基于深度学习的猪只行为识别

在猪养殖过程中猪的行为与其健康状况有着密切的联系，及时发现猪的异常行为并加以治疗可以提高养殖的生产效益。利用深度学习技术进行猪只的行为识别，相较于传统人工方式效率更高。本文使用RealsenseD455相机采集猪只行为图像数据，使用Mosaic数据增强方法扩充数据集。将CBAM注意力机制模块加入YOLOv5模型，提高网络模型对猪只行为的特征提取能力。使用PyQt库设计了猪只行为识别系统，实现对训练的模型进行调用，通过上传猪只图片或视频并设置相关参数实现了猪只行为识别的可视化。该系统界面简洁操作便利，猪只姿态识别准确率达到90%以上，对猪只生产和基于深度学习的猪只行为识别研究具有一定的价值。     

基于图像识别技术的豆科牧草分类研究

利用计算机图像处理技术,依据植物叶片图像的形状特征对14种豆科牧草进行分类识别。通过对叶片图像进行预处理,提取出叶片的轮廓。在此基础上提取了叶片形状的全局特征和局部特征;全局特征包括叶片的横纵轴比、矩形度、圆形度等8项几何特征和7个图像不变矩特征;局部特征为叶缘粗糙度。利用PNN(Probabilisticneural network)和BPN(Back propagation network)作为分类器进行识别分类,实现了对豆科牧草叶片图像的分类。识别结果表明,PNN网络的平均识别率为85.1%、BPN网络的平均识别率为82.4%。     

基于几何参数特征与决策树支持向量机的猪只姿态分类

为了研究分类与猪只行为及精神状况相关的姿态,试验提出了一种基于几何参数特征与决策树支持向量机的猪只姿态分类方法,首先根据猪只行为学特征并借鉴前人的研究成果选择5种相关的姿态,包括躺卧、侧面抬头站立、侧面低头站立、侧面平视站立以及正面站立,并以此建立猪只姿态样本库,再针对所研究姿态的图像形状特点,提出利用圆形度、高宽比、伸长度、质高比、质左比、质心左右比、最高点左右比、左(右)夹角余弦与左(右)抬头度11个几何参数特征作为描述姿态的图像特征,最后利用决策树支持向量机(DT-SVM)进行猪只姿态分类。结果表明:与1-V-1多分类支持向量机(1-V-1 SVM)与Ada Boost分类算法相比较,DT-SVM的分类精度较高,耗时较短。说明所选取的特征可以有效地描述猪只姿态。     

反刍家畜9种蠕虫卵显微特征的比较分析与数字化描述

为了比较分析牛、羊等反刍家畜常见蠕虫卵的显微特征和实现虫卵图像的数字化描述,选取已鉴定好的9种常见蠕虫,采用显微解剖方法由其泄殖腔取出大量虫卵制备压片,并借助光学显微镜认真观察,选择轮廓清晰、接近成熟的虫卵进行拍照,建立原始图像库。比较各虫卵的大小和形态特征,并用变形雅可比(p=4,q=3)-傅立叶矩(PJFM’s)对原始虫卵图像进行特征提取和数字化描述。结果发现,不同种虫卵的长径、宽径均有显著性或极显著性差异,同一种虫卵特征的不变矩值基本相等,而不同种虫卵的不变矩值则相差很大。虫卵重建图像试验结果较好,其形态特征基本和原图像一致,说明PJFM’s(p=4,q=3)矩能够很好地提取虫卵图像的关键特征点,可成功描述蠕虫卵图像。因此,该研究结果为实现虫卵的数字化描述和智能识别奠定了重要的技术基础。     

草原典型牧草的特征提取与识别研究

选择四种内蒙古乌兰察布市荒漠化草原的典型牧草,对牧草图像进行颜色、形状特征提取,以实现牧草的分类识别,为提高牧草管理信息化水平,实现多牧草种类分割识别及牧草盖度、频度等检测研究奠定基础。在自然光照情况下应用高清照相机采集尺寸、形状、大小各不相同的草原原始牧草图像,对羊草(Leymus chinensis)、鹅绒委陵菜(Potentilla anserine)、阿尔泰狗娃花(Heteropappus altaicus),冷蒿(Artemisia frigida)四种牧草图像提取9种RGB颜色一、二、三阶矩特征与6种宽长比等形状特征,统计获取相应的数据库,试验表明颜色矩、形状特征参数具有显著的差异。构建一种3层BP(Back propagation,BP)神经网络模型,应用主成分分析法(principal component analysis,PCA)优选特征明显的维数,降低计算成本、提升识别效率,四种牧草平均识别率为82.5%,上述试验证明该方法能够有效地对内蒙古草原典型牧草图像进行分类识别研究。牧草自动识别技术的发展为草业管理信息化提供数据支撑,是实现现代生态草原的重要途径。     

