排序方式: 共有23条查询结果,搜索用时 15 毫秒
2.
针对奶牛行为判别自动化水平不足、准确率低的问题,采用惯性测量单元(IMU)和卷积神经网络(CNN),对细粒度奶牛行为判别进行研究.结果表明:1)在KNN、SVM、BPNN、CNN和LSTM 5个模型中,CNN模型在奶牛行为分类测试集上的准确率最高.2)含有三轴加速度计、陀螺仪和磁力计的IMU更加适用于奶牛行为分类,其分... 相似文献
3.
基于改进VGG卷积神经网络的棉花病害识别模型 总被引:5,自引:2,他引:3
为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。 相似文献
4.
奶牛跛行是奶牛发生肢蹄病的外在表现。人工识别跛行奶牛存在效率低、成本高、主观性强等问题。奶业对奶牛跛行自动识别技术需求日益强烈。本文从机器视觉技术、压力分布测量技术、可穿戴技术、行为分析技术和跛行分类技术5个方面,分析了奶牛跛行自动识别技术的原理、功能、特点及研究现状。总结发现,当前奶牛跛行自动识别技术研究大多集中在传感器研发和算法开发,而性能验证和决策支持的研究较少,面临的主要挑战包括高质量跛行识别数据获取难度大,缺乏早期跛行识别技术手段,奶牛个体差异干扰模型识别精度,牧场非结构化环境对识别系统性能要求高,以及技术应用效果难评估等。因此,为促进奶牛跛行自动识别技术的发展,建议推动牧场跛行监测数据共享,研究奶牛个体跛行判别模型的构建方法,开发融合跛行检测、体况评分等多功能的一体化智能通道,并分析评价跛行自动识别技术应用在保障动物福利、环境生态、粮食安全等方面的重要意义。 相似文献
5.
6.
7.
8.
基于边界脊线识别的群养猪黏连图像分割方法 总被引:3,自引:3,他引:0
猪体图像的前景分割和黏连猪体的分离是实现群养猪数量自动盘点和猪只个体行为智能识别的关键。为实现群养猪黏连图像的自动分割,该文采用决策树分割算法提取视频图像帧的猪体前景区域,计算各连通区域的复杂度,根据复杂度确定黏连猪体区域,利用标记符控制的分水岭分割算法处理黏连猪体图像,检测待选的边界脊线,通过检验待选边界脊线的分割效果和形状特征(包括线性度和Harris拐点数目),识别出猪体黏连分割线,实现黏连猪体的分离。结果表明,决策树分割算法(decision-tree-based segmentation model,DTSM)能够有效地去除复杂背景,前景分割效果良好。黏连猪体分离结果显示,基于边界脊线识别的黏连猪体分离准确率达到了89.4%,并较好地保留了猪体轮廓。通过计算分割后猪体连通区域的中心点,并对中心点进行德洛内剖分,初步实现了猪只的定位和栏内分布的可视化。6 min的监控视频处理结果显示,该文方法各帧图像的盘点平均误差为0.58,盘点准确率为98.33%,能够正确统计出栏内猪只数量。该研究可为实现基于监控视频的群养猪自动盘点和个体行为识别提供新的技术手段。 相似文献
9.
10.
为分析姿态估计在动物行为识别和动物福利研究中的应用和发展潜力,本文以基于深度学习的姿态估计方法为突破口,从二维和三维空间的角度综述了动物姿态估计研究进展和方向,并介绍常见数据集与评价指标;然后整合基于姿态估计的动物行为识别相关研究成果,重点介绍关键点检测和行为分类的算法及其特征选取方式。姿态估计为动作识别和行为分析等研究提供了骨架信息和运动特征,成为动物行为识别和异常信息预警的非接触式监测方法。但由于受到训练数据集较少的限制,相对于人体姿态估计,动物姿态估计研究和发展速度相对较慢。因此,近年来利用跨域学习的方式来进一步提升其性能成为一种新兴手段。本综述为动物智能行为识别、动物福利研究以及智慧养殖等相关研究者扩展研究思路和研究方法。 相似文献