共查询到18条相似文献,搜索用时 63 毫秒
1.
为准确实时跟踪羊只目标,进行疾病异常预警,实现奶山羊精细化养殖,本文基于DiMP跟踪模型,利用奶山羊跟踪对象单一且图像样本丰富的特点,结合迁移学习和类特定融合方法,设计了一种类特定的奶山羊目标跟踪模型,能够有效克服DiMP算法在跟踪类特定目标时定位精度不足的缺点。利用构建的奶山羊视频跟踪数据训练集对跟踪算法进行迁移训练,加快模型收敛速度,使评估网络预测出的边界框更贴合奶山羊真实框的位置和尺寸。在线跟踪阶段,针对目标模板仅采用第1帧特征制作整个序列的调制向量,导致该调制向量相对整个跟踪阶段特征不具代表性,与后续帧差异大的缺点,使用训练集制作包含奶山羊各种姿态的类调制向量,以指数消融方式更新奶山羊类调制向量与第1帧调制向量间的比重,增强边界框回归任务中的奶山羊特征与背景的判别性。提出的算法在测试集上的AUC(Area under curve)和精准度(Precision)分别为76.20%和60.19%,比DiMP方法分别提升6.17、14.18个百分点,跟踪速度为30 f/s,满足实时跟踪的要求。实验结果表明,提出的类特定奶山羊目标跟踪方法可用于监测复杂场景下奶山羊的运动,为奶山羊精细化... 相似文献
2.
为了研究喷嘴喷雾状态时的声音与流量之间的关系,利用声音信号采集系统收集喷嘴喷雾时的声音,对收集到的声音信号进行快速傅里叶变换(FFT),计算功率谱密度(PSD)及带内功率,进行流量与声学信号之间的相关性分析。结果表明:喷嘴位于圆盘阵列圆心正前方6cm位置时所得声音数据噪声最小,确定为最佳位置。最后,通过曲线拟合工具箱,建立了归一化带内功率能量与喷嘴流量拟合曲线,其误差平方和SSE为0.865,拟合标准差RMSE为0.93,表明了基于声学信号准确估计喷嘴流速的可行性。 相似文献
3.
4.
杂交水稻种子在成熟过程中不可避免地会产生稻壳的裂颖,出现裂颖后会影响种子发芽性能和秧苗品质。为识别裂颖水稻种子并将裂颖水稻种子分选出来,利用自行研制的裂颖水稻种子声学检测装置,对不同下落高度、声音传感器与倾斜碰撞玻璃板之间不同距离的正常杂交水稻种子和裂颖杂交水稻种子声学特性进行测试。试验结果表明,正常杂交水稻种子撞击玻璃板后其产生的电压幅值普遍高于裂颖杂交水稻种子,杂交水稻种子最佳下落高度H=150 mm,声音传感器与倾斜碰撞板间的最佳距离h为10 mm或20 mm。对两优108杂交水稻种子的综合识别率达到94%,新两优6380杂交水稻种子的综合识别率达到88%,两优6326杂交水稻种子的综合识别率达到92%。在最优工作条件下正常杂交水稻种子和裂颖杂交水稻种子平均识别率分别达到92%、90.67%。本研究表明能够利用杂交水稻种子碰撞声学特性将裂颖种子与正常种子有效分离出来。 相似文献
5.
奶山羊乳房区域的准确提取是奶山羊非侵入式体温检测的关键,但受乳房区域遮挡及热红外图像分辨率不高等因素影响,其检测精度尚待进一步提升。基于热红外成像技术,提出了一种基于改进YOLO v5s的奶山羊乳房关键部位检测方法。通过将原模型Backbone网络的部分卷积模块替换为ShuffleNetV2结构,以达到降低网络部署和训练过程中的参数量、实现轻量化网络设计的目的。通过在Neck网络检测头(Head)前端引入CBAM注意力机制,以达到在降低网络复杂程度的同时保证奶山羊乳房区域检测精度的目的。本研究采集了包含完整信息、残缺信息和边缘模糊的孕期奶山羊乳房红外图像4611幅,并在部位标注后进行模型训练。经测试,模型精确率为93.7%,召回率为86.1%,平均精度均值为92.4%,参数量为8×105,浮点运算量为1.9×109。与YOLO v5n、YOLO v5s、YOLO v7-tiny、YOLO v7、YOLO v8n和YOLO v8s目标检测网络相比,网络的精确率分别提高1.9、1.2、1.6、4.3、3.5、2.7个百分点,召回率提高3.4、5.0、0.1、2.6、0.9、1.5个百分点,参数量降低1.1×106、6.2×106、5.2×106、3.6×107、2.4×106和1.0×107,浮点运算量降低2.6×109、1.4×1010、1.1×1010、1.0×1011、6.8×109和2.7×1010。试验结果表明,本研究所提出的网络可以实现奶山羊乳房关键部位的精确检测,且在不损失检测精度的基础上显著降低网络的参数量,有利于网络在不同环境下的部署和使用,可为奶山羊非接触式体温监测系统设计提供借鉴。 相似文献
6.
