基于改进Faster R-CNN识别深度视频图像哺乳母猪姿态

猪舍场景下,昼夜交替光线变化、热灯光照影响,及仔猪与母猪的粘连等因素,给全天候哺乳母猪姿态自动识别带来很大困难。该文以深度视频图像为数据源,提出基于改进Faster R-CNN的哺乳母猪姿态识别算法。将残差结构引入ZF网络,设计ZF-D2R网络,以提高识别精度并保持实时性;将Center Loss监督信号引入Faster R-CNN训练中,以增强类内特征的内聚性,提升识别精度。对28栏猪的视频图像抽取站立、坐立、俯卧、腹卧和侧卧5类姿态共计7 541张图像作为训练集,另取5类姿态的5 000张图像作为测试集。该文提出的改进模型在测试集上对哺乳母猪的站立、坐立、俯卧、腹卧和侧卧5类姿态的识别平均准确率分别达到96.73%、94.62%、86.28%、89.57%和99.04%,5类姿态的平均准确率均值达到93.25%。在识别精度上,比ZF网络和层数更深的VGG16网络的平均准确率均值分别提高了3.86和1.24个百分点。识别速度为0.058 s/帧,比VGG16网络速度提高了0.034 s。该文方法在提高识别精度的同时保证了实时性,可为全天候母猪行为识别提供技术参考。     

基于全卷积网络的哺乳母猪图像分割

猪舍场景下,光照变化、母猪体表颜色不均及与环境颜色对比度不大、母猪与仔猪的粘连等,均给目标分割带来很大的困难。该文提出了基于全卷积网络(FCN,fully convolutional networks)的哺乳母猪图像分割算法。以VGG16为基础网络,采用融合深层抽象特征与浅层细节特征并将融合的特征图上采样8倍的跳跃式结构,设计哺乳母猪分割的FCN。利用Caffe深度学习框架,以7栏伴有不同日龄仔猪的3811幅哺乳母猪训练样本进行母猪分割FCN训练,在另外21栏的523幅哺乳母猪测试集上的分割结果表明:该算法可有效避免光线变化、母猪颜色不均、小猪遮挡与粘连等影响,实现完整的哺乳母猪区域分割;分割的平均准确率达到99.28%,平均区域重合度达到95.16%,平均速度达到0.22 s/幅。与深度卷积网络的SDS(simultaneous detection and segmentation)及传统的基于图论的图像分割、基于水平集的图像分割方法做了对比试验,该文分割方法平均区域重合度分别比这3种方法高出9.99、31.96和26.44个百分点,有较好的泛化性和鲁棒性,实现了猪舍场景下哺乳母猪准确、快速分割,可为猪只图像分割提供了技术参考。     

基于MFO-LSTM的母猪发情行为识别

及时准确识别母猪的发情行为可以有效增加受胎率和产仔量,对提高养殖企业的繁育水平和经济效益具有重要意义。该研究针对生猪养殖过程中母猪发情行为识别存在主观性强、智能化水平低、假警报和错误率高、识别不及时等问题,提出了一种基于飞蛾扑火算法（Moth-Flame Optimization,MFO）优化长短时记忆网络（Long Short Term Memory,LSTM）的母猪发情行为识别方法。利用安装在母猪颈部的姿态传感器获得母猪姿态数据,然后使用姿态数据训练MFO-LSTM姿态分类模型,将母猪姿态分为立姿、卧姿和爬跨3类。通过对姿态分类结果进行分析,确定以爬跨行为和活动量2个特征作为发情行为识别依据,使用MFO-LSTM分类算法判断母猪是否发情。以山西省太原市杏花岭区五丰养殖场的试验数据对该方法进行验证,结果表明,该方法在以30 min为发情行为识别时间时的识别效果最好,发情行为识别的错误率为13.43%,召回率为90.63%,特效性为81.63%,与已有的母猪发情行为识别方法相比错误率降低了80%以上。该方法在保证识别准确率的情况下有效降低了错误率,可满足母猪养殖生产过程中发情行为自动识别要求。     

基于深度学习的葡萄果梗识别与最优采摘定位

针对葡萄采摘机器人在采摘作业中受果园环境干扰,难以准确识别与分割葡萄果梗及定位采摘点的问题,该研究根据葡萄生长的特点提出一种基于深度学习的葡萄果梗识别与最优采摘定位方法.首先通过改进掩膜区域卷积神经网络(Mask Region with Convolutional Neural Network,Mask R-CNN)模...     

