基于MPU6050传感器的哺乳期母猪姿态识别方法

哺乳期母猪姿态是其哺乳意愿的外在表现,母猪哺乳时身体侧卧,拒绝哺乳时身体立卧或倾卧,哺乳期母猪侧卧时间可作为母性行为评价的重要指标。选用集MPU6050和蓝牙传输模块为一体的行为数据采集模块,采集母猪哺乳期内(28 d)的行为数据,统计母猪采食时间段的姿态角,计算节点偏转角度,实现偏转行为数据校正;利用Haar小波提取特征系数重构加速度曲线的基本轮廓,结合各姿态的数值特征,利用支持向量机实现母猪立、侧、倾姿态分类,及其侧、倾姿左右方向的识别。以江苏省地方猪小梅山母猪为试验对象,分析母猪的哺乳姿态,试验结果表明:行为数据校正算法可降低节点偏转的影响,小波变换实现了数据归一化,去除了高能运动干扰,姿态分类器识别左、右侧姿的正确率分别为65.8%、90.1%,立姿的正确识别率为75.4%,侧姿总体正确识别率达到83.3%,姿态识别可以有效反映母猪的哺乳意愿。     

基于改进YOLO V7的校园人体姿态识别

校园人体姿态检测对于监管人员快速识别人体行为,保证校园稳定具有重要意义。针对目前校园人体姿态识别主要依赖人工,效率低下的问题,提出一种基于改良的YOLO V7快速检测模型。首先引入尺寸大小自适应输入模块对输入图像进行标准化和归一化处理,提高模型的适应能力;然后将YOLO V7模型进行剪枝处理提高检测效率;再定义了19个关节点作为人体姿态的特征点,最后使用关节点匹配模块提高关节点匹配的准确率。经过实验,模型可以每秒检测44张图像,检测精度在mAP@0.5时可以达到0.955,相较于原始的YOLO V7检测速率和精度均有所提升。     

基于EfficientDet网络的湖羊短时咀嚼行为识别方法

为分析羊进食行为、自动估算其进食量,提出一种从舍饲湖羊采食视频中自动识别其短时咀嚼行为的方法。首先,针对舍饲湖羊采食区域特点,在EfficientDet网络架构中增加目标框筛选模块,检测视频帧中羊嘴张开、上下颌错开及闭合3种状态,根据羊脸与相机拍摄角度的方位关系检测羊嘴状态,并为各状态赋编码值;然后,利用正则表达式提取连续视频帧中的一次上下颌张合对应的羊嘴状态编码值序列片段;最后,针对羊侧脸面对相机咀嚼、抬头正脸面对相机咀嚼、低头正脸面对相机咀嚼以及鸣叫等一次上下颌张合动作对应的羊嘴状态编码值序列片段构建分类规则,实现短时咀嚼行为的自动识别。对比了基于EfficientDet-D0~D4、YOLO v5和SSD网络的羊嘴状态检测性能,结果表明,改进的EfficientDet-D1网络能以28.18 f/s的传输速率,获得95.64%和98.84%的羊嘴状态检测精确率和均值平均精确率,优于YOLO v5和SSD网络。利用湖羊采食视频测试EfficientDet-D1网络结合正则表达式的湖羊短时咀嚼行为识别分类规则性能,结果表明,分类规则能以91.42%的自动识别正确率和90.85%的平均正确率直接从视频中提取湖羊短时咀嚼行为发生次数和持续时长。本研究将基于视频的湖羊短时咀嚼行为识别问题转换为羊嘴状态编码值序列分类问题,降低了分类模型的复杂度,为湖羊短时咀嚼行为的自动识别提供了一种新的研究思路。     

基于深度学习的害虫识别技术综述

在虫情监测和害虫防范治理过程中,准确识别害虫是有效解决农业领域虫害问题的重要前提。依靠专家知识和人工经验进行虫情诊断的方式效率较为低下,自动化和智能化水平较差,而采用深度学习、计算机视觉等智能化技术手段可以大幅度提升害虫识别过程的效率、准确度,并降低人工成本。概述了基于深度学习的害虫识别技术发展现状,分析深度学习技术在害虫图像识别领域的实现原理和优势,阐述国内外专家学者在基于深度学习的害虫识别技术领域的最新研究进展,提出该技术领域面临的挑战,并对发展方向进行预测。该文可为深入开展害虫识别和分类技术在智慧农业上的应用研究提供参考。      