7.
为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3 844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入SimAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R-CNN、SSD、YOLO v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。 相似文献
8.
9.
以某车型为研究对象,基于混合有限元——统计能量方法建立了驾驶室的中频噪声预测模型,通过实车试验,获取待测工况下的激励信号,并验证构建的驾驶室混合FE-SEA模型的准确性;然后分析车内噪声贡献度,确定声学包优化的主要方向,采用拉丁超立方设计方法,以此构建克里金近似模型。基于遗传算法对声学包布置参数进行优化设计,并验证了优化方案效果。结果表明,合理优化关键板件的声学包布置参数能够有效降低驾驶室噪声水平。 相似文献
10.
反刍行为与奶牛生产、繁殖性能及疾病等因素密切相关,针对非接触式奶牛反刍行为分析受牛只自身运动或背景干扰等不足,提出改进FlowNet 2.0光流算法,首先计算垂直光流分量替代光流速度构建光流图,消除水平运动对光流分析干扰;其次设置光流阈值避免垂直光流中头部运动光流干扰;同步计算反刍区域面积阈值提取区域内光流数据,避免目标对象头部运动对反刍光流的影响;最后滤波拟合计算反刍曲线,确定曲线周期,增大波峰波谷差值,提升奶牛反刍咀嚼频次计数的准确性。以不同场景下20头奶牛的30段反刍行为视频为数据集,验证本文方法的有效性、鲁棒性与准确性,试验结果表明,改进FlowNet 2.0光流算法计算奶牛反刍咀嚼频次准确率为99.39%,相较于FlowNet 2.0光流算法准确率提升5.75个百分点。 相似文献
11.
基于机器视觉的奶牛发情行为自动识别方法 总被引:3,自引:0,他引:3
及时检测奶牛发情、适时人工授精、减少空怀奶牛,是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题,提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测,然后基于颜色和纹理信息去除干扰背景,再利用AlexNet深度学习网络训练奶牛行为分类网络模型,识别奶牛爬跨行为,最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明,本文方法对奶牛发情的识别准确率为100%,召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中,为生产管理提供辅助决策。 相似文献
12.
基于改进YOLO v3模型的奶牛发情行为识别研究 总被引:1,自引:0,他引:1
为提高复杂环境下奶牛发情行为识别精度和速度,提出了一种基于改进YOLO v3模型的奶牛发情行为识别方法.针对YOLO v3模型原锚点框尺寸不适用于奶牛数据集的问题,对奶牛数据集进行聚类,并对获得的新锚点框尺寸进行优化;针对因数据集中奶牛个体偏大等原因而导致模型识别准确率低的问题,引入DenseBlock结构对YOLO ... 相似文献
13.
基于计算机视觉的奶牛生理参数监测与疾病诊断研究进展及挑战 总被引:1,自引:0,他引:1
利用先进的信息技术推动智能养殖业发展已经成为奶牛养殖研究领域的重要目标和任务。计算机视觉技术具有非接触、免应激、低成本及高通量等优点,在畜牧生产中应用前景广阔。本文在阐述了计算机视觉技术在智能化养殖业发展中重要性的基础上,首先介绍了基于计算机视觉的奶牛生理参数监测进展,包括体尺、体温、体重的前沿监测设备、技术和模型参数。然后阐述了奶牛跛行及乳腺炎等疾病诊断的前沿技术发展过程和研究现状。目前,相关技术研究和应用推广存在检测准确性不高,受环境因素影响较大,非标准化养殖场结构制约检测系统普及,以及检测系统成本较高等问题和挑战。最后,本文结合中国养殖业发展现状,针对保证检测准确性、减少环境干扰等问题,就如何提高计算机视觉技术在智能化养殖业中的准确性和普适性提出了相关建议,旨在为中国奶牛养殖业的科学管理和现代化生产提供新方法和新思路。 相似文献
14.
