共查询到18条相似文献，搜索用时 234 毫秒
1.
群养猪行为是评估猪群对环境适应性的重要指标。猪场环境中，猪只行为识别易受不同光线和猪只粘连等因素影响，为提高群养猪只行为识别精度与效率，该研究提出一种基于改进帧间差分-深度学习的群养猪只饮食、躺卧、站立和打斗等典型行为识别方法。该研究以18只50～115日龄长白猪为研究对象，采集视频帧1 117张，经图像增强共得到4 468张图像作为数据集。首先，选取Faster R-CNN、SSD、Retinanet、Detection Transformer和YOLOv5五种典型深度学习模型进行姿态检测研究，通过对比分析，确定了最优姿态检测模型；然后，对传统帧间差分法进行了改进，改进后帧间差分法能有效提取猪只完整的活动像素特征，使检测结果接近实际运动猪只目标；最后，引入打斗活动比例（Proportion of Fighting Activities, PFA）和打斗行为比例（Proportion of Fighting Behavior, PFB）2个指标优化猪只打斗行为识别模型，并对模型进行评价，确定最优行为模型。经测试，YOLOv5对群养猪只典型姿态检测平均精度均值达93.80%，模型大小为14.40 MB，检测速度为32.00帧/s，检测速度满足姿态实时检测需求，与Faster R-CNN、SSD、Retinanet和Detection Transformer模型相比，YOLOv5平均精度均值分别提高了1.10、3.23、4.15和21.20个百分点，模型大小分别减小了87.31%、85.09%、90.15%和97.10%。同时，当两个优化指标PFA和PFB分别设置为10%和40%时，猪只典型行为识别结果最佳，识别准确率均值为94.45%。结果表明，该方法具有准确率高、模型小和识别速度快等优点。该研究为群养猪只典型行为精准高效识别提供方法参考。 相似文献
2.
融合动态机制的改进型Faster R-CNN识别田间棉花顶芽 总被引：4，自引：4，他引：0
针对田间密植环境棉花精准打顶时，棉花顶芽因其小体积特性所带来识别困难问题，该研究提出一种改进型更快速区域卷积神经网络（Faster Region Convolutional Neural Networks，Faster R-CNN）目标检测算法实现大田环境棉花顶芽识别。以Faster R-CNN为基础框架，使用 RegNetX-6.4GF作为主干网络，以提高图像特征获取性能。将特征金字塔网络（Feature Pyramid Network，FPN）和导向锚框定位（Guided Anchoring，GA）机制相融合，实现锚框（Anchor）动态自适应生成。通过融合动态区域卷积神经网络（Dynamic Region Convolutional Neural Networks，Dynamic R-CNN）方法，实现训练阶段检测模型自适应候选区域（Proposal）分布的动态变化，以提高算法训练效果。最后在目标候选区域（Region of Interest，ROI）中引入目标候选区域提取器（Generic ROI Extractor，GROIE）提高图像特征融合能力。采集自然环境7种不同棉花材料总计4 819张图片，建立微软常见物体图像识别库2017（Microsoft Common Objects in Context 2017，MS COCO 2017）格式的棉花顶芽图片数据集进行试验。结果表明，该研究提出的方法平均准确率均值（Mean Average Precision，MAP）为98.1%，模型的处理速度（Frames Per Second，FPS）为10.3帧/s。其MAP在交并比（Intersection Over Union，IOU）为0.5时较Faster R-CNN、RetinaNet、Cascade R-CNN和RepPoints网络分别提高7.3%、78.9%、10.1%和8.3%。该研究算法在田间对于棉花顶芽识别具有较高的鲁棒性和精确度，为棉花精准打顶作业奠定基础。 相似文献
3.
人字形板式换热器流道传热特性及参数优化 总被引：2，自引：2，他引：0
为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草的发展提供参考。 相似文献
4.
基于边界脊线识别的群养猪黏连图像分割方法 总被引：3，自引：3，他引：0
猪体图像的前景分割和黏连猪体的分离是实现群养猪数量自动盘点和猪只个体行为智能识别的关键。为实现群养猪黏连图像的自动分割,该文采用决策树分割算法提取视频图像帧的猪体前景区域,计算各连通区域的复杂度,根据复杂度确定黏连猪体区域,利用标记符控制的分水岭分割算法处理黏连猪体图像,检测待选的边界脊线,通过检验待选边界脊线的分割效果和形状特征(包括线性度和Harris拐点数目),识别出猪体黏连分割线,实现黏连猪体的分离。结果表明,决策树分割算法(decision-tree-based segmentation model,DTSM)能够有效地去除复杂背景,前景分割效果良好。黏连猪体分离结果显示,基于边界脊线识别的黏连猪体分离准确率达到了89.4%,并较好地保留了猪体轮廓。通过计算分割后猪体连通区域的中心点,并对中心点进行德洛内剖分,初步实现了猪只的定位和栏内分布的可视化。6 min的监控视频处理结果显示,该文方法各帧图像的盘点平均误差为0.58,盘点准确率为98.33%,能够正确统计出栏内猪只数量。该研究可为实现基于监控视频的群养猪自动盘点和个体行为识别提供新的技术手段。 相似文献
5.
