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。     

基于深层卷积神经网络的肉兔图像分割与体质量估测

针对肉兔饲养管理过程中人工称量造成的应激、体质量信息采集困难等问题,提出了一种基于深层卷积神经网络的肉兔图像分割与体质量估测方法,实现了肉兔养殖管理中的无接触式称量.构建基于Mask R-CNN的肉兔图像分割网络,以残差网络ResNet101作为主干网络,利用COCO数据集进行迁移学习以提高训练效率,获取围栏中不受限制...     

基于深度图像的奶牛表型特征获取

奶牛表型特征是评价奶牛成长状况的一项重要参数,为减少奶牛的应激性且能便捷地获取奶牛几何表型尺寸,运用图像处理技术提取奶牛表型特征参数,设计了一款针对深度图像和点云数据的奶牛几何表型特征获取系统。对奶牛深度图像采用背景减去法、阈值分割、滤波和空洞填充等方法获取奶牛目标区域,对目标采用边缘检测、角点检测和凸包运算等检测特征点,最后对应点云数据获得奶牛表型特征尺寸。系统现场试验结果表明,系统获取的体重准确性在98%以上,体尺准确性在96%以上,系统工作稳定、测量精度高,为实现数字化养殖打下了基础,具有很好的应用前景。      

基于深度图像的奶牛表型特征获取系统设计与试验

奶牛表型特征是评价奶牛成长状况的一项重要参数,为减少奶牛的应激性且能便捷地获取奶牛几何表型尺寸,运用图像处理技术提取奶牛表型特征参数,设计了一款针对深度图像和点云数据的奶牛几何表型特征获取系统。对奶牛深度图像采用背景减去法、阈值分割、滤波和空洞填充等方法获取奶牛目标区域,对目标采用边缘检测、角点检测和凸包运算等检测特征点,最后对应点云数据获得奶牛表型特征尺寸。系统现场试验结果表明,系统获取的体重准确性在98%以上,体尺准确性在96%以上,系统工作稳定、测量精度高,为实现数字化养殖打下了基础,具有很好的应用前景。     

基于深度图像的猪体尺检测系统

为实现生猪饲养过程中体尺无接触检测,设计了一套基于双目视觉原理的猪体尺检测系统。针对色彩图像提取猪体轮廓易受污物和光照干扰的问题,提出基于深度图像的猪体轮廓提取算法。使用双目视觉系统获得猪体深度图像,利用帧差法提取猪只高度信息,并基于高度信息二值化图像,获得猪体轮廓;结合优化的基于凹陷结构的拐点提取算法,筛选体尺检测关键点,计算体长、体宽、体高、臀宽、臀高5个体尺,编写了基于以上算法的猪体尺检测程序。双目视觉系统三维检测的实验室验证表明:在2 m物距范围内,系统三维检测相对误差均小于1%;系统在实际猪场对32组猪体尺检测结果表明:与手工测量猪体尺相比,本系统检测的体尺平均相对误差在2%左右,平均误差小于2 cm。试验证明基于深度图像的猪体尺检测系统不容易受到脏污和光照干扰,能够实现生猪饲养过程中猪体尺的无接触检测。     

基于机器视觉的畜禽体质量评估研究进展

体质量（体重）是反映畜禽身体健康与生长状况、繁殖与生产性能的重要指标。对畜禽体质量精准快速地评估和监测是提升养殖生产管理水平、实现精准畜牧生产的重要手段。传统的直接称量方式耗时费力,易造成动物的应激反应。基于机器视觉技术的体质量评估,能够利用视觉检测技术获取体型特征建立其与体质量之间的智能评估模型,是目前畜禽养殖智能化技术研究的热点。首先对体质量的评估方法进行分类阐述;然后,详细分析了机器视觉体尺图像获取的传感器类型、畜禽体尺提取与处理方法及应用现状;重点开展基于机器学习方法的体尺、体征与体质量评估模型相关研究的分析,对比了各类机器学习算法在体质量评估方面的应用效果和最新研究成果,特别探讨和分析了深度学习算法在全自动畜禽体质量评估领域的发展潜力;最后,指出畜禽体质量评估研究面临的问题和未来研究的发展趋势。     

