的猪体体尺测点提取方法。对于采集的猪体点云数据,首先利用随机采样一致性算法删除地面区域并提取目标猪体,同时存储地面法向量;然后采用基于地面法向量矫正的主成分分析方法对猪体点云进行旋转归一化,将其统一到标准测量坐标系;最后利用体尺测点的几何形态特征和测点间的结构关系提取猪体体尺测点。试验结果表明,基于地面法向量矫正的主成分分析方法可以得到较好的旋转归一化结果,使猪体的体长,体高和体宽方向基本与坐标系的x轴,y轴,z轴相一致,体长、体宽、体高、臀宽和臀高测点提取结果与实际的体尺测点测量结果位置平均误差在16 mm以内,与其他体尺测点检测方法相比,该方法可以对输入猪体的点云方向进行校正,输入的猪体点云体高方向不需要和相机坐标系的任意一个坐标轴平行,降低了原始数据获取难度。该方法可为猪体的自动化体尺测量提供参考。 相似文献
3.
生猪肉产量预测的非接触实时在线机器视觉系统 总被引：2，自引：2，他引：0
为了准确估测生猪肉产量,该文提出了一种自动提取生猪活体特征的方法,建立了生猪肉产量预测算法。首先,基于自主研发的生猪肉产量预测的机器视觉系统装置实时采集54头活体大白猪的俯视图和侧视图,然后根据图像处理技术对所得的图像进行分析,提取生猪的体长、胸宽、臀宽、体高等体尺参数值;同时通过称量装置获得每头猪的活体质量。其次,将54头生猪样品按2∶1的比例分为校正集和验证集,基于体长、胸宽、臀宽、体高和体质量5个特征参数分别利用多元线性回归法(multiple linear regression,MLR)和偏最小二乘回归法(partial least-squares regression,PLSR)建立不同的肉产量预测模型,通过比较各预测模型的估测精度、相关系数等,确定最佳预测模型。分析结果表明,5个参数中体质量对肉产量预测的权重最大;偏最小二乘回归方法的预测结果较好,最佳预测模型的预测相关系数为0.95,预测误差为3.09 kg。试验结果证实,在检测系统中使用基于生猪的体尺参数和体质量建立的偏最小二乘回归预测模型可快速准确预测生猪肉产量,适于实际生产应用。 相似文献
4.
基于机器视觉的猪体体尺测点提取算法与应用 总被引：18，自引：13，他引：5
无应激获取猪体的体尺、体质量,是猪福利养殖中的一个重要任务,为解决机器视觉提取自然站立姿态下猪体的体尺测点识别率低的问题,该文通过在线摄像机获取120d龄长白猪的彩色图像,以猪体体尺传统的测量位置为研究基础,结合猪舍现场实际情况,提出了复杂背景下猪体个体信息提取的算法、基于包络分析的猪体头部和尾部的去除算法以及具有一定弯曲姿态的复杂猪体体尺测点坐标提取的算法,并利用Matlab2010软件实现了其算法。验证试验结果表明:通过背景减法和去除噪声算法可去除背景干扰,有效识别猪体信息;测点提取算法可准确提取自然姿态下猪的个体轮廓,识别其体尺测点,实现了猪体的体长、体宽等体尺量算的9个体尺测点的坐标提取,经验证,对猪体体长的实测值平均相对误差最小,其平均相对误差仅为0.92%;其次为腹部体宽,其平均相对误差为1.39%;而对猪体肩宽和臀宽的检测误差较大,平均相对误差分别为2.75%和3.03%。本研究可应用于猪体无应激量算体尺、估算猪体体质量,为开展福利养殖提供了一种新方法。 相似文献
5.
基于生猪外形特征图像的瘦肉率估测方法 总被引：3，自引：2，他引：1
为实现生猪瘦肉率的快速无损检测,以机器视觉为主要技术,通过生猪的外形特征图像进行瘦肉率估测,为饲养者与收购者提供生猪品级的决策依据。采用MATLAB为开发工具,通过图形用户界面(graphical user interface,GUI)实现软件操作界面,以生猪的侧面及背面图像为研究对象,利用图像处理技术从目标中提取体长、体高、胸深、腹长、臀宽、腰宽等数据,以这些体尺的比例(胸深体高比、臀宽体长比、臀宽腰宽比、腹长体长比)为参数,通过径向基函数(radial basis function,RBF)神经网络进行瘦肉率估测。该文分别对7组生猪外形图像进行处理,4项比例指标的平均估测准确率分别为92.90%、92.44%、95.17%、96.51%,瘦肉率的平均估测准确率为94.35%。结果表明,该文所构造的基于生猪外形特征图像的瘦肉率估测方法工作效率高,成本低,可用于估测生猪瘦肉率。 相似文献
6.