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
6.
便携式柑橘虫害实时检测系统的研制与试验 总被引：3，自引：2，他引：1
为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。 相似文献
7.
融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法 总被引：7，自引：5，他引：2
为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。 相似文献
8.
基于改进实例分割算法的智能猪只盘点系统设计 总被引：1，自引：1，他引：0
基于图像处理的动物资产计数方法，不仅可以减少人工投入，还可以缩短生物资产的计数周期，但该方法受光照条件影响严重，并且当动物间相互挤压、遮挡时，计数精度较差。针对这些问题，该研究提出了一种基于图像实例分割算法的生猪计数网络。针对光照和目标边缘模糊问题，利用拉普拉斯算子进行图像预处理。对Mask R-CNN网络的特征提取网络进行改进，在原始特征金字塔网络（Feature pyramid network, FPN）后面增加一条自底向上的增强路径，直接将低层边缘位置特征与高层特征相融合，提高对目标边缘轮廓的识别能力，对非极大值抑制过程和损失函数进行优化和改进，以提高分割精度。在河北丰宁、吉林金源和内蒙古正大3个试验猪场进行测试，验证本文网络的计数精度。采集设备在3个试验猪场共采集2 400张图像，经图像预处理去除模糊和光线差的图像，从剩余的图像中随机选取共1 250张图像作为原始数据集，其中丰宁猪场500张、金源猪场500张，正大猪场250张。将各猪场的原始数据集分别按2:2:1的比例分为3部分，包括训练集905张，验证集95张，测试集250张，对原始训练集和验证集进行数据增强，最终得到训练集图像1 500张，验证集图像150张，测试集图想250张。河北和吉林的试验猪场，每栏猪只数目为12～22头，各测试100张图像，完全准确清点的图像比例分别为98%和99%，满足实际应用要求。内蒙古试验猪场的单栏猪只密度大，每栏猪只数目平均80头，测试50张图像，完全准确清点的图像比例为86%。本文所提出的猪只盘点系统，通过修改网络增强图像中目标特征信息提取和优化边界框回归过程，减少由于光线差和遮挡导致的目标漏检情况，解决了基于图像分割算法的猪只盘点中光照、模糊以及遮挡等问题，能够满足单栏饲养密度为1.03～1.32头/m2的养殖场的猪只盘点需求。 相似文献
9.
采用轻量级网络MobileNetV2的酿酒葡萄检测模型 总被引：1，自引：1，他引：0
为提高高分辨率田间葡萄图像中小目标葡萄检测的速度和精度,该研究提出了一种基于轻量级网络的酿酒葡萄检测模型（Wine Grape Detection Model,WGDM）。首先,采用轻量级网络MobileNetV2取代YOLOv3算法的骨干网络DarkNet53完成特征提取,加快目标检测的速度;其次,在多尺度检测模块中引入M-Res2Net模块,提高检测精度;最后,采用平衡损失函数和交并比损失函数作为改进的定位损失函数,增大目标定位的准确性。试验结果表明,提出的WGDM模型在公开的酿酒葡萄图像数据集的测试集上平均精度为81.2%,网络结构大小为44 MB,平均每幅图像的检测时间为6.29 ms;与单发检测器（Single Shot Detector,SSD）、YOLOv3、YOLOv4和快速区域卷积神经网络（Faster Regions with Convolutional Neural Network,Faster R-CNN）4种主流检测模型相比,平均精度分别提高8.15%、1.10%、3.33%和6.52%,网络结构分别减小了50、191、191和83 MB,平均检测时间分别减少了4.91、7.75、14.84和158.20 ms。因此,该研究提出的WGDM模型对田间葡萄果实具有更快速、更准确的识别与定位,为实现葡萄采摘机器人的高效视觉检测提供了可行方法。 相似文献
10.
