基于深度学习网络实现番茄病虫害检测与识别

为利用计算机或人工智能技术协助番茄病虫害防治，以存在病虫害侵害问题的番茄植株图像为研究对象，针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络，用于精确定位图像中的病虫害目标，并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络，以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比，基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%，旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%；2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较，本研究的检测和分类方法也存在优势，病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之，本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络，有助于提升番茄病虫害的防治效果，对计算机视觉在农业领域的应用具有重要意义。     

一种轻量级CNN农作物病害图像识别模型

针对传统CNN(Convolutional neural network)模型存在训练参数量大而无法应用于硬件条件受限的场合这一问题,本研究提出一种轻量级CNN农作物病害识别模型,能够在保证模型识别准确率情况下简化模型结构,扩大模型的适用场景.设计1个深度卷积模块作为基本卷积单元,2个深度卷积模块和1个批归一化层组成1个残差块作为残差单元,以残差单元作为基本元素设计一个轻量级CNN农作物病害识别模型.对辣椒、番茄和马铃薯的病害图像进行分类识别,最终模型在训练集上的总识别准确率为99.33％,测试集上的总识别准确率为98.32％.相对VGG16等传统模型,在进行农作物病害识别时本模型有更高的识别准确率、更快的识别速度和更小的内存占用.     

基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移

【目的】在家蚕种茧雌雄鉴别设备推广应用中,为了减少新品种、新设备需要重新建模的难度和时间,进行了基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移研究。【方法】首先使用2种型号光谱仪(NirQuest512光谱仪和SW2540光谱仪)采集4个品种蚕茧(9芙、7湘、7夏和932)的近红外漫透射光谱数据;然后用源域数据集训练的卷积神经网络作为源域模型,并对其中的中间层输出进行可视化分析;针对不同的种茧品种和不同的采集设备对源域模型进行微调,构建了迁移后的模型;最后将迁移后的模型预测准确率与卷积神经网络(Convolutional neural networks,CNN)、支持向量机(Support vector machine,SVM)和随机森林(Random forests,RF)算法进行对比。【结果】采用源域1 700个9芙样本(NirQuest512光谱仪)构建的CNN源域模型,具有很好的雌雄分辨能力,分辨准确率达到99%以上。以源域CNN模型中间层输出作为输入构建的SVM和RF模型,雌雄分辨准确率分别为92%和90%以上,通过可视化分析表明卷积层能很好地提取雌雄特征。对于目标域中样本数量较少的100个7湘(NirQuest512光谱仪)、77个7夏和112个932的样本(SW2540光谱仪),训练集比例为70%时,通过微调源域CNN模型后得到的目标域CNN模型的准确率分别为96.90%、99.67%、97.29%,效果最优;独立的SVM模型准确率分别为92.49%、94.25%、93.65%,效果次之;独立RF模型的准确率分别为80.93%、80.17%、81.47%,效果稍差;独立CNN模型的准确率分别只有58.87%、56.33%、72.17%,效果最差。通过多次不同训练集数量的建模比较,同样显示在数据量较少的情况下,迁移学习后CNN模型最优,传统机器学习方法次之,深度CNN模型最差。【结论】不同光谱仪或者不同品种的情况下深度迁移学习模型的可迁移性,为使用多种光谱仪和采集多种品种蚕茧时快速建立一个蚕茧雌雄分类模型提供了理论和实践的依据。     

基于深度学习与近红外光谱的土壤质地分类模型研究

为提高土壤质地分类模型的准确率,本研究采用欧盟统计局的土壤近红外光谱数据来训练模型,实现砂土、 壤土、黏壤土和黏土的快速区分。将17939 个样本按6:2:2 的比例随机划分为训练集、验证集和测试集,建立卷积神经 网络（CNN）和长短时记忆网络（LSTM）分类模型。为避免模型梯度消失,采用ReLU、批标准化（Batch Normalization, BN）、Dropout 等方法。并采用早停法（Early Stopping）训练网络,防止模型过拟合。本文探讨了网络层数、网络类型 （CNN 和LSTM）、注意力机制对分类效果的影响规律。实验结果:模型的总体分类准确率随网络层数的增加而提高,4 层CNN 模型准确率达到76.58%,4 层LSTM 模型准确率达到77.86%,两类模型均能有效地对土壤质地进行分类。融 入SENet 注意力模块后,模型可重新分配权重,更有效地对光谱内部特征进行自动提取,得到更高且稳定的分类准确 率,CNN_4_Attention 模型准确率达到77.50%,LSTM_4_Attention 模型准确率达到78.39%。     

