基于加速度传感器的母猪产前行为特征采集与分析

针对目前大规模集约化养殖对母猪分娩时间判断主要靠饲养员对母猪产前行为连续观察,存在工作繁重,可能由于疏忽而造成仔猪死亡等问题,设计了一种基于三轴加速度传感器和无线传感网络的母猪产前行为特征实时监测系统.该系统利用无线加速度传感器节点采集母猪产前运动信息,根据不同行为的加速度曲线波动性不同,基于K均值聚类算法对行为特征进行识别分析,并进行实时显示和3G无线传输.试验表明:系统能够快速采集和传输母猪运动信息,正确检测出母猪躺卧、站立、吃料、筑窝等典型行为,正确率为87.93％,工作稳定.     

农药喷雾飞行器越界检测算法实现

针对当前的农药喷雾飞行器需要人工时刻观察是否飞出农田边界这一现状,提出了一种基于高斯混合模型的农药喷雾飞行器越界自动检测算法。首先,采用混合高斯模型进行目标检测,然后通过计算形状描述符获取其形状特征并进行目标识别定位,最后通过计算目标质心位置结合目标的运动方向判断其是否出界。实验结果表明:该算法能够准确地判断飞行器的越界行为,准确率达到91.31%以上。     

改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...     

基于视频追踪的猪只运动快速检测方法

自然条件下猪只日常运动时间、距离、速度等构成的运动数据,可作为猪只健康与舒适度状况分析的重要依据。为快速准确地捕获及检测猪场猪只的各种运动信息,探讨了基于视频追踪的猪只运动信息检测方法,该方法在基于颜色特征与轮廓特征相结合的多猪只目标分割基础上,通过基于最小化代价函数的椭圆拟合和最短距离匹配的目标跟踪,设计了运动位移、运动速度、运动加速度和运动角速度4个运动信息的检测算法。进一步探索了基于运动信息检测猪只日常活跃状态、活动规律及行为识别方面的初步应用。试验结果表明,该算法能够识别多种颜色的纯色猪只;分割粘连猪只成功率达92.6%;通过连续4 d在广州市力智猪场种猪室实时视频测试表明,猪只日常活跃状态、活动规律和行为类别等信息均可通过猪只运动信息表现出来。所提方案可快速、有效检测猪只运动信息,为猪只行为分析、健康与舒适度评估提供了依据。     

苹果采摘机器人目标果实快速跟踪识别方法

为了减少苹果采摘机器人采摘过程处理时间,对苹果采摘机器人目标果实的快速跟踪识别方法进行了研究。对基于R-G颜色特征的OTSU动态阈值分割方法进行首帧采集图像分割,采用图像中心原则确定要采摘的目标果实;利用所采集图像之间的信息关联性,在不断缩小图像处理区域的同时,采用经过加速优化改进的去均值归一化积相关模板匹配算法来跟踪识别后帧图像的目标果实,并进行不同阈值分割方法实现效果,不同灰度、亮度和对比度的匹配识别以及新旧方法识别时间对比试验,从而验证了所采用和设计方法的有效性;其中所设计跟踪识别方法的识别时间相比于原方法,减少36%。     

基于改进帧间差分法与背景差分法车辆检测

运动车辆进行高效实时检测存在目标轮廓缺失、目标内部有空洞、背景无法实时更新等困难。基于此,提出了改进的三帧间差分法和帧间差分法、背景差分法融合算法,在应用改进三帧间差分法解决目标轮廓不完整、利用基于混合高斯模型建模的背景差分法实现目标背景的实时更新基础上,将两者融合,进行运动车辆检测。实验证明,所提出的算法可以较好地解决运动目标轮廓缺失以及背景无法实时更新的问题。     