基于关键帧提取与头颈部去除的奶牛体尺测量方法

为提高奶牛体尺测量的效率与精度,降低劳动强度,提出一种基于关键帧提取与头颈部去除的奶牛体尺测量方法。首先,搭建奶牛俯视深度视频采集平台,利用分水岭算法提取深度图像中的奶牛目标;其次,使用图像扫描策略获取奶牛左右两侧轮廓,利用基于霍夫变换的直线检测方法,提取图像序列中含有完整奶牛躯干的关键帧;然后,根据奶牛头部区域骨架特征判定头部是否存在,若头部存在,则基于凸包分析方法去除图像中奶牛头部,并利用多项式曲线拟合方法去除奶牛颈部;最后,根据奶牛体尺测点的空间特征,自动计算奶牛体直长、肩宽、腹宽、臀宽及体高。利用35头奶牛的2.163帧深度图像对本文方法精度进行测试,结果分析表明,关键帧提取方法准确率为97.36%,可有效代替人工进行关键帧的选取;头部检测方法准确率为94.04%,提高了奶牛体尺测点定位的效率;体尺测量平均相对误差在3.3%以内。本文研究成果可提高奶牛体尺自动测量的效率与精度。     

基于EfficientNet与点云凸包特征的奶牛体况自动评分

为进一步提高奶牛体况自动评分精度,构建了一种基于点云凸包距离的三维结构特征图,将其作为EfficientNet深度学习网络的输入,可实现奶牛体况自动评分误差在0.25以内识别的准确率提升。首先,对获取的奶牛背部深度图像进行预处理,得到含有主要体况信息从奶牛腰角骨到臀骨区域的点云;其次,对点云进行体素化和凸包化,计算每个外围体素到最近凸包面之间的距离,并投影至X-Y平面上,得到结构特征图;构建EfficientNet网络分类模型,采用鲸鱼优化算法(Whale optimization algorithm, WOA)对其缩放系数进行优化;最后,利用77头奶牛的5119幅深度图像对模型进行训练、验证与测试,数据集比例为5∶3∶2。结果表明,奶牛体况评分（BCS）范围在2.25~4.00内,测试集中EfficientNet模型精准识别的图像达到73.12%,BCS识别误差在0.25和0.50以内的图像占比分别为98.6%和99.31%,平均识别速率为3.441s/f,识别效果优于MobileNet-V2、XceptionNet和LeNet-5等模型。该方法可实现规模化养殖场中奶牛个体体况的无接触评定,具有精度高、适用性强、成本低等特点。     

基于融合图像与运动量的奶牛行为识别方法

为从海量监控视频中快速、准确识别影响奶牛繁殖与健康的行为,以小育成牛舍与泌乳牛舍中400头奶牛为研究对象,分析了奶牛在活动区与奶厅匝道的运动行为,提出了一种基于图像熵的奶牛目标对象识别方法,通过最小包围盒面积计算与目标对象轮廓图,实时捕获奶牛爬跨行为与蹄部、背部特征,融合被识别奶牛连续7 d的运动量,判断影响奶牛健康繁殖的异常行为。试验结果表明,利用本文方法对监控视频内奶牛目标对象、运动行为进行实时监测,有效监控识别奶牛发情、蹄病行为准确率超过80%,发情漏检率最低为3.28%,蹄病漏检率最低为5.32%,提高了规模化养殖管理效率。     

基于改进YOLO v5s的轻量级奶牛体况评分方法

奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-MCE)。首先,通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次,在MobileNetV3网络中融入坐标注意力机制(Coordinate attention, CA)构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络,在降低模型复杂度的同时,使得网络特征提取时更关注于牛尾区域的位置和空间信息,从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数,优化了目标边界框回归收敛速度,生成定位精准的预测边界框,进而提高了模型检测精度。试验结果表明,改进的YOLO v5s模型的检测精度为93.4%,召回率为85.5%,mAP@0.5为91.4%,计算量为2.0×10⁹,模型内存占用量仅为2.28 MB。相较原始YOLO v5s模型,其计算量降低87.3%,模型内存占用量减...     

基于三维重建的奶牛体重预估方法

为提高奶牛称量的工作效率,降低劳动强度,提出一种基于三维重建的奶牛体重预估方法。首先搭建奶牛深度视频获取平台,利用Kinect相机分别采集奶牛俯视与侧视视角数据,选取深度视频中同步的俯视帧与侧视帧并转换为点云,去除复杂背景提取奶牛点云;然后利用一帧不同步的侧视点云将同步侧视点云中缺失区域补全,配准俯视与侧视点云后,基于俯视点云中奶牛脊柱的位置选取对称面,利用单视角侧视点云获取得到双视角点云,完成奶牛体表点云的重建;最后进行点云曲面重建,利用曲面模型的体积与表面积建立奶牛体重预估模型。利用29头奶牛数据验证模型效果,结果表明,奶牛曲面模型整体表面积、去除四肢及头部的体积与体重呈显著正相关,体重预估绝对误差在-18.67~23.34kg之间,相对误差均小于3.40%,平均相对误差为2.04%。     

基于机器视觉的奶牛发情行为自动识别方法

及时检测奶牛发情、适时人工授精、减少空怀奶牛,是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题,提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测,然后基于颜色和纹理信息去除干扰背景,再利用AlexNet深度学习网络训练奶牛行为分类网络模型,识别奶牛爬跨行为,最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明,本文方法对奶牛发情的识别准确率为100%,召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中,为生产管理提供辅助决策。     

