基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法

针对人工跛行检测不够及时,难以发现突发中、重度跛行及轻度跛行行为的问题,该文提出了一种基于正态分布背景统计模型(normal background statistical model,NBSM)与局部循环中心补偿跟踪模型(local circulation center compensation track,LCCCT)和线性斜率最近邻分类(distilling data of KNN,DSKNN)技术的奶牛跛行检测方法。首先利用NBSM模型对奶牛序列图像中的目标奶牛像素区域进行分割,然后对得到的奶牛像素区域利用LCCCT模型提取目标奶牛身体前部像素区域,用其区域通过DSKNN模型提取目标奶牛的头部、颈部以及与颈连接的背部轮廓线拟合直线斜率数据,基于大样本视频序列帧数据将视频集制成轻度跛行、中重度跛行及正常等3类标签的斜率数据集。为了验证算法的有效性,对随机选取的18段奶牛视频进行了验证,其中正常奶牛、轻度跛行奶牛及中重跛行奶牛视频段各6段,获得头部、颈部及背部连接处的拟合直线斜率数据集。在未清洗的数据集上,分别利用SVM、Naive Bayes以及KNN分类算法进行了奶牛跛行的分类检测试验,试验结果表明,SVM与Naive Bayes跛行分类检测正确率均为82.78%,KNN奶牛跛行检测正确率为81.67%。将未清洗的数据集进行清洗后,3类算法的结果表明,KNN分类算法的跛行检测正确率达93.89%,高于SVM分类算法的91.11%及Naive Bayes分类算法的86.11%。上述结果表明通过头部、颈部及背部连接处的拟合直线斜率特性可以正确检测奶牛跛行,未清洗的数据经数据清洗后,KNN分类算法可以取得更好的检测结果。该研究结果对于奶牛跛行疾病的预防、诊断具有重要意义。     

基于视频分析的多目标奶牛反刍行为监测

奶牛反刍行为与其生产、繁殖和应激行为等存在较强的相关性,现有方法多采用人工观察或可穿戴式装置进行奶牛反刍行为的监测,存在误差大、容易引起奶牛应激反应、成本高等问题。为了实现多目标奶牛反刍行为的实时监测,该研究基于视频分析与目标跟踪技术,在获取奶牛嘴部区域的基础上,分析对比了压缩跟踪算法(compressive tracking,CT)和核相关滤波算法(kernelized correlation filters,KCF)在多目标奶牛反刍监测中的性能。为了验证不同算法对奶牛反刍行为监测的效果,分别用9段视频进行了试验,针对误检问题提出了有效的咀嚼次数判定模型,最后与实际的奶牛反刍数据进行了对比。试验结果表明:对多目标监测,KCF算法平均帧处理速度为7.37帧/s,是CT算法平均帧处理速度0.51帧/s的14.45倍;KCF算法平均误差为13.27像素,是CT算法平均误差38.28像素的34.67%。对双目标监测,KCF算法的平均误检率为7.72%,比CT算法的平均误检率18.56%低10.84个百分点;2种算法的帧处理速度分别为10.11帧/s和0.87帧/s;平均跟踪误差分别为22.19像素和28.51像素,KCF算法的平均跟踪误差仅为CT算法的77.83%。试验结果表明,KCF算法具有较低的误检率及较高的帧处理速度,更适合奶牛反刍行为的监测。在此基础上,验证了2种算法在不同光照、不同姿态和不同程度遮挡等影响因素下的监测效果,结果表明,CT算法会出现不同程度的偏离,甚至丢失目标,而KCF算法仍然具有良好的效果和较好的适应性,表明将KCF算法应用于全天候多目标奶牛反刍行为的分析是可行的、有效的。     

小麦条锈病孢子图像实时传输及处理系统设计

【目的】设计一种基于无线网络的孢子图像实时传输及处理系统,以较好地实现小麦条锈病孢子的实时传输及监测。【方法】首先基于网络云技术,在Linux环境下设计了传输系统的云端服务器界面,实现了微型机自动摄像,通过使用TCP协议包装HTTP协议与云端服务器的连接,实现图像的上传功能;其次,使用英特尔NUC5CPYH为采集传输终端,搭建图像传输系统硬件平台;最后采用K-means聚类算法,在接收端对远程传输得到的孢子图像进行背景与孢子的分割、孢子图像的形态学处理及基于Harris的角点检测等处理,并最终实现孢子的计数。【结果】该无线传输系统的发送成功率为96.6%,该处理系统的平均计数准确率为97.1%,效果良好。【结论】该传输及处理系统可用于小麦条锈病越夏孢子的实时在线监测。     

