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。     

利用扫描仪获取种子图像的研究

提出了利用扫描仪获取种子图像的研究方法。研究表明，用扫描仪获取的种子图像精度高、变形小、质量好，不易受外界环境和人为因素的影响，图像处理简单，能够较容易实现种子外部特征数据的自动采集，具有广泛的应用前景。     

基于HED网络的奶牛边缘图像特征提取

对奶牛的图像进行高精度边缘特征提取,为奶牛的个体识别或者奶牛的线性评定提供重要的评判依据,可以更好的实现奶牛保险业的自动化管理。采用基于FCN和VGG改进的边缘检测HED(Holistically-Nested Edge Detection)网络,在caffe框架下通过MATLAB实现对奶牛原始图像的边缘特征提取。将HED网络检测出的边缘特征图像与传统优化过的Canny算子作比较,无论从直观的边缘图像对比,还是数据的对比,HED网络的效果远远优于传统算法。用500张奶牛图片在BSDS500上进行性能评估,其中200张为训练图片,200张为测试图片,100张为检验图片。HED网络的奶牛边缘检测效果比Canny算法提高18.6%,大大提高奶牛边缘图像的处理精度、去噪声能力。将HED网络检测出的奶牛边缘图像为奶牛的识别提供重要依据,实现奶牛保险业高效的自动化管理。     

基于深度图像的蛋鸡行为识别方法

基于深度图像分析技术研究了一种针对蛋鸡群体行为(分布指数、水平活跃度和垂直活跃度)和群体中个体行为(采食、躺、站和坐)经济简单的自动识别方法。系统由1台3D照相机同步采集数字和深度图像数据,并开发软件进行蛋鸡行为的自动识别,系统5 s采集1次图像数据,共进行10 d的数据采集。描述了行为识别算法并进行了行为识别结果分析。算法对蛋鸡的采食、躺、站和坐的识别准确率分别为90.3%、91.5%、87.5%和56.2%。坐行为识别率较低的原因主要是有时蛋鸡站着探索地面会被误判为坐,这可能与两者之间的分割阈值不够精确有关。     

基于VGG-UNet的食用菌菌丝体表型参数自动测量方法

食用菌菌丝体表型特征是食用菌种质资源评价和科学育种的重要依据。针对传统阈值分割方法提取菌丝体区域易受到光照不均、菌丝体不规则生长和培养皿内产生代谢物等因素干扰的问题,制作食用菌菌丝体图像数据集,并提出一种基于深度学习的食用菌菌丝体表型参数自动测量方法。将U-Net网络编码器部分替换为VGG16的前13个卷积层,引入预训练权重,构建适用于菌丝体分割的VGG-UNet模型。测试集上对比实验表明,该模型的平均交并比达到98.18%,比原始U-Net模型高0.93个百分点。经该模型获取菌丝体分割图像后,利用OpenCV相关函数计算菌丝体的半径、周长、面积、覆盖度、圆整度这5个表型参数。将人工测量方法与本文方法进行线性回归分析,得出菌丝体半径、周长、面积和覆盖度的决定系数分别为0.9795、0.9915、0.9750和0.9750,均方根误差分别为2.20mm、4.73mm、176.74mm2和3.16%。经测试,本文方法能准确地完成食用菌菌丝体表型参数自动测量任务,为食用菌表型分析研究提供理论基础。     

农田蛾类图像边界特征的获取

介绍了农田蛾类图像的预处理方法,然后使用Otsu方法来对农田蛾类图像进行分割。对分割得到的目标区域采取旋转变换,使同一种蛾类的目标区域具有相同方向;对旋转变换得到的蛾类图像目标区域,以目标区域的边界点到目标区域的质心点距离作为目标区域的边界特征,获取各种蛾类图像的边界特征。从所获取的边界特征可知,不同种类的蛾类图像具有各不相同的边界特征,可以把这些边界特征作为各种蛾类昆虫分类识别的数据依据。     

