基于CenterNet搭配优化DeepSORT算法的断奶仔猪目标跟踪方法研究

[目的]断奶仔猪是生猪养殖业中的重点关注对象,群养环境下的仔猪精准跟踪是分析仔猪个体行为、监测仔猪个体健康的基础。本文提出1种基于深度学习的断奶仔猪目标跟踪方法。[方法]利用基于中心点的CenterNet检测算法设计断奶仔猪目标检测模型,对DeepSORT算法的检测部分进行优化;训练优化跟踪过程中提取仔猪目标外观特征的模型,结合卡尔曼滤波和匈牙利匹配算法,改进重识别环节,实现具有深度关联度量的断奶仔猪目标实时检测与跟踪。[结果]算法测试结果表明,断奶仔猪目标检测模型的平均精度均值和召回率分别为99.0%和78.6%,多目标跟踪精度MOTA和MOTP指标分别为96.8%和81.8%。[结论]本文所提方法改善了因断奶仔猪外表高度相似性以及黏连遮挡情况导致跟踪困难的问题,可在群养环境中精准跟踪断奶仔猪个体,算法为后续仔猪个体行为分析研究提供技术支撑。     

高光谱图像与卷积神经网络相结合的油桃轻微损伤检测

[目的]油桃表面轻微损伤的快速检测对提高油桃的品质及市场竞争力具有重要作用。[方法]本研究以"中油四号"油桃为研究对象,提出了基于高光谱图像与卷积神经网络相结合的油桃分块损伤区域检测算法。针对原始图像存在的复杂背景及油桃自身颜色特征,采用基于颜色特征的图像分割算法实现油桃与复杂背景的分离。针对损伤部位占比较小的特点,采用分块算法将原始图像分成64×64的块,并为每个分块制作标签(正常、损伤、背景区域),分块数据与其对应标签共同构成试验数据集。构建卷积神经网络模型,将数据输入该模型进行识别。[结果]油桃损伤区域识别率为88.2%。[结论]基于高光谱图像与卷积神经网络相结合的方法可以较准确地实现油桃表面轻微损伤的检测。     

基于多卷积神经网络融合的当归病虫害识别方法

针对目前当归产业病虫害识别方法缺失、人工提取特征存在主观因素及卷积神经网络训练需要大量数据等不足,提出1种基于多卷积神经网络融合的当归病虫害识别方法。构建当归常见病虫害数据集;选择在当归病虫害数据集中表现性能最好的ResNet50、InceptionNetV3、VGG19、DenseNet201 4个网络作为模型融合的基学习器;使用XGBoost(极度梯度提升)算法作为元学习器,得到基于多卷积神经网络融合的当归病虫害识别模型。结果表明,该融合模型比单个卷积神经网络模型具有更高的识别准确率,并优于其他融合方法融合的模型,对当归病虫害识别的查准率、查全率、F₁值分别达到98.33%、97.14%、97.68%。本研究提出的基于XGBoost融合方法融合的模型实现了当归常见病虫害的精确分类,对常见病害的识别准确率达到98.33%,为当归产业提供了一种有效的病虫害识别方法。     

基于卷积神经网络的天麻表面破损检测研究

【目的】为解决传统天麻表面破损主要依靠人工检测的问题,提出将残差神经网络模型(Faster R-CNN ResNet101)检测方法应用到天麻表面破损识别中,以期取得较好的识别效果。【方法】以腐烂、霉变、机械损伤和完好等4类天麻为研究对象,在卷积神经网络和区域候选网络的基础上构建模型,然后在tensorflow框架上实现模型检测,最后对比分析结果。【结果】天麻表面破损检测模型利用Faster R-CNN ResNet101网络中的输入卷积层以及4个卷积组进行特征提取,区域候选网络生成天麻表面破损的初步位置候选框,实现候选框的分类和定位,其识别率达95.14%,且查准率为0.94,召回率为0.92。与SSD (Single Shot multibox Detector)、Faster_rcnn_inception和Rfcn_resnet101等3种神经网络识别方法对比,识别率分别提高了13.02%、10.69%和12.02%。【结论】该模型具有泛化能力强、准确率较高和鲁棒性较好等特点,为农产品的识别研究提供了参考和借鉴。     

