基于加速度传感器的母猪产前行为特征采集与分析

针对目前大规模集约化养殖对母猪分娩时间判断主要靠饲养员对母猪产前行为连续观察,存在工作繁重,可能由于疏忽而造成仔猪死亡等问题,设计了一种基于三轴加速度传感器和无线传感网络的母猪产前行为特征实时监测系统.该系统利用无线加速度传感器节点采集母猪产前运动信息,根据不同行为的加速度曲线波动性不同,基于K均值聚类算法对行为特征进行识别分析,并进行实时显示和3G无线传输.试验表明:系统能够快速采集和传输母猪运动信息,正确检测出母猪躺卧、站立、吃料、筑窝等典型行为,正确率为87.93％,工作稳定.     

母羊产前行为特征分析与识别—基于可穿戴检测装置构架

准确获取母羊临产前行为活动方式及其规律对预测母羊分娩时间、判断其在分娩时是否需要提供人工助产具有重要的意义。目前,在大规模集约化养殖环境下大多依靠饲养员对母羊产前行为进行连续观察,耗时耗力,且主观性较大。为此,设计了一种基于可穿戴数据检测装置的母羊产前行为特征实时监测系统。该装置以单片机STM8为主控芯片,采用MPU6050三轴加速度传感器获取母羊产前行为数据,通过Wifi无线传输模块USR-C2 1 5将数据传输至上位机。利用K均值聚类算法对母羊产前3种行为(趴卧、行走、站立)进行特征分析与识别。试验表明:系统可以快速、准确的获取母羊产前行为的加速度信息,并对母羊的3种产前行为能够正确的分类识别,识别率为82.69%,能够满足母羊产前行为识别的要求。     

可穿戴设备部署位置对羊只行为识别的影响与分析

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。     

基于三轴加速度传感器的放牧羊只牧食行为研究

内蒙古自治区草地资源丰富,养羊业为自治区的主要畜牧业,通过对放牧羊只牧食行为的识别并结合GPS监测其牧食路径,可为估测放牧区域采食量分布、放牧规划和草畜平衡的研究提供理论依据。本文采用三轴加速度传感器,设计了放牧羊只牧食行为数据无线采集系统,自动采集羊只牧食的三轴加速度数据,并建立羊只牧食行为识别的BP神经网络模型、全连接深度神经网络模型和卷积神经网络模型,实现对羊只采食、咀嚼、反刍3种牧食行为的分类识别。在内蒙古自治区四子王旗白音朝克图镇半荒漠化草场的试验结果表明,BP神经网络模型、全连接深度神经网络模型和卷积神经网络模型对羊只牧食行为的平均识别率分别为83.1%、89.4%和93.8%,其中卷积神经网络模型的识别精度最高,能够满足羊只牧食行为分类识别的要求。     

基于轻量级卷积神经网络的种鸡发声识别方法

在种鸡养殖和管理过程中,借助非接触式、连续的声音检测手段和智能化设备,饲养员可以全面了解蛋鸡的健康状况以及个体需求,为提高生产效率并同时改善种鸡福利化养殖,提出了一种基于轻量级卷积神经网络的种鸡发声分类识别方法,以海兰褐种鸡为研究对象,收集种鸡舍内常见的5类声音,再将其声音一维信号转换为二维图像信号,利用卷积神经网络建立轻量级的深度学习模型,80%数据进行训练,20%数据进行测试,该模型实现了动物声音信号从输入端到识别结果输出端的高效检测。对比已有研究,本文方法对种鸡舍内常见的5类声音识别整体准确率提高3.7个百分点。试验结果表明,该方法平均准确率为95.7%,模型对饮水声、风机噪声、产蛋叫声识别召回率均达到100%,其中风机噪声和产蛋叫声精确率和F1值也均达到100%,而应激叫声召回率最低,为88.3%。本研究可为规模化无人值守鸡舍的智能装备研发提供一定理论参考。     

基于改进YOLO v4的笼养蛋鸭行为实时识别方法

蛋鸭行为模式是判断笼养鸭养殖过程中健康状况及福利状态的重要指标，为了通过机器视觉实现识别蛋鸭多行为模式，提出了一种基于改进YOLO v4 (You only look once)的目标检测算法，不同的行为模式为蛋鸭的养殖管理方案提供依据。本文算法通过更换主干特征提取网络MobileNetV2,利用深度可分离卷积模块，在提升检测精度的同时降低模型参数量，有效提升检测速度。在预测输出部分引入无参数的注意力机制SimAM模块，进一步提升模型检测精度。通过使用本文算法对笼养蛋鸭行为验证集进行了检测，优化后模型平均精度均值达到96.97%,图像处理帧率为49.28 f/s,相比于原始网络模型，平均精度均值及处理速度分别提升5.03%和88.24%。与常用目标检测网络进行效果对比，改进YOLO v4网络相较于Faster R-CNN、YOLO v5、YOLOX的检测平均精度均值分别提升12.07%、30.6%及2.43%。将本文提出的改进YOLO v4网络进行试验研究，试验结果表明本文算法可以准确地对不同时段的笼养蛋鸭行为进行记录，根据蛋鸭表现出的不同行为模式来帮助识别蛋鸭的异常情况，如部分行为发...     