多视角深度相机的猪体三维点云重构及体尺测量 总被引：3，自引：1，他引：2
对活体牲畜三维重构,数据采集方式、快速配准融合方法、表型体尺测量方法缺乏成熟有效的方案,导致目前活体牲畜的自动体尺测量技术难以在养殖场中推广应用。该文以猪为研究对象运用消费级深度相机KinectV2从正上方和左右两侧3个不同角度同步获取在采集通道中自由行走猪的局部点云。局部点云采用邻域曲率变化法去噪,并运用基于轮廓连贯性点云配准融合,最后采用多体尺数据精确估算技术测定包括体长、体高、胸宽、腹围等数据。该文分别对比实验室中模型猪由传输带以5种不同速率经过通道和养殖场内25头猪逐一经过通道,2种情况下采集数据进行各项体尺测算结果。其结果显示模型猪在传输带上以0、0.3、0.6、0.9和1.2 m/s等5种不同速率下测量体长、体高、胸宽、腹围值与实测值的平均相对误差分别为1.77%、1.36%、2.74%和2.17%。养殖环境下对25头猪同样4种体尺值与实测值的平均相对误差分别为2.56%,2.32%,3.89%和4.51%。试验结果发现养殖场活体猪测量最小误差可以达到实验室环境下的效果,但是最大相对误差变化较大,其原因在于养殖场中猪自由行走采集数据时行为姿态发生很大变化。 相似文献
7.
基于深度图像和BP神经网络的肉鸡体质量估测模型 总被引：6，自引：4，他引：2
针对现阶段肉鸡称重复杂、福利降低问题,提出了一种基于深度图像的肉鸡体质量估测模型建立方法。该方法首先对深度图像进行图像预处理,再利用数值积分法提取出目标特征,并结合BP神经网络,实现群体肉鸡的体质量估测。估测结果与实际测量结果进行对比,研究结果表明两者的均方根误差为0.048,平均相对误差为3.3%,绝对误差在0.001 0~0.068 2 kg范围内,最优拟合度为0.994 3,具有较好的推广应用价值。该方法较为准确的估测出肉鸡体质量,并为用机器视觉的方法估测肉鸡生长发育规律提供了新的思路。 相似文献
8.
电子舌预测不同体积分数牛奶的表观黏度 总被引：3，自引：3，他引：0
该文为建立牛奶的电子舌响应信号与其表观黏度的关系,在单因素方差分析和主成分分析的基础上,提出了比较多元线性回归、逐步多元线性回归和偏最小二乘回归3种模型对牛奶表观黏度的预测效果的方法。结果显示,单因素方差分析表明体积分数对牛奶的表观黏度和各个传感器响应信号都具有极显著性的影响;主成分分析（PCA）可以用来区分牛奶的5种不同体积分数;偏最小二乘回归模型预测效果最好,模型预测值与实际值的相关系数R达到0.9659,平均相对误差（MRE）和预测均方根误差（RMSEP）分别为4.5499%和8.4645×10-5,建模最佳主成分数为3。研究结果表明,偏最小二乘回归模型是电子舌预测牛奶表观黏度的有效方法,该方法为牛奶表观黏度的科学研究提供参考。 相似文献
9.
基于Kinect传感器的无接触式母猪体况评分方法 总被引：2，自引：1，他引：1
为了提高母猪的繁殖性能,减少传统方法给动物和估测人员带来的不利影响,该研究提出了一种可应用于实际生产中的准确、无接触式的母猪体况评分(body condition scoring,BCS)方法。试验使用Kinect传感器获取108组母猪臀股的三维图像,选取48组图像进行分析处理,计算出臀部的高宽比、臀股面积及曲率半径。试验结果表明:母猪臀部的高宽比、臀股面积和曲率半径与背膘厚度的相关系数分别为0.567、0.502、0.951;以曲率半径作为主要参数建立母猪体况估测模型。取剩余60组图像进行验证,估测模型计算结果与经验方法评估结果差异较小,准确率达到91.7%;结果表明,基于三维重构技术的Kinect传感器能够实现母猪在饲养管理过程中对体况的无接触式检测。 相似文献
10.