基于土地利用驱动力的马尔科夫模型及其应用

马尔科夫模型在土地利用变化的预测中已经得到了广泛的应用,但如何通过区域社会经济指标对马尔科夫模型进行修正,提高其预测精度是一个值得研究的科学问题。本文解译1995,2001,2005,2008四个时相的TM遥感影像得到太仓土地利用结构图,构建基于土地利用驱动力分析的加权马尔科夫模型,对2013年太仓市的土地利用结构(农用地,建设用地等)进行预测。改进后的模型将1995—2001年,2001—2005两阶段转移矩阵作为加权马尔科夫模型的加权因子;再根据GDP、非农人口数量、二产比重的自相关系数确定两阶段转移矩阵的权重,建立基于土地利用驱动力分析的加权马尔科夫模型,以此对2013年土地利用结构进行预测。同时基于城市土地利用现状(2008年)分析,对比上述加权马尔科夫模型预测结果,证明加权马尔科夫模型预测精度较高。     

基于马尔科夫模型的吐鲁番市土地覆被动态变化研究

以吐鲁番市1990年TM影像解译数据和2005年、2011年的土地利用图为数据源,通过建立马尔科夫模型来预测该地区土地覆被变化情况。马尔科夫模型的预测精度与模拟步长密切相关,因此,首先以1990年为基础年,基于不同的模拟步长,预测2005年的各地类面积,并与其实际面积相比较,找出最佳模拟步长。其次,用该最佳步长预测2011年以后的土地覆被变化,由此分析该地区土地利用程度和土地利用空间变化动态度。研究表明:（1）未利用地和草地相互转换数量较大;（2）2005年后耕地减少较为迅速,供需矛盾日益突出,基本没有实现耕地占补平衡;（3）在21年间水体减少近6 000 hm²,很可能与全球气候变暖有关;（4）由于建设用地和园地的变化而使得土地利用程度逐年提高,说明经济的发展是土地覆被变化的重要因素;（5）人为因素是土地覆被变化的主要原因,人们正采取越来越有力的手段影响着土地覆被变化。基于上述结论,文章提出了相应建议。     

基于马尔科夫模型的武功县土地利用/覆被动态变化研究

基于对武功县2006年、2009年两期Lansat 5-TM遥感影像解译获得的土地利用/覆被图,求得该区土地利用类型面积转移概率矩阵。应用马尔科夫模型对武功县未来12 a土地利用动态变化趋势进行模拟分析和预测。结果表明:引入模型效应系数检验该模型,模型效应系数值为99.99%,用该模型预测土地利用动态变化是可靠的;人类活动是武功县土地利用/覆被变化的主要驱动力;武功县未来土地利用的变化趋势是农业用地逐年减少,其中耕地面积和菜地面积分别减少5.74%,0.74%;而建设用地和交通用地则逐年增加,分别增加6.29%,0.57%;水域和特殊用地面积变化不大。研究结果明晰了农用地和建设用地之间的矛盾及其发展趋势,可为区域土地利用规划管理提供相关科学依据。     

基于马尔科夫模型的郑州市郊区多方案耕地保有量预测

以TM、ETM、SPOT-5等遥感影像和地形图为数据源,建立遥感解译标志进行人机交互解译获取1988、1997、2000、2002年郑州市土地利用现状数据,根据每一组时段获取不同的年均土地利用转移概率矩阵,以每个年均转移概率为预测方案,利用马尔科夫模型预测未来郑州市土地利用结构,进行不同发展模式下的耕地保有量预测。研究结果表明:随着城市化的不断发展,城市等建设用地面积不断增加,耕地面积将不断减少。到2015年,耕地保护模式下耕地保有量达到43 957.84 hm2,普通发展模式下耕地保有量分别达到38 703.89 hm2和30 491.87 hm2,快速城市化发展模式下耕地保有量为22 455.74 hm2。     

