基于轻量级无锚点深度卷积神经网络的树上苹果检测模型

为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性，实现在保持较高检测精度的同时，减轻模型计算量，降低检测耗时，减少模型计算和存储资源占用的目的，本研究通过改进轻量级的MobileNetV3网络，结合关键点预测的目标检测网络（CenterNet），构建了用于苹果检测的轻量级无锚点深度学习网络模型（M-CenterNet），并通过与CenterNet和单次多重检测器（Single Shot Multibox Detector，SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明，本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%；模型体积和帧率分别为14.2MB和8.1fps；在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下，所提网络模型体积仅为CenterNet网络的1/4；相比于SSD网络，所提网络模型的AP提升了3.9%，模型体积降低了84.3%；本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。     

人工智能驱动智慧奶牛养殖的思考与实践

奶牛养殖现代化是畜牧业现代化的关键风向标。奶牛养殖产业在人工智能等新一代信息技术的推动下,正加速向科技型和标准化转型、升级,智慧奶牛养殖作为智慧畜牧的具体表现形式,已受到广泛关注。阐述了智慧奶牛养殖的核心驱动力,总结了当前奶牛养殖中的智能化技术,分析了智能化奶牛养殖的成本效益,探讨了奶牛身份智能识别的研究实践,展望了智慧奶牛养殖的未来趋势,以期为我国奶牛养殖产业智能化转型、升级提供技术和方案上的参考。