基于高斯混合-隐马尔科夫融合算法识别奶牛步态时相

奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型 （Gaussian Mixture Model,GMM） 和隐马尔科夫模型 （Hidden Markov Model,HMM）的无监督学习奶牛步态时相识别算法 GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F₁分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F₁分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F₁分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。     

基于YOLO v8n-seg-FCA-BiFPN的奶牛身体分割方法

奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加权特征金字塔结构,提出了YOLO v8n-seg-FCA-BiFPN奶牛身体部位分割模型。其中,多尺度融合模块使模型更好地提取小目标几何特征信息,双向跨尺度加权特征金字塔结构实现了更高层次的特征融合。首先在奶牛运动通道处采集奶牛侧面图像作为数据集,为保证数据集质量,采用结构相似性算法剔除相似图像,共得到1452幅图像。然后对目标奶牛的前肢、后肢、乳房、尾部、腹部、头部、颈部和躯干8个部位进行标注并输入模型训练。测试结果表明,模型精确率为96.6%,召回率为94.6%,平均精度均值为97.1%,参数量为3.3×106,检测速度为6.2f/s。各部位精确率在90.3%~98.2%之间,平均精度均值为96.3%。与原始YOLO v8n-seg相比,YOLO v8n-seg-FCA-BiFPN的精确率提高3.2个百分点,召回率提高2.6个百分点,平均精度均值提高3.1个百分点,改进后的模型在参数量基本保持不变的情况下具有更强的鲁棒性。遮挡情况下该模型检测结果表明,精确率为93.8%,召回率为91.67%,平均精度均值为93.15%。结果表明,YOLO v8n-seg-FCA-BiFPN网络可以准确、快速地实现奶牛身体部位精准分割。     

基于VMD-LSTM的奶牛动态称量算法

针对当前奶牛动态称量研究对动态称量信号的信息利用率偏低,不能充分提取称量信号深层信息的问题,提出一种基于变分模态分解（Variational mode decomposition,VMD）与长短期记忆网络（Long short-term memory,LSTM）的动态称量算法,以提高奶牛体质量预测精度。首先,使用阈值过滤的方法从采集到的奶牛动态称量信号中获取有效信号;其次,使用VMD算法将预处理后的有效信号分解为5个本征模态函数（Intrinsic mode function, IMF）,以提取奶牛动态称量信号中蕴含的深层信息,并降低有效信号的非平稳性对预测精度产生的影响;最后,分别将归一化后的各IMF分量与有效信号结合,作为特征输入到LSTM神经网络进行训练,预测奶牛体质量。通过对使用不同特征的模型的预测结果进行对比,选用误差最小的模型作为本文的奶牛体质量预测模型。试验结果表明,本文提出的动态称量算法能够有效提取奶牛动态称量信号的深层信息,体质量预测的平均相对误差为0.81%,均方根误差为6.21kg。与EMD算法和GRU算法相比,本文算法误差更小,更能满足养殖场的实际需求。     

基于机器学习的奶牛深度图像身体区域精细分割方法

奶牛目标各区域的精细分割和识别能够提供精确的奶牛形体细节信息,是奶牛体形评价、姿态检测、行为分析和理解的前提和基础。为实现深度图像中奶牛头、颈、躯干和四肢等身体区域的精确分割,提出一种基于深度图像特征和机器学习的奶牛目标各区域精细分割方法。该方法以每个像素点在不同采样半径下的带阈值LBP序列为深度特征值,设置分类约束条件,用决策树森林机器学习方法实现奶牛各区域的精细分类。对10头奶牛的288幅侧视深度图像进行试验,结果表明,当采样半径分段数为30,决策树训练至20层时,奶牛整体各像素点的平均识别率为95.15%,较传统深度图像特征值有更强的细节信息提取能力,可以用较少参数实现对复杂结构的精确识别。     

基于3D CNN-BiLSTM-ATFA网络和步态特征的奶牛个体识别方法

针对基于花纹的奶牛个体识别中纯色或花纹较少的奶牛识别准确率较低的问题,本文提出一种基于步态特征的奶牛个体识别方法。首先,将DeepLabv3+语义分割算法的主干网络替换为MobileNetv2网络,并引入基于通道和空间的CBAM注意力机制,利用改进后模型分割出奶牛的剪影图。然后,将三维卷积神经网络（3D CNN）和双向长短期记忆网络（BiLSTM）构建为3D CNN-BiLSTM网络,并进一步集成自适应时间特征聚合模块（ATFA）生成3D CNN-BiLSTM-ATFA奶牛个体识别模型。最后,在30头奶牛的共1242条视频数据集上进行了奶牛个体识别实验。结果表明,改进后DeepLabv3+算法的平均像素准确率、平均交并比、准确率分别为99.02%、97.18%和99.71%。采用r3d_18作为3D CNN-BiLSTM-ATFA的主干网络效果最优。基于步态的奶牛个体识别平均准确率、灵敏度和精确度分别为94.58%、93.47%和95.94%。奶牛躯干和腿部不同部位进行加权特征融合的个体识别实验表明识别准确率还可进一步提高。奶牛跛足对步态识别效果影响较为明显,实验期间由健康变为跛足和一直跛足的奶牛个体识别准确率分别为89.39%和92.61%。本文研究结果可为奶牛的智能化个体识别提供技术参考。     