基于高光谱和卷积神经网络的鲜枣黑斑病检测

[目的]为实现鲜枣黑斑特征的识别,提高鲜枣附加价值,采用高光谱成像技术采集了不同年份完好和黑斑鲜枣的信息。[方法]基于全波段光谱,采用偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)和误差反向传播神经网络(Back Propagation Neural Networks,BP-NN)建立单一年份和联合年份的判别模型。采用连续投影算法(Successive Projections Algorithm,SPA)提取联合年份的特征波长;利用主成分分析进行单波段图像的数据压缩,针对主成分图像采用BP-NN和卷积神经网络(Convolutional Neural Networks,CNN)进行黑斑鲜枣识别。[结果]联合年份所建PLS-DA、BP-NN模型的整体判别正确率均达到了99.2%,比单一年份所建校正模型的整体判别准确率高,但单一年份所建模型中BP-NN比PLS-DA的判别精度高;采用SPA提取联合年份的特征波长后所建BP-NN判别模型的正确率为100%;基于主成分图像所建BP-NN和CNN模型的判别正确率分别为78.3%和90.0%。[结论]收获年份是影响校正模型稳定性的一个重要因素,联合年份所建校正模型比单一年份所建校正模型具有更好的预测能力;同时CNN可成功应用于基于高光谱技术的鲜枣黑斑特征识别中,也为其它农产品品质检测提供了新方法。     

基于姿态估计和关键点特征向量的奶牛跛行识别方法

针对目前养殖场中自动检测奶牛跛行效率低、准确率不高等问题，设计了一种基于姿态估计和膝关节角度特征向量的奶牛跛行识别方法。鉴于奶牛行为具有随机停留的特点，制作奶牛在不同远近视场尺度和观测角度等条件下奶牛姿态估计数据集。将Faster RCNN卷积神经网络模型引入到奶牛关键点检测中提高跛行识别的可靠性；以ResNet101网络作为特征提取网络，构建奶牛姿态估计网络，并采用超参数微调训练方法，对网络模型进行迁移训练。通过视频中的奶牛姿态信息和关键点坐标信息，计算出奶牛行走时膝关节的角度特征，并利用1-D Convolution分类模型实现奶牛的跛行识别。实验结果显示：以ResNet101网络模型为基础的奶牛姿态估计网络的PCK@0.1值可以达到0.925 0；使用1-D Convolution模型对奶牛行为分类识别的准确率为97.22%，与LSTM、Bi-LSTM、GRU模型相比，分别提高5.55、2.78、11.11百分点。以上结果表明，所提方法对自然环境下奶牛跛行有较好的检测效果，可用于奶牛智能化养殖并为养殖管理提供技术参考。     

基于姿态角的生猪行为识别方法研究

现有的生猪行为判别方法,未能实现个体全天行为的监测统计,且模型分析过程繁琐、准确率低、设备成本高。研究低成本、高准确率的生猪个体行为识别方法,为判别生猪健康状况提供依据。首先设计基于微惯性传感器且可穿戴生猪姿态信息监测模块,将监测模块佩戴在生猪颈部,采集站、走、卧、躺4类生猪行为下对应的加速度、角速度、姿态角数据6 000组,然后采用LM训练法进行模型训练,并分析加入姿态角信息对模型训练结果的影响,最后建立生猪日常行为分类模型并采用异校验方式进行验证。结果表明:在考虑姿态角信息的条件下,其训练效果与模型的相关系数均优于仅考虑行为信息的训练模型,加入姿态角信息作为BP神经网络输入量可有效避免网络陷入到局部极小值,收敛迅速,误差函数为0.001 844,满足训练要求,模型期望分类与实测分类的决定系数为0.991,生猪行为识别准确率为92.64%。该模型为进一步分析生猪生理健康状况判别提供了数据支持。     