群养猪侵略性行为的深度学习识别方法 总被引：9，自引：8，他引：1
为了解决因传统机器视觉和图像处理方法的局限性以及复杂的猪体姿态和猪舍环境导致对群养猪侵略性行为识别的有效性、准确率较低的问题,该文基于深度学习的方法,提出使用3DCONV的群养猪侵略性行为识别算法-3DConvNet。分3个批次采集18头9.6 kg左右的大白仔猪视频图像,选用第一批次中包含28 d内各个时段的撕咬、撞击、追逐、踩踏4大类,咬耳、咬尾、咬身、头撞头、头撞身、追逐以及踩踏7小类侵略性行为以及吃食、饮水、休息等非侵略性行为共计740段(27114帧)视频作为训练集和验证集,训练集和验证集比例为3:1。结果表明,3DConvNet网络模型在训练集上的识别准确度达96.78%,在验证集上识别准确度达95.70%。该文算法模型对于不同训练集批次的猪只以及不良照明条件下依然能准确识别侵略性行为,算法模型泛化性能良好。与C3D模型进行对比,该文提出的网络模型准确率高出43.47个百分点,单帧图像处理时间为0.50 s,可满足实时检测的要求。研究结果可为猪场养殖环境中针对猪只侵略性行为检测提供参考。 相似文献
11.
该文论述了影响猪排泄地点的选择和圈栏内污染程度的各种环境(温度、湿度、光、气流速度、垫草)、设备布局(圈栏尺寸、形状、设备相对位置、隔栏方式)、管理(调教、喂料)等因素,并对评价圈栏内污染程度的方法进行探讨。旨在指导科学布置圈栏,将圈栏设计成长窄形,漏缝地板设在短向一侧;并尽量育成和育肥分开饲养,避免在育成阶段饲养面积偏大;通过工程手段实现漏缝地板处和躺卧区在温度和气流速度上的差异,以实现猪群在局部漏缝地板排泄。在生产管理中,避免饲养密度过大;通过通风系统控制圈栏内的温度以及空气污染;转群时进行调教,喂料有规律并对疾病进行及时诊断和治疗,都能降低圈栏污染程度,以实现真正意义的清洁生产。 相似文献
12.
该文论述了影响猪排泄地点的选择和圈栏内污染程度的各种环境（温度、湿度、光、气流速度、垫草）、设备布局（圈栏尺寸、形状、设备相对位置、隔栏方式）、管理（调教、喂料）等因素，并对评价圈栏内污染程度的方法进行探讨。旨在指导科学布置圈栏，将圈栏设计成长窄形，漏缝地板设在短向一侧；并尽量育成和育肥分开饲养，避免在育成阶段饲养面积偏大；通过工程手段实现漏缝地板处和躺卧区在温度和气流速度上的差异，以实现猪群在局部漏缝地板排泄。在生产管理中，避免饲养密度过大；通过通风系统控制圈栏内的温度以及空气污染；转群时进行调教，喂料有规律并对疾病进行及时诊断和治疗，都能降低圈栏污染程度，以实现真正意义的清洁生产。 相似文献
13.
育肥猪舍用混凝土微缝地板的截面优化 总被引：1，自引：0，他引：1
为解决现有混凝土微缝地板因截面设计不尽合理产生的承载力富余过大,导致实际生产中板体自重大、生产和运输成本高等问题。该文通过计算假定、截面和荷载转化的方法,对混凝土微缝地板的结构进行了理论剖析,对其制造材料、板体尺寸、配筋等进行了优化和力学性能计算。在截面面积减少3600mm2、纵向钢筋面积减少213mm2、混凝土的标号由C30调至C25的情况下,单块地板的正截面抗弯值为3.14kN.m,斜截面抗剪值为3.56kN,裂缝宽度值为0.167mm,跨中截面挠度值为3.70mm,均可满足育肥猪安全使用要求。优化后,单块地板混凝土使用量可节省0.01m3,每平米地面铺设成本降低18%。 相似文献
14.
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
15.
基于头尾定位的群养猪运动轨迹追踪 总被引：7，自引：6，他引：1
猪的头/尾位置直观反映了猪的进食、饮水、争斗、追逐等日常活动。从群养猪俯视视频中有效分割粘连的猪个体,找出猪的头/尾部,并以头/尾坐标实现较精准的运动轨迹追踪有着较大的难度。该研究采用改进分水岭分割算法分割视频图像帧中的粘连猪个体;对分割后的猪体提取头/尾轮廓,分别用类Hough聚类和圆度识别算法识别每头猪的头/尾,用运动趋势算法修正头/尾识别的误差,生成以头/尾部为定位坐标的运动轨迹。运算结果和人工标记对比证明类Hough聚类和圆度识别算法的头尾识别正确率分别为71.79%和79.67%;经过运动趋势修正后,以头部为定位坐标生成的运动轨迹与人工标记生成运动轨迹吻合良好;对比头/尾轨迹和质心轨迹可以发现,头/尾轨迹能够更多获取猪个体和群体活动、运动信息。该研究对于实现自动记录和分析猪个体和群体的活动行为提供新的思路和方法。 相似文献
16.