我国的奶牛养殖数量逐年增加,通过对奶牛的生理参数和行为进行监测,可以提高奶牛养殖的经济效益,提升我国奶业的竞争力。随着人工智能技术的发展,奶牛健康监测的设备和技术在不断更新和完善,为奶牛健康监测提供了便捷和精确的手段。本文综述了近年来奶牛健康监测方面的研究进展,从奶牛的生理参数监测和行为监测两方面展开,生理参数包括体温、体尺、体质量、呼吸频率等,行为包括基本行为(站立、行走、躺卧等)、反刍、跛行等。对国内外奶牛健康监测的设备和技术进行了系统的分析,总结了不同监测设备和技术的优缺点和适用情况,并结合当前已有的应用案例,对奶牛健康监测研究所面临的问题进行了讨论,指出了奶牛智慧养殖的发展趋势,旨在为奶牛健康管理和养殖业的可持续发展提供方法和思路的参考。 相似文献
15.
研究果蔬的压缩力学性质可为果蔬加工、运输、检测包装等生产环节提供设计参数及工艺优化依据。为此,以几种常见果蔬为研究对象,在INSTRON生物材料性能试验机上搭载了电子显微镜图像采集系统,在进行果蔬试样压缩力学性质试验测试的同时,对压缩变形过程进行了动态图像采集与分析,获得了果蔬的压缩强度极限、弹性模量等力学性质指标。同时,结合电子显微镜采集到的压缩过程果蔬细观结构变形图像,通过观察压缩过程果蔬细胞的变形、微结构变位及渗水等情况,分析了果蔬材料的屈服强度、压缩强度及材料破坏与细观结构变位的关联,了解了果蔬压缩力学性质与压缩过程中细观结构变位的动态响应。 相似文献
16.
奶牛运动行为智能监测研究进展与技术趋势 总被引:1,自引:0,他引:1
奶牛运动行为蕴含着诸多健康信息。信息化、智能化技术的应用有助于养殖场及时掌握奶牛健康状况,提高养殖效率。本文主要针对奶牛运动行为智能监测技术的研究进展予以分析,首先对奶牛基本运动(躺卧、行走、站立)、发情、呼吸、反刍及跛行等行为的监测意义进行阐述,明确了奶牛行为监测的必要性;其次按照时间顺序分别从接触式监测方法和非接触式监测方法两方面综述了国内外相关研究现状,对相关研究的原理及成果进行详细介绍,并进行了分类总结;对奶牛行为监测产业发展现状进行了分析,介绍了国外主流牧场自动化设备供应商主营业务及代表产品;之后分别提出了当前接触式和非接触式奶牛运动行为监测方法的问题与挑战。最后,针对相关关键技术的发展趋势进行了展望。 相似文献
17.
18.
针对当前牧场奶牛体质量(体重)称量效率低,人工参与容易引发奶牛应激等问题,提出了一种基于改进DETR(Detection transformer)网络的端到端式奶牛体质量评估方法(Cow-DETR),实现利用奶牛背部深度图像进行非接触式奶牛体质量评估。首先设计并搭建实验数据采集装置,利用Intel RealSense D435深度相机和体重秤采集奶牛背部深度图像和体质量数据;然后,通过边缘平滑滤波器和孔洞填充滤波器对深度图像进行补全处理,减少深度数据缺失对体质量评估的影响;最后,以DETR网络为基础建立奶牛体质量评估模型,通过在预测模块中添加含有交替全连接层的体质量预测单元,提升奶牛体质量相关的特征信息提取能力,实现端到端式奶牛背部定位的同时进行奶牛体质量非接触式评估。结果表明,本文方法可以实现较高精度的奶牛体质量评估,通过5倍交叉验证,在含有139头奶牛数据的数据集中,平均绝对误差不超过17.21kg,平均相对误差不超过3.71%,单幅图像平均识别时间为0.026s。通过与现有体质量评估方法相对比,本文方法比其他6种方法在更多的奶牛头数的数据集中取得了更低的平均绝对误差和平均相对误差,同时本文方法对奶牛站立姿势要求较低,更符合牧场实际生产需要,为奶牛体质量评估提供了新的解决思路。 相似文献