计算机视觉技术在猪行为识别中应用的研究进展

中国生猪养殖规模和数量在不断扩大,养殖信息化是今后生猪饲养监管的重要模式。计算机视觉技术作为信息处理的有效辅助技术,提供了一种自动化、非接触式、低成本、高收益且对动物无伤无压力的行为识别方式,可用于考量生猪健康状况并及时预防和发现疾病。介绍了猪行为识别视觉系统,回顾了视觉技术在生猪目标提取和个体识别、行为识别分析中的应用及算法,分析了现存视觉系统及行为识别方法在准确性、有效性与适用性方面存在的问题,提出了视觉系统的改进策略及今后计算机视觉技术在猪体识别和行为识别应用中的重点研究方向。     

智能养殖:生猪行为研究及其应用

信息技术与各行业的深度融合是当前全球信息化发展的显著特征,这些技术在生猪养殖中的引入推动了生猪智能养殖的发展。智能养殖已成为了生猪养殖未来发展的重要方向,其基础是生猪养殖产业链中信息数据的规模化动态收集。生猪养殖过程是联系产业链各个链条的中枢环节,对其智能控制是生猪养殖转型升级过程中的关键。作为生猪养殖过程中最具丰富信息的载体,生猪行为的动态监测数据,可作为生猪运动功能、健康状态和精神状态的重要评估依据。本文全面梳理了生猪行为的细化分类;分析了遗传、营养状态和日粮组成、养殖环境、养殖管理、健康状况等因素对生猪行为的影响;探讨了基于射频识别(RFID)和加速度等传感器、机器视觉、声音等生猪行为监测方式;提出了生猪行为监测技术规模化应用所面临的挑战。研究表明,生猪行为的监测将为生猪智能养殖提供又一有力数据抓手,可借此实时监控养殖过程中的生猪健康和福利状态,助推生猪养殖过程控制的智能化发展。     

基于视觉感知的畜禽智慧养殖管理与疫病诊断研究进展

为深入了解基于视觉智能感知的畜禽智慧养殖管理与疫病诊断的研究现状，本研究以“深度学习”、“个体检测”、“畜禽身份识别”、“体尺体重评估”、“体温检测”、“行为识别”、“疫病诊断”等为关键词，在Web of Science核心集合、Science Direct、CNKI等数据库就1990—2022年已发表的文献进行检索，从5个方面对研究畜禽智慧养殖管理与疫病诊断的方法与技术进行总结、归纳、分析。结果表明: 1)畜禽身份识别主要通过畜禽面部识别实现，针对单帧的畜禽面部数据设计无约束方法是未来研究方向。2)畜禽体尺体重智能评估研究中，基于三维点云的畜禽体尺体重高精度快速测量技术是研究的重点。3)由于畜禽疫病数据集的稀缺，基于小样本的畜禽疫病识别技术是突破疫病诊断的关键。4)畜禽体温检测关键是在复杂养殖环境下畜禽热窗的准确定位，通过检测分割算法对热红外模式下的图像进行精准检测。5)日常行为识别主要难点为长时间畜禽密集目标检测与跟踪，并计算其行为轨迹与特点；异常行为通过连续帧间的上下文关系进行识别，主要难点为畜禽异常行为数据稀少性和正负样本不均衡的问题。本综述对基于视觉智能感知的畜禽体温检测、体尺体重评估、行为识别与疫病诊断技术方法进行了研究现状阐述、难点分析和未来趋势展望，为视觉感知技术在畜禽养殖的技术演进和应用发展提供了参考方向。     

