采用改进CNN对生猪异常状态声音识别

猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络（Convolutional Neural Network,CNN）的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G通讯技术将声音信息上传至云服务器,基于专业人员指导制作猪只异常声音（生病、打架、饥饿等）数据集,提取猪只异常声音的梅尔谱图特征信息;其次引入多种注意力机制对CNN进行改进,并对CBAM（Convolutional Block Attention Module）注意力机制进行优化,提出_CBAM-CNN网络模型;最后将_CBAM-CNN网络模型分别与引入SE_NET（Squeeze and Excitation Network）、ECA_NET（Efficient Channel Attention Networks）和CBAM注意力机制的CNN神经网络进行对比,试验结果表明该文提出的_CBAM-CNN网络模型在最优参数为128维梅尔频率、2 048点FFT（Fast Fourier Transform）点数、512点窗移下的梅尔谱图特征下相较于其他模型对猪只异常声音识别效果最佳,识别率达到94.46%,验证了算法的有效性。该研究有助于生猪养殖过程中对猪只异常行为的监测,并对智能化、现代化猪场的建设具有重要意义。     

改进帧间差分-深度学习识别群养猪只典型行为

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。     

基于DRGB的运动中肉牛形体部位识别

如何解决运动中肉牛关键部位自动识别,是实现肉牛异常行为早期发现的关键。该文通过Kinect采集肉牛图像的2种模态(Depth和RGB):基于RGB模态提出随机最近邻像素比较法,实现肉牛动作样本的自动抓取;基于Depth模态提出深度均值法,实现彩色图像背景过滤并保留肉牛形体信息,生成DRGB图像样本;基于Fast R-CNN设计识别器,参考Alex Net设计了8种分类网络并比较网络分类精度,选择最优网络作为识别器的基础网络;输入DRGB样本对网络的识别部分二次训练,最终得到符合精度要求的识别器。试验证明,RNNPC的有效数据率为94%;Selective Search算法在DRGB上产生的候选区域数量减少90%;识别网络的平均分类精度可以达到75.88%,处理图像速率为4.32帧/s,效果优于原Fast RCNN,基本可以实现运动中肉牛形体部位识别。     

基于姿态与时序特征的猪只行为识别方法

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。     

基于声信号特征加权的设施养殖羊行为分类识别

中国西部地区正在发展集约化和规模化的设施养羊业,通过监测羊舍内的声信号可以判别羊只的行为状态,从而为设施养羊的福利化水平评估提取基础依据。梅尔频率倒谱系数（mel frequency cepstrum coefficient,MFCC）模拟了人耳对语音的处理特点且抗噪音性强,被广泛用于畜禽发声信号的特征提取,但其没有考虑各个特征分量表征声信号的能力。该研究构建羊舍无线声音数据采集系统,采集20只羊在设施羊舍内的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为下的声信号,并通过Audacity音频处理软件选出720个清晰且不重叠的声音样本数据。根据MFCC各分量对羊舍声信号表征能力,特征参数提取采用一种熵值加权的MFCC参数,再求其一、二阶差分并进行主成分分析降维,得到优化的19维特征参数。通过对羊舍声信号的声谱图分析,设计了支持向量机二叉树识别模型,并对模型内的4个分类器参数进行网格化寻优测试,该识别模型对羊只5种行为下的声信号进行分类识别,用改进的特征参数与传统MFCC和线性预测倒谱系数（linear predictive cepstrum coefficient,LPCC）进行对比分析。结果表明,该特征参数对5种行为的识别率平均可达83.6%,分别高于MFCC和LPCC参数14.1%和26.8%,羊只打斗和咳嗽行为的声信号属于相似的短时爆发类声音,其识别率分别仅为80.6%和79.5%,啃咬声特征显著不易混淆,其查全率可达到为92.5%,改进特征参数更好的表征了羊舍声信号的特征,提高了羊只不同行为的识别率,为羊只健康和福利状况的监测提供理论依据。     

融合注意力机制的个体猪脸识别

随着机器视觉技术的发展,猪脸识别作为猪只个体识别方法之一受到广泛关注。为了探索非接触式的猪只个体精准识别,该研究通过深度学习模型DenseNet融合CBAM（Convolutional Block Attention Module）,建立改进的DenseNet-CBAM模型对猪脸进行识别。将DenseNet121模型进行精简,然后将CBAM注意力模块嵌入到精简的DenseNet121分类网络之前,以加强对关键特征的提取,实现猪脸图像的分类。以随机采集的1 195张猪脸图像作为数据集对本文模型进行测试。结果表明,DenseNet-CBAM模型对个体猪脸识别的准确率达到99.25%,模型参数量仅为DenseNet121的1/10;与ResNet50、GoogLetNet和MobileNet模型相比,DenseNet-CBAM的识别准确率分别提高了2.18、3.60和23.94个百分点。研究结果可为智能化养殖过程非接触式个体识别提供参考。     

