排序方式： 共有17条查询结果，搜索用时 31 毫秒
1.
针对奶牛养殖场复杂环境下多目标奶牛嘴部自动跟踪及反刍监测的困难,该研究提出了一种基于嘴部区域跟踪的多目标奶牛反刍行为智能监测方法。在YOLOv4模型识别奶牛嘴部上下颚区域的基础上,以Kalman滤波和Hungarian算法跟踪上颚区域,并对同一奶牛目标的上颚和下颚区域进行关联匹配获取嘴部咀嚼曲线,以此获取反刍相关信息,从而实现多目标奶牛个体的嘴部跟踪和反刍行为监测;为解决奶牛快速摆头运动和棚舍栏杆遮挡引发奶牛标号变化的问题,提出未匹配跟踪框保持及扩大的方法。采集并选择实际养殖场环境下的反刍奶牛视频66段,对其中58段视频采取分帧操作得到图像,制作YOLOv4模型数据集,以其余8段视频验证跟踪方法和反刍行为判定方法的有效性。试验结果表明,YOLOv4模型对奶牛嘴部上颚、下颚区域的识别准确率分别为93.92%和92.46%;改进的跟踪算法可实现复杂环境下多目标奶牛嘴部区域的稳定跟踪,且有效解决了栏杆遮挡、快速摆头运动造成的奶牛标号变化现象,上下颚匹配率平均为99.89%,跟踪速度平均为31.85帧/s;由反刍行为判定方法获取的咀嚼次数正确率的平均值为96.93%,反刍时长误差的平均值为1.48 s。该研究可为实际养殖中多目标奶牛反刍行为的智能监测和分析提供参考,也可供其他群体动物运动部位的跟踪和行为监测借鉴。 相似文献
2.
基于改进DeepSORT的群养生猪行为识别与跟踪方法 总被引：1，自引：0，他引：1
为改善猪只重叠与遮挡造成的猪只身份编号（Identity,ID）频繁跳变,在YOLO v5s检测算法基础上,提出了改进DeepSORT行为跟踪算法。该算法改进包括两方面：一针对特定场景下猪只数量稳定的特点,改进跟踪算法的轨迹生成与匹配过程,降低ID切换次数,提升跟踪稳定性;二将YOLO v5s检测算法中的行为类别信息引入跟踪算法中,在跟踪中实现准确的猪只行为识别。实验结果表明,在目标检测方面,YOLO v5s的mAP为99.3%,F1值为98.7%。在重识别方面,实验的Top-1准确率达到99.88%。在跟踪方面,改进DeepSORT算法的MOTA为91.9%,IDF1为89.2%,IDS为33;与DeepSORT算法对比,MOTA和IDF1分别提升了1.0、16.9个百分点,IDS下降了83.8%。改进DeepSORT算法在群养环境下能够实现稳定ID的猪只行为跟踪,能够为无接触式的生猪自动监测提供技术支持。 相似文献
3.
群猪检测是现代化猪场智慧管理的关键环节。针对群猪计数过程中,小目标或被遮挡的猪只个体易漏检的问题,该研究提出了基于多尺度融合注意力机制的群猪检测方法。首先基于YOLOv7模型构建了群猪目标检测网络YOLOpig,该网络设计了融合注意力机制的小目标尺度检测网络结构,并基于残差思想优化了最大池化卷积模块,实现了对被遮挡与小目标猪只个体的准确检测;其次结合GradCAM算法进行猪只检测信息的特征可视化,验证群猪检测试验特征提取的有效性。最后使用目标跟踪算法StrongSORT实现猪只个体的准确跟踪,为猪只的检测任务提供身份信息。研究以育肥阶段的长白猪为测试对象,基于不同视角采集的视频数据集进行测试,验证了YOLOpig网络结合StongSORT算法的准确性和实时性。试验结果表明,该研究提出的YOLOpig模型精确率、召回率及平均精度分别为90.4%、85.5%和92.4%,相较于基础YOLOv7模型平均精度提高了5.1个百分点,检测速度提升7.14%,比YOLOv5、YOLOv7tiny和YOLOv8n 3种模型的平均精度分别提高了12.1、16.8和5.7个百分点,该文模型可以实现群猪的有... 相似文献
4.
多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进：对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。 相似文献
5.
高效准确地监测群养生猪的行为变化以获取其生理、健康和福利状况，对于实现生猪智能精细化养殖具有重要意义。针对猪场自然场景下光照变化和猪只粘连遮挡等因素影响，使得猪只行为跟踪中存在误检、漏检和身份频繁错误变换问题，该研究提出一种改进的TransTrack多目标生猪行为跟踪方法。首先，在目标检测模块中，采用改进的并集交并比的匹配算法，去除猪只遮挡导致的目标误检检测框。然后，在跟踪模块中，根据高低匹配阈值进行2次数据关联，提高光照变化下漏检目标的跟踪准确性。最后，针对误检与漏检导致跟踪中猪只身份错误变换，根据猪栏中猪只数量信息，限制猪只身份编号值的错误增加，提高猪只身份准确识别率。在公开数据集和私有数据集上的试验结果表明，改进的TransTrack在多目标跟踪准确率（multiple object tracking accuracy,MOTA），高阶跟踪准确率（higher order tracking accuracy, HOTA）和身份变换（identityswitches, IDs）分别为92.0%、 69.8%和210。在公开数据集中，对比Trackformer,JDE和TransTr... 相似文献
6.
