排序方式: 共有99条查询结果,搜索用时 19 毫秒
1.
基于YOLO v3与图结构模型的群养猪只头尾辨别方法 总被引:1,自引:0,他引:1
在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。 相似文献
2.
3.
4.
农业机器人视觉导航技术发展与展望 总被引:14,自引:6,他引:14
概述了农业机器人主要的导航方式,综合分析了目前国内外视觉导航研究现状及存在的问题,并提出了进一步研究的方向与途径。 相似文献
5.
6.
7.
温室无线传感器网络系统实时数据融合算法 总被引:7,自引:4,他引:3
针对温室无线传感器网络(WSN)系统的数据融合要求,提出一种多传感器实时数据融合算法。首先在节点上对各传感器数据序列进行一致性检测和三次指数平滑,然后将平滑后的数据发送到路由器或网关,基于文中提出的无需指数运算的新型支持度函数进行幂均方融合。在江苏农博园现代农业馆玻璃温室中进行了实地试验测试,结果表明:三次指数平滑能够明显减少数据波动;新型支持度函数的幂均方融合精度与高斯型支持度函数相比无显著差异,算法运算时间缩短83.6%,并且融合效果优于算术平均法。 相似文献
8.
基于二维条码和ARM的谷物溯源采集传输系统 总被引:2,自引:1,他引:1
摘要:谷物在生产供应链中按照等级和用途进行混合配送和分销,多源头性决定了谷物追溯系统中信息识别的难点。针对这个问题,该文提出以表面喷印二维条码的追溯颗粒作为谷物追溯信息的载体。基于嵌入式系统开发了二维条码、GPS定位信息和谷物产地环境信息采集终端,终端采集到的数据通过GPRS网络传输。系统实现了谷物标示信息及产地环境信息(温度、湿度、光照、二氧化碳)的自动采集和传输,可作为快速、低成本的谷物追溯系统,为确保谷物质量与安全生产提供一种有效手段。 相似文献
9.
10.
[目的]针对母猪哺乳行为及哺乳时长的自动化监测水平低、人工观测费时费力等问题,提出一种基于YOLOv5结合db4小波的方法,实现非接触式母猪哺乳行为的判定和哺乳时长的监测。[方法]利用YOLOv5对目标母猪和仔猪进行识别并输出母猪姿态,选择姿态为侧卧的母猪获取其预测框面积,根据哺乳特征的预测框面积变化与哺乳行为建立对应关系,综合判定母猪的哺乳行为和哺乳时长;利用高、低通滤波器对母猪预测框面积进行下采样卷积,判定母猪哺乳行为和哺乳时长;对比加入db4小波前、后的识别准确率。[结果]母猪哺乳行为监测模型的精度均值和召回率分别为94.62%和93.70%,在加入db4小波前、后对哺乳行为时长判定的平均准确率为93.52%和96.04%,对清晰度为720P的视频平均监测速度分别为23.89和19.35 f·s-1。[结论]深层卷积神经网络模型结合db4小波为判定母猪的哺乳行为和哺乳时长提供技术支撑,识别准确率和监测速度均可满足猪场实际需求。 相似文献