基于卷积神经网络的大白母猪发情行为识别方法研究

针对现有发情检测方法灵敏度低、识别时间长、易受外界干扰等缺点,根据大白母猪试情时双耳竖立的特征,提出一种基于卷积神经网络（Convolutional neural network, CNN）的大白母猪发情行为识别方法。首先通过采集公猪试情时发情大白母猪与未发情大白母猪的耳部图像,划分训练集样本（80%）与验证集样本（20%）用于后期训练。随后,基于AlexNet卷积神经网络构建分类模型（AlexNet_Sow）,并对该模型的网络结构进行简化,简化后的模型包含2个卷积模块和2个全连接模块,选择修正线性单元(Rectified linear units, ReLU)作为激活函数,用自适应矩估计(Adaptive moment estimation, Adam)方法优化梯度下降,选择Softmax作为网络分类器,通过结合增强学习的方法对模型进行训练,得到模型应用于验证集的准确率达到99%。此外,设定了发情鉴定的时间阈值,并结合LabVIEW的Python节点用于模型应用。当公猪试情时,大白母猪双耳竖立时长达到76s时,则可判定其为发情。该方法对大白母猪发情识别的精确率、召回率与准确率分别为100%、83.33%、93.33%,平均单幅图像的检测时间为26.28ms。该方法能够实现大白母猪发情的无接触自动快速检测,准确率高,大大降低了猪只应激情况和人工成本。     

玉米定向精播种粒品质动态检测方法研究—基于计算机姿态识别

首先介绍了基于视觉的目标对象检测算法,然后介绍了计算机姿态识别与传感器检测技术,并确定了玉米定向精播种粒品质动态检测方法,进行了实际的测试试验.测试结果表明:基于计算机姿态识别的玉米定向精播种粒品质动态检测准确率在95％以上,精准度较高,符合设计需求,能够实现对玉米定向的精准播种,对玉米种粒的无人化播种具有重要的现实意...     

基于卷积神经网络的家蚕病害识别研究

病害是我国养蚕业健康发展面临的主要威胁之一,为研究机械化养蚕模式下的家蚕病害防治方法,采用卷积神经网络进行家蚕病害图像的识别研究。首先在实际环境下,采用饲养和添食病原的方法,集中获取家蚕品种芳·秀×白·春在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌病、农药中毒以及健康状态的样本,并开展图像采集工作,构建出家蚕病害图像数据集。其次采用特征融合和缩减结构的方法,对残差神经网络进行部分改进,以避免直接使用该算法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明:卷积神经网络能够高效准确识别家蚕病害图像,使用改进的算法在测试集上的准确率达到94.31%,与标准的残差神经网络准确率相当,但训练的参数量仅为原来的1/3,且识别效率大幅提升,更有利于网络的训练与部署。     

基于卷积神经网络的车牌识别研究

针对现有的车牌识别方法存在车牌无法定位且车牌字符无法正确分割等情况,提出了一种基于卷积神经网络的车牌识别技术。首先,设计了一套图像处理流程实现车牌定位和字符分割,然后,利用提出的卷积神经网络对车牌字符集进行训练、识别。所提方法可以达到98.54%以上的准确率,极大提高适用性和准确率。     

基于树木整体图像和集成迁移学习的树种识别

为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用Alex Net、Vgg Net-16、Inception-V3及ResNet-50这4种在Image Net大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——Trees Net,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99. 15%,对于树木整体图像识别具有较好的效果。     

基于多源图像融合的自然环境下番茄果实识别

蔬果采摘机器人面对的自然场景复杂多变,为准确识别和分割目标果实,实现高成功率采收,提出基于多源图像融合的识别方法。首先,针对在不同自然场景下单图像通道信息不充分问题,提出融合RGB图像、深度图像和红外图像的多源信息融合方法,实现了机器人能够适应自然环境中不同光线条件的番茄果实。其次,针对传统机器学习训练样本标注低效问题,提出聚类方法对样本进行辅助快速标注,完成模型训练;最终,建立扩展Mask R-CNN深度学习算法模型,进行采摘机器人在线果实识别。实验结果表明,扩展Mask R-CNN算法模型在测试集中的检测准确率为98.3%、交并比为0.916,可以满足番茄果实识别要求;在不同光线条件下,与Otsu阈值分割算法相比,扩展Mask R-CNN算法模型能够区分粘连果实,分割结果清晰完整,具有更强的抗干扰能力。     

基于光流注意力网络的梅花鹿攻击行为自动识别方法

人工养殖的雄性梅花鹿在发情期间攻击行为剧增,易造成鹿茸损伤,自动监测其攻击行为能为研究减少攻击行为提供重要依据。本文基于注意力机制和长短记忆序列研究了一种光流注意力网络(Optical flow attention attacking recognition network, OAAR),对梅花鹿的攻击、采食、躺卧、站立行为进行识别。OAAR网络包括前置网络、基础网络和时序网络,前置网络由LK光流算法(Lucas kanade optical flow algorithm)组成,用于提取RGB数据光流信息;基础网络中采用自注意力模块,将ResNet-152网络改造为ARNet152(Attention ResNet-152),用于将RGB、光流数据集经ARNet152提取特征后输入时序网络;时序网络采用添加注意力模块的长短记忆序列(Attention long short term network, ALST),并通过分类器输出行为得分和分类结果。视频数据集包括10 942段,共310 574帧,划分为攻击、采食、站立和躺卧4个大类,攻击行为又划分为撞击、脚踢和追逐3个小类;训练集、验...     