基于RAdam卷积神经网络的水稻生育期图像识别

为了解决现阶段水稻发育期信息的获取主要依靠人工观测的效率低、主观性强等问题,该研究提出一种基于Rectified Adam(RAdam)优化器的ResNet50卷积神经网络图像识别方法,开展水稻关键生育期的自动识别。连续2a对12块试验田的水稻物候特征进行持续自动拍摄,对采集的水稻图像进行预处理,得到水稻各发育期分类图像数据集;采用ExG因子和大津法(Otsu)算法相结合的方法对水稻图像分割,减小稻田背景干扰;对比分析了VGG16、VGG19、ResNet50和Inception v3四种模型下水稻生育期图像分级识别的性能,选取性能较优网络模型并进行了网络参数调优;对比试验了不同优化器下模型准确率和损失值的变化,选取了RAdam优化器。结果表明,采取基于RAdam优化器卷积神经网络构建的模型,在真实场景下分类识别准确率达到97.33%,网络稳定性高、收敛速度快,为水稻生育期自动化观测提供了有效方法。     

基于阈值优化模糊投票法的农业旱情等级遥感评估

旱灾频繁发生给农业造成严重损失,将旱情监测视作异常信息识别过程,利用多分类器融合方法探讨集成多源遥感空间数据的高精度农业旱情等级评估模型。首先对各类旱情关联因子进行相关性分析,选择最优模型输入参数;然后利用3种单分类器(神经网络、支持向量机以及分类回归树)对多源遥感数据进行分析,构建阈值优化模糊投票法(threshold-optimized fuzzy majority voting,TFMV)对单分类器旱情等级评估结果进行决策级融合。结果表明:TFMV方法总体分类精度为72.55%,分别比神经网络、支持向量机、分类回归树高出约3.6、5.1和3.6个百分点;与经典投票法相比,TFMV方法分类精度也提高了约2.5个百分点。TFMV方法能有效提高单分类器旱情评估精度,多数情况下能较准确反映研究区干旱受灾区域以及旱情程度,具有应用于实际区域旱情等级评估业务的潜力。     

基于Enhanced VGG16的油茶品种分类

随着油茶产业不断壮大，市场上也出现了油茶幼苗品系混乱、以假乱真、以次充好的现象，因此急需开发一种专门的分类识别算法实现不同油茶品种的准确识别。农业领域常用VGG、ResNet网络模型进行分类工作，但存在权重空间过大和准确率不高等问题。该研究对VGG16网络模型进行层间删减以及结构调整，提出了Enhanced VGG16网络模型，在油茶叶数据集上完成模型训练与测试，并与现有经典卷积神经网络（AlexNet、VGG16、Resnet50、InceptionV3、Xception）进行对比。结果表明，Enhanced VGG16网络模型的训练集准确率和测试集准确率分别为98.98%和98.44%，权重空间为90.6 MB。与原始VGG16模型相比，训练集准确率和测试集准确率分别提高3.08和2.05个百分点，权重空间下降165.4 MB，模型性能显著提升。Enhanced VGG16网络模型与经典卷积神经网络相对比，模型综合性能更优。该研究为通过油茶叶进行品种分类识别提供了依据，同时可为其他农作物品种识别提供参考。     

基于功率谱和共振峰的母羊发声信号识别

内蒙古及周边西部地区正在发展规模化种草设施圈养,这种养殖模式要求较高的福利化饲养水平。母羊在不同的应激行为下会发出不同的声信号,可以通过识别母羊发声信号去评价其健康状况和福利化养殖水平。该研究以成年小尾寒羊为例,通过无线语音数据采集卡,平均采集80只母羊在寻羔、饥饿和惊吓3种应激行为下的发声,用Audacity软件共分割成1 200句叫声信号,并用带通滤波和小波消噪进行预处理。每种应激行为下再随机选取200句发声信号,共计600句进行AR(auto-regressive)功率谱估计和共振峰分析,提取第1、2和3共振峰频率和6个代表性的功率谱估计频域参数:功率谱密度的平均值、几何平均值、中值、切尾平均值、平均绝对偏差值和四位分极差,同时也提取叫声信号的最大值、持续时间和间隔时间时域参数,这些特征参数用于训练BP(back propagation)神经网络母羊发声信号识别模型,剩余的600句发声信号用于测试模型的识别效果。结果表明:母羊在不同应激行为下的发声信号具有明显差异的特征参数,采用共振峰参数训练的BP网络,其对母羊发声信号的正确识别率为85.3%,高于利用AR功率谱估计参数的81.0%,当2种参数进行组合训练BP网络后,其正确识别率可达93.8%,表明这种方法的识别效果更好,由于在同一种应激行为下,不同年龄和体质量的母羊发声信号具有一定的差异性,使得系统的误识别率达到6.2%。     