基于改进OpenPose算法的猪只行为识别方法

【目的】提高猪只行为识别效率,提供猪只健康状态的快速判别依据,推进中国生猪养殖智能化和规模化。【方法】借鉴OpenPose人体姿态估计算法并对其改进,构建猪只姿态估计模型,在视频流图像中提取猪只骨骼关节点,通过计算关节点间距与骨骼关节角度描述猪只行为特征,利用K-最近邻算法(K-nearest neighbor, Knn)对猪只行为进行分类。【结果】采用基于改进OpenPose算法对猪只行为的识别准确率达到94%以上,优于采用YOLO v4算法的识别结果;与采用DeepCut、Associative Embedding和DeeperCut姿态估计算法相比,采用改进OpenPose算法构建的猪只姿态估计模型对猪只各类行为识别准确率提高了4%以上。【结论】本识别方法能够满足生猪规模化养殖中猪只行为自动化监控的需求,有效降低工人劳动强度,为猪只健康异常状态的判别提供辅助决策信息,在养殖业智能化和信息化领域具有巨大应用潜力。     

计算机视觉在农业领域的研究探讨

随着国家大力发展智慧农业,计算机视觉技术在农业领域中的应用也得到快速发展,推进着农业生产向高质量、高产量的方向不断发展。本文分析了当前计算机视觉在农业领域中农作物病虫害识别、种子和果实分级检测、农作物生长环境监测和农田土壤特征分析等方面的研究现状,并进一步讨论了计算机视觉和深度学习结在农业领域中和应用,最后对计算机视觉技术在农业领域的研究中存在的问题进行了分析和展望。     

基于非接触式的牛只身份识别研究进展与展望

快速精准确定牛个体身份对疾病防控、品种遗传改良、奶制品和肉制品质量溯源以及改善农业假保险索赔等方面具有重要意义。传统的牛个体识别使用诸如烙印、耳纹、耳标和无线射频识别等方法,易遭受设备损失/工作重复、标记欺诈、动物福利安全以及监测成本和距离等方面的挑战;而基于生物特征的非接触识别由于其独特性、不变性、低成本易操作以及动物福利高,成为牛身份识别的新趋势。主要介绍了几种基于非接触式的牛身份识别的研究进展,重点关注牛脸识别的最新成果,讨论当前牛脸识别在实际应用中面临的挑战,在此基础上对深度学习在牛脸身份识别研究中的应用进行了设计构思与展望。     

基于帧间差分法-单点多框检测器的圈养生猪打斗行为识别方法

在集约化养殖过程中,生猪打斗行为是影响生猪福利养殖的重要因素之一.针对复杂养殖环境下传统方法识别圈养生猪打斗行为准确率低的问题,提出1种基于帧间差分法(Frame difference,FD)-单点多框检测器(Single shot MultiBox detector,SSD)的生猪打斗行为识别方法.首先,利用帧间差分法提取生猪连续视频帧中的移动像素,排除光照度变化、地面水渍及尿渍等环境因素以及静止生猪对打斗行为识别的干扰.然后,以连续视频帧中的移动像素为样本,采用MobileNet v2、焦点损失函数、网络参数迁移学习对单点多框检测器进行改进,用于检测发生剧烈运动的生猪个体,提高SSD对运动生猪个体的检测精度与速度.最后,针对生猪发生打斗行为时的特点,设计精准的生猪打斗行为判别方法,以识别生猪是否发生打斗行为.试验结果表明,该方法对生猪打斗行为的识别准确率、查准率、查全率分别达到93.75％、96.79％、90.50％,可以有效识别圈养生猪的打斗行为,为饲养员判断生猪异常状况提供依据.     

多变环境下基于多尺度卷积网络的猪个体识别

【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出的针对脸部特征的猪个体身份识别模型是有效的,并在多变环境下具有较高的识别率和鲁棒性,为实现一体化管理及追踪溯源的研究提供参考。     