基于VGG-ST模型的奶牛粪便形态分类方法研究

快速准确识别奶牛粪便形态,对于奶牛肠胃健康监测与精细管理具有重要意义。针对目前奶牛粪便识别人工依赖强、识别难度大等问题,提出了一种基于VGG-ST（VGG-Swin Transformer）模型的奶牛稀便、软便、硬便及正常粪便图像识别与分类方法。首先,以泌乳期荷斯坦奶牛粪便为研究对象,采集上述4种不同形态的粪便图像共879幅,利用翻转、旋转等图像增强操作扩充至5580幅作为本研究数据集;然后,分别选取Swin Transformer、AlexNet、ResNet-34、ShuffleNet和MobileNet 5种典型深度学习图像分类模型进行奶牛粪便形态分类研究,通过对比分析,确定Swin Transformer为最优基础分类模型;最后,融合VGG模型与Swin Transformer模型,构建了VGG-ST模型,其中,VGG模型获取奶牛粪便局部特征,同时Swin Transformer模型提取全局自注意力特征,特征融合后实〖JP3〗现奶牛粪便图像分类。实验结果表明,Swin Transformer模型在测试集中分类准确率达859%,与ShuffleNet、ResNet-34、MobileNet、AlexNet模型相比分别提高1.8、4.0、12.8、23.4个百分点;VGG-ST模型分类准确率达89.5%,与原Swin Transformer模型相比提高3.6个百分点。该研究可为奶牛粪便形态自动筛查机器人研发提供方法参考。     

基于SimCC-ShuffleNetV2的轻量化奶牛关键点检测方法

针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题,提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中,主干网络采用ShuffleNetV2用于特征提取,有利于实现网络的轻量化;检测头采用SimCC用于关键点位置预测,SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能,本研究设计了奶牛的关键点及骨架结构,并标注了3 600幅图像用于模型的训练与测试。试验结果表明,SimCC-ShuffleNetV2模型的AP_50:95为88.07%,浮点运算量为1.5×10⁸,参数量为1.31×10⁶,检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验,结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时,本研究通过更换不同主干与不同检测头的方式,对比验证了不同模块对模型性能影响,本研究所提出的模型在所有试验中均取得了最佳结果,表明ShuffleNe...     

基于卷积神经网络的奶牛发情行为识别方法

对奶牛发情的及时监测在奶牛养殖中至关重要。针对现有人工监测奶牛发情行为费时费力、计步器接触式监测会产生奶牛应激行为等问题,根据奶牛发情的爬跨行为特征,提出一种基于卷积神经网络的奶牛发情行为识别方法。构建的卷积神经网络通过批量归一化方法提高网络训练速度,以Max-pooling为下采样,修正线性单元(Rectified linear units,Re LU)为激活函数,Softmax回归分类器为输出层,结合理论分析和试验验证,确定了32×32-20c-2s-50c-2s-200c-2的网络结构和参数。经过对奶牛活动区50头奶牛6个月的视频监控,筛选了具有发情行为爬跨特征的视频150段,随机选取网络训练数据23 000幅和测试数据7 000幅,对构建的网络进行了训练和测试。试验结果表明:本文方法对奶牛发情行为识别准确率为98. 25%,漏检率为5. 80%,误识别率为1. 75%,平均单幅图像识别时间为0. 257 s。该方法能够实现奶牛发情爬跨的无接触实时监测,对奶牛发情行为具有较高的识别率,可显著提高规模化奶牛养殖的管理效率。     

基于深度学习和图像处理的水果收获机器人抓取系统

首先,介绍了水果收获机器人抓取系统的总体架构;然后,利用深度学习对水果目标识别进行了研究,实现了一套基于卷积神经网络的目标检测算法;接着,利用图像处理技术实现了对目标物体定位的功能,可以引导水果收获机器人完成对目标水果的采摘.实验结果表明:水果收获机器人抓取系统对水果坐标的计算误差较小,且具备较强的水果识别和定位能力.     

基于图像处理技术的奶牛体型线性评定系统

采用Lab View虚拟仪器软件开发平台和IMAQ Vision图像处理软件包开发基于计算机图像处理的奶牛体型线性评定软件系统。系统选用蓝色背景，增强了图像的对比度和定位准确性，减小了图像处理的难度。采用从HSL模型中抽取S值的方法实现图像灰度化处理，并通过中值滤波减少图像的噪声。试验结果表明，运用模板匹配方法来识别特征点，判定准确率达90％以上。计算机图像评分和手工评分结果的最大绝对误差1．1cm，相对误差为0．8％，系统精度满足线性评定要求，完全能取代手工评定，并提高了评定效率。