基于改进边缘分割算法的幼苗信息提取

优化特征空间和改进分割算法是利用面向对象技术准确获取幼苗信息的关键,也是高空间分辨率数据提取目标地物信息迫切需要解决的问题。研究了在多光谱影像进行去噪声处理基础上,采用改进的基于边缘的算法进行影像分割,同时选取纹理、形状、光谱特征构建特征空间,实现幼苗信息提取的方法。结果表明,该方法对幼苗信息提取的总精度达86%,比传统技术提高了12%,KAPPA系数达0.814 5,比传统技术提高了0.115 9。该方法可以对幼苗信息进行准确快速提取,能够为生产或管理部门进行准确监测和决策提供依据,对未来造林情况进行预测和评价有重要意义。     

复杂动态场景下基于光流分割SLAM算法研究

针对目前主流SLAM(同时定位与建图)算法在动态环境中存在精度大幅下降的问题,提出了一种基于光流分割去除动态物体干扰的DY-SLAM(SLAM In Dynamic Environment)算法。该算法采用实例分割算法结合相邻帧图像之间的稠密光流对动态物体进行分割,在SLAM系统图像帧间匹配前剔除动态物体特征点,提高动态环境下的定位精度。使用公开数据集对算法进行评估,算法的RMSE提升最大可达21.59%,能够有效提高系统在复杂动态环境下的定位精度及鲁棒性。     

基于改进GrabCut算法的黄瓜植株图像分割

植物图像的自动分割是植物表型研究的热点问题,也是作物生长过程监测、病虫害识别等应用的核心技术之一.以黄瓜为对象,通过对图像中作物与背景特点的分析,选取EXG超绿分割和GrabCut算法进行试验研究;基于EXG超绿分割和GrabCut算法在黄瓜群体图像上的分割结果及这两种算法的优缺点,提出具有更高分割精度的改进算法.用室...     

基于改进U-Net的火龙果采摘图像分割和姿态估计方法

为了实现火龙果采收自动化作业,提出一种基于改进U-Net的火龙果图像分割和姿态估计方法。首先,在U-Net模型的跳跃连接(编码器与解码器部分特征图进行的连接操作)中引入通道和空间注意力机制模块(Concurrent spatial and channel squeeze and channel excitation, SCSE),同时将SCSE模块集成到残差模块(Double residual block, DRB)中,在增强网络提取有效特征能力的同时提高网络的收敛速度,得到一种基于注意力残差U-Net的火龙果图像分割网络。通过该网络分割出果实及其附生枝条的掩膜图像,利用图像处理技术和相机成像模型拟合出果实及其附生枝条的轮廓、果实质心、果实最小外接矩形框和三维边界框,进而结合果实及其附生枝条的位置关系进行火龙果三维姿态估计,并在火龙果种植园中获得一个测试集,以评价该算法的性能,最后在自然果园环境下进行实地采摘试验。试验结果表明,火龙果果实图像分割平均交并比(mIoU)和平均像素准确率(mPA)分别达到86.69%和93.89%,三维姿态估计平均误差为8.8°,火龙果采摘机器人在果园环境...     

基于动态多特征变量的黄羽肉鸡跛行状态定量评价方法

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。     

基于改进DeepLabv3+的番茄图像多类别分割方法

番茄图像中多类别目标的准确识别是实现自动化采摘的技术前提,针对现有网络分割精度低、模型参数多的问题,提出一种基于改进DeepLabv3+的番茄图像多类别分割方法。该方法使用幻象网络(GhostNet)和坐标注意力模块(Coordinate attention, CA)构建CA-GhostNet作为DeepLabv3+的主干特征提取网络,减少网络的参数量并提高模型的分割精度,并设计了一种多分支解码结构,用于提高模型对小目标类别的分割能力。在此基础上,基于单、双目小样本数据集使用合成数据集的权值参数进行迁移训练,对果实、主干、侧枝、吊线等8个语义类别进行分割。结果表明,改进的DeepLabv3+模型在单目数据集上的平均交并比(MIoU)和平均像素准确率(MPA)分别为68.64%、78.59%,在双目数据集上的MIoU和MPA分别达到73.00%、80.59%。此外,所提模型内存占用量仅为18.5 MB,单幅图像推理时间为55 ms,与基线模型相比,在单、双目数据集上的MIoU分别提升6.40、6.98个百分点,与HRNet、UNet、PSPNet相比,内存占用量压缩82%、79%、88%...     