基于滑动无偏灰色马尔科夫模型的水库年降雨量预测

为了判别灰色模型与灰色马尔科夫模型哪一个更适合于降雨量的预测,以山西省寿阳县蔡庄水库为研究对象,通过灰色模拟、无偏灰色模拟、滑动无偏灰色模拟3种模拟方法对研究区40a的降雨量进行数值模拟,比较了3种方法的精确程度。选出最优方法,将精度最高的滑动无偏灰色模型辅以马尔科夫模型,形成灰色马尔科夫模型,再与灰色模型作对比较,判断其精度。结果表明,灰色模型对于长期预测和波动性较大的数据列拟合效果较差,灰色马尔科夫模型能够更好地适应数据的波动性,模拟效果更好。因此,在改进灰色模型的基础上辅以马尔科夫模型,形成改进的灰色马尔科夫模型,发挥出灰色模型与马尔科夫模型各自的优点,达到了更好的模拟效果。     

基于马尔科夫模型的大凌河流域土地利用/覆被变化趋势研究

本文通过对大凌河流域2010年、2013年和2016年三期遥感影像进行分类,得到流域土地利用分布现状。对分类结果进行叠加分析可以获得大凌河流域2010~2013年的地类转移概率矩阵,再运用马尔科夫原理预测出2016年流域土地利用分布情况,将其与实际情况对比分析,证明马尔科夫模型适用于大凌河流域未来土地利用/覆被变化趋势的预测。进而本文分别对大凌河流域2019年、2022年和2025年的土地利用情况进行预测,发现未来近10年流域建设用地面积持续增长,变化率为38.96%;农林用地面积从2016年开始减少,总体下降了0.77%;水域面积稳定增长,到2022年之后趋于稳定值,变化率为17.21%;旱地及其他未利用地面积继续缩减,到2019年开始趋于稳定,整体下降了1.71%。研究结果明晰了大凌河流域农林用地和建设用地之间的矛盾,可以为流域水土资源管理有关部门提供科学依据。     

基于Kinect传感器的无接触式母猪体况评分方法

为了提高母猪的繁殖性能,减少传统方法给动物和估测人员带来的不利影响,该研究提出了一种可应用于实际生产中的准确、无接触式的母猪体况评分(body condition scoring,BCS)方法。试验使用Kinect传感器获取108组母猪臀股的三维图像,选取48组图像进行分析处理,计算出臀部的高宽比、臀股面积及曲率半径。试验结果表明:母猪臀部的高宽比、臀股面积和曲率半径与背膘厚度的相关系数分别为0.567、0.502、0.951;以曲率半径作为主要参数建立母猪体况估测模型。取剩余60组图像进行验证,估测模型计算结果与经验方法评估结果差异较小,准确率达到91.7%;结果表明,基于三维重构技术的Kinect传感器能够实现母猪在饲养管理过程中对体况的无接触式检测。     

多视角深度相机的猪体三维点云重构及体尺测量

对活体牲畜三维重构,数据采集方式、快速配准融合方法、表型体尺测量方法缺乏成熟有效的方案,导致目前活体牲畜的自动体尺测量技术难以在养殖场中推广应用。该文以猪为研究对象运用消费级深度相机KinectV2从正上方和左右两侧3个不同角度同步获取在采集通道中自由行走猪的局部点云。局部点云采用邻域曲率变化法去噪,并运用基于轮廓连贯性点云配准融合,最后采用多体尺数据精确估算技术测定包括体长、体高、胸宽、腹围等数据。该文分别对比实验室中模型猪由传输带以5种不同速率经过通道和养殖场内25头猪逐一经过通道,2种情况下采集数据进行各项体尺测算结果。其结果显示模型猪在传输带上以0、0.3、0.6、0.9和1.2 m/s等5种不同速率下测量体长、体高、胸宽、腹围值与实测值的平均相对误差分别为1.77%、1.36%、2.74%和2.17%。养殖环境下对25头猪同样4种体尺值与实测值的平均相对误差分别为2.56%,2.32%,3.89%和4.51%。试验结果发现养殖场活体猪测量最小误差可以达到实验室环境下的效果,但是最大相对误差变化较大,其原因在于养殖场中猪自由行走采集数据时行为姿态发生很大变化。     