植物表型平台与图像分析技术研究进展与展望

近年来,植物基因组得到迅猛发展,但因缺乏足够的表型数据而限制了人类解析数量性状遗传学的能力。通过开发植物表型信息采集平台和进行图像分析可以加以解决。高通量、自动化、高分辨率的植物表型信息采集平台与分析技术对于加快植物改良和育种、提高产量和抗病虫害能力至关重要。将植物表型平台信息采集平台与分析技术用于解析基因组信息,定量研究与生长、产量和适应生物或非生物胁迫相关的复杂性状,是建立植物生长模型和采集农作物高维、丰富表型数据集的重要途径,能够满足填补基因组信息与植物表型可塑性之间空白的需要。阐述了基于光学成像的植物表型信息采集平台与图像分析技术的研究进展,从室内、田间不同的使用环境出发,根据不同搭载方式,总结分析了各表型平台的功能和特点。最后,分析了目前植物表型信息采集平台与分析技术存在的瓶颈问题,提出了以下建议与展望:开发植物表型信息采集平台的多传感器集成系统;将植物生长环境监测模块融入植物表型信息采集平台中;开发针对林木的表型信息采集平台;对传感器获取的表型数据进行更好的集成与挖掘;采用无损原位根系信息采集技术得到植物地下部分的表型数据;构建表型数据统一开放的标准,进行学科交叉的深度合作。     

基于CNN和图像深度特征的雏鸡性别自动鉴别方法

为有效辨别雏鸡性别,提高养鸡效益,针对部分雏鸡的泄殖腔特征不明显、采集雏鸡泄殖腔图像易受光线影响的问题,提出了一种基于卷积神经网络和图像深度特征的雏鸡性别自动鉴别方法。以翻肛法采集的雏鸡泄殖腔图像为研究对象,利用卷积神经网络构建待识别雏鸡泄殖腔的深度特征和雏鸡泄殖腔的深度特征向量集合库;将待识别雏鸡泄殖腔的深度特征与雏鸡泄殖腔的深度特征集合库进行相似度比较,并对比较结果进行排序;将排序结果中排在前n个与待识别雏鸡泄殖腔图像最接近的深度特征,与待识别雏鸡泄殖腔的深度特征进行特征融合,再通过卷积神经网络进行识别。结果表明,本文方法在测试数据集的识别准确率达到了97. 04%,在生产环境下识别准确率达到了96. 82%,相比常规的卷积神经网络方法,本文方法提高了雏鸡性别的识别准确率。     

奶牛个体智能化精料变量补饲系统设计与试验

设计了一种以槽轮为计量机构、以嵌入式系统为控制系统的奶牛个体精料变量补饲系统。该系统利用无线射频识别技术识别奶牛身份,根据个体奶牛的基础日粮采食量及其产奶量的差异,实现4种精饲料的精准配料、自动计量、混合与投放。检测结果表明,该系统的投料响应时间为1.47s、同步投料时间为15.15s、门禁栏杆开启时间为3.92s、系统读卡距离为523cm、报警料位高度为21.5cm,系统射频识别正确率为100%,并且4种饲料的混合质量良好,计量误差小于5%,能够满足奶牛的饲喂要求,同时具有奶牛补料数据在线查询和打印功能。     

基于单片机的奶牛精确饲喂装备设计与试验

设计了以计算机为信息管理平台,以单片机为数据处理和控制平台,利用无线射频识别技术进行个体识别的奶牛精确饲喂装备.建立了装备的工作参数并进行了精度验证.通过一个月的饲喂试验表明,该装备技术可显著提高奶牛产奶量及其品质,使奶牛平均日单产提高3.9 kg,且牛奶平均脂肪含量为3.74 g/(100 g),平均蛋白含量为2.9...     

双模自走式奶牛精确饲喂装备设计与试验

基于射频识别技术,设计了以计算机为信息管理平台,以单片机为控制平台,利用无线传输技术进行数据传输的双模自走式奶牛精确饲喂装备,实现了饲喂装备的双模行进、个体牛只饲喂信息无线传输以及精确饲喂.通过一个月的饲喂试验表明,该技术及装备可显著提高奶牛产奶性能,个体奶牛平均日单产奶量提高3.0 kg,平均蛋白质质量分数为3.1％ ～3.3％.     