基于YOLOv5s的深度学习在自然场景苹果花朵检测中的应用

疏花是苹果栽培的重要管理措施,机械疏花是目前最具有发展潜力的疏花方式,花朵的高效检测是疏花机器人高效作业的重要保障。该研究基于机器视觉与深度学习技术,提出了一种基于YOLOv5s深度学习的苹果花朵检测方法,在对田间拍摄得到的苹果花朵图像标注后,将其送入微调的YOLOv5s目标检测网络进行苹果花朵的检测。经测试,模型的精确率为87.70%,召回率为0.94,均值平均精度(mean Average Precision, mAP)为97.20%,模型大小为14.09 MB,检测速度为60.17 帧/s,与YOLOv4、SSD和Faster-RCNN模型相比,召回率分别提高了0.07、0.15、0.07,mAP分别提高了8.15、9.75和9.68个百分点,模型大小减小了94.23%、84.54%、86.97%,检测速度提升了126.71%、32.30%、311.28%。同时,该研究对不同天气、颜色和光照情况下的苹果花朵进行检测,结果表明,该模型对晴天、多云、阴天、小雨天气下苹果花朵的检测精确率分别为86.20%、87.00%、87.90%、86.80%,召回率分别为0.93、0.94、0.94、0.94,mAP分别为97.50%、97.30%、96.80%、97.60%。该模型检测白色、粉色、玫红色和红色花朵的精确率分别为84.70%、91.70%、89.40%、86.90%,召回率分别为0.93、0.94、0.93、0.93,mAP分别为96.40%、97.70%、96.50%、97.90%。该模型检测顺光和逆光条件下苹果花朵的精确率分别为88.20%、86.40%,召回率分别为0.94、0.93,mAP分别为97.40%、97.10%。结果表明YOLOv5s可以准确快速地实现苹果花朵的检测,模型具有较高的鲁棒性,且模型较小,更有利于模型的迁移应用,可为疏花器械的发展提供一定的技术支持。     

基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional, MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation, SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution, Batch normal, Hardswish, CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%...     

奶牛运动行为智能监测研究进展与技术趋势

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。     

植物叶片本征维数估计与分类方法研究——基于改进PCA

针对现有PCA方法在大数据降维过程中数据处理速度过慢这一问题,设计并实现了一种基于曲线拟合技术的方差贡献率函数拟合方法,并将其应用于植物叶片的本征维数估计之中。为了提高本征维数估计的精度,提出了一种"粗略估计本征维数区间+精确判断"相结合的本征维数估计方法。为了验证算法的有效性,利用5类植物叶片共计150个样本进行了识别测试。试验结果表明,文中方法可以得到与PCA方法相近的分类效果,但识别时间要远小于PCA方法,表明将该方法应用于高维数据集的本征维数估计是有效的、可行的。     

基于凸壳理论的遮挡苹果目标识别与定位方法

为实现受果树枝叶遮挡、果实间相互遮挡的果实目标识别,该文提出了一种基于凸壳理论的遮挡苹果目标识别方法。该方法首先将图像由RGB颜色空间转换至L*a*b*颜色空间,并利用K-means聚类算法将图像分为树叶、枝条和果实3个类别,然后利用形态学方法对果实目标进行处理,得到目标边缘并进行轮廓跟踪,接着利用目标边缘的凸壳提取连续光滑的轮廓曲线,最后估计该光滑曲线段的圆心及半径参数,实现遮挡果实的定位。为了验证该算法的有效性,利用Hough圆拟合算法进行了对比试验,试验结果表明,该方法的平均定位误差为4.28%,低于Hough圆拟合方法的平均定位误差16.3%,该方法显著提高了目标定位的精度,能够有效识别遮挡苹果。     

基于SimCC-ShuffleNetV2的轻量化奶牛关键点检测方法

针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题，提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中，主干网络采用ShuffleNetV2用于特征提取，有利于实现网络的轻量化；检测头采用SimCC用于关键点位置预测，SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能，本研究设计了奶牛的关键点及骨架结构，并标注了3 600幅图像用于模型的训练与测试。试验结果表明，SimCC-ShuffleNetV2模型的AP_50:95为88.07%,浮点运算量为1.5×10⁸,参数量为1.31×10⁶,检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验，结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时，本研究通过更换不同主干与不同检测头的方式，对比验证了不同模块对模型性能影响，本研究所提出的模型在所有试验中均取得了最佳结果，表明ShuffleNe...     

基于人体姿态估计与场景交互的果园喷施行为检测方法

果园农药施用情况是果品质量安全的重要检验标准，农药喷施行为的可靠记录是果品溯源体系的重要环节。针对我国目前常见的果品种植专业合作社中难以确切掌握农药施用真实情况的问题，本研究提出了一种基于人体姿态估计与场景交互的果园背负式喷施行为检测方法。首先采用微调后的YOLO v5模型完成背负式喷雾器与果树目标的精确检测，提取场景交互特征；之后采用OpenPose模型识别喷施人员姿态及动作信息，提取人体姿态特征；最后对上述特征分别进行距离和角度计算，将其融合为11 244组特征向量并使用优化后的支持向量机(Support vector machine, SVM)进行训练，完成果园喷施行为的准确检测。为了验证算法的有效性，对包含不同光照、不同距离、不同人数和不同遮挡程度等的92段视频进行了测试。试验结果表明，该算法的准确度为85.66%,平均绝对误差为42.53%,均方根误差为44.59%,预测标准偏差为44.34%,以及性能偏差比为1.56。同时，本研究对不同光照、遮挡、距离变化和多人中单人喷施情况下的果园喷施行为识别的有效性进行了分析。试验结果表明，将该模型用于果园喷施行为的检测是可行的，本研究...