基于改进YOLO v5n的猪只盘点算法

猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.2...     

安全协议中的潜在攻击

阐述了网络安全协议中一些常见的攻击方式,并论述了这些攻击产生的原因和避免此类攻击的方法.     

猪只饮水行为机器视觉自动识别

猪只饮水行为往往与猪舍环境的舒适度以及猪只的健康水平密切相关,实时地监控猪栏中猪只饮水状况对猪舍管理和提高养殖福利具有重要意义。目前,主要采用RFID和机器视觉两种技术自动识别饮水行为,RFID方式需要给猪只佩戴耳标,存在对猪身有侵入和不便操作的缺点,机器视觉方法能非接触式监测和提取猪只饮水行为,具有低成本易实施的优点。本文实现了基于机器视觉的猪只饮水行为自动识别,首先通过传统的阈值分割方法得到二值化图像来实现猪只从背景中的提取,接着引入图像占领指数对猪只饮水行为进行预判,最后利用深度学习方法构造猪只头部检测器,更精准地判定饮水行为的发生。试验表明,该方法在本文构建的饮水视频数据集中识别正确率为92.11%,且能识别饮水猪只的身份,可应用到实际的猪只生产过程中辅助管理决策。     

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。     

基于IFSSD卷积神经网络的柚子采摘目标检测模型

为了解决柚子采摘时传统水果检测模型对于小目标柚子漏检和将叶子误检为膨大期柚子的问题,设计了一种改进的特征融合单镜头检测器(Inception V3-feature fusion single shot-multibox detector,IFSSD)。该检测器以特征融合单发多盒探测器(Feature fusion single shot-multibox detector,FSSD)为基础检测器,以改进的Inception V3网络作为骨干网络代替超深度卷积神经网络(Very deep convolutional networks 16,VGG16),从而提高了计算效率,同时使用Focal Loss损失函数代替Multibox Loss损失函数,进而改善了由于正负样本不平衡导致的检测器误检情况。对测试数据集进行检测,结果表明,该模型的检测准确率为93. 7%(IoU大于0. 5),在单个NVIDIA RTX 2060 GPU上每幅图像检测时间为29 s。本文模型可以实现树上柚子的自动检测。     

设施猪场生猪体温红外巡检系统设计与试验

针对规模化生猪养殖过程中难以及时获取猪只体温的问题,设计了基于红外技术的生猪体温巡检系统,以实现对设施猪场生猪体温的快速监测。硬件包括红外移动采集装置、系统控制装置和电源3部分。其中红外移动采集装置包括滑轨、移动小车、红外热像仪和保护壳;系统控制装置包括惠普MINI微型计算机、XP2-18R/RT型整体式控制器和DM542型数字式步进电机驱动器;电源包括电缆线和电缆滑车。控制系统集成红外图像的采集、存储控制,移动小车的运行控制及与远程服务器的数据通信等功能。在限位栏猪舍安装该装备,并进行了28 d的测试试验,试验表明:系统工作稳定,巡检过程中红外图像平均缺失率为1. 12%,能有效采集限位栏生猪红外图像。试验选择耳根区域作为生猪体温敏感区域,通过统计得到猪只耳根区域周期性巡检精度在90%以上,能有效监测猪只耳根区域温度情况。试验连续5 d对3～6号猪只耳根区域温度最大值进行监测,并统计其日均值,通过分析验证了温度数值的科学性,可为养殖人员提供有效的监测信息,对生猪的健康监测和疫情防治具有重要意义。     

基于机器视觉的猪只饮水行为识别

猪只饮水行为往往与猪舍环境的舒适度以及猪只的健康水平密切相关,实时地监控猪栏中猪只饮水状况对猪舍管理和提高养殖福利具有重要意义。目前,主要采用RFID和机器视觉两种技术自动识别饮水行为,RFID方式需要给猪只佩戴耳标,存在对猪身有侵入和不便操作的缺点,机器视觉方法能非接触式监测和提取猪只饮水行为,拥有低成本易实施的优点。本文实现了基于机器视觉的猪只饮水行为自动识别,首先通过传统的阈值分割方法得到二值化图像来实现猪只从背景中的提取,接着引入图像占领指数对猪只饮水行为进行预判,最后探索了利用深度学习方法构造猪只头部检测器,更精准地判定饮水行为的发生。试验表明,该方法在本文构建的饮水视频数据集中识别准确率为92.11%,且能识别饮水猪只的身份,可应用到实际的猪只生产过程中辅助管理决策。