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。     

千阳奶山羊高效养殖推动乡村振兴

介绍了千阳奶山羊高效养殖技术,探讨了推动乡村振兴的策略。     

基于声学冲激响应的奶山羊呼吸及反刍同步监测方法

呼吸及反刍是奶山羊最基本的生理活动,及时准确地同步获取奶山羊的呼吸及反刍信息可以为评估奶山羊健康状况提供数据支撑。针对现有方法呼吸及反刍同步监测能力的不足,提出了一种基于声学冲激响应的单只静卧奶山羊呼吸及反刍同步监测方法。该方法首先利用声学在室内空间中的多径效应,实现奶山羊呼吸过程中胸脯起伏及反刍过程中嘴部咀嚼动作全向采集;其次计算收发信号的冲激响应,捕捉由呼吸及反刍运动造成多径信号周期性变化的特征;然后利用呼吸及反刍运动频率差实现呼吸和反刍信号的分离;最后经过幅度归一化、相位同步后实现呼吸及反刍波形的可视化。为了验证该方法的有效性,选用了不同朝向的静卧奶山羊进行呼吸及反刍监测试验,并分析了环境噪声对试验的影响,结果表明：对于不同朝向的奶山羊,该方法呼吸平均相对误差为2.60%,反刍平均相对误差为3.51%,平均漏帧率为2.49%,并对环境噪声有较强的抗干扰能力。     

基于激光扫描的田间目标跟踪系统

研究了基于激光扫描的田间目标跟踪系统。提出基于激光测量数据的变阈值物体区分法,并利用其进行目标物体区分;然后针对机动运动目标建立当前统计运动模型,并且利用概率数据关联算法进行数据关联,最终完成对多个田间机动目标的跟踪。通过实验证明变阈值物体区分法和滤波算法能够满足田间目标跟踪要求。     

基于运动信息引导的高原鼠兔目标跟踪方法

针对自然生境环境下高原鼠兔平滑运动和突变运动共存时,基于平滑性运动假设的跟踪方法稳定性和准确性低的问题,提出了一种运动信息引导的高原鼠兔跟踪方法。通过提取鼠兔相邻帧的运动信息,利用运动信息来判断鼠兔的运动模式,从而采取相应的采样跟踪策略。当运动模式判定为平滑运动时,采用马尔可夫链蒙特卡罗采样跟踪方法;当运动模式判定为突变运动时,采用Wang-Landau蒙特卡罗采样跟踪方法。实验结果表明:基于运动信息引导的目标跟踪方法的成功率达到95.49%,而Wang-Landau蒙特卡罗方法的成功率为93.68%;所提方法的中心点误差均值和方差为13.46和67.89,分别是Wang-Landau蒙特卡罗方法的84.18%和40.67%,减小了15.82%和59.33%。     

基于改进ResNeXt50残差网络的锦鲤选美方法

锦鲤选美的不同等级之间具有高相似度的特点,目前都是人工进行选美分级。为解决人工选美所存在的效率低、主观性强、成本高的问题,提出了一种基于迁移学习和改进ResNeXt50残差网络的锦鲤选美方法。本文首先构建了红白、大正、昭和3种锦鲤的选美等级数据集。其次,采用迁移学习策略提高训练速度,并从SE注意力模块、Hardswish激活函数和Ranger优化器3方面对ResNeXt50模型进行了改进,构建了SH-ResNeXt50锦鲤选美分级模型。试验结果表明：SH-ResNeXt50模型有效提升了锦鲤选美的等级分选能力,模型准确率达95.6%,损失值仅0.074,优于常用的AlexNet、GoogLeNet、ResNet50和ResNeXt50网络模型。最后,采用Grad-CAM分析SH-ResNeXt50模型的可解释性,结果表明SH-ResNeXt50模型和人工识别的感兴趣区域基本一致。本文所提出的方法实现了具有高相似度的锦鲤不同等级的智能分选,对其它具有高相似度的生物等级分选具有借鉴意义。     

基于改进Bytetrack的群体机器人跟踪算法

针对群体机器人在实际跟踪场景中常常受到遮挡、目标密集、尺度变换等因素的影响导致漏检、轨迹中断和ID频繁跳变等问题,基于Bytetrack跟踪算法,改进了卡尔曼滤波的状态变量,提出了噪声尺度自适应卡尔曼算法（NASA-Kalman）,并在卡尔曼滤波中引入加速度参数（AMA）提高跟踪的准确性。实验表明,在MOTA、MOTP方面相较于原算法均有所提高。为了进一步验证跟踪算法的有效性,在MOT20数据集上对算法进行了评估,在MOTA、MOTP方面分别提高了0.65%和1.26%。     

