共查询到20条相似文献，搜索用时 46 毫秒
1.
基于MPU6050传感器的哺乳期母猪姿态识别方法 总被引：6，自引：0，他引：6
哺乳期母猪姿态是其哺乳意愿的外在表现,母猪哺乳时身体侧卧,拒绝哺乳时身体立卧或倾卧,哺乳期母猪侧卧时间可作为母性行为评价的重要指标。选用集MPU6050和蓝牙传输模块为一体的行为数据采集模块,采集母猪哺乳期内(28 d)的行为数据,统计母猪采食时间段的姿态角,计算节点偏转角度,实现偏转行为数据校正;利用Haar小波提取特征系数重构加速度曲线的基本轮廓,结合各姿态的数值特征,利用支持向量机实现母猪立、侧、倾姿态分类,及其侧、倾姿左右方向的识别。以江苏省地方猪小梅山母猪为试验对象,分析母猪的哺乳姿态,试验结果表明:行为数据校正算法可降低节点偏转的影响,小波变换实现了数据归一化,去除了高能运动干扰,姿态分类器识别左、右侧姿的正确率分别为65.8%、90.1%,立姿的正确识别率为75.4%,侧姿总体正确识别率达到83.3%,姿态识别可以有效反映母猪的哺乳意愿。 相似文献
2.
围产期母猪母性行为直接影响仔猪的成活率,母猪姿态是其母性行为和筑巢行为的重要表现。针对目前对围产期母猪姿态转换主要依靠人工巡检,费时耗力且主观性强等问题,采集了24头母猪的视频数据并对数据进行预处理,利用EfficientDet网络对产床内母猪图像进行深层次特征提取,实现了母猪站、坐、胸卧、侧卧姿态及其侧卧方向(乳房面向仔猪保温箱、乳房背对仔猪保温箱)的准确识别。结果表明：该模型识别平均精度均值(mAP)达93.97%,对图像的检测速度达26.2 f/s,对视频的检测速度达10.66 f/s。通过对母猪产前及产后24 h的姿态进行分析,母猪产前表现出显著的筑巢行为,姿态转换频率显著提高(P<0.001);母猪产后侧卧时间显著增加,母猪侧卧时长与仔猪窝均质量呈正相关关系;根据母猪侧卧方向的偏好性进行分组比较,母猪偏向于将乳房面向保温箱侧卧的小组,仔猪断奶成活率更高。 相似文献
3.
哺乳期是母猪繁育仔猪的关键时期,哺乳母猪特有的发声是其生理、情绪健康及其对仔猪看护的母性能力的最直接表达。哺乳期间母猪所发声音种类众多,增加了快速定位及准确识别特定声音类型的复杂度,以小梅山母猪的哺乳声、饮水声、采食声及无食咀嚼声等常见声音为研究对象,以功率比作为特征向量,对频域进行更精细的能量计算,提出基于偏度的子带聚类法合并特征不显著的子带,减少特征向量数量,构建支持向量机(SVM)的声音分类识别器,统计各类声音的发声时长;进一步以单个哺乳周期为对象,建立成功哺乳的声音模式。试验结果表明,哺乳声、无食咀嚼声、采食声和饮水声的最大功率比分别位于[0 Hz,1 000 Hz]、[1 000 Hz,1 500 Hz]、[1 500 Hz,2 500 Hz]和[2 500 Hz,8 000 Hz]子带内,以4个子带的功率比为特征的声音判别模型的识别率分别为100%、100%、95.17%、96.61%,与等间隔子带划分及主成分分析法比较,减少了特征向量的数量,且显著提高了识别算法的精度,进一步应用在母猪分娩舍内,实现了对哺乳母猪的母性能力及其健康状况的无应激、实时监测。 相似文献
4.