基于高斯自适应拟合的苹果目标分割方法研究

苹果目标的准确识别是苹果机械化采摘需要解决的关键问题之一。为此,基于YUV颜色空间模型,提出了一种结合色差分量与高斯自适应拟合算法的苹果目标分割方法。该方法采用首先将苹果目标由RGB颜色空间转换至YUV颜色空间,并利用色差分量V建立果实与背景分割的高斯分布拟合模型,根据拟合结果自动获取分割阈值,以实现自然场景下苹果目标的准确分割。为了验证文中算法的有效性,利用多幅图像进行了试验并与Otsu自适应阈值分割算法进行了比较。试验结果表明,采用文中算法得到的苹果果实的平均检出率达87.08%,识别率领先Otsu算法9.91%。因此,对于着色度较为均匀的苹果目标,采用高斯自适应拟合方法可以有效提高其识别率。     

基于Mask-RCNN的自然场景下油茶果目标识别与检测

针对我国油茶果采摘过程中存在的自动化水平落后、采摘效率低、适采周期短的现状,应用于机器人收获技术的机器视觉技术受限于真实场景中复杂背景干扰从而导致识别精度较低的问题。以自然场景下的油茶果为研究对象,提出一种基于Mask-RCNN的自然场景下油茶果目标识别与检测算法,首先获取油茶果图像并建立数据集,利用ResNet卷积神经网络提取油茶果果实图片的特征,获得果实目标分割结果,再采用RPN对所得到的特征图进行操作,并增加全连接层,提取每个样本mask像素面积,并对目标类别进行预测。利用测试集分别测试油茶果的分割网络模型及目标识别算法,结果表明,网络模型的分割准确率为89.85％,油茶果目标识别的平均检测精度为89.42％,召回率为92.86％。本算法能够自动检测油茶果目标,并有效降低不同光照情况下叶片与花苞遮挡、果实重叠、果实色泽等因素干扰,为自然场景中果实自动化采摘提供可靠的视觉支持。     

基于无人机低空摄像的嫩茶叶特征信息的研究

随着近年计算机技术、图像处理和模式识别等技术的不断发展,利用图像特征对于茶叶特征信息进行检测变得可行。本文采用无人机低空摄影的方式捕捉茶叶图像,实现多高程段拍摄。针对嫩茶叶的特征信息,采用基于形状体征和颜色的图像处理方法,实现嫩茶叶的计算机识别和检测。通过利用自适应阈值分割法提取嫩茶叶的图像进行分割、采用自适应中值滤波方法对图像进行滤波降噪、采用改进的Canny算法和匹配算法实现嫩茶叶关键信息的提取,可以有效地识别嫩茶叶。     

基于改进YOLO v5s的经产母猪发情检测方法研究

为解决限位栏场景下经产母猪查情难度大、过于依赖公猪试情和人工查情的问题,提出了一种基于改进YOLO v5s算法的经产母猪发情快速检测方法。首先,利用马赛克增强方式(Mosaic data augmentation, MDA)扩充数据集,以丰富数据表征;然后,利用稀疏训练(Sparse training, ST)、迭代通道剪枝(Network pruning, NP)、模型微调(Fine tune, FT)等方式重构模型,实现模型压缩与加速;最后,使用DIOU＿NMS代替GIOU＿NMS,以提高目标框的识别精度,确保模型轻量化后,仍保持较高的检测精度。试验表明,优化后的算法识别平均精确率可达97.8%,单幅图像平均检测时间仅1.7 ms,单帧视频平均检测时间仅6 ms。分析空怀期母猪发情期与非发情期的交互行为特征,发现母猪发情期较非发情期交互时长与频率均显著提高(P<0.001)。以20 s作为发情检测阈值时,发情检测特异性为89.1%、准确率为89.6%、灵敏度为90.0%,该方法能够实现发情母猪快速检测。     

