基于姿态与时序特征的猪只行为识别方法

生猪行为监测是生猪养殖管理过程中的一个重要环节。该研究提出了基于姿态与时序特征的猪只行为识别方法。首先采集和标注猪栏内猪只图像,分别构建了猪只目标检测数据集、猪只关键点数据集和猪只行为识别数据集;利用构建的数据集,分别训练了基于YOLOv5s的猪只检测模型、基于轻量化OpenPose算法的猪只姿态估计模型和基于ST-GCN算法的猪只行为识别模型,并搭建了猪只行为识别系统。经测试,文中训练的YOLOv5s猪只检测模型mAP（mean Average Precision）最高达到0.995,姿态估计模型平均精度和平均召回率达到93%以上,基于ST-GCN的猪只行为识别模型的平均准确率为86.67%。文中构建的猪只行为识别系统中基于LibTorch推理猪只检测模型和猪只姿态估计模型的单帧推理耗时分别约为14和65 ms,单只猪行为识别推理耗时约为8 ms,每提取200帧连续姿态进行一次行为识别推理,平均17 s更新一次行为识别结果。证明提出的基于姿态与时序特征的猪只行为识别方法具有一定可行性,为群养猪场景下的猪只行为识别提供了思路。     

基于多光谱图像和数据挖掘的多特征杂草识别方法

为满足变量喷洒对杂草识别正确率的要求,提出一种基于多光谱图像和数据挖掘的杂草多特征识别方法。首先对多光谱成像仪获取的玉米与杂草图像从CIR转换到Lab颜色空间,用K-means聚类算法将图像分为土壤和绿色植物,随后用形态学处理提取出植物叶片图像,在此基础上提取叶片形状、纹理及分形维数3类特征,并基于C4.5算法对杂草分别进行单特征和多特征组合的分类识别。试验结果表明,多特征识别率比单特征识别率高,3类特征组合后的识别率最高达到96.3%。为验证该文提出方法的有效性,将C4.5算法与BP算法以及SVM算法进行比较,试验结果表明C4.5算法的平均识别率高于另2种算法,该文提出的田间杂草快速识别方法是有效可行的。该文为玉米苗期精确喷洒除草剂提供技术依据。     

融合2D-3D卷积特征识别哺乳母猪姿态转换

母猪姿态转换影响仔猪存活率,且动作幅度与持续时间存在差异,准确识别难度大。该研究提出一种融合2D-3D卷积特征的卷积网络（2D+3D-CNet,2D+3D Convolutional Network）识别深度图像母猪姿态转换。以视频段为输入,引入注意力机制SE模块和3D空洞卷积,以提升3D卷积网络姿态转换的时空特征提取能力,用2D卷积提取母猪的空间特征;经特征融合后,动作识别分支输出母猪转换概率,姿态分类分支输出4类姿态概率,结合这两个输出结果识别8类姿态转换,减少了人工标注数据集的工作量;最后设计动作分数,优化母猪姿态转换的时间定位。在测试集上,2D+3D-CNet姿态转换识别精度为97.95%、召回率为91.67%、测试速度为14.39帧/s,精度、召回率和时间定位精度均高于YOWO、FRCNN-HMM和MOC-D方法。该研究结果实现了母猪姿态转换高精度识别。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

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。     

TM影像中基于光谱特征的棉花识别模型

为快速、准确地在遥感图像上从各种农作物中识别提取棉花作物的信息，满足大尺度、运行化棉花遥感监测系统的要求。作者在试验区的棉花主要生长期里，同期进行了棉花与其它主要农作物的地面光谱测量并采集了同期的Landsat TM图像。通过对各时期棉花及主要农作物的地面测量光谱与TM图像光谱特征的差异性及规律性分析，确定了试验区棉花遥感识别的最佳时相期为9月中下旬， 研究开发了基于光谱特征的棉花识别模型。经数学分析与实际应用验证，该模型简单、操作方便并且识别的准确度较高，适用于大尺度的“新疆棉花遥感监测运行系统”。     

基于机器视觉的多个玉米籽粒胚部特征检测

为了利用机器视觉进行多个玉米种子品种的自动识别,该文提出了一种针对多个玉米籽粒进行胚部检测的方法。该方法基于阈值分割和形态学,在RGB空间,采用自动屏蔽0值像素的大津法（Otsu法）,根据B分量值对多粒玉米籽粒扫描图像进行分割,并采用改进的开闭运算对分割后的图像进行修整,最终得到多个玉米籽粒胚部区域。以4个黄玉米品种各45个籽粒为实验对象,以此方法进行胚部检测,为了验证所得胚部区域有效,提取胚部区域面积、周长分别与手工测量的面积、周长进行线性回归分析,R2的均值分别达到0.9834、0.9578;进一步提取所得胚部区域的形状参数,进行聚类识别,不同品种间的差距值反映了不同品种胚部视觉效果上的差异大小,4个品种中1种识别率为97.8%,其余3种均为100%;多个玉米胚部检测较每个籽粒单独处理的效率提高了29.59%。试验结果表明本文提出的多个玉米籽粒胚部检测方法可行。此研究结果为进一步研究玉米籽粒的胚部特征提供了有利条件,也为实现玉米品种的快速准确分类提供了参考。     