基于改进YOLO v5s的奶山羊面部识别方法

为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3 844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入SimAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R-CNN、SSD、YOLO v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。     

基于遗传算法的草莓图像FCM分割方法研究

为了改善草莓采摘机器视觉系统中果实图像的分割效果,对图像分割算法中的遗传算法理论进行了分析。针对草莓果实图像的特点,通过使用遗传算法去寻找FCM图像分割方法中的聚类中心,提高了确定聚类中心的精度,从而改善了草莓果实图像的分割效果。     

基于KFCM和改进分水岭算法的猪肉背最长肌分割技术

提出一种利用核模糊C均值聚类(KFCM)和改进分水岭算法分割猪肉眼肌切面图像中背最长肌区域的方法.该算法对经中值滤波去噪后图像的R分量利用最大方差自适应阈值(OTSU)去除背景,再采用KFCM提取出肌肉组织,然后进行空洞填充,最后由改进的分水岭算法分割出背最长肌区域.利用该算法对采集的60幅猪肉眼肌图像进行处理,分割正确率为86.67%;与传统的形态学算法相比,该算法能真实、完整地恢复出背最长肌区域.结果表明:该算法能有效地分割出猪肉眼肌图像中的背最长肌区域,与改进前分水岭算法相比,能避免背最长肌区域出现欠分割.     

基于改进YOLO v3的肉牛多目标骨架提取方法

针对肉牛行为识别过程中,多目标骨架提取精度随目标数量增多而大幅降低的问题,提出了一种改进YOLO v3算法(Not classify RFB-YOLO v3,NC-YOLO v3),在主干网络后引入 RFB(Receptive field block)扩大模型感受野,剔除分类模块提高检测效率,结合8SH(8-Stack...     

基于改进爬峰法高分辨率遥感影像分割的树冠提取

对现有爬峰法利用高分辨率遥感影像分割进行树冠提取时存在的问题进行直方图压缩和基于类的二次合并两方面的改进,并将改进后的爬峰法在Matlab平台上模拟实现。以Quick Bird影像为基础数据源提取单木树冠,分析树冠面积提取精度,验证改进爬峰法对高分遥感影像树冠分割的可靠性。研究结果表明:实验样本精度均达到85%以上,与传统目视解译精度比较相差较少,满足应用需求。     

基于改进YOLO v5s模型的奶山羊乳房区域热红外图像检测方法

奶山羊乳房区域的准确提取是奶山羊非侵入式体温检测的关键,但受乳房区域遮挡及热红外图像分辨率不高等因素影响,其检测精度尚待进一步提升。基于热红外成像技术,提出了一种基于改进YOLO v5s的奶山羊乳房关键部位检测方法。通过将原模型Backbone网络的部分卷积模块替换为ShuffleNetV2结构,以达到降低网络部署和训练过程中的参数量、实现轻量化网络设计的目的。通过在Neck网络检测头(Head)前端引入CBAM注意力机制,以达到在降低网络复杂程度的同时保证奶山羊乳房区域检测精度的目的。本研究采集了包含完整信息、残缺信息和边缘模糊的孕期奶山羊乳房红外图像4611幅,并在部位标注后进行模型训练。经测试,模型精确率为93.7%,召回率为86.1%,平均精度均值为92.4%,参数量为8×105,浮点运算量为1.9×109。与YOLO v5n、YOLO v5s、YOLO v7-tiny、YOLO v7、YOLO v8n和YOLO v8s目标检测网络相比,网络的精确率分别提高1.9、1.2、1.6、4.3、3.5、2.7个百分点,召回率提高3.4、5.0、0.1、2.6、0.9、1.5个百分点,参数量降低1.1×106、6.2×106、5.2×106、3.6×107、2.4×106和1.0×107,浮点运算量降低2.6×109、1.4×1010、1.1×1010、1.0×1011、6.8×109和2.7×1010。试验结果表明,本研究所提出的网络可以实现奶山羊乳房关键部位的精确检测,且在不损失检测精度的基础上显著降低网络的参数量,有利于网络在不同环境下的部署和使用,可为奶山羊非接触式体温监测系统设计提供借鉴。