以小梅山母猪发出的哺乳呼噜声及其它干扰噪声为研究对象,利用噪声能量在频域内均匀分布,其对应的信息熵值最大的特性,根据噪声类型不同,选择不同小波包层数结合信息熵计算,去除环境噪声混叠的影响。试验结果表明,母猪呼噜声的频率范围在0~800 Hz内,仔猪争乳尖叫声的频率大于1 000 Hz,其他干扰噪声的频率范围0~8 000 Hz内;分别经过5层和3层的db10小波包分解,利用对数能量熵软阈值去除0~8 000 Hz主噪声及1 000~8 000 Hz内的残留噪声,且重构信号中母猪哺乳声的波形特征保持较好,获得令人满意的滤波处理结果,为进一步研究畜舍环境下母猪哺乳声音特征提取及识别提供了数据预处理方法。 相似文献
5.
基于YOLO v3的生猪个体识别方法 总被引：1，自引：0，他引：1
为实现高效的猪只个体识别,提出一种基于机器视觉的生猪个体识别方法。通过采集母猪和仔猪个体图像,对图像进行扩充和筛选,制作训练集和测试集。试验采用基于YOLO v3的识别模型,并与Faster RCNN和SSD模型识别结果进行比较,结果表明:对仔猪的识别平均精度均值达89.65%,准确率达95.99%,召回率达84.09%。对母猪的识别平均精度均值达95.16%,准确率达96.00%,召回率达96.00%。相较于Faster RCNN,该模型的识别速率是其7倍以上,相较于SSD,该模型的平均精度均值提高9%,说明该模型在识别速率和识别精度上都达到了较高水平。该研究可为猪只个体智能识别、数据监测及养殖信息化等提供理论依据。 相似文献
6.
基于时空信息融合的母猪哺乳行为识别 总被引：2，自引：0，他引：2
及时获取准确的母猪哺乳行为信息对提高猪只集中养殖效益至关重要。本文旨在建立深度学习网络，融合时空信息，实现自动识别母猪哺乳行为。识别过程主要分2个阶段：母猪哺乳区域时空定位和哺乳区域时空信息特征提取、融合及识别。首先将俯拍视频图像序列输入Mask R-CNN，ResNet-101+FPN作为基础网络输出特征图输入区域生成网络，生成母猪检测候选框并分别输入母猪姿态识别分支和关键点检测分支，若母猪姿态被识别为侧卧则利用关键点检测分支输出关键点坐标，确定母猪哺乳区域，实现哺乳行为感兴趣时空区域定位。然后，在感兴趣时空区域中，利用双流卷积网络，进行时间流和空间流特征提取。最后利用串接卷积融合方式，识别序列图像中母猪是否进行哺乳。试验结果显示，用于哺乳区域空间定位的关键点的综合召回率Rk和精准率Pk分别为94.37%和94.53%，母猪哺乳行为识别正确率为97.85%，灵敏度为94.92%，特异度为98.51%。 相似文献
7.
8.
羊只的行为状态能够直接反映其健康状况及所处的生理阶段,为实现自动化的羊只行为识别,以圈养的小尾寒羊为试验对象,构建一个基于加速度传感器的可穿戴式行为监测装置。利用MPU9250为核心的九轴姿态传感器采集羊只静止、行走和进食的行为信息,并将传感器分别部署在羊只颈部、背部靠近前腿处、前腿和后腿四个不同的位置。对于采集的数据,利用去噪和降维进行预处理,并分别利用k means和SVM进行分类识别。k means均值聚类算法对颈部处的行为识别准确率最高,为79.34%,SVM支持向量机算法对颈部处的行为识别准确率最高,为92.63%。SVM算法用于羊只行为识别的整体准确率高于k means,且传感器部署在羊只颈部时在不同识别方法下,识别效率均优于其他部位。研究结果对于构建自动化的羊只行为检测系统具有重要的现实意义。 相似文献
9.
