基于改进YOLOv3的猪脸识别

针对生猪智能化管理中传统标识方法存在的易脱标,易引起生猪感染等问题,采用基于改进YOLOv3模型的非侵入式方法,对生猪多个体识别进行研究。针对原有的YOLOv3模型,在Darknet53特征提取器中引入密连块,结合下采样层组成新的骨干网络;在YOLOv3模型中添加改进的SPP单元,最终构建了YOLOv3＿DB＿SPP模型。试验采用的猪脸数据集共分为10类,数据增强后样本为8 512张,训练集和测试集比例约为9∶1。结果表明:1)YOLOv3＿DB＿SPP模型在各分类概率阈值下检测猪脸数据集时的平均精度均值均高于YOLOv3模型;2)当IOU阈值为0.5,分类概率阈值为0.1时,YOLOv3＿DB＿SPP模型的平均精度均值比YOLOv3模型高9.87%;3)YOLOv3＿DB＿SPP模型检测远距离有遮挡的小目标样本时,平均精度值均高于YOLOv3模型。YOLOv3＿DB＿SPP模型用于猪脸识别时,能够提高基础特征提取器的特征提取能力以及检测器的准确率。     

基于改进EMD-TEO倒谱距离的生猪音频信号端点检测

针对生猪音频信号识别中传统端点检测方法存在的抗噪能力差,准确率低等问题,将一种改进EMDTEO(经验模态分解的Teager能量算子)倒谱距离的端点检测方法应用到生猪音频信号的端点检测,对生猪音频信号的2个端点检测特征参数(Teager能量参数和倒谱距离参数)进行研究。仿真试验结果表明:1)与EMD-TEO和倒谱距离端点检测法相比,当高斯白噪声的信噪比(Signal-noise ratio,SNR)为-5dB时,改进后的算法用于生猪音频信号的端点检测准确率达到84.725%,分别高出前2种端点检测算法9.857%和16.403%,SNR为10dB时,仍优于其他2种算法;2)当饲养场背景噪声的SNR为10dB时,改进后的用于生猪音频信号的端点检测准确率达到90.293%,分别高出EMD-TEO和倒谱距离端点检测算法4.972%和7.932%;3)改进后的算法对不同类型的生猪音频信号均呈现出很好的端点检测效果。改进EMD-TEO倒谱距离的端点检测算法在低SNR的环境下,对生猪音频信号的端点检测有较高正确率,且具有一定的鲁棒性。