基于轻量化网络与注意力机制的育肥猪采食行为识别方法研究

[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题，提出一种具有轻量化结构的育肥猪采食行为检测模型，实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础，构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响，选取性能最优的模型；改进ShuffleNet V2网络结构基本单元，采用Mish激活函数提高模型泛化能力与推理速度，引入SE注意力机制给予目标特征更高的权重以提高目标识别精度；对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后，猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求，可在复杂养殖环境中全天候识别育肥猪采食行为。     

一种基于深度卷积神经网络的油菜虫害检测方法

针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。     

基于机器视觉的新生仔猪目标识别方法研究与实现

[目的]新生仔猪目标检测是母猪分娩监测的关键环节。[方法]通过自制图像采集器采集母猪分娩视频图像,机器视觉系统获取分娩图像信息,选取Canny算子对图像进行边缘检测,采用Otsu算法对图像进行二值变换,应用滑动平均算法和形态学开运算对二值图像滤波消噪,提取图像最大连通域,利用团序列检测算法对母猪目标进行分割,对分割后区域进行仔猪目标识别。[结果]试验结果表明,团序列检测算法能够准确分割出母猪目标,检测仔猪目标的正确率达到95.5%。[结论]提出一种能够有效识别新生仔猪目标的方法,为仔猪的出生预警提供了技术支撑。     

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。     

仔猪轮状病毒感染与乳糖不耐受症的临床检测

[目的]探讨轮状病毒感染与乳糖不耐受症的临床相关性,为建立适用于规模化养猪场的仔猪轮状病毒感染检测方法提供理论依据.[方法]随机选择腹泻仔猪和健康仔猪各63头,采用醋酸铅—氢氧化铵法和pH试纸法分别检测仔猪粪便的乳糖和pH值,粪便乳糖大于或等于++且pH≤5.5为继发性乳糖不耐受症;然后运用猪轮状病毒诊断试剂检测乳糖不耐受病例的猪轮状病毒感染情况.[结果]与健康仔猪相比,腹泻仔猪粪便乳糖大于或等于++为36例,其中pH≤5.5有23例,即发生乳糖不耐受症的病例23例,占总腹泻仔猪数的36.51%.对23例乳糖不耐受病例进行轮状病毒感染检测,结果发现仔猪继发性乳糖不耐受症与猪感染轮状病毒所引起腹泻的吻合率高达100%.[结论]由猪轮状病毒所引起的仔猪腹泻,多会发生继发性乳糖不耐受症,采用醋酸铅—氢氧化铵法能及时鉴别诊断猪轮状病毒感染,且具有廉价、方便、快捷等优势,适合在基层猪场大规模使用.     

“断奶安”防治仔猪腹泻的作用机理及应用研究

[目的]探讨微生物制剂“断奶安”对仔猪腹泻的防治作用机理。[方法]给断乳仔猪口服“断奶安”,观察其对仔猪腹泻率、生产性能、肠道微生物区系、各肠段pH值及肠黏膜形态结构等方面的影响。[结果]“断奶安”可提高断乳仔猪的存活率,使腹泻率下降19．24％,且能显著提高断奶仔猪的日增重、日采食量,具有较好的提高断乳仔猪生长速率的趋势及阶段增重优势,使仔猪生长性能得到较高水平的发挥;可通过增强仔猪肠道抵抗力来维持肠道黏膜的机械屏障作用和正常的消化功能,进而提高肠道的黏膜免疫水平;还可通过降低肠道内潜在致病茵比例及其对宿主的毒害作用,使断奶仔猪肠道菌群在极短的时期过渡至并维持在动态平衡状态,并具有降低仔猪肠道内容物pH值的趋势。[结论]“断奶安”可有效防治断奶仔猪腹泻。     