基于迁移学习的芒果成熟度分类算法研究

成熟度判别是芒果采收及储藏的重要依据.为了适应移动设备硬件算力的限制，对比了传统机器学习方法和迁移学习方法在芒果成熟度鉴别方面的表现，优选最佳模型并开发了芒果成熟度分类软件.试验采集了不同成熟度的小台农图像100张，进行数据扩充后按照8:2划分为训练集和测试集，以准确率、F1值和预测时间作为模型评价指标，分别采用k近邻(K-NearestNeighbor, KNN)、支持向量机(Support vector machine, SVM)、朴素贝叶斯(Naive bayes, NB)、决策树(Decision tree, DT)机器学习算法模型和AlexNet、ResNet18、VGG16、GoogleNet和SqueezeNet迁移学习算法模型进行训练和测试，并对比分析各模型的表现.结果表明：机器学习虽然运算速度快，但分类的准确率明显低于迁移学习，迁移学习的分类准确率均在90%以上.但综合考虑模型的分类准确率和计算能力认为Resnet18表现最佳，它在迭代20次后准确率达到98.75%,而测试时间仅为74.66 ms,优于其它深度学习模型.     

基于SE-R(2+1)D网络的自然环境下的奶牛行为识别

智能行为识别对于奶牛健康的自动诊断和精准养殖具有重要意义。由于接触式传感器会损害动物福利，对奶牛产生应激反应。因此，本文设计了R(2+1)D模型对奶牛进行行为识别。3D网络作为1种时空卷积网络，可以有效识别奶牛的基本时序行为，但该模型针对奶牛的进食行为与反刍行为不易区分，因此对残差网络中的残差映射部分进行改进，在残差网络中添加注意力机制，将SE模块加入到残差映射部分。首先，利用Kinect相机采集奶牛的行为视频；其次，将采集到的奶牛视频分解成连续帧输入到改进后的模型中，连续帧经过二维空间特征和一维时间特征提取，经过残差网络的注意力模块，忽略一些无关的特征；最后，经过模型的Softmax层进行行为分类。实验证明，和原模型比较，准确率提高了2.36%。本文方法实现了精准的奶牛行为识别，可为智慧畜牧业的发展提供技术支持。     

基于PAM-RF 的奶牛活动异常情况监测

奶牛生理状态信息化监测是实现现代化大规模奶牛养殖的重要工具。针对奶牛的行为模式监测问题,设计了一种利用无线传感器网络技术,基于PAM算法与随机森林算法相结合的奶牛活动异常情况监测模型。该监测模型使用三轴加速度传感器作为奶牛行为数字化采集手段,无监督PAM算法分类样本行为作为训练集,结合基于有监督的随机森林算法作为奶牛活动行为分类的数学模型,在分类奶牛行为基础上构建奶牛活动强度指数时间序列,进而监测奶牛活动异常情况的发生。结果表明,该模型可以高效地分辨高、中、低3类不同强度的奶牛活动行为,模型的平均分类正确率高于91%,其中高强度与低强度分类正确率均高于95%;运用奶牛活动强度指数时间序列能够有效监测奶牛发情异常情况的发生,监测奶牛发情的正确率为91.67%。     

Applying Dairy Cow Behavior in Management Practice

Applying dairy cow behavior in management practice is an effective way of improving cow health, welfare and performance. This paper first reviewed daily time budget and normal patterns of dairy cow behavior, and then discussed the influence of major management conditions and practices （such as competitive environments, stocking density, grouping strategies） on cow＇s feeding, lying and social behavior. Finally, new findings of using feeding behavior to predict disorders in transition period were addressed. It was suggested that dairy researchers and farmers should take advantage of related knowledge of dairy cow behavior to improve dairy cow health and welfare. More research is required to further study dairy cow behavior so as to better apply it in practical management and meet the needs of production.     