基于籽粒RGB图像独立分量的玉米胚部特征检测

玉米胚部特征是重要的农艺性状之一,目前主要通过手工方法进行测量。为实现通过机器视觉图像处理的方法进行玉米胚部特征的自动检测,提出一种基于独立分量分析ICA的玉米胚部测量方法,并建立了检测模型。首先对玉米籽粒的RGB图像进行ICA分析,发现具有最大熵的独立分量IC代表着胚部与籽粒其他部分的对比。根据此IC能够实现玉米胚部的准确分割。然后,提取了玉米胚部面积等9个特征。和手工检测结果相比,面积误差为0.7%,决定系数达0.984,其他8个特征的误差总体也都在2%以下。与前人的基于颜色模型区域生长的检测结果比较,检测准确度有明显提高。表明采用基于ICA的方法检测的结果准确可靠,能够用于玉米胚部的自动检测。     

基于特征优选决策树模型的河套灌区土地利用分类

为了提高土地利用遥感识别精度,探索不同识别期及不同特征变量对土地利用类型遥感识别精度的影响。该研究采用Landsat时间序列影像数据,考虑不同月份和不同特征变量（波段、光谱指数及纹理特征）组合方式建立土地利用决策树分类模型,并利用河套灌区永济灌域实测数据和Google earth影像对不同组合方式的土地利用模型进行数量结构和空间布局的验证,筛选出最优的土地利用遥感模型并确定最佳识别期。结果表明：在不同月份Green（绿波段）和Ent（熵Entropy）分别与波段和纹理特征变量中的因子所含有的信息重复率最高,需剔除,归一化植被指数（Normalized Differential Vegetation Index, NDVI）和增强型植被指数（Enhanced Vegetation Index,EVI）在今后的研究中可选其一应用;与单一特征变量相比,不同特征变量组合后能提高模型精度,平均总体精度和Kappa系数分别提高了6.72个百分点和0.09。采用8月影像数据构建的遥感模型精度最高,最优遥感模型的特征变量组合方式为波段+光谱指数+纹理特征,总体精度、Kappa系数、制图精度和用户精度分别为80.23%、0.74、80.95%和86.26%,且减少了未利用地和居民工况用地空间布局的错分。通过综合比较,该研究区土地利用最佳识别期为8月,其次为9月。利用8月最优遥感模型（最佳识别期和最优组合）识别的耕地、林地、草地、未利用地、水域和居民工矿用地的制图精度分别为96.83%、73.33%、70.00%、65.52%、100.00%和80.00%,用户精度分别为76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。因此可选用8月最优模型应用于长时间序列的土地利用类型识别。     

基于可见/近红外光谱与SIMCA和PLS-DA的脐橙品种识别

脐橙的优良品种选育是通过芽变选种获得,为了选择一些具有特殊性状的脐橙芽变进行培植,需要对脐橙的品种进行鉴别。该研究应用可见/近红外光谱分析方法结合软独立模式分类（SIMCA）和偏最小二乘判别分析（PLS-DA）模式识别方法对赣南脐橙的品种进行识别。研究结果表明,采用原始近红外光谱结合SIMCA方法,实现了纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的100%的识别;应用近红外光谱结合PLS-DA方法对校正样本建立判别模型,其校正及验证结果与实际分类变量的相关系数均大于0.970,交叉验证均方根误差（RMSECV）和预测均方根误差（RMSEP）都小于0.100,利用模型对验证集中纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的识别率均为100%。为脐橙优良品种的选育提供快速鉴别分析方法。     

基于自适应双阈值的彩色线阵CCD小麦黑胚分割

在粮食质量等级评定中,黑胚粒存在的多少影响小麦的整体等级划分。该文以产自新疆和河南不同品种的710粒有黑胚的小麦、627粒破损小麦和1 167粒正常小麦为研究对象,采用彩色线阵CCD动态获取小麦图像,对原始图像进行多余背景去除、色偏校正、亮度变换以及形态学处理后,再对小麦图像单通道图像进行自适应双阈值分割,能有效的实现对小麦黑胚特征的分割。试验选择三种小麦进行特征提取以及模式识别,得到最佳分辨率分别为95.1%,96.0%和98.3%。结果表明该方法对小麦黑胚的识别具有良好的效果。     