为提高啤酒花产业的品质和产量,针对于传统人工识别鉴定难度大,效率低和客观性不够,以及啤酒花病虫害识别无大型公开数据集等问题。本文提出一种基于软注意力机制的小样本啤酒花病虫害识别方法,对传统深度残差网络ResNet模型进行改进,并使用图像增强技术-直方图均衡化处理图片得到新的数据集。实验结果表明,在小样本情况下,相比于传统的模型,改进过后的模型A-ResNet50和A-ResNet101都能准确识别不同类型的病虫害图像,在测试集上的准确率为93.27%和93.11%,Kappa指数达到了0.9027和0.8996,证实了A-ResNet50和A-ResNet101模型在啤酒花病虫害识别上的可行性以及可靠性。本文提出的方法识别精度高,实现了啤酒花病虫害的智能识别,同时也对小样本数据集的高精度识别提供了一种途径。 相似文献
10.
为解决限位栏场景下经产母猪查情难度大、过于依赖公猪试情和人工查情的问题,提出了一种基于改进YOLO v5s算法的经产母猪发情快速检测方法。首先,利用马赛克增强方式(Mosaic data augmentation, MDA)扩充数据集,以丰富数据表征;然后,利用稀疏训练(Sparse training, ST)、迭代通道剪枝(Network pruning, NP)、模型微调(Fine tune, FT)等方式重构模型,实现模型压缩与加速;最后,使用DIOU＿NMS代替GIOU＿NMS,以提高目标框的识别精度,确保模型轻量化后,仍保持较高的检测精度。试验表明,优化后的算法识别平均精确率可达97.8%,单幅图像平均检测时间仅1.7 ms,单帧视频平均检测时间仅6 ms。分析空怀期母猪发情期与非发情期的交互行为特征,发现母猪发情期较非发情期交互时长与频率均显著提高(P<0.001)。以20 s作为发情检测阈值时,发情检测特异性为89.1%、准确率为89.6%、灵敏度为90.0%,该方法能够实现发情母猪快速检测。 相似文献
11.
基于Mask R-CNN的复杂背景下柑橘树枝干识别与重建 总被引：2，自引：0，他引：2
为了获取自然环境下完整柑橘果树枝干信息,以引导采摘机器人进行避障采摘作业,提出了一种基于Mask R-CNN模型与多参数变量约束的柑橘果树枝干识别与重建方法。该方法采用网格化的标记方式对果树枝干进行标记,完成了对柑橘果树枝干的小区域识别;然后对该模型获得的离散mask进行最小外接矩处理,以获得更精确的目标区域;接着利用多参数变量约束完成同一枝干mask(掩码)的划分;最后为了使重建枝干更符合实际枝干的生长姿态,以及完善未识别区域的检测,对同一枝干mask中心点进行了四次多项式拟合。实验结果表明,模型在测试集下的平均识别精确率为98. 15%,平均召回率为81. 09%,果树单条枝干平均拟合误差为11. 47%,果树枝干整体平均重建准确率为88. 64%。 相似文献
12.
基于卷积神经网络的大白母猪发情行为识别方法研究 总被引：2，自引：0，他引：2
针对现有发情检测方法灵敏度低、识别时间长、易受外界干扰等缺点，根据大白母猪试情时双耳竖立的特征，提出一种基于卷积神经网络（Convolutional neural network, CNN）的大白母猪发情行为识别方法。首先通过采集公猪试情时发情大白母猪与未发情大白母猪的耳部图像，划分训练集样本（80%）与验证集样本（20%）用于后期训练。随后，基于AlexNet卷积神经网络构建分类模型（AlexNet_Sow），并对该模型的网络结构进行简化，简化后的模型包含2个卷积模块和2个全连接模块，选择修正线性单元(Rectified linear units, ReLU)作为激活函数，用自适应矩估计(Adaptive moment estimation, Adam)方法优化梯度下降，选择Softmax作为网络分类器，通过结合增强学习的方法对模型进行训练，得到模型应用于验证集的准确率达到99%。此外，设定了发情鉴定的时间阈值，并结合LabVIEW的Python节点用于模型应用。当公猪试情时，大白母猪双耳竖立时长达到76s时，则可判定其为发情。该方法对大白母猪发情识别的精确率、召回率与准确率分别为100%、83.33%、93.33%，平均单幅图像的检测时间为26.28ms。该方法能够实现大白母猪发情的无接触自动快速检测，准确率高，大大降低了猪只应激情况和人工成本。 相似文献
13.