基于深度图像和BP神经网络的肉鸡体质量估测模型

针对现阶段肉鸡称重复杂、福利降低问题,提出了一种基于深度图像的肉鸡体质量估测模型建立方法。该方法首先对深度图像进行图像预处理,再利用数值积分法提取出目标特征,并结合BP神经网络,实现群体肉鸡的体质量估测。估测结果与实际测量结果进行对比,研究结果表明两者的均方根误差为0.048,平均相对误差为3.3%,绝对误差在0.001 0~0.068 2 kg范围内,最优拟合度为0.994 3,具有较好的推广应用价值。该方法较为准确的估测出肉鸡体质量,并为用机器视觉的方法估测肉鸡生长发育规律提供了新的思路。     

基于有理多项式模型区域网平差的GF-1影像几何校正

2013年4月成功发射的GF-1卫星是中国高分系列卫星的首发星,影像在中国农情遥感监测业务中得到了广泛应用,已成为大宗农作物种植面积遥感监测的主要数据源之一。高精度几何位置的配准是卫星农情定量化应用的基础与前提,该文提出了一种基于区域网平差方法修正GF-1卫星WFV(wide field view,WFV)影像RPC(rational polynomial coefficients,RPC)参数,获取更高几何定位精度的校正方法,形成了模式化的业务处理流程,为该影像在农情遥感监测中的应用奠定了基础。算法流程包括2个部分,首先是基于像面间仿射变换关系及有理多项式RFM(rational function model,RFM)模型构建轨道间的区域网平差数学模型,其次是根据影像连接点及少量控制点输入求解所有参与平差的卫星影像定向参数,获取亚像元级的校正结果。平差参数的解算是通过两步求解完成的,初始平差参数是根据连接点及对应的DEM高程值进行平差迭代至收敛,结果平差参数是将初始平差参数作为初始值代入区域网平差模型,并以逐点消元方式约化法方程,解算出各影像的仿射变换参数。该文在求解平差参数过程中,直接使用DEM(digital elevation model)上获取的高程值作为约束条件,消除了平面坐标与高程的相关性,保证了区域网平差模型能够解算。混合地形、平原、山区3种情况下区域网平差结果表明,全连接点平差结果具有较高的相对定位精度,其行方向的中误差分别为0.3046、0.4674、0.3365像元,列方向的中误差分别为0.3677、0.2849、0.2889像元;而结合少量控制点的区域网平差则同时具有很高的绝对定位精度,其行方向的中误差分别为0.3648、0.5041、0.3605像元,列方向的中误差分别为0.4954、0.4039、0.6323像元,整体达到了亚像素级。最后,在农业应用基础控制底图的支持下,分别对原始影像、RPC校正影像、区域网平差后的影像进行几何配准,分析不同输入影像条件下的几何校正精度,仅有区域网平差后的影像达到了亚像元的校正精度,混合地形、平原、山区3种情况下行方向的中误差分别为0.6857、0.6664、1.0646像元,列方向的均方差分别为0.4342、0.4696、0.5609像元,但与几何校正前精度相比没有明显改善,说明本文提出的研究方法可以实现少量控制点条件下的几何精校正。不同DEM校正结果表明,对于山区,更高分辨率的DEM可以获得更好的定位精度。上述研究充分表明,该方法对GF-1/WFV数据的处理有效且可行,并在农业部中国农情遥感业务工作中得到了初步应用。