基于自注意力机制与无锚点的仔猪姿态识别 总被引：1，自引：1，他引：0
在猪场养殖过程中,仔猪姿态识别对其健康状况和环境热舒适度监测都有着重要意义。仔猪个体较小,喜欢聚集、扎堆,且姿态随意性较大,给姿态识别带来困难。为此,该文结合Transformer网络与无锚点目标检测头,提出了一种新的仔猪姿态识别模型TransFree（Transformer + Anchor-Free）。该模型使用Swin Transformer作为基础网络,提取仔猪图像的局部和全局特征,然后经过一个特征增强模块（Feature Enhancement Module,FEM）进行多尺度特征融合并得到高分辨率的特征图,最后将融合后的特征图输入Anchor-Free检测头进行仔猪的定位和姿态识别。该文以广东佛山市某商业猪场拍摄的视频作为数据源,从12个猪栏的拍摄视频中选取9栏作为训练集,3栏作为测试集,训练集中仔猪的俯卧、侧卧和站立3类姿态总计19 929个样本,测试集中3类姿态总计5 150个样本。在测试集上,TransFree模型的仔猪姿态识别精度达到95.68%,召回率达到91.18%,F1-score达到93.38%;相较于CenterNet、Faster R-CNN和YOLOX-L目标检测网络,F1-score分别提高了2.32、4.07和2.26个百分点。该文提出的TransFree模型实现了仔猪姿态的高精度识别,为仔猪行为识别提供了技术参考。 相似文献
17.
圈栏面积、形状和隔栏方式对猪排泄行为的影响 总被引：1，自引：1，他引：0
猪在圈栏内的排泄行为是直接影响粪尿在舍内的收集方式和清洁生产的首要环节。在不同的舍饲环境和饲养方式下猪的排泄行为随之变化,该文就育成育肥猪在常见的圈栏饲养方式下,对两种圈栏面积(14.4m2和9.6m2)、两种圈栏形状(长宽比为1︰1和1.5︰1)和隔栏方式(开敞和封闭),进行了两个重复的对比试验,研究这三个因素对猪群排泄区地点和排泄区面积大小的影响。将每个圈栏划分为15个网格区域,利用摄像仪记录猪的排泄行为后,通过observer软件分析落在每个网格区域的排泄频次,将排泄区定义为80%以上的排泄行为发生所在区域之和。结果表明圈栏面积对排泄区地点和面积大小有显著影响(Mann-WhitneyUTest,P<0.001),圈栏形状和隔栏方式影响不显著。并随着猪龄的增长,排泄区地点向漏缝地板方向移动,排泄区面积明显加大(Fridman Test,P<0.05),污染更加严重。应在育肥和育成阶段分开,并设计合理的圈栏尺寸,以实现猪到漏缝地板上排泄。 相似文献
18.
为明确人工光环境下后备母猪的适宜光照强度,该研究搭建了一套猪舍光环境偏好性选择系统,以LED白光（400～700 nm）为人工光源,设置4种光照强度（40、100、350、1200 lx）,每7 d为一个周期对单元猪舍对应的光照方案进行调整,光照时长16 h,以24头二元杂交后备母猪为试验对象,进行了为期28 d的试验,探究后备母猪对人工光环境光照强度的偏好性选择规律。结果表明,在猪只数量的时空分布方面,相较于40、350、1200 lx,后备母猪在开灯期间表现出对100 lx光照强度的显著性偏好（P<0.05）,占整体数量29.33% ± 1.14%;猪群对其余3种光照强度的偏好呈现明显的节律性,表现为开灯后和关灯前3 h对40 lx光照强度的偏好显著高于350、1200 lx（P<0.05）;在猪只活跃度方面,开灯后的前6 h,较强光照组（350 lx: 37.97% ± 3.47%和1200 lx：35.42% ± 4.04%）的猪只活跃度显著高于较弱光照组（40 lx: 27.90% ± 8.44%和100 lx: 23.94% ± 3.79%）;在猪只采食方面,较强光照（350、1200 lx）组后备母猪的饲料消耗量和采食时长均高于较弱光照组（40、100 lx）。由此,建议后备母猪舍的照明制度中设置一定的光照过渡阶段,以100 lx光照强度为主,开灯后和关灯前3 h使用40 lx较弱光环境避免刺激,此外,可在09:00—11:00增加2 h较强光照（350 lx）增加猪只活动量。该研究结果可为后备母猪舍光环境精准调控提供理论参考依据。 相似文献