排序方式： 共有2条查询结果，搜索用时 9 毫秒
1
1.
基于深层神经网络的猪声音分类 总被引：1，自引：4，他引：1
猪的声音能够反映生猪的应激状态以及健康状况,同时声音信号也是最容易通过非接触方式采集到的生物特征之一。深层神经网络在图像分类研究中显示了巨大优势。谱图作为一种可视化声音时频特征显示方式,结合深层神经网络分类模型,可以提高声音信号分类的精度。现场采集不同状态的猪只声音,研究适用于深层神经网络结构的最优谱图生成方法,构建了猪只声音谱图的数据集,利用Mobile Net V2网络对3种状态猪只声音进行分类识别。通过分析对比不同谱图参数以及网络宽度因子和分辨率因子,得出适用于猪只声音分类的最优模型。识别精度方面,通过与支持向量机,随机森林,梯度提升决策树、极端随机树4种模型进行对比,验证了算法的有效性,异常声音分类识别精度达到97.3%。该研究表明,猪只的异常发声与其异常行为相关,因此,对猪只的声音进行识别有助于对其进行行为监测,对建设现代化猪场具有重要意思。 相似文献
2.
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
1