基于颜色特征和支持向量机的蚕茧分类方法研究

针对人工筛选蚕茧工作中漏检率高、效率低的问题,提出了一种基于颜色特征和支持向量机的蚕茧分类方法。该方法以黄斑茧、烂茧、印头茧、薄皮茧和上车茧等5种蚕茧为研究对象,首先对采集的蚕茧图像进行边缘检测、连通域提取等步骤以实现背景分割与正、反面连接,然后提取蚕茧图像HSV颜色空间模型下的颜色直方图和颜色矩作为颜色特征,并将5种蚕茧的HSV三通道像素分布详细划分、量化,最后对蚕茧图像颜色特征进行主成分分析,结合支持向量机设计4种分类器构造方案进行效果对比。试验结果表明,将颜色直方图和颜色矩组成颜色特征集后进行主成分分析,并使用支持向量机构造分类器对5种蚕茧分类效果最好,其中主成分变换最优累计贡献率为999%,分类准确率达91%,单粒蚕茧图像识别时间为012s。本方法为蚕茧智能化分选设备的研究提供了理论基础。     

基于不变矩的手形认证方法研究

针对现有的手形认证方法的不足,提出一种基于几何不变矩的手形认证方法。图像经过二值化处理和分割手腕后,需要对所得到得手掌及手指部分图像进行平移和缩放归一化处理,以提取图像的几何矩特征,再由7个矩特征构成一组特征向量。最后通过支持向量机方法对图像库中的100幅图像数据进行训练,并随机抽取15幅图像进行测试,结果表明手形认证准确率可达到93.3%。提取手形几何矩特征作为手形认证的有效特征,该方法具有算法简单、运算量小、认证准确率高等特点,并且解决了由于去除定位栓所带来的手形采集平移、旋转和缩放等问题。     

特征提取和特征降维在猪只行为分类识别中的应用

为了有效改善猪只行为分类识别效果,试验采用三轴加速度传感器获取试验猪(猪A、猪B、猪C)在X轴、Y轴和Z轴三个方向上的加速度数据,建立试验猪只行为数据集,分别提取X轴、Y轴和Z轴的平均值、中位数、最大值、最小值、第一四分位数和第三四分位数,共同构成一个包含21个特征在内的数据集,分别采用ReliefF算法和随机森林算法就各特征对试验猪行为分类识别结果影响的大小进行分析与排序,删除与分类识别性能相关性小的特征,将21维数据集降维至9维。结果表明：将经ReliefF算法降维的数据集用于猪只行为识别与分类,猪A、猪B猪C的总体平均准确率分别为80.9%、81.7%和82.0%;将经随机森林算法降维后的数据集用于猪只行为识别与分类得到的总体平均准确率分别为86.4%、85.3%和87.2%。说明采用随机森林算法进行特征降维的效果更好,更适用于处理猪只行为数据。     

7种蠕虫卵的数字化描述及初步识别研究

为初步实现家畜蠕虫卵的数字化描述和自动识别研究目标,作者以对内蒙古反刍家畜危害较大的肝片吸虫卵、捻转血矛线虫卵和仰门线虫卵等7种蠕虫卵为研究对象,用变形雅可比（p=4,q=2）-傅立叶矩对它们的显微图像进行数字化描述和初步识别试验。结果表明,用该矩可以成功地数字化描述和识别以上7种蠕虫卵,且重建图像清晰而完整,基本恢复了虫卵原始图像的所有关键信息,平均识别率达96．8％。     