基于机器学习的奶牛颈环ID自动定位与识别方法

[目的]奶牛个体信息的实时感知和行为分析是现代化奶牛精细养殖的必然要求,奶牛个体身份的有效识别是上述目标的前提和基础。基于奶牛生物特征(牛脸、体斑等)图像的无接触识别方法易受外界干扰、算法复杂度高,可识别的样本规模受到限制。因此,本文提出1种基于机器学习的奶牛颈环ID自动定位与识别方法。[方法]针对奶牛运动造成的颈环ID偏转问题,采用基于梯度方向直方图(HOG)特征的级联检测器结合多角度检测方法实现奶牛标牌的定位;对标牌图像进行图像增强和二值化分割等处理,得到单个字符图像;设计卷积神经网络的结构和参数,训练字符识别模型,从而完成标牌字符的识别。试验数据包括80头奶牛的1 414幅侧视图像,随机选取其中58头奶牛的图像作为训练集,其余22头奶牛的图像作为测试集。[结果]标牌定位的准确率为96.98%,召回率为80.23%,字符识别模型的准确率为93.35%,连续图像序列中奶牛个体的识别率为95.45%。[结论]识别模型对光线变化、污渍沾染、旋转角度等具有良好的鲁棒性,具有代替传统动物个体身份识别方法的潜力。     

吉林地区规模化猪场大肠杆菌和沙门氏菌性仔猪腹泻流行情况调查

[目的]研究吉林地区规模化猪场大肠杆菌和沙门氏菌性仔猪腹泻的流行情况,分析引起该地区仔猪腹泻的主要致病菌。[方法]试验采集了21家规模化猪场中117份仔猪腹泻粪便样本,进行基因提取、PCR扩增、电泳鉴定和致病性试验。[结果]从117份仔猪腹泻样本中分离出大肠杆菌104份,其中49份具有致病性,占样本总数的42.88%;分离出沙门氏菌19份,其中15份具有致病性,占样本总数的12.82%。[结论]大肠杆菌和沙门氏菌是引起吉林地区规模化猪场仔猪腹泻的主要致病菌,且有混合感染情况。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于改进YOLO v5复杂场景下肉鹅姿态的检测算法研究

[目的]肉鹅姿态是预警肉鹅异常行为、评判肉鹅健康状态的重要指标,针对传统养殖场人工观察肉鹅姿态耗时费力且有很大主观性等问题,提出了一种基于深度学习模型自动识别肉鹅姿态的检测算法。[方法]利用YOLO v5模型对扬州鹅4种姿态(站立、休憩、饮水和梳羽)进行识别;对YOLO v5模型加入SENet、CBAM、ECA三种注意力模块改进网络结构,提高模型的识别能力;设计明暗试验和密集场景试验进一步验证模型在复杂场景下的鲁棒性。[结果]YOLO v5+ECA模型的平均检测精度(mAP)为88.93%,相比YOLO v5提升了2.27%。在识别精度(AP)上,站立姿态为91.85%,休憩姿态为93.42%,饮水姿态为90.02%,梳羽姿态为80.42%。在明暗试验和密集场景试验中,YOLO v5+ECA模型性能表现稳定,漏检现象和误检现象相对较少。[结论]该模型可以实现养殖场复杂场景下肉鹅姿态准确快速检测,为后续肉鹅行为监控和健康防疫提供数据支撑。     

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。     

甘氨酸螯合铁对断奶仔猪生产性能的影响

[目的]为甘氨酸螯合铁在断奶仔猪生产上的应用提供依据。[方法]选择20头28日龄断奶仔猪进行饲养试验,在基础日粮中添加0.05%甘氨酸螯合铁,研究添加甘氨酸螯合铁对仔猪生产性能、死亡率和腹泻率的影响,并预测了其可能带来的经济效益。[结果]在基础日粮中添加0.05%甘氨酸螯合铁后,仔猪的平均日增重为347.00 g,比对照组提高了9.1%,差异达到显著水平,而料重比为1.46,比对照组降低了6.2%。腹泻率也比对照组降低了56.3%,试验组和对照组中仔猪均未死亡。与对照组相比,每头猪平均所获毛利增加了16.2%,经济效益明显提高。[结论]在饲喂仔猪时,应首选氨基酸螯合物作为微量元素添加剂。     