奶牛的动作行为（进食、躺卧、站立、行走和甩尾）直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet（ConvNeXt-ACM-FAM）奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块（ACM）和特征注意力模块（FAM）。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×106,浮点运算量减少了3×108,相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。 相似文献
14.
猪只呼吸道疾病易传染,影响猪的养殖生产效率,咳嗽是呼吸道疾病的显著症状之一,为识别猪只咳嗽声,提出了一种基于深度神经网络的识别方法。对声音信号进行谱减法去噪和双门限端点检测后分别提取梅山猪咳嗽及喷嚏、鸣叫、呼噜声的滤波器组(Log＿filter bank, logFBank)和梅尔频率倒谱系数(Mel frequency cepstral coefficents, MFCC)特征,每种特征与其一阶及二阶差分组合作为卷积神经网络(Convolutional neural networks, CNNs)和深层前馈序列记忆神经网络(Deep feed forward sequential memory networks, DFSMN)咳嗽声识别模型的输入,进行多分类训练。对比不同特征提取方法及不同迭代次数对模型效果的影响,实验结果表明,以MFCC作为特征输入的CNNs模型效果较优,测试集上咳嗽声识别精确率为97%,召回率为96%,F1值为98%,总体识别准确率为96.71%。表明该模型有效可行,可为生猪福利养殖中猪咳嗽声识别提供技术支持。 相似文献
15.
基于颜色特征的油菜害虫机器视觉诊断研究 总被引：1，自引：0，他引：1
害虫的准确识别是针对性地施用农药以有效治理虫害的基础,而人工识别的劳动强度大且主观性强。为此,提出了一种利用颜色特征的害虫视觉识别技术。使用GrabCut算法从虫害图像中分割出完整的害虫主体图像并计算其最小外接矩形区域的H/S通道直方图,使用害虫基准图像对其进行直方图反向投影并计算交叉匹配指数。匹配指数和害虫标签共同组成的特征向量用于训练C4.5分类器。计算待检害虫图像的交叉匹配指数,输入分类器即可得到识别结果。实验结果表明:该技术可准确识别菜蝽、菜青虫、猿叶甲、跳甲及蚜虫5种害虫,准确率达到92%。 相似文献
16.
为解决自主移动农业机器人在复杂工作环境进行视觉导航的场景识别,根据what-where双通道理论建立了场景感知模型以及场景表示模型,提出了一种基于概率框架的场景仿生识别方法。基于对比度假设和中心假设计算显著图并建立能量函数对该显著图进行优化;利用专家网络分析视觉注意焦点的内容作为what信息,以视觉注意焦点转移形成的扫视序列作为where信息;根据动作识别规则,利用what信息和where信息建立可观测的马尔可夫链模型实现场景识别。移动机器人场景识别过程与人的识别过程相似,实验证明所提方法对室内场景识别性能良好,准确率平均达87.3%。 相似文献
17.
针对非限制条件下奶牛的个体识别,提出了一种基于深度特征与传统特征融合的奶牛识别方法。首先利用Mask R-CNN识别站立和躺卧姿态下的奶牛。其次,用两种方法提取奶牛的特征概率向量：用卷积神经网络(Convolutional neural network, CNN)提取Softmax层概率向量形式的深度特征;人工提取并利用近邻成分分析(Neighbourhood component analysis, NCA)选择传统特征,并将其输入支持向量机(Support vector machine, SVM)模型,输出概率向量。最后对两种特征进行融合,并基于融合后的特征采用SVM对奶牛进行分类。对58头奶牛站立和躺卧姿态的数据集进行了个体识别实验,结果表明,对于站立和躺卧姿态下的奶牛,与单独使用深度特征相比,特征融合方法准确率分别提高约3个百分点和2个百分点;与单独使用传统特征相比,特征融合方法准确率分别提高约5个百分点和10个百分点。站立和躺卧姿态下的奶牛个体识别率分别达到98.66%和94.06%。本文研究结果可为智能奶牛行为分析、疾病检测等提供有效的技术支持。 相似文献
18.