运用PLS算法由HJ-1A/1B遥感影像估测区域小麦实际单产 总被引：1，自引：1，他引：1
为进一步提高遥感估产精度,显示国产影像在农业估产中的应用效果。该研究以2010-2013年HJ-1A/1B影像为遥感数据,分析了卫星遥感变量与小麦实际单产的定量关系,运用偏最小二乘回归算法构建及验证了以实际单产为目标的多变量遥感估产模型,并制作了小麦实际单产空间等级分布图。研究表明:实际单产与所选用的大多数遥感变量间关系密切,且多数遥感变量两两间具有严重的多重相关关系;实际单产偏最小二乘回归模型的最佳主成分为5,且植被衰减指数、绿色归一化植被指数、调整土壤亮度的植被指数、比值植被指数和归一化植被指数为实际单产遥感估测的敏感变量;建模集和验证集实际单产估测模型的决定系数分别为0.74和0.70,均方根误差分别为754.05和748.20 kg/hm2,相对误差分别为11.5%和8.88%,且估测精度比线性回归算法分别提高20%以上和40%以上,比主成分分析算法分别提高18%以上和30%以上,说明偏最小二乘回归算法模型估测区域实际单产的效果要明显好于线性回归和主成分分析算法,该模型应用结果与小麦实际单产区域分布情况相符合,为提高区域小麦实际单产的遥感估测精度提供了一种途径。 相似文献
11.
基于机器视觉的育肥猪分群系统设计与试验 总被引：3，自引：1，他引：2
为控制育肥猪出栏时的体质量差异,该研究开发了一套基于机器视觉技术的育肥猪分群系统,该系统通过机器视觉技术和卷积神经网络模型代替传统地磅对猪只体质量进行估测,可有效避免粪污对设备精度的影响及腐蚀;以前一天全部猪只体质量数据从小到大排列的第30%个数据作为当日的分群基准质量,将大于等于基准质量的视为长势较快的猪只,小于基准质量的视为长势较慢的猪只,每次采食按照猪只长势快慢分为2群进行饲喂;该系统依托于LabVIEW软件开发平台和物联网系统构建,平均每头猪只通过系统时间为6.2 s。为验证该系统的实际应用效果开展了为期30 d的现场试验,将饲喂于装有分群系统猪栏中的120头长白育肥猪作为试验组,由分群系统按猪只长势快慢分群饲喂;将饲喂于传统猪栏中的120头长白育肥猪作为对照组,按照传统人工调栏的方式进行饲喂。试验开始时试验组和对照组猪只平均体质量分别为32.21、31.76 kg,标准差分为别2.61和2.49 kg;结束时试验组和对照组猪只平均体质量分别为57.68、57.41 kg,标准差分为别5.26和5.51 kg,总料肉比分别为2.31和2.34,期间试验组猪只体质量的标准差小于对照组,但是2组猪只平均体质量、标准差、总料肉比均不存在显著差异,表明采用该系统对猪只进行分群饲喂控制猪只体质量差异效果等同于人工调栏,同时可以节省人力成本,缓解农业劳动力短缺的压力。该研究也可为母猪饲喂站、种猪测定站等智能化养猪设备的研发提供参考。 相似文献
12.
生猪行为监测是生猪养殖管理过程中的一个重要环节。该研究提出了基于姿态与时序特征的猪只行为识别方法。首先采集和标注猪栏内猪只图像，分别构建了猪只目标检测数据集、猪只关键点数据集和猪只行为识别数据集；利用构建的数据集，分别训练了基于YOLOv5s的猪只检测模型、基于轻量化OpenPose算法的猪只姿态估计模型和基于ST-GCN算法的猪只行为识别模型，并搭建了猪只行为识别系统。经测试，文中训练的YOLOv5s猪只检测模型mAP（mean Average Precision）最高达到0.995，姿态估计模型平均精度和平均召回率达到93%以上，基于ST-GCN的猪只行为识别模型的平均准确率为86.67%。文中构建的猪只行为识别系统中基于LibTorch推理猪只检测模型和猪只姿态估计模型的单帧推理耗时分别约为14和65 ms，单只猪行为识别推理耗时约为8 ms，每提取200帧连续姿态进行一次行为识别推理，平均17 s更新一次行为识别结果。证明提出的基于姿态与时序特征的猪只行为识别方法具有一定可行性，为群养猪场景下的猪只行为识别提供了思路。 相似文献
13.
基于计算机视觉技术估算种猪体重的应用研究 总被引：4，自引：10，他引：4
为了解决在种猪体重测量中传统方法所遇见的问题，该研究初步探讨了一种新方法，即把计算机视觉技术应用到种猪饲养管理中，通过数字图像分析技术，测量和计算种猪的投影面积，并分析其与体重的相关性，为种猪体重测量提供了新的依据。结果显示去除头部和尾部后剩余身体部分的投影面积和体重的相关性极大，相关系数可达到0.94，再与人工测量的结果进行对比，相对误差不超过2.8%。试验证实了利用这种无接触的方法来估测种猪的体重，可以减少人力物力，避免由于猪的应激反应而给生产带来的损失，在种猪的科学饲养管理中具有实用意义。 相似文献
14.