奶牛个体识别方法及其应用研究进展

为了解个体识别在奶牛生产中记录产奶量、监控采食活动、监测卧床行为、追踪活动轨迹以及其他生产项目中的研究现状,以"奶牛"、"个体识别"、"识别方法"和"生产应用"为关键词,对2008—2018年的文献进行检索,并根据识别过程的不同特点对三类识别方法,即人工机械识别、接触式电子识别和图像生物识别进行归纳和总结并对识别方法、现代化生产应用以及国内进展等3个方面进行归纳和总结。结果表明:1)生物识别技术相较于传统方法对奶牛个体的伤害较小,可以在很多方面克服环境的干扰。2)目前智能识别技术与奶牛行为活动监测相关联,可以全面掌握个体健康状况和生产性能。3)国内在计算机视觉方面取得了长足的进步,为个体的智能化识别打下了坚实基础。今后个体识别技术研究应该着重于提高对环境的适应性和系统的兼容性,为建立完整的自动化奶牛监测体系提供依据。     

基于K-means-BP神经网络的舍饲环境母羊产前运动行为分类识别

为了探讨舍饲圈养方式对怀孕母羊生理及心理健康产生的影响,设计以三轴加速度传感器MPU6050为核心的母羊产前运动行为监测装置,并对37只成年小尾寒羊母羊产前的运动行为(站立、行走、趴卧及刨地)进行分类识别。针对母羊趴卧和站立2种静态行为识别难度大的问题,提出采用K-means聚类算法对趴卧行为进行识别。在此识别结果的基础上,通过MATLAB软件对其他3种行为数据进行校正、滤波、加窗分段处理,提取母羊产前运动行为数据的19维特征,通过主成分分析降维方法获取累积贡献率达到95%的6个分量作为新的特征集用于行为识别。利用BP神经网络算法对其他3种运动行为进行分类识别。结果表明:所设计的母羊产前运动行为识别算法对母羊产前趴卧行为的识别率达到99.2%,对站立、行走及刨地行为的识别率分别为85.7%、88.9%、80.0%,能够满足对母羊行为识别的要求;经PCA降维后算法的识别率提高了9.9%,识别效果得到了改善。     

Behavioral Observations on Introduced Hu Sheep in Henan Province,China

Hu Sheep is a local sheep breed in the plain of Taihu,China.Due to the natural conditions in Taihu and human domestication,Hu Sheep is gradually featured with high adaptability,fast growth rate,early maturity and high productivity,which make them to be a unique and rare breed of sheep.In the present study,an experiment was conducted by means of instantaneous scan sampling,focal animal sampling and all-occurrence sampling to learn about Hu Sheep's behavior and activity pattern under certain feeding management and ecological condition.The result showed that the activity time budgets for several behaviors were different between rams and ewes,with respect to feeding (rams 30.60％ vs.ewes 33.23％),ruminating (33.43％ vs.35.30％);sleeping (19.92％ vs.13.69％),standing (4.13％ vs.5.26％),moving (8.10％ vs.7.46％),and other behaviors (3.86％ vs.5.06％).A circadian activity rhythm was shown in some behaviors;e.g.,total feeding time was greater in the daytime than at night,whereas resting time showed the opposite tendency.Moving mostly occurred in the daytime,and ruminating mainly occurred at night.Additionally,feeding activity occurred 32.22 times per day in rams and 31.73 times per day in ewes,whereas ruminating activity after feeding occurred 19.83 times per day in rams and 24.34 times per day in ewes.For each food bolus,the average ruminating time was 51.22 s in rams and 49.52 s in ewes,with 68.22 bouts of rumination per day in rams and 57.35 bouts of rumination in ewes.By conducting the experiment,we studied and grasped the local Hu Sheep's main behavior and regularity which are of great significance on improving the feeding management and reducing diseases.     

基于Storm的奶牛发情实时监测系统设计与实现

奶牛发情识别是奶牛场生产活动中的重要组成部分,直接关系到奶农的经济效益,而现有的奶牛发情识别方法存在效率低、时效性差、准确率低等问题。针对这些问题,基于大数据实时流式框架Storm设计并实现了奶牛发情实时监测系统。利用阿菲金二代计步器获取奶牛体征参数,通过无线局域网传输到服务器,采用基于Storm的实时流式框架进行处理,JavaWeb对处理后的体征参数可视化展示;以2 h作为单个时间片,6 h作为一个情期显著滑动窗口,选取窗口内连续3个时间片单元的步数s1、s2、s3、累积静卧时间t1、累积起卧次数b和累积站立时间t2为特征向量,建立了基于Storm的奶牛发情SVM预测模型。测试结果表明,设计的系统平均延迟在2 s内,平均准确率在98.9%以上,奶牛发情预测准确率为85.71%,奶牛发情预测周期缩短为6 h。该系统为奶牛发情预测提供了有效工具,对其他大型动物的监测也具有一定的指导意义。     