监测与识别林下落果的数量和分布信息,是实现落果自动收获和果园智能化管理的重要基础。针对目前落果识别智能化程度较低等问题,提出一种基于深度学习的林下落果识别方法。首先,以不同类型、品种落果图像为基础,通过数据预处理、增强等方法建立林下落果图像数据集。其次,利用YOLO-v3深度卷积神经网络优势特性,建立落果智能识别方法。最后,以柑橘、梨、苹果三种典型落果,对基于深度学习的林下落果识别方法进行测试与验证,分析相关试验结果。试验结果表明:所提出的基于YOLO-v3落果识别方法,在不同条件均能准确识别落果,三种典型落果识别精度大于89%;相对于SSD,RCNN和CenterNet三种网络模型,YOLO-v3的准确率分别提高7%,2%和3.5%;在腐烂落果识别层面,YOLO-v3、SSD、RCNN和CenterNet的识别准确率分别为86%,59%,64%和43%;YOLO-v3的识别准确率高于其他深度学习模型。所提出的方法可以精确的识别林下落果,为后期的落果精准管理提供必要的技术支撑。 相似文献
19.
由于存在包衣配方不统一、包衣机自动化水平低等问题,目前我国种子包衣合格率检测精度和效率较低。为此设计了一套丸粒化包衣种子识别检测系统,针对形状为类球体的包衣种子进行识别。首先,搭建拍摄平台,拍摄的图像传输至识别控制系统中进行图像前期处理。其次,根据图像处理后不同类型包衣种子特征提出了一种识别检测算法,根据破损包衣种子与其它包衣种子图像面积比例的差异,利用高级形态学处理实现破损包衣种子的识别。根据多籽种子与合格种子颗粒像素值的差异实现对多籽种子以及合格种子的识别。最后,对种子总数、合格数、多籽种子数及破损种子数进行检测,计算得到包衣合格率。以红三叶种子进行试验,结果表明：整套系统图像采集、处理与识别时间约为3s;运用高级形态学处理识别破损包衣种子准确率达98.8%;当试验样本为200粒时,总数识别算法的准确率达到99.1%;对合格包衣种子以及多籽包衣种子识别相对误差分别为1.18%与3.36%。该识别检测系统实现了拍摄、图像处理、检测识别以及结果保存等功能,实现了包衣种子的无损检测。 相似文献
20.
由于存在包衣配方不统一、包衣机自动化水平低等问题,目前我国种子包衣合格率检测精度和效率较低。为此设计了一套丸粒化包衣种子识别检测系统,针对形状为类球体的包衣种子进行识别。首先,搭建拍摄平台,拍摄的图像传输至识别控制系统中进行图像前期处理。其次,根据图像处理后不同类型包衣种子特征提出了一种识别检测算法,根据破损包衣种子与其它包衣种子图像面积比例的差异,利用高级形态学处理实现破损包衣种子的识别。根据多籽种子与合格种子颗粒像素值的差异实现对多籽种子以及合格种子的识别。最后,对种子总数、合格数、多籽种子数及破损种子数进行检测,计算得到包衣合格率。以红三叶种子进行试验,结果表明：整套系统图像采集、处理与识别时间约为3 s;运用高级形态学处理识别破损包衣种子准确率达98.8%;当试验样本为200粒时,总数识别算法的准确率达到99.1%;对合格包衣种子以及多籽包衣种子识别相对误差分别为1.18%与3.36%。该识别检测系统实现了拍摄、图像处理、检测识别以及结果保存等功能,实现了包衣种子的无损检测。 相似文献