基于深度图像和神经网络的拖拉机识别与定位方法

针对多机协同导航作业中本机前方的拖拉机识别精度低、相对定位困难,难以保障自主作业安全的问题,提出了一种基于深度图像和神经网络的拖拉机识别与定位方法。该方法通过建立YOLO-ZED神经网络识别模型,识别并提取拖拉机特征;运用双目定位原理计算拖拉机相对本机的空间位置坐标。对拖拉机进行定点识别与定位试验,分别沿着拖拉机纵向、宽度方向和S形曲线方向测量拖拉机的识别与定位结果。试验结果表明：本文方法能够在3~10m景深范围内快速、准确地识别并定位拖拉机的空间位置,平均识别定位速度为19f/s;在相机景深方向和宽度方向定位拖拉机的最大绝对误差分别为0.720m和0.090m,最大相对误差分别为7.48%和8.00%,标准差均小于0.030m,能够满足多机协同导航作业对拖拉机目标识别的精度和速度要求。     

基于线性拟合改良视觉伺服的无人机跟踪控制算法

针对传统视觉伺服（IBVS）无人机跟随系统精度低、滞后性、运动不稳定、脱离后难再定位等问题,提出一种通过线性拟合预测目标的改良视觉伺服控制算法,使得整套系统稳定性更好,准确性也更高,运动不再抖动,跟随位置效果更好,快速性得到提高,滞后问题得以改善。对从视觉获得的定位坐标进行线性拟合,根据线性拟合的目标运动轨迹,计算下一步目标速度、加速度,实现预测目标下一时刻位置信息。对自身无人机做预测飞行,消除因采集信号、计算处理导致无人机滞后于目标的飞行,实现精度更高的跟随。     

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。     

基于超轻量化孪生网络的自然场景奶牛单目标跟踪方法

针对跟踪模型泛化能力差、跟踪模型正样本选取质量低、深层模型参数量大不利于部署等问题,本文提出了超轻量化孪生网络模型Siamese-remo。首先结合传统随机采样方法和go-turn方法,设计出新型的正负样本选取策略,增加模型泛化能力;其次采用shiftbox-remo的数据增强方式均匀正样本分布,并提升正样本采集质量;然后通过改进后的超轻量化Mobileone-remo网络提取特征,一定程度减少深层网络对跟踪平移不变性的破坏,并预设不同特征融合参数,单独训练网络分类和回归;最终加入Center-rank loss函数,根据样本点位置影响置信度、IOU排名,对网络分类回归策略进行优化。实验证明,自然场景下奶牛单目标跟踪模型期望平均重合度(Expected average overlap, EAO)达到0.475,相对于基线模型提升0.078,与现有跟踪器对比取得了较好的成绩,且参数量仅为现有主流算法的1/20,为后续自然场景下奶牛身份识别与目标跟踪系统提供了技术支持。     

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Cow-DETR与深度图像的非接触式奶牛体质量评估

针对当前牧场奶牛体质量（体重）称量效率低,人工参与容易引发奶牛应激等问题,提出了一种基于改进DETR（Detection transformer）网络的端到端式奶牛体质量评估方法（Cow-DETR）,实现利用奶牛背部深度图像进行非接触式奶牛体质量评估。首先设计并搭建实验数据采集装置,利用Intel RealSense D435深度相机和体重秤采集奶牛背部深度图像和体质量数据;然后,通过边缘平滑滤波器和孔洞填充滤波器对深度图像进行补全处理,减少深度数据缺失对体质量评估的影响;最后,以DETR网络为基础建立奶牛体质量评估模型,通过在预测模块中添加含有交替全连接层的体质量预测单元,提升奶牛体质量相关的特征信息提取能力,实现端到端式奶牛背部定位的同时进行奶牛体质量非接触式评估。结果表明,本文方法可以实现较高精度的奶牛体质量评估,通过5倍交叉验证,在含有139头奶牛数据的数据集中,平均绝对误差不超过17.21kg,平均相对误差不超过3.71%,单幅图像平均识别时间为0.026s。通过与现有体质量评估方法相对比,本文方法比其他6种方法在更多的奶牛头数的数据集中取得了更低的平均绝对误差和平均相对误差,同时本文方法对奶牛站立姿势要求较低,更符合牧场实际生产需要,为奶牛体质量评估提供了新的解决思路。     