基于连续语音识别技术的猪连续咳嗽声识别

针对现有基于孤立词识别技术的猪咳嗽声识别存在识别声音种类有限,无法反映实际患病猪连续咳嗽的问题,该文提出了基于双向长短时记忆网络-连接时序分类模型(birectional long short-termmemory-connectionist temporal classification,BLSTM-CTC)构建猪声音声学模型,进行猪场环境猪连续咳嗽声识别的方法,以此进行猪早期呼吸道疾病的预警和判断。研究了体质量为75 kg左右长白猪单个咳嗽声样本的持续时间长度和能量大小的时域特征,构建了声音样本持续时间在0.24～0.74 s和能量大于40.15 V~2·s的阈值范围。在此阈值范围内,利用单参数双门限端点检测算法对基于多窗谱的心理声学语音增强算法处理后的30 h猪场声音进行检测,得到222段试验语料。将猪场环境下的声音分为猪咳嗽声和非猪咳嗽声,并以此作为声学模型建模单元,进行语料的标注。提取26维梅尔频率倒谱系数(Mel frequency cepstral coefficients,MFCC)作为试验语段特征参数。通过BLSTM网络学习猪连续声音的变化规律,并利用CTC实现了端到端的猪连续声音识别系统。5折交叉验证试验平均猪咳嗽声识别率达到92.40%,误识别率为3.55%,总识别率达到93.77%。同时,以数据集外1 h语料进行了算法应用测试,得到猪咳嗽声识别率为94.23%,误识别率为9.09%,总识别率为93.24%。表明基于连续语音识别技术的BLSTM-CTC猪咳嗽声识别模型是稳定可靠的。该研究可为生猪健康养殖过程中猪连续咳嗽声的识别和疾病判断提参考。     

基于卷积神经网络的玉米病害小样本识别研究

农作物病害治理对于农作物的产量和品质有着非常重要的影响。本文针对玉米病害人工识别困难、识别过程耗费大量的人力成本和病害数据样本小且分布不均的问题，提出了一种改进的迁移学习神经网络（Neural Network）的病害识别方法。首先，采用旋转、翻转等方法对样本图像集进行数据增强；其次，通过迁移的MobileNetV2模型在玉米病害图像数据集上训练，利用Focal Loss函数改进神经网络的损失函数；最后，通过Softmax分类方法实现玉米病害图像识别。另外通过试验对比AlexNet、GooleNet、Vgg16、RestNet34、MobileNetV2和迁移的MobileNetV2这6种模型的训练集准确率、验证集准确率、权重、参数数量和运行时间。结果显示，6种模型验证集的准确率分别为93.88%、95.48%、91.69%、97.67%、96.21%和97.23%，迁移的MobileNetV2的准确率最高，且权重仅有8.69 MB。进一步通过混淆矩阵对比了MobileNetV2和迁移的MobileNetV2两种模型，迁移的MobileNetV2模型识别正确率提升1.02%，训练速度减少6 350 s。本文提出迁移的MobileNetV2模型对玉米病害小样本的识别效果最佳，具备更好的收敛速度与识别能力，同时能够降低模型的运算量并大幅度缩短识别时间。     

基于一维轻量化CNN的山地索道轴承故障诊断

为保证山地果园索道安全稳定运行,并在网络环境较差的山地果园实现对索道驱动系统轴承故障诊断,该研究提出了一种一维端对端轻量化CNN检测方法1D-MRL-CNN（one-dimensional mountain ropeways lightweight convolutional neural network ）,直接对采集到的一维振动信号进行检测。基于残差结构（residual structure）和深度可分离卷积（deep separable convolution）,引入BN（batch normalization）层,在保证检测精度的同时大幅度降低模型的参数量和复杂度,并提升鲁棒性和泛化能力,适用于索道的变负荷工作状态;采用改进stem block模块、h_swish激活函数并在主体模块最后一层添加通道注意力机制（squeeze and excitation, SE）,提高网络模型的特征提取能力。为了验证模型的综合性能、变负荷工况下的稳定性以及抗噪声干扰性能,利用帕德博恩（paderborn university, PU）和凯斯西储（case western reserve university, CWRU）数据集进行试验验证。PU数据集试验结果表明,该方法故障分类准确率达99.43%,相比同类最优网络分类准确率提高0.97个百分点;参数量为83.44 kB,分别是Resnet18、VGG16、MobileNetV3-large和ShuffleNetV1模型的2.19%、0.81%、2.84%和3.31%。CWRU数据集试验结果表明,该方法在变负荷工况下的平均准确率达96.70%,比Resnet18、WDCNN和MobileNetV3-large网络分别高9.1、4.7和10.5个百分点;在4种噪声工况下的平均识别准确率达99.14%,比Resnet18、WDCNN和MobileNetV3-large网络分别高4.74、1.24和5.51个百分点。最后通过自建数据集对模型的实际工况故障分类效果进行验证,1 400个样本中仅有2个故障样本预测错误,准确率达99.86%。本研究的网络模型参数量小、准确率高,在变负荷和有噪声的工况下鲁棒性较高,适用于山地果园运输索道的轴承故障检测。     