基于P300电位的目标探测新方法研究

脑机接口(BCI)是一种特殊的人机交互通道。P300电位是一种事件相关电位,通过利用视觉诱发产生P300电位,实现了基于P300电位的目标探测系统。此系统通过自身的图像采集与处理分析模块,来提供足以诱发出P300的图像序列,并将该图像所对应的脑电信号(EEG)打一个时间开始标签。然后对产生的P300成分采用在线单次提取方法获取,对标签后250ms~350ms的一段数据利用训练好的SVM(支持向量机,Support Vector Machine)进行分类识别。对分类识别出的P300电位信号,依据时间关系,反推追溯出诱发引起该P300电位的图像,从而达到对特定目标探测的目的。     

基于Multi-Light模型的奶牛个体识别研究

为了解决大规模智能化奶牛养殖场对奶牛个体识别存在模型大、识别速度慢的问题,试验构建了一种用于识别奶牛个体的多尺度轻量化卷积神经网络(Multi-Light)模型,将拍摄的奶牛图像经过标注后利用DeepLab V3模型从复杂背景中分割出单头奶牛图像;在Multi-Light模型中引入空洞卷积,保证该模型参数量不变的同时增强提取图像全局信息的能力;加入多尺度卷积模块增强该模型对不同尺度特征点的检测能力,在该模型中使用短路连接以保证特征不丢失,提升模型的识别精度;此外,利用通道注意力机制提高了该模型识别精度,同时使该模型具有更多的非线性;最后将分割得到的奶牛图像数据集输入Multi-Light模型进行训练。结果表明：Multi-Light模型对奶牛个体识别的精度达98.51%,高于其他经典模型对奶牛个体的识别率;与轻量级模型对比,Multi-Light模型的大小为5.86 MB,在具备高识别精度的前提下参数量较少。说明试验所搭建的Multi-Light模型克服了传统方法中需要对特征进行人为提取、提取特征方法不够鲁棒、识别模型参数量大及识别速度慢的缺点,为奶牛个体轻量化识别提供了参考。     

基于局部不变特征的牛只个体唇纹识别方法研究

为了改善传统方法牛只个体身份识别的误识别和操作复杂等现象,试验提出了一种基于计算机视觉提取牛唇纹图像局部不变特征来识别牛只的方法,即使用相机拍摄牛唇纹图像制作数据集,收集了51头牛的唇纹图像,每头有5～30张,共475张,对图像进行统一分辨率大小和限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization, CLAHE)预处理之后,使用关键点阈值为1 150个的尺度不变特征变换(scale invariant feature transform, SIFT)提取图像特征,最后用最近邻(K-nearest neighbors, KNN)特征匹配对牛唇纹图像分类,并比较了图像预处理、关键点数量阈值和SIFT、加速鲁棒特征(speeded-up robust features, SURF)、定向快速旋转(oriented fast and rotated brief, ORB)三种不同特征提取算法对牛唇纹识别准确率的影响。结果表明:使用统一分辨率大小和CLAHE处理牛唇纹图像,并设置关键点数量阈值为1 150个时,SIFT对...     

融合高斯混合建模和图像粒化的猪只目标检测

为实现圈养猪只目标检测,克服高斯混合建模(GMM)不能很好地提取缓慢运动及静止目标的缺陷,试验提出了一种融合GMM和图像粒化的运动猪只目标检测方法,采用GMM提取图像运动像素,获取粗糙前景图;提出一种图像粒化方法,得到粒化图,将单个同质区域所包含的像素点聚集为一个图像粒;依据图像序列的前景图分析粒子运动属性,融合前景图和粒化图,最终得到精确的猪只目标检测。结果表明:本方法能有效检测缓慢运动和一段时间静止的猪只目标。     

基于YOLOv5模型的仔猪社交识别方法研究

精准识别仔猪间社交关系对了解仔猪内部社交和预警异常仔猪具有重要意义。针对传统方法在仔猪社交识别时存在的人工依赖多、劳动强度大、观测效率低等问题,本研究借助机器视觉与深度学习技术,提出了一种基于改进的YOLOv5模型的仔猪社交识别研究方法。该研究以9头30～35日龄群养的长白二元杂交仔猪为研究对象,从顶部视角连续采集视频数据,经图像截取与数据增强共获得13 389张图像作为数据集。首先,选取Faster R-CNN、SSD、YOLOv4和YOLOv5这4种典型目标检测算法对数据集进行训练,通过对比分析,确定用于仔猪个体身份识别最优模型;然后依据K-means聚类算法确定仔猪社交中心,通过计算仔猪与社交中心的欧氏距离量化仔猪社交值,利用位置信息构建仔猪社交网络,绘制仔猪运动轨迹,获得社交正常与社交异常仔猪的识别阈值;最后,利用该阈值对仔猪进行分类,识别社交异常仔猪个体并实现预警。经测试,改进的YOLOv5对群养仔猪个体身份识别的平均精度均值达99.29%,模型大小为13.71 MB,满足仔猪身份识别需求,与YOLOv5、YOLOv4、SSD和Faster R-CNN模型相比,改进的YOLO...     