哺乳母猪高危动作识别方法研究

哺乳母猪从站立、坐立转为趴卧的高危动作是导致断奶前仔猪死亡的主要原因,动作发生频率及变换方式决定了母猪的母性指数。以江苏省农林职业技术学院小梅山原种猪场饲养的小梅山母猪为研究对象,利用MPU6050传感器采集母猪哺乳期内10 d的三轴加速度数据,采用直方图统计法设置运动能量阈值,快速定位高危动作区间,以高危动作发生前后的身体姿态为特征,构建动作分类器,识别高危动作的类型。实验结果表明,对高危动作区间的标注准确率为77.4%,基于姿态的动作类型识别方法纠正了因仔猪碰撞节点产生的误标,识别准确率达到81.7%。利用2种俯卧姿态计算母猪的俯卧指数可为实现母性能力科学评价及育种提供数据依据。     

A Markov decision sow model representing the productive lifespan of herd sows

A Markov decision sow model has been developed to represent the productive and reproductive lifespan of herd sows. This model precisely describes the herd structure at equilibrium based on actual farm data. Model outputs are the herd structure at equilibrium, and technical and economic indexes. Validation has been performed by comparing observed and simulated outputs from specific farm data. A complementary validation using a statistical χ² test based on Pearson's statistic is proposed to compare herd distributions at equilibrium. The model is intended to be used by farmers and runs on micro computers.     

基于SpringBoot框架的群养母猪饲喂站管理系统设计与试验

母猪的群体养殖是一种能保证动物福利，提高母猪生产性能的重要养殖管理模式。为实现母猪群养过程的数字化及智能化，基于自主研发的群养母猪饲喂站硬件平台，采用B/S模式设计一个群养母猪饲喂站管理系统。系统后端使用基于Java语言的SpringBoot框架作为系统组件管理和运行的主要框架；设计后端数据库中的数据结构，优化后台系统中持久层数据的操作访问；使用Netty实现饲喂站及客户端与后台间的实时通信；基于Spring事务管理，封装可复用的业务逻辑，设计母猪信息管理、饲喂计划专家系统、饲喂站实时监控等系统功能模块。系统前端采用渐进式Vue框架实现用户与各个功能模块的人机交互。试验表明：本系统能实现对群养母猪饲喂站的控制和状态监测，并根据母猪特性和专家知识库动态生成每天的饲喂计划；在基础实验条件下，系统的饲喂站并发量可超过120台，理论最大母猪容纳量超过5 400 头，能够满足大规模母猪饲喂的需求。     

智能化母猪饲喂控制系统设计与试验

母猪饲喂是生猪养殖中极为重要的一部分,为提高母猪产仔率,设计一种智能化母猪饲喂控制系统,该系统基于嵌入式Linux,硬件设备包括Exynos4412母板、外围控制电路集成接口板以及传感器和执行机构,负责对母猪进行信息采集、定时定量下料下水并控制装置中猪的数量。软件主要由驱动程序与应用程序协同工作保持饲喂逻辑正常运行,服务器建立在云端,应用层通过调用SQlite-API完成与后台的实时数据同步,实现精细化饲喂。试验结果表明:控制系统下料误差小于3.6%,下水误差小于3.75%;能够实时监测猪只的体温信号,重复测温误差为±0.2℃,利于饲养员对母猪健康的管理。     

基于分布式流式计算的生猪养殖视频监测分析系统

基于分布式流式计算框架，提出了节点资源调度器算法，构建了可插拔的分布式流式实时计算模型，研究开发了生猪养殖视频监测分析系统。系统实现了规模化生猪养殖视频流数据采集、任务调度、实时计算、可插拔式扩展和结果展示的功能。在由1个主节点和3个从节点构成的集群下，采用改进混合高斯模型的背景更新方式，实现集群下多摄像头多目标的实时检测。平均处理速度比传统混合高斯模型提高了29.00%，平均检测率为79.00%，平均误检率比传统混合高斯模型降低了70.96%。测试结果表明，可插拔分布式流式实时计算模型具有较好的可扩展性，视频流处理算法速度和实时性得到了提升，具有较高的检测率和较低的误检率。     