基于改进DeepSORT的群养生猪行为识别与跟踪方法

为改善猪只重叠与遮挡造成的猪只身份编号（Identity,ID）频繁跳变,在YOLO v5s检测算法基础上,提出了改进DeepSORT行为跟踪算法。该算法改进包括两方面：一针对特定场景下猪只数量稳定的特点,改进跟踪算法的轨迹生成与匹配过程,降低ID切换次数,提升跟踪稳定性;二将YOLO v5s检测算法中的行为类别信息引入跟踪算法中,在跟踪中实现准确的猪只行为识别。实验结果表明,在目标检测方面,YOLO v5s的mAP为99.3%,F1值为98.7%。在重识别方面,实验的Top-1准确率达到99.88%。在跟踪方面,改进DeepSORT算法的MOTA为91.9%,IDF1为89.2%,IDS为33;与DeepSORT算法对比,MOTA和IDF1分别提升了1.0、16.9个百分点,IDS下降了83.8%。改进DeepSORT算法在群养环境下能够实现稳定ID的猪只行为跟踪,能够为无接触式的生猪自动监测提供技术支持。     

基于参考轨迹实时修正的机器人轨迹跟踪控制方法

针对动力学不确定性的机器人轨迹跟踪问题,本文提出一种基于参考轨迹实时修正的机器人轨迹跟踪控制方法。将轨迹跟踪中已产生的误差进行累加,实时前馈补偿到参考轨迹上即将被跟踪的点上。给出了该方法的控制框图,由控制框图导出跟踪误差与命令误差之间的关系式。关系式表明只需控制器中的控制算法保证速度误差稳定,即可保证跟踪误差收敛。此外,提高补偿增益的值可以提高误差的收敛速度。分析PD控制律能满足所提方法的收敛条件。给出了所提方法中参数的调节方案。通过仿真和实验验证了该方法的有效性。实验结果表明,各个关节跟踪轨迹1得到的误差绝对值均不大于0.008 7 rad;跟踪轨迹2得到的误差绝对值均不大于0.005 9 rad。     

基于改进YOLO v8的牛只行为识别与跟踪方法

随着我国畜牧业的快速发展,牛只养殖由分散性养殖逐渐向精准化养殖转变。针对分散养殖中农户无法对每头牛只健康状况给予足够关注的问题,通过分析牛只行为模式结合视觉方向特征,设计了综合管理方法来准确识别和跟踪牛只行为。首先,采用改进YOLO v8算法对牛只进行目标监测,其中,在Backbone和Neck端使用C2f-faster结构,增强模型特征提取能力;引入上采样算子CARAFE,拓宽感受视野进行数据特征融合;针对牛只幼仔检测加入BiFormer注意力机制,以识别牛只小面积特征;更换动态目标检测头DyHead,融合尺度、空间和任务感知;然后,使用Focal SIoU函数,解决正负样本分配不均衡和CIoU局限性的问题。最后,将YOLO v8检测到的行为类别信息引入BoTSORT算法中,实现在复杂场景下牛只多目标行为识别跟踪。实验结果表明,提出的FBCD-YOLO v8n（FasterNet、BiFormer、CARAFE、DyHead）模型在牛只行为数据集上,相比较YOLO v5n、YOLO v7tiny和原YOLO v8n模型的mAP@0.5分别提升3.4、3.1、2.4个百分点,尤其牛只回舔行为识别平均精度提高7.4个百分点。跟踪方面,BoTSORT算法的MOTA为96.1%,MOTP为78.6%,IDF1为98.0%,HOTA为78.9%;与ByteTrack、StrongSORT算法比,MOTA和IDF1显著提升,跟踪效果良好。研究表明,在牛舍养殖环境下,本研究构建的多目标牛只行为识别跟踪系统,可有效帮助农户监测牛只行为,为牛只的自动化精准养殖提供技术支持。     

燃料电池三点比较实时电阻匹配最大功率跟踪

依据最大功率传输理论以及燃料电池电气的特性,提出了一种适用于燃料电池的最大功率跟踪控制方法。该方法通过实时在线检测燃料电池工作点处的输出电压与电流并计算燃料电池的内阻和理想状态下欧姆极化区的开路电压,求解出最大功率点对应的电流型变换器的参考电流。通过控制变换器使燃料电池能够较为稳定地工作在燃料电池欧姆极化区的最大功率输出点处。当外界环境发生变化时,通过电流型扰动观察法完成对燃料电池的最大功率点跟踪。所提算法具有功率自校正功能,以减小算法本身对燃料电池功率输出的扰动。仿真结果表明:当负载或者工作环境发生变化时,该算法可以有效地跟踪燃料电池的最大功率点。