奶牛泌乳性能与乳中尿素氮的相关性分析

选择90头中国荷斯坦奶牛作为试验对象,按照产奶量分为3组,研究奶牛泌乳性能与乳中尿素氮的关系。结果表明:高产奶牛乳中尿素氮含量高于中产奶牛与低产奶牛,但差异不显著,奶牛泌乳性能与乳中尿素氮存在弱正相关。     

不同养殖模式及存栏规模牛场奶牛生产性能分析

对山东省86家奶牛群体改良(DHI)参测牛场的生产性能数据进行了综合统计,采用最小二乘分析法探究了养殖模式(规模化牧场和小区)及饲养规模对牛只生产性能是否存在影响,同时比较了近年来不同规模奶牛场生产性能变化情况。结果表明,山东省DHI参测奶牛场以规模化牧场为主,牧场的存栏规模以300～600头最多,其次为300头以下、600～1000头、1000头以上。不同养殖模式和养殖规模牛场之间在各项生产性能指标上存在显著差异(P<0.05):牧场养殖模式下牛群平均胎次、生奶产量和质量水平显著高于小区模式;不同养殖规模牛场生产性能比较显示,日产奶量、校正奶量和305天奶量均以300头以下牛场为最高(P<0.05),乳脂率以1000头以上牛场为最高(P<0.05),乳蛋白率以600～1000头存栏规模的牛场最高(P<0.05)。从近7年校正奶量变化情况看,存栏600～1000头的奶牛场校正奶量上升趋势最为明显。     

Automatic real-time monitoring of locomotion and posture behaviour of pregnant cows prior to calving using online image analysis

Monitoring the locomotion and posture behaviour of pregnant cows close to calving is essential in determining if there is a need for human intervention to assist parturition. In this study an automatic real-time monitoring technique is described in detail which allows identifying the locomotion and posturing behaviour of pregnant cows prior to calving. For this purpose video surveillance images of eight cows for the last 24 h prior to their calving were analysed. Data on seven different variables with time were obtained for each cow using an automatic real-time monitor. These were namely: x–y coordinates of the geometrical top view centre point of the cow; walking trajectory; distance walked; orientation of the main axis; body width/length ratio; hip length and back area. These variables were then used to classify specific behaviours such as standing or lying (including incidences of motion during lying), and eating or drinking. On average 85% of the standing and lying and 87% of the eating or drinking behaviour of the eight cows during the last 24 h before calving could be correctly classified. However, the developed technique needs to be further validated with additional tests in the field.     

奶牛初乳防治胎衣不下的效果

126头中国荷斯坦奶牛分娩后3～6h颈部两侧皮下注射健康奶牛初乳各25ml,研究初乳防治奶牛RFM的效果。结果表明,试验组126头奶牛的RFM发病率为6.35%,显著低于对照组(P<0.05);试验组71头经产牛RFM发病率为11.27%,显著低于对照组(P<0.05),而试验组55头初产牛RFM发病率与对照组差异不显著(P>0.05)。利用奶牛初乳防治RFM的效果显著,经产牛的效果优于初产牛。     

特定饲养条件下河南奶山羊的昼夜行为及节律

用瞬时扫描取样法、焦点动物取样法和全事件取样法,对河南奶山羊(青年羊、怀孕羊和哺乳羊)的行为及活动规律进行观察。结果表明:(1)奶山羊在特定饲养管理条件下昼夜的行为时间为运动占22.35%;卧息占29.13%;采食占21.44%;反刍占25.59%;其他行为时间占1.49%(包括饮水、排便、修饰、嗅闻、站立和发声等)。(2)不同生理期河南奶山羊取食行为时间分配差异极显著(P0.01);卧息时间分配差异显著(0.01P0.05);而运动、反刍及其他行为则差异不显著(P0.05)。(3)奶山羊白昼运动多发生在8:00-11:00和16:00-19:00,放牧时间约6 h;采食有两个高峰期(8:30-10:30和16:00-18:00);反刍有两个明显的高峰期(13:00-15:30和23:30-2:00);卧息则多发生在夜间,伴随着反刍。其他行为随机发生,排便多在采食过程中发生。河南奶山羊行为和节律的发生与放牧条件和饲养管理方式关系密切。