基于深度神经网络及隐马尔科夫模型的生猪状态音频识别

针对传统音频识别方法在生猪音频信号识别中识别率较低的问题,将深度神经网络及隐马尔可夫模型理论作为生猪音频信号识别依据,以长白猪的吃饭声、发情声、嚎叫声、哼叫声和生病长白猪的喘气声为识别对象,利用卡尔曼滤波和改进的EMD-TEO倒谱距离端点检测算法对生猪音频信号进行预处理,把提取的39维的梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)作为网络学习和识别的数据集,构建基于深度神经网络及隐马尔科夫模型的生猪状态音频识别模型。试验结果表明:1)隐马尔可夫隐状态数设置为5,深度神经网络隐藏层设置为3层,每层128个节点的深度神经网络-隐马尔可夫模型(Deep neural network-hidden Markov model,DNN-HMM),对5种生猪状态音频,即吃饭声、嚎叫声、哼叫声、发情声和病猪喘气声的识别率为70%、95%、75%、80%和95%,总体识别率83%;2)相较于传统的高斯混合模型-隐马尔可夫模型(Gaussian mixture model-hidden Markov model,GMM-HMM),DNN-HMM对相应音频的识别率分别提高了5%、5%、15%、30%、30%,总体识别率提高了17%;3)DNN-HMM模型对于5种不同类型的生猪音频信号均呈现出较好的识别效果。基于DNN-HMM生猪音频识别模型,对生猪不同状态下音频的识别具有较高正确率,且更为可靠。     

林火烟雾图像自动识别中的模式分类器选择

探索了支持向量机（SVM）方法解决由脉冲耦合神经网络（PCNN）提取的林火烟雾图像特征后的计算机视觉模式识别问题。针对由于林火烟雾图像的纹理特征不突出,即便用特殊方法提取出来的特征向量也维数较高,对后续分类器性能提出较高要求并且分类效果存在很大的未知性等问题,通过实验,对3种人工神经网络分类器和支持向量机分类器的烟雾图像特征甄别效果进行了详细对比。结果表明:基于支持向量机的分类器在复杂的森林背景情况下对烟雾有很好的分辨能力,其识别准确率达到94.26%,并且在识别准确率和分类速度两方面都超过了作为对照的3种神经网络分类器。      

基于姿态估计的动物行为识别研究进展

为分析姿态估计在动物行为识别和动物福利研究中的应用和发展潜力,本文以基于深度学习的姿态估计方法为突破口,从二维和三维空间的角度综述了动物姿态估计研究进展和方向,并介绍常见数据集与评价指标;然后整合基于姿态估计的动物行为识别相关研究成果,重点介绍关键点检测和行为分类的算法及其特征选取方式。姿态估计为动作识别和行为分析等研究提供了骨架信息和运动特征,成为动物行为识别和异常信息预警的非接触式监测方法。但由于受到训练数据集较少的限制,相对于人体姿态估计,动物姿态估计研究和发展速度相对较慢。因此,近年来利用跨域学习的方式来进一步提升其性能成为一种新兴手段。本综述为动物智能行为识别、动物福利研究以及智慧养殖等相关研究者扩展研究思路和研究方法。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

深度学习方法在农业领域的研究及应用

深度学习方法因其具有学习能力强、覆盖范围广、自适应力强、可移植性好等优点,适用于解决实际生产的非线性问题,在农业领域得到了广泛研究和应用。文章简述了深度学习的概念及其特点,从种植业和养殖业2个方面阐述了深度学习在农业领域的研究现状;详细介绍了在分类识别、病虫害识别及预测、动物身份识别及行为监测等方面的研究进展及效果;总结了目前制约深度学习方法进一步应用的原因是样本数据量大、处理要求高和硬件不匹配等;最后对深度学习的发展趋势进行了展望。     

深度卷积神经网络在计算机视觉中的应用研究综述

深度卷积网络这一包括众多隐含层的网络结构发展,具有传统机器应用无法比拟的表达能力与特征学习水平。因此在其应用于深度学习算法训练以来,已经在许多大型的识别研究中赢得了良好荣誉。本文主要研究了深度卷积神经网络在计算机视觉中的主要应用。对深度卷积网络的池化操作、图像分类物体检测工作具体分析,推动深度卷积神经网络在计算机视觉中的应用发展。     

基于颜色特征进行农作物图像分类识别的应用研究综述

利用农作物自身的特征对农作物图像进行分类识别是计算机视觉技术在农业自动化应用中的重要前提条件。本文首先探讨了基于颜色特征的两种图像分类识别方法：统计直方图法和颜色参量的统计特征法，并分析比较了两类方法的特点，试图为以农作物颜色为特征的图像分类识别应用提供思路。最后综述了从分析农作物外在的颜色特征进行农作物图像分类识别的国内外最新研究方法和成果，以促进计算机视觉技术在我国农业领域的应用和发展。     