7.
基于改进ByteTrack算法的群养生猪行为识别与跟踪技术 总被引：2，自引：0，他引：2
群养生猪行为的识别与跟踪是智能养殖中监测猪只健康的关键技术。为在猪只重叠与遮挡复杂场景中,实现群养生猪行为识别与稳定跟踪,提出了改进ByteTrack算法。首先,采用YOLOX-X目标检测器实现群养生猪检测,然后,提出改进ByteTrack多目标跟踪算法。该算法改进包括：设计并实现BYTE数据关联的轨迹插值后处理策略,降低遮挡造成的IDs错误变换,稳定跟踪性能;设计适合群养生猪的检测锚框,将YOLOX-X检测算法中的行为类别信息引入跟踪算法中,实现群养生猪行为跟踪。改进ByteTrack算法的MOTA为96.1%,IDF1为94.5%,IDs为9,MOTP为0.189;与ByteTrack、DeepSORT和JDE方法相比,在MOTA与IDF1上均具有显著提升,并有效减少了IDs。改进ByteTrack算法在群养环境下能实现稳定ID的猪只行为跟踪,能够为无接触式自动监测生猪提供技术支持。 相似文献
8.
借助无人机边缘计算技术监测野生动物的运动状态和种群发展变化已成为科研工作者广泛使用的技术手段。传统跟踪算法算力高,机载边缘设备硬件资源算力不足,在户外复杂的自然环境下难以实现实时跟踪。为解决野外环境中无人机跟踪野生动物时遇到树木遮挡和背景干扰导致无法准确实时跟踪的问题,选取东北地区东北虎（Panthera tigris altaica）、狍（Capreolus pygargus mantschuricus）和驯鹿（Rangifer tarandus phylarchus）为研究对象,以YOLOv7-Tiny+Bot-SORT作为检测跟踪的基础框架,提出了一种轻量化的无人机跟踪算法。首先,采用FasterNet网络减少模型冗余计算,增强特征图中目标区域关注度;其次,采用高效通道注意力机制实现局部跨通道交流,降低复杂环境对检测网络的影响,提升网络检测能力;最后,为降低计算成本,替换重识别网络,提高无人机跟踪速度。结果显示：提出的实时跟踪方法准确度（MOTA）和精确度（MOTP）分别达到79.93%和73.48%,跟踪速度从3.4帧/s提升到43.4帧/s。研究表明,提出的算法不仅在提升跟踪... 相似文献
9.
为评价母羊繁殖性能并及时发现分娩栏中的弱活力羔羊,该研究提出一种基于状态向量增强ByteTrack的新生羔羊活动量自动计算方法。针对传统ByteTrack算法在跟踪目标被遮挡时易发生身份切换的问题,引入置信度信息增强的状态向量,提高跟踪算法区分遮挡与被遮挡羔羊的能力。针对跟踪目标丢失导致轨迹预测不准确的问题,构建目标丢失期间的虚拟轨迹并重更新轨迹状态向量,以纠正轨迹误差。在获取各羔羊活动轨迹后,计算各羔羊帧间移动距离统计羔羊活动量。在江苏海门山羊研发中心采集的新生羔羊活动视频数据集上,测试状态向量增强的ByteTrack多目标跟踪算法性能。测试结果表明,研究提出的多目标跟踪方法在高阶跟踪精度、多目标跟踪精度、多目标跟踪准确度、IDF1得分上分别达到80.8%、86.1%、84.5%和92.2%,相较于现有算法的最高精度,分别提高2.7、0.2、2.3和3.9个百分点。该研究所提方法能够实现同窝多只新生羔羊的稳定跟踪,为新生羔羊活动量的自动计算、母羊繁殖性能的自动评估提供技术支撑。 相似文献
10.
为了解决无人机在跟踪羊群时,因飞行距离过近容易造成羊群受到惊吓的问题,笔者提出了一种无人机跟踪羊群时判断羊群状态的方法,即无人机采用YOLOv5-DeepSort(you only look once-DeepSort)算法对羊群进行定位跟踪,采用融合均值漂移(mean shift)和K-means聚类算法的MSK(mean shift-K-means)算法判断羊群是否受到惊吓。结果表明：YOLOv5-DeepSort算法能够用于准确定位并跟踪羊群,MSK算法能够准确判断羊群是否受到惊吓。说明该羊群状态判断方法可以用于提示无人机是否需要自动增加跟踪距离,使无人机跟踪羊群时不会造成羊只惊吓。 相似文献