基于改进YOLOV4网络模型的番茄果实检测

果实识别是视觉检测技术重要的环节,其识别精度易受复杂的生长环境及果实状态的影响。以大棚环境下单个、一簇、光照、阴影、遮挡、重叠6种复杂生长状态下的番茄果实为对象,提出一种基于改进YOLOv4网络模型与迁移学习相结合的番茄果实识别方法。首先利用ImageNet数据集与VGG网络模型前端16卷积层进行模型参数预训练,将训练的模型参数初始化改进模型的权值以代替原始的初始化操作,然后使用番茄数据集在VGG19的卷积层与YOLOV4的主干网络相结合的新模型中进行训练,获得最优权重实现对复杂环境下的番茄果实进行检测。最后,将改进模型与Faster RCNN、YOLOv4-Tiny、YOLOv4网络模型进行比较。研究结果表明,改进模型在6种复杂环境下番茄果实平均检测精度值mAP达到89.07%、92.82%、92.48%、93.39%、93.20%、93.11%,在成熟、半成熟、未成熟3种不同成熟度下的F1分数值为84%、77%、85%,其识别精度优于比较模型。本文方法实现了在6种复杂环境下有效地番茄果实检测识别,为番茄果实的智能采摘提供理论基础。     

农业复杂环境下尺度自适应小目标识别算法——以蜜蜂为研究对象

农业生产环境中的目标识别对象常具有分布密集、体积小、密度大的特点,加之农田环境光照多变、背景复杂,导致已有目标检测模型无法取得令人满意的效果。本研究以提高小目标的识别性能为目标,以蜜蜂识别为例,提出了一种农业复杂环境下尺度自适应小目标识别算法。算法克服了复杂多变的背景环境的影响及目标体积较小导致的特征提取困难,实现目标尺度无关的小目标识别。首先将原图拆分为一些较小尺寸的子图以提高目标尺度,将已标注的目标分配到拆分后的子图中,形成新的数据集,然后采用迁移学习的方法重新训练并生成新的目标识别模型。在模型的使用中,为使子图识别结果能正常还原,拆分的子图之间需具有一定的重叠率。收集所有子图的目标识别结果,采用非极大抑制（Non-Maximum Suppression,NMS）去除由于模型本身产生的冗余框,提出一种交小比非极大抑制（Intersection over Small NMS,IOS-NMS）进一步去除子图重叠区域中的冗余框。在子图像素尺寸分别为300×300、500×500和700×700,子图重叠率分别为0.2和0.05的情况下进行验证试验,结果表明：采用SSD（Single Shot MultiBox Detector）作为框架中的目标检测模型,新提出的尺度自适应算法的召回率和精度普遍高于SSD模型,最高分别提高了3.8%和2.6%,较原尺度的YOLOv3模型也有一定的提升。为进一步验证算法在复杂背景中小目标识别的优越性,从网上爬取了不同尺度、不同场景的农田复杂环境下的蜜蜂图像,并采用本算法和SSD模型进行了对比测试,结果表明：本算法能提高目标识别性能,具有较强的尺度适应性和泛化性。由于本算法对于单张图像需要多次向前推理,时效性不高,不适用于边缘计算。     

Log Gaussian Cox场手部指节的图像偏移特征学习与识别

针对手部指节图像结构特征模糊与建模困难的问题,以Log Gaussian Cox随机场为图像建模基础,给出了随机图像上偏移特征的抽取与学习方法,实现了手部图像中指节的识别。在缺乏Cox过程图像模型先验假设的条件下,结合随机图像的水平集分解,得到了图像偏移表示的逼近结果。在图像灰度分布非参数密度核估计基础上,利用非线性各向异性滤波对偏移特征进行增强,建立了偏移测度特征的Bayesian估计。提出了不同偏移参数下偏移特征的模型学习与融合算法,获得了指节图像特征的融合表示,并在手部指节图像数据库中比较了不同分层偏移模型下的识别结果,给出了批量识别ROC曲线统计规律。结果表明,识别方法具有较为稳定的正确分类能力,具有可行性。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。