深度学习方法在农业信息中的研究进展与应用现状

为使农业信息领域的研究人员能够系统和快速地了解深度学习在农业中的研究进展以及应用现状,对深度学习在农业信息领域的应用进行归纳、梳理、分析和展望。对涉及农业领域且应用深度学习技术的90项研究中所涉及的农业问题、具体模型和框架、数据集的来源和特征以及预处理方法、模型评价指标等进行归纳总结分析,并讨论深度学习的优点和局限性,进而展望深度学习的发展趋势。农业领域中的应用包括作物及其器官分类、病虫害识别、果实识别和计数、植物识别、土壤覆盖分类、杂草识别、行为识别和分类、植物养分含量估计、植物叶片或种子表型分析等方面;大多数研究采用卷积神经网络,如AlexNet、VGG16和Faster R-CNN。在框架方面,Caffe使用频次最高,其次是Tensorflow和Keras/Theano;分类准确度是最常用的模型评价指标,其次是F1得分和平均精度。与其他常用方法和技术相比,深度学习不仅精度高,而且性能优于现有的常用图像处理技术。其他涉及计算机视觉技术的农业应用有望通过深度学习技术的使用获得更好的效果。     

基于视频的手写数字识别

随着计算机技术的不断发展,视频跟踪技术越来越成为计算机领域中研究的热点。视频跟踪技术的研究涉及范围很多,包括视频图像处理、模式识别以及人工智能等,具有较强的研究价值。手势检测识别技术作为一种基于计算机视觉的新型人机交互方式,是其中备受瞩目的研究和应用技术之一。文章采用一种简单高效的颜色直方图对目标（红色手指）进行主色定位,并在图像序列中进行目标区域提取,得到运动轨迹,进行手写数字识别。最后利用八段视频验证了该方法的简单高效,并能成功进行实时跟踪与识别。     

基于深度学习的图像分割在畜禽养殖中的应用研究进展

图像分割作为智慧农业养殖中“视觉系统”的重要组成部分,被广泛应用于畜禽的智慧养殖中。近年来,深度学习算法飞速发展,基于深度学习的图像分割技术也取得了重大突破。这些方法赋予了分割区域更准确的语义信息,使得图像分割更加精准和智能,为畜禽智慧养殖提供了更强的技术支持。本文通过广泛收集和整理国内外研究的相关文献,重点阐述了图像分割技术在畜禽养殖中的畜禽计数、体尺体质量测量、姿态估计与行为识别、体况及疾病检测、精准饲养等方面的应用现状,给出了如何根据实际性能需求（精度、处理速度）、数据集、计算资源等方面选择合适图像分割方法的建议,总结分析了当前研究中与畜禽养殖相关且可用于图像分割训练的公开数据集;并指出了基于深度学习的图像分割技术在畜禽养殖中所面临的挑战与未来的发展趋势,希望能为畜禽养殖中图像分割技术的具体应用提供参考。     

基于RFID技术的养猪场个体识别系统设计

为顺应当前畜牧业的发展趋势,满足市场对生猪生产质与量的需求,设计了基于RFID技术的生猪个体快速识别系统.系统以8位CMOS单片机AT89C2051、读写芯片MFRC522、标签芯片I·CODE SLILabel IC SL2 ICS20(简称I·CODE2)作为核心硬件,实现了对猪的个体识别和信息追踪.该系统简单,便于实现,有较高的可靠性,可应用于大规模养猪场,有助于养殖的自动控制.     

基于人脸识别智慧养殖安防系统的设计与实现

随着计算机视觉的深入发展,基于人脸识别的安防成为人工智能应用的重要领域。本文基于深度学习相关技术,设计一款基于神经网络的人脸识别安防系统。不仅详细阐述了应用系统的设计与架构,而且对人脸识别模型的设计进行了详细的描述。实验表明,基于神经网络的人脸识别安防系统具有较高的识别率与良好的稳定性,有效的促进了智慧养殖的发展。