基于WMSN的图像采集系统设计

分析了基于单片机系统的图像采集系统硬件和软件设计,也分析了软件的总体结构,特别对视频采集摄像头驱动程序进行了设计和调试,并在Visual C++开发环境下设计了远程监测中心PC机的应用程序,通过网络接收远程传来的图像信息,并加以处理,实现图像信息的网络远程接收、显示、存储等处理工作。研究结果表明,基于WMSN的图像采集系统应用于温室作物长势远程监测具有一定的可行性,且具有成本低廉、能耗较低等特点,为进一步分析图像采集系统提供研究思路和方法。     

基于翘尾特征的奶牛产犊预报设备设计与试验

针对奶牛产犊过程中自动化监测和预报设备缺乏的问题,设计了基于翘尾特征的奶牛产犊预报设备。设备包括记录待产奶牛尾部加速度数据采集节点,数据上传无线组网和云端数据存储平台,并开发了基于机器学习模型的产犊预报算法,实现了奶牛产犊的自动预报。尾部数据采集节点采用STM32L151CBT6A单片机控制ICM42605传感器实现加速度数据采集,在完成数据整理与本地存储后,通过LoRa网络将数据上传至网关。网关通过WiFi网络,按照MQTT协议将数据传输至腾讯云物联网开发平台,并将数据同步存储在腾讯云数据库中。在算法开发试验中,本文基于25头奶牛产犊前的尾部加速度数据,开发了基于Man-Kendall趋势检验和基于集成学习思想的多SVM产犊预报模型,完成算法性能验证后,将开发好的模型部署在腾讯云服务器。验证试验表明：牛尾节点测量的加速度信号与振动传感器校准仪设定的输出信号相关性良好(r=0.938,P<0.01),节点监测模块可连续工作24 d,无线传输网络最大丢包率为1.3%,满足应用需求。设备进行部署后,完成了11头奶牛产犊过程的监测,结果表明设备对9头牛(81.82%)在产前12 h内成...     

基于LabVIEW的果园开沟深度监测系统的设计与试验

针对开沟作业过程中存在作业深度依靠人工监测准确性低、人工工作量大等问题,研制了一种基于LabVIEW的开沟深度监测系统,配套搭建了单片机下位机系统,实现了开沟深度等参数的实时监测、计算、显示与保存。为了降低作业环境、机具抖动对数据造成的影响,分别采用中值滤波、卡尔曼滤波、小波降噪-卡尔曼滤波3种滤波方法对数据进行滤波修正处理。试验验证表明:系统能够实时监测开沟作业过程中的开沟深度,并实时计算开沟深度平均值、开沟深度标准差、开沟深度稳定、作业时间等参数;对比3种滤波算法,小波降噪-卡尔曼滤波降噪效果最好,能够实现对数据的滤波修正处理,修正后系统准确性较好,能够满足系统设计需求。     

智能化个体奶牛精确饲喂机设计与实验

要实现奶牛高产必须保证奶牛瘤胃pH值的稳定,要实现瘤胃pH值稳定必须对个体奶牛精饲料量进行精确饲喂,精饲料的数量对瘤胃pH值波动具有重要影响.设计了基于射频识别技术和单片机技术的个体奶牛精确饲喂机,可以实现个体奶牛精饲料量的精确饲喂.通过一个月饲喂实验表明,个体奶牛日产量提高了4kg.     

基于压力分布测量系统的奶牛跛行早期识别

奶牛跛行导致奶牛的生产性能下降,以致过早的被淘汰,给养殖场带来严重的经济损失,对奶牛跛行早期进行识别是最佳的解决办法。采用美国Tekscan公司生产的Walkway（压力测量步道）搭建压力分布测量系统,利用光电传感器设计触发电路,同步触发启动和停止测量系统,数据采集后利用分析软件进行数据处理和分析,计算单个或多个步态参数,获取其数据表和曲线。以人为测试对象的前期试验结果表明：基于Walkway搭建的压力分布测量系统对经过其表面的压力数据提取、分析,得到的步态参数值能够实时反映测试对象相应的运动状态,且提取速度快、准确度高;该测量系统用于步态分析是可行的,且为后期奶牛跛行早期的识别奠定了理论基础,为奶牛养殖场实现无人监督的自动步态检测提供了可能。     

基于虚拟仪器的奶牛采食量检测系统

提出了一种基于Lab Windows/CVI虚拟仪器平台的奶牛采食量自动检测系统设计方案.根据奶牛采食行为特征,采用压电式传感器获取奶牛采食信号,对这些信号进行采集,在上位机虚拟仪器平台上完成信号的再次处理、进一步的分析以及人机界面的构建.基于虚拟仪器的奶牛采食量检测系统充分利用了PC资源,使用方便,结果准确.