排序方式: 共有99条查询结果,搜索用时 62 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.
基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测 总被引:3,自引:0,他引:3
[目的]利用高光谱技术实现‘库尔勒香梨’可溶性固形物含量的有效无损检测具有重要意义,但是高光谱数据通常噪声明显,大量无关信息变量和冗余信息变量的存在降低了模型的预测精度。本文旨在探究对高光谱数据特征变量筛选的有效方法来实现‘库尔勒香梨’可溶性固形物含量的快速检测。[方法]以‘库尔勒香梨’可溶性固形物含量(SSC)为研究指标,利用高光谱成像技术采集样本400~1 000 nm波长的漫反射光谱,对样本感兴趣区域(ROI)的光谱进行预处理,分别采用竞争性自适应重加权算法(CARS)、迭代保留信息变量算法(IRIV)以及CARS-IRIV算法筛选特征变量,基于不同筛选方法分别建立偏最小二乘(PLS)与最小二乘支持向量机(LS-SVM)预测模型,以预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)值对模型进行评价。[结果]CARS-IRIV算法可以有效减少CARS算法提取的变量个数,并稳定模型预测精度。LS-SVM模型预测结果优于PLS模型,在LS-SVM模型中CARS-IRIV-LS-SVM预测精度最高,Rp、RMSEP和RPD值分别为0.889、0.300和2.823。[结论]CARS-IRIV是一种有效的高光谱特征变量筛选算法,在提高预测精度的同时简化了模型的运算,CARS-IRIV-LS-SVM模型结合高光谱成像技术可以对‘库尔勒香梨’SSC进行快速有效的无损检测。 相似文献
7.
基于动态多特征变量的黄羽肉鸡跛行状态定量评价方法 总被引:1,自引:0,他引:1
肉鸡步态是肉鸡健康状态的重要表征,为实现黄羽肉鸡跛行步态的无损自动化快速分类识别,提出了一种基于多特征变量的肉鸡跛行定量评价方法。该方法从步态视频中提取肉鸡的速度、步幅、步幅差、步频、投影面积参数,拟合得出速度、步幅与投影面积具有相关性(决定系数分别为0.805 1、0.793 5),据此定义肉鸡动态理想参数与异常指数,基于C4.5决策树模型,以速度异常指数、步幅异常指数、步幅差异常指数为分类特征,根据鸟类步态评分标准将肉鸡分为GS0~GS4五类,实现对肉鸡跛行状态进行预警和判别。实验结果表明:该模型针对GS0~GS4分类准确率依次为:66%、71%、74%、98%、95%,整体准确率为78%。该模型可作为早期跛行的检测工具,为养殖自动化的实现和动物福利产业的升级提供支持。 相似文献
8.
【目的】通过研究肉鸡采食音频提出一种基于音频技术的肉鸡采食量检测方法,以摆脱目前我国肉鸡采食量数据主要是人工测量群体采食量的现状,为准确获取肉鸡采食量信息提供技术支持。【方法】录音笔采集到的采食音频经分帧加窗、端点检测等预处理后,将有效声音片段提取出来,依托不同声音的功率谱密度曲线差异,使用单分类支持向量机(OC-SVM)对提取出的有效声音片段进行分类识别。利用音频技术检测肉鸡进食时的啄食次数,分析确定啄食次数与采食量的关系,利用啄食次数与采食量的高相关性计算肉鸡采食量。【结果】利用音频技术检测的肉鸡啄食次数与采食量高度相关,决定系数(R~2)=0.982 5。啄食次数计算正确率为94.58%,采食量计算正确率为91.37%。【结论】该方法可用于肉鸡采食量测定。 相似文献
9.
基于Kinect的哺乳期母猪姿态识别算法的研究 总被引:1,自引:0,他引:1
[目的]哺乳期母猪的姿态是其母性的外在表现,为监测母猪在哺乳期的哺乳行为,提出了一种基于Kinect的无接触式母猪姿态识别算法。[方法]使用Kinect 2.0采集位于限位栏内哺乳期小梅山母猪的深度数据。先通过姿态预分类将母猪的姿态分为站姿与卧姿,而后针对卧姿,使用基于DBSCAN(density-based spatial clustering of applications with noise)密度聚类算法计算母猪高度信息的簇数,通过比较簇的个数将卧姿分为侧卧与趴卧;针对站姿,使用基于脊背线提取的识别算法,将脊背线分成前后2段,通过比较前后2段脊背线的平均高度将站姿分为站立与坐立。[结果]比较人眼观察结果与算法识别结果,该算法识别站立、坐立的准确率分别为94.3%、92.6%,趴卧识别准确率为84.2%,侧卧姿态为93.7%。[结论]提出了一种无接触式的哺乳期母猪姿态识别算法,为母猪哺乳能力的评判与健康状况的分析提供了技术支持。 相似文献
10.
水稻播种质量检测技术的研究进展及展望 总被引:2,自引:0,他引:2
水稻种植主要分直播和机械插秧两种方式,根据播种质量检测技术的特点,从方法上可分为排种器性能的动态监测和育秧盘内播种情况的静态检测。直播方式的播种质量主要采用动态监测方法,机插秧种植方式播种质量主要采用静态检测方法。文章介绍了国内外水稻播种质量动态和静态检测的方法,讨论播种质量检测技术发展中存在的问题。针对水稻育秧播种质量检测处于人工检测阶段,劳动强度大,不能满足机械高速作业要求等问题,提出水稻机插秧种植方式的育秧播种质量检测研究的方向与途径。 相似文献