基于改进Cascade Mask R-CNN与协同注意力机制的群猪姿态识别

猪体姿态识别有助于实现猪只健康状况预警、预防猪病爆发,是当前研究热点。针对复杂场景下群猪容易相互遮挡、粘连,姿态识别困难的问题,该研究提出一种实例分割与协同注意力机制相结合的两阶段群猪姿态识别方法。首先,以Cascade Mask R-CNN作为基准网络,结合HrNetV2和FPN模块构建猪体检测与分割模型,解决猪体相互遮挡、粘连等问题,实现复杂环境下群猪图像的高精度检测与分割;在上述提取单只猪基础上,构建了基于协同注意力机制(coordinate attention,CA)的轻量级猪体姿态识别模型(CA-MobileNetV3),实现猪体姿态的精准快速识别。最后,在自标注数据集上的试验结果表明,在猪体分割与检测环节,该研究所提模型与MaskR-CNN、MSR-CNN模型相比,在AP_0.50、AP_0.75、AP_0.50:0.95和AP_{0.5:0.95-large}指标上最多提升了1.3、1.5、6.9和8.8个百分点,表现出最优的分割与检测性能。而在猪体姿态识别环节,所提CA-MobileNetV3模...     

基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中，饲料投喂是控制养殖成本，提高养殖效率的关键。室外环境复杂多变且难以控制，适用于此环境的移动设备计算能力较弱，通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象，该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像，根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集，经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%，召回率为99.40%，精准率为99.80%，F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比，MobileNetV3-Small模型的计算量最小为582 M，平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比，MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性，在室外真实养殖环境进行投喂试验。结果显示，与人工投喂相比，基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42，质量增加率为5.56%。在室外真实养殖环境下，MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果，基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策，为室外集约化养殖环境下的高效智能投喂提供了参考。     

基于MICS-CoTNet的黑木耳品质分类方法

针对传统黑木耳品质分类效率低,识别准确率不佳等问题,提出一种基于卷积神经网络和Transformer相结合的黑木耳图像品质分类方法。该研究以CoTNet模型为基础网络,设计了MICS-CoTNet黑木耳品质分类网络模型。首先,重新规划CoTNet模型主干特征提取模块的迭代次数,降低模型的计算冗余;其次,提出坐标归一化注意力机制以增强黑木耳图像局部关键特征权重,抑制主体特征干扰;最后,引入MobileNetV2模型中特征提取模块Inverted Block,并优化CoTNet模型核心模块CoT block,增强模型对黑木耳数据的特征提取能力。将MICS-CoTNet模型与EfficientNetV2、NfNet等12种模型进行对比,结果表明,综合模型准确性和轻量性等方面,MICS-CoTNet模型表现最佳。其中,MICS-CoTNet模型在干黑木耳数据中识别准确率可达98.45%,相较标准CoTNet提升5.22个百分点;在鲜黑木耳数据中识别准确率可达98.89%,相较标准CoTNet提升2.60个百分点。MICS-CoTNet模型占用内存为30.98M,相对于原CoTNet模型减少96...     

改进AVSlowFast音视频融合模型对哺乳期母猪关键行为的识别

哺乳期母猪的自动行为监测对于保障母猪健康并及时发现异常状态具有重要意义。为了在识别母猪行为中整合视觉和听觉信号蕴含的信息,该研究提出了一种基于音视频特征多模态融合的哺乳期母猪关键行为识别方法。首先,引入三分支结构的AVSlowFast模型作为基础网络,通过视频慢通道、视频快通道、音频通道有效挖掘在视觉和听觉2种模态下的相关行为特征,并基于多层次侧向连接深入融合视听觉模态信息。在此基础上,该研究在特征融合后期引入高斯上下文变换器通道注意力模块,在不新增模型参数的条件下进一步优化高维多模态三维特征的融合效果,提高行为识别的准确率。该研究以哺乳期母猪为对象,采集实际养殖环境中的音频与视频数据进行试验,试验结果表明基于改进AVSlowFast音视频融合模型识别进食、哺乳、睡眠、拱栏、饮水、日常活动6种关键行为的平均精确率与召回率分别为94.3%和94.6%。与基于SlowFast的单模态行为识别方法相比,该研究提出的方法对6种行为识别的平均F1分数上显著提升了12.7%,为实现畜禽多模态行为监测提供了一种有效思路。