基于SVM的家蚕中毒分类识别研究

本文使用机器视觉和机器学习技术开展了家蚕中毒的自动识别研究,主要内容包括：首先选择健康和中毒家蚕图像为识别对象,构建了家蚕中毒识别图像数据集,其次对图像进行中值滤波、尺寸缩放和阈值分割等处理以增强图像特征差异,并利用RGB和HSV两种颜色模型求解图像样本的颜色矩,提取出基于灰度共生矩阵的纹理特征,使用机器学习中的经典算法支持向量机（SVM）创建出分类识别模型,在数据集上的平均识别率为93.54%。本文结果验证了使用机器视觉和机器学习技术开展家蚕中毒识别的可行性,为后续研究提供参考。     

基于隐马尔科夫模型的猪只状态自动识别技术

为了实现猪只不同状态下声音的自动监测,试验采用声音识别技术,首先将猪只不同状态的声音信号进行双门限端点检测和预加重处理,然后通过大量试验对比,采用小波阈值法对声音信号进行去噪处理,并提取梅尔倒谱系数(MFCC)和一阶差分梅尔倒谱系数(ΔMFCC)作为描述特征,建立隐马尔可夫模型(HMM),最后对猪只不同状态的声音进行自动识别。结果表明:猪只状态识别精度较高,有助于提高自动监测系统的智能化判断能力。     

基于机器视觉的猪个体身份和行为识别

生猪的进食、排泄等行为与其健康水平密切相关,实时监控并识别猪栏中猪只的行为对猪舍管理和疾病预防具有重要的意义.本文引入非接触式的机器视觉技术,识别并记录生猪的进食、排泄时间以及次数.通过与正常生猪标准值的对比判断生猪行为是否发生异常,对异常行为进行报警并预测是否发生疾病.结果 表明,本系统的疾病预测准确率达88.23％...     

科技进展

单只猪轮廓图的侧视图识别由于完整轮廓猪只的侧视图具有便于行为分析的价值,因此,研究从猪舍监控视频中自动分割出单只猪理想侧视图的视频段对猪的行为分析是有意义的。为了识别每帧图像猪轮廓图的侧视图属性,该文通过图像处理获取猪只轮廓图后,     

基于三个特征点的人体跌倒检测

设计了视频监控跌倒检测系统,采用人体姿态分析,通过人体轮廓提取、星形骨架提取、人体部位识别等步骤对视频图像进行处理,首先检测出三个特征点。由特征点构成了跌倒判断的特征向量。根据三个特征点相对位置的变化和特征向量与水平地面的夹角,来区分跌倒与正常人体活动的差别。以3个志愿者的步行、坐下和蹲下三类最具代表性动作为实验样本,采用上述方法进行测试。实验结果表明系统能有效检测跌倒,总体成功率超过90%,对正常活动的误报率仅7.5%。     

基于Gabor滤波与灰度梯度共生矩阵的鸽眼虹膜识别

禽畜标识技术作为当前研究热点难点受到广泛关注,以虹膜识别为代表的生物特征标识技术成为一种趋势。针对传统方法提取全局特征时对局部纹理特征不敏感的问题,文中提出了一种基于多通道Gabor滤波和灰度梯度共生矩阵(GGCM)的鸽眼虹膜识别方法。使用不同方向和尺度的Gabor滤波器组对预处理后的虹膜图像进行滤波,由全局滤波图像构建灰度梯度共生矩阵,提取其特征值生成虹膜特征向量,识别过程采用K-NN分类算法。试验结果表明:该方法具有识别精度高,等错率低等优点,在候鸟监测、家禽管理和肉食品追溯方面具有一定的实际应用价值。