基于红外热图像的肉鸡腿部异常检测方法

[目的]为解决目前规模化养殖下肉鸡腿病多发、人工检查成本高等问题,提出一种基于红外热图像的肉鸡腿部异常自动检测方法。[方法]根据肉鸡步态评分标准,将肉鸡跛行划分为正常、轻微异常、中度异常、严重异常4个评级;通过YOLO v3神经网络模型获取肉鸡腿部区域的温度数据,并结合OpenCV图像处理方法提取肉鸡身体质心高度、身体前倾角度、身体偏转角度等姿态特征;选用随机森林分类模型进行多特征融合训练,并选取了5种不同分类器进行对比。[结果]随机森林分类模型在准确率、查准率、召回率、F_1得分等指标上均占优势,分别为96.16%、96.95%、95.50%和0.965。[结论]该方法可用于肉鸡腿部异常检测,可以有效降低人力成本,为实现白羽肉种鸡疾病早期预防和福利养殖提供技术支撑。     

基于VGG-16卷积神经网络的水稻害虫智能识别研究

为了实现自然场景下水稻害虫实时精准被识别,构建基于VGG-16卷积神经网络的水稻害虫智能识别模型。该模型采用VGG-16卷积神经网络为核心网络结构,根据水稻害虫的个体特征和自然场景,对VGG-16网络的卷积层局部调整,优化主要模型参数,实现水稻害虫的智能识别,其识别的平均准确率是90.7%,实现对沙叶蝉、大螟、斑须蝽、点蜂缘蝽和白背飞虱的准确识别。研究结果显示,采用卷积神经网络技术可以实现自然场景下害虫图像的精准识别,代替人工辨认,提高水稻害虫防治率,实现实时、精准防治的目标。     

缓解断奶仔猪应激的室内气候环控模式研究

[目的]研究2种不同温控模式对断奶仔猪生长性能、发病率、死亡率以及经济效益的影响。[方法]试验选用480头28日龄健康断奶仔猪,随机分为2组(对照组和试验组),进行生长性能测定。对照组为常规恒温模式(24℃),试验组为断奶仔猪转入保育舍后采用高于分娩舍温度4℃,然后7 d内逐渐降温到正常舍温度(对照舍温度)的模式,试验期32 d。[结果]试验组断奶仔猪的末重、日均采食量(ADFI)、平均日增重(ADG)均显著高于对照组(P<0.05),料重比显著低于对照组(P<0.05);试验组断奶后1～7 d仔猪的腹泻率显著低于对照组(P<0.05),断奶7 d后仔猪的腹泻率低于对照组(P>0.05),试验组仔猪的死亡率和僵猪率均低于对照组;试验组使用变温模式后获得的经济效益优于对照组。[结论]采用变温模式饲养断奶仔猪不仅能降低仔猪的发病率和僵猪率,而且能够提高仔猪的生长性能,增加经济效益。     

基于对抗网络的农业生物质材料检测领域命名实体识别

农业生物质材料种类繁多,在送检过程中对于属性的检测要求也不尽相同,因此这对农业信息命名实体识别技术提出了一定的要求。本文通过爬取各大检测平台的生物质材料相关信息,针对生物质材料的检测机构、检测内容及检测设备作为命名实体识别的实体对象;通过引入对抗训练和自注意力机制并与传统神经网络模型进行对比。实验结果表明,本文所提出的基于对抗训练和自注意力机制的网络模型效果均优于其余对比模型,其中效果最优标签为检测内容,其准确率、召回率、F1值分别可达到78.99%、76.43%、77.69%。