奶牛行为特征识别方法的研究与实现——基于支持向量机

随着我国规模化奶牛养殖场数目的快速增加,传统的依靠人工判断奶牛发情的方法在效率和准确率方面已无法满足需要。为此,设计了一种配置有加速度传感器的、基于Zig Bee无线传感技术的传感器节点,通过线圈的形式佩戴在奶牛脖子上,在不干涉其正常活动的情况下,实时监测并采集奶牛三轴运动加速度数据,并利用基于二叉决策树支持向量机(Support Vector Machine,SVM)时间序列模型判断奶牛个体的行为特征,了解和掌握奶牛个体的身体状况。测试结果表明:分类模型的整体测试结果是较好的,建立的多分类模型能够较准确地识别奶牛个体的行为特征,为及早发现奶牛病情和发情提供了有力的支持。     

基于气味检测的茶叶种类识别方法研究

提出一种利用电子鼻系统检测茶香气味辨别茶叶种类的识别方法,使用主成分分析（PCA）、K-means聚类和卷积神经网络（CNN）3种机器学习方法对10种茶叶种类进行识别。实验结果表明,基于PCA降维特征的K聚类精度为85.17%,比基于原始特征的K聚类精度78.83%更优,基于PCA降维特征的CNN算法识别率达到95%,基于茶香气味检测的茶叶种类识别方法方便快捷,具有可行性。     

基于YOLO v3的生猪个体识别方法

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。     

基于模糊聚类的农田对象分类

利用图像分析技术对农田对象进行分类,识别农田中不同植物和不同湿度土壤,为定点变量作业提供依据。首先,针对农田各类对象包含颜色信息的不同,采用不同因子实现农田图像的灰度化;然后,利用3种灰度图像对绿色植物、蓝色天空和褐色土壤的识别优势,分析比较阈值法和K均值聚类方法并实现了图像分割;最后,利用模糊聚类法对绿色植物和不同湿度的土壤进一步实现分类。实验结果表明,利用K均值聚类法对绿色植物的平均识别率可达92.5%,对不同湿度的3类土壤的平均识别率达95.6%。因此,本研究能够准确分割和识别不同类型的植物与土壤,为农田对象的识别提供了基础。     

基于凹点分析法的粘连鸡体分割方法研究

针对鸡体之间存在相互粘连问题,以散养绿壳蛋鸡为研究对象,提出一种基于凹点分析法的粘连鸡体分割新方法,该方法在不同的颜色空间下使用最大类间方差法(Maximum Between-Class Variance,OTSU)结合形态学运算,对采集的视频图像进行图像预处理后,通过分析粘连区域的凸缺陷轮廓,使用正方形模板确定凹点位置,然后对凹点进行随机匹配确定正确的凹点匹配方式,最终实现粘连鸡体的分割。对不同数量的粘连鸡体分割试验结果表明,该方法实现了2~4只粘连鸡体的分割,平均分割准确率为92.8%,平均运行时间为2.817 s,并对比极限腐蚀结合凹点搜寻方法、分水岭分割方法,两种方法的平均分割准确率分别为63.4%、71.6%,该文方法提高粘连鸡体分割准确率;对真实养殖环境下粘连鸡群的分割试验结果表明,该方法对复杂粘连鸡群实现了较好的分割。该方法可以为后续监控鸡群个体健康状况提供技术支持。     

基于机器人的生猪健康养殖智能监控系统设计

为提高生猪养殖环境质量和行为识别率,克服规模化养殖过程中采用人工巡检生猪异常行为特征和监测养殖环境参数存在识别效率低、准确性差和劳动强度大等问题,设计一种以轨道式机器人为采集终端的生猪健康养殖智能监控系统。系统以FPGA控制器为硬件核心,结合猪只体表特征与环境感知传感器、智能控制、图像处理和无线通信技术,构建生猪异常行为与异常环境全景和局部两级联动监测平台,实现对生猪异常行为和环境参数的全方位观察、识别和数据采集功能,提高生猪养殖过程的智能化管理水平。试验结果表明,该系统能够按照预设指令自动、快速地依次对选取猪舍猪只个体的生长情况、行为特征和养殖环境信息进行自动采集,异常行为识别率可达93.5%,停车定位精度误差为±12 mm。该研究有利于技术人员快速、准确获取生猪生长环境和健康状况信息,为生猪异常环境及时调控、异常行为快速诊断、疫病防治和疫情预警提供科学依据。     

基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统

针对鸡只个体较小、个体间存在遮挡，对蛋鸡日常行为识别造成干扰的问题，提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野，提高了模型对小个体遮挡情况下的目标识别能力，提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法，并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包，设计了蛋鸡日常行为智能识别与统计系统。试验结果表明，SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点，对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型，平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持，为智慧养殖提供了借鉴。     

基于改进YOLO v5s的经产母猪发情检测方法研究

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。     

用于体质量估测的黄羽鸡姿态关键帧识别与分析

体质量是评价家禽生长状况的关键指标,但家禽姿态的变化会影响体质量估测精度。本研究提出了一种SE-ResNet18+fLoss网络对平养模式下黄羽鸡姿态关键帧进行识别,融合了注意力机制SE模块和残差结构,并改进了损失函数,通过Focal Loss监督信号来解决样本不平衡问题,同时引入梯度加权类激活图对末端分类规则的合理性进行解释。利用4295幅鸡只图像构建数据集,测试集中鸡只的站立、低头、展翅、梳理羽毛、坐姿和遮挡6类姿态情况识别的F1值分别为94.34%、91.98%、76.92%、93.75%、100%和93.68%;黄羽鸡姿态关键帧的识别精确率为97.38%、召回率为97.22%、F1值为97.26%、识别速度为19.84f/s,识别精度、召回率和F1值均优于ResNet18、MobileNet18 V2和SE-ResNet18网络,在提高黄羽鸡姿态关键帧识别精度的同时保证了实时性,为准确估测家禽体质量提供了技术支持。