基于深度学习多源数据融合的生菜表型参数估算方法 总被引：1，自引：1，他引：0
生菜外部表型参数的无损、高精度估算对全天候生长监测意义重大。为提高生菜表型参数估算模型泛化性能,以基质培生菜为研究对象,提出了基于深度学习的融合二维RGB图像和深度（Depth）图像的生菜表型参数（湿质量、干质量、株高、直径、叶面积）高精度估算方法。采集4个生菜品种生长全过程的表型参数数据集,包含RGB图像、深度图像和人工测量的表型参数,共388个样本。对RGB图像和深度图像进行背景分割和数据归一化,输入构建的深度学习多源数据融合模型对5种表型参数进行同步回归训练。试验表明,该研究方法对5种表型参数的估算决定系数均高于0.94,平均绝对百分比误差均低于8%,而传统特征提取+机器学习方法对部分表型参数估算的平均绝对百分比误差高达13%以上,表明该研究估算方法具有较高的精度。消融试验表明融合RGB和深度图像的深度学习模型优于仅使用单源图像的模型,尤其在株高、直径和叶面积的估算上。对生菜不同品种和不同生长阶段的估算结果表明该模型适用于不同颜色、形状的生菜品种,亦对不同生长阶段、不同植株大小的生菜具有一定的适应性。因此,该研究提出的基于深度学习多源数据融合模型的生菜表型参数估算方法性能优异,对设施蔬菜生长监测和产量预估有重要的应用价值。 相似文献
15.
融合注意力机制的个体猪脸识别 总被引：1，自引：1，他引：0
随着机器视觉技术的发展,猪脸识别作为猪只个体识别方法之一受到广泛关注。为了探索非接触式的猪只个体精准识别,该研究通过深度学习模型DenseNet融合CBAM（Convolutional Block Attention Module）,建立改进的DenseNet-CBAM模型对猪脸进行识别。将DenseNet121模型进行精简,然后将CBAM注意力模块嵌入到精简的DenseNet121分类网络之前,以加强对关键特征的提取,实现猪脸图像的分类。以随机采集的1 195张猪脸图像作为数据集对本文模型进行测试。结果表明,DenseNet-CBAM模型对个体猪脸识别的准确率达到99.25%,模型参数量仅为DenseNet121的1/10;与ResNet50、GoogLetNet和MobileNet模型相比,DenseNet-CBAM的识别准确率分别提高了2.18、3.60和23.94个百分点。研究结果可为智能化养殖过程非接触式个体识别提供参考。 相似文献
16.
典型猪舍光环境下机器视觉图像量化评价及筛选 总被引：3，自引：1，他引：2
随着数字化农业进程的发展,利用机器视觉技术进行生猪养殖方面研究已成为许多研究人员关注的热点之一。机器视觉中外界光环境对采集图像的质量具有较大影响,但是较多猪体质量监测方面研究的焦点集中在图像算法方面,忽视外界光环境的重要性,缺乏量化评价机器视觉光环境优劣的方法。该文基于猪体质量检测平台,利用LabVIEW软件编程分析实际光环境条件下拍摄图像质量。经现场试验分析,理想图像、曝光过度图像、自然光图像、阴阳图像4类图像在曝光参数和照度均匀度参数有明显区别:理想图像和曝光过度图像的照度均匀度参数均满足照明工程标准要求,理想图像曝光正常比率较高;自然光图像和阴影图像的照度均匀度参数不满足照明工程标准要求,且曝光正常率偏低。该文采用曝光正常,最小照度与最大照度比值U10.7和最小照度与平均照度比值U20.8判断实现理想图像筛选,便于研究者前期图像预处理工作。 相似文献
17.
本研究采用实时荧光定量PCR方法检测了长白猪和梅山猪背最长肌组织中RYR1基因mRNA表达量在初生（0月龄）、1月龄、2月龄、3月龄、4月龄和5月龄间的变化及其与体重、肌纤维面积（CSA）和肌内脂肪含量（IMF）之间的相关性。结果表明：长白猪的体重、CSA在多数月龄均高于梅山猪,而梅山猪的IMF在多数月龄均高于长白猪。两品种RYR1基因表达量的发育性表达模式极为相似,均表现为波动起伏中逐渐上升的趋势。相同月龄时,梅山猪RYR1基因的表达量均高于长白猪。本文初步揭示了两猪种生长发育过程中RYR1基因表达的发育性变化模式和品种差异,为进一步研究RYR1基因对猪肉质性状的影响提供了基础数据。 相似文献