基于可见-近红外光谱技术的蜜源快速识别方法

蜂蜜蜜源决定了蜂蜜的药用价值。为了实现快速无损识别蜂蜜蜜源,提出了基于可见-近红外光谱技术结合机器学习的方法来实现蜂蜜蜜源的快速无损识别。该研究采集来自4个蜜源共232份蜂蜜样本光谱数据,随机选取其中212个样本用来构建分类器,剩余20个样本进行分类器泛化学习能力的检验评估。光谱数据预处理采用基线校正,数据标准化和平滑消除干扰和噪声。基于一对多分类规则,采用主成分分析结合贝叶斯线性判别构造线性多分类器,并就分类效果和泛化学习能力与前向神经网络器构成的非线性分类器进行比较。结果表明：基于主成分分析结合贝叶斯线性判别构造的多分类器分类正确率为91.95%,前向神经网络的分类正确率为100%。该研究也表明应用可见-近红外技术对蜂蜜蜜源进行快速分类是可行的。     

四种客观权重确定方法在粮虫可拓分类中的应用比较

储粮害虫的数字特征多,特征之间混合度比较大,可用可拓决策分析来解决其分类问题。在粮虫的可拓分类中,需要自动确定特征的客观权重,以避免传统的专家经验法在确定权重方面所带来的人为因素的影响。该文提出了模糊决策矩阵和均值决策矩阵2种构建决策矩阵的方法。将最大离差法、类间标准差法、CRITIC法和熵值法4种确定客观权重的方法分别应用到粮虫的分类中,并通过基于经典域和节域不同构建方法的2种可拓分类器进行了分析和比较。对粮仓中危害严重的9类粮虫进行了自动分类,结果表明基于模糊决策矩阵的最大离差法权重是粮虫可拓分类的最佳方案,识别率达到93%。     

储粮害虫图像识别中的特征提取

特征提取是储粮害虫图像识别中的重要环节,是识别系统的难点所在。针对粮虫的二值化图像提取出17个形态学特征,并进行归一化处理;把交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的一个重要因子,运用蚁群优化算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间;采用支持向量机分类器对9类粮虫进行分类,识别率达到95%以上,证实了基于蚁群优化算法的粮虫特征提取的可行性。     

基于近红外光谱技术的蜂蜜掺假识别

为了实现蜂蜜掺假的快速识别,应用近红外光谱结合模式识别方法对蜂蜜掺假现象进行了识别分析。该研究收集了中国不同品种、不同地域的典型天然蜂蜜样品,根据目前市场上常见的蜂蜜掺假手段,掺假物质及相对含量情况配制了掺假蜂蜜样品,利用傅立叶近红外光谱仪采集其透反射近红外光谱,分别采用偏最小二乘判别分析（PLS-DA）,独立软模式法（SIMCA）,误差反向传播神经网络（BP-ANN）和最小二乘支持向量机（LS-SVM）等模式识别方法,进行蜂蜜掺假识别研究。研究结果表明：利用这4种方法在蜂蜜中掺入果葡糖浆和果葡糖水的情况下均能很好地识别出掺假蜂蜜样品,其中对于掺入果葡糖浆的掺假情况,校正集的正确判别率均达到95%以上,验证集的正确判别率均达到87%以上,对于掺入果葡糖水的掺假蜂蜜校正集的正确判别率均达到93%以上,验证集的正确判别率均达到84%以上。通过比较4种不同的识别算法,发现采用LS-SVM时,对两种掺假情况下校正集和验证集的正确判别率均达到了100%,表明基于近红外光谱的蜂蜜掺假快速准确识别是可行的。     

小麦种子发芽率近红外定量分析模型的优化

The backward interval partial least squares (BiPLS) and the synergy interval partial least squares (SiPLS) were applied to select the characteristic spectral regions representing the germination rate of 84 wheat seeds and build the near infrared (NIR) quantitative analysis model of wheat seed germination rate.Results from comparison showed that the models built by two variable selection methods had better predictive ability than full-spectral partial least squares(PLS) model.The optimal model was obtained by SiPLS with the calibration and prediction correlation coefficient(R) at 0.902 and 0.967 respectively, and ratio of performance to standard deviate (RPD) at 3.75.Based on this, the physical chemistry significance of characteristic spectral regions was analyzed.The characteristic spectral of wheat seed germination rate contained characteristic peaks of water, protein, starch, fiber, which were the internal nutrients of the seed that influence the germination ability, thus explaining the mechanism of measuring wheat seed germination rate using NIR to a certain extent.     

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。     

基于多路卷积神经网络的大田小麦赤霉病图像识别

为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2 745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。     

一种基于主动轮廓模型的连接米粒图像分割算法

针对图像中连接米粒分割困难的问题,提出了一种基于主动轮廓模型的分割算法。首先,对籽粒二值图像的欧氏距离变换进行局部极小值检测,并通过形态学膨胀算子合并局部极小值点,在每个籽粒内部只产生一个区域。其次,以这些区域的边界作为初始曲线,在主动轮廓模型的指导下,曲线向籽粒的边界演化,最终将图像中各个米粒分割。试验结果表明,对圆江米、粳米、长江米和黑米4个品种的米粒,基于主动轮廓模型的连接米粒图像分割算法的分割正确率分别达到93.4%、92.4%、88.0%和90.4%,综合准确率为91.05%,比基于分水岭的方法提高了26.7%。因此,基于主动轮廓模型的算法为分割连接米粒图像提供了一种有效途径。