基于SNSS-YOLO v7的肉牛行为识别方法

肉牛活动过程中所表现出的行为是肉牛健康状况的综合体现,实现肉牛行为的快速准确识别,对肉牛疾病防控、自身发育评估和发情监测等具有重要作用。基于机器视觉的行为识别技术因其无损、快速的特点,已应用在畜禽养殖行为识别中,但现有的基于机器视觉的肉牛行为识别方法通常针对单只牛或单独某个行为开展研究,且存在计算量大等问题。针对上述问题,本文提出了一种基于SNSS-YOLO v7(Slim-Neck&Separated and enhancement attention module&Simplified spatial pyramid pooling-fast-YOLO v7)的肉牛行为识别方法。首先在复杂环境下采集肉牛的爬跨、躺卧、探究、站立、运动、舔砥和互斗7种常见行为图像,构建肉牛行为数据集;其次在YOLO v7颈部采用Slim-Neck结构,以减小模型计算量与参数量;然后在头部引入分离和增强注意力模块(Separated and enhancement attention module, SEAM)增强Neck层输出后的检测效果;最后使用SimSPPF(Simplified ...     

基于U-Net网络的高标准农田道路识别方法

高标准农田是国家粮食安全的重要保障,作为其中的重要工程,田间道路的快速准确获取可为高标准农田建设质量评估和效果评价提供基础数据支撑。针对传统方法对细窄田间道路识别精度低、泛化能力不强的问题,本文提出了基于U-Net网络的高标准农田道路识别方法。首先,在分析田间道路基本特征的基础上,选取GF-2影像作为试验数据,采用面向对象方法对影像进行分割并根据对象特征进行分类,剔除光谱特征与田间道路相似的建筑物等非道路要素,减少道路识别干扰;然后,对影像进行裁剪、标签制作和数据增强等操作,并使用U-Net网络挖掘影像的深浅层特征,通过不断调整参数对网络进行训练,实现田间道路的快速识别;最后,依据道路断点特征,采用局部连接法对道路断点进行修复,并以河北省定州市东亭镇为试验区进行方法测算与精度验证。结果表明：通过挖掘622幅田间道路样本的影像特征,U-Net网络可以有效识别各类场景下的高标准农田道路,通过对道路断点进行修复后,研究区田间道路识别精确率达96%,召回率和F1值分别为62%、75%,该识别精度能够满足高标准农田建设质量快速评估要求。相比传统识别方法,结合面向对象和深度学习的方法可以在减少建筑物干扰的基础上快速地识别出田间道路,能更好解决田间道路材质差异大、植被遮挡等造成识别结果噪声多、误识别问题,该方法可为细窄地物的识别提供方法参考。     

兽药致病命名实体Att-Aux-BERT-BiLSTM-CRF识别

针对兽药致病知识图谱构建过程中,关于兽药命名实体识别使用传统方法依赖人工设计特征耗时耗力以及兽药致病语料数据量较少的问题,提出一种引入注意力机制(Attention)与辅助层分类(Auxiliary layer)相结合兽药文本命名实体识别模型(Att-Aux-BERT-BiLSTM-CRF).通过BERT预处理模型进行...     

基于迁移学习的卷积神经网络玉米病害图像识别

为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在Image Net图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95. 33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。     

基于实例分割和光流计算的死兔识别模型研究

为实现自动化识别死兔,提高养殖管理效率,以笼养生长兔为研究对象,以基于优化Mask RCNN的实例分割网络和基于LiteFlowNet的光流计算网络为研究方法,构建了一种多目标背景下基于视频关键帧的死兔识别模型.该模型的实例分割网络以ResNet 50残差网络为主干,结合PointRend算法实现目标轮廓边缘的精确提取...     

基于改进注意力机制和多语义特征增强的自然环境下枣品种识别方法

针对目前自然环境下枣品种识别准确率较低的问题,提出了一种基于注意力机制和多语义特征增强的枣品种识别模型（ICBAM_MSFE_Res50）。该模型在ResNet-50基础上,引入改进注意力机制（Improved convolutional block attention module, ICBAM）,ICBAM采用一维卷积和多尺度空洞卷积对卷积块注意力模块（CBAM）进行改进,消除了特征图降维时的信息损失,降低了模型计算量和参数量,提高了模型对枣果区域细粒度特征的提取能力。同时,提出了多语义特征增强（Multi semantic feature enhancement,MSFE）模块,该模块通过枣果区域定位算法提取更多枣果局部显著特征,并采用显著性特征抑制算法迫使模型学习枣果次要特征,从而达到枣果多种语义特征学习。实验结果表明,在20类枣品种数据集上,本文模型准确率为92.20%,与ResNet-50相比,提高4.26个百分点。对比AlexNet、VGG-16、ResNet-18、InceptionV3模型,准确率分别提高15.84、9.22、6.86、3.55个百分点。对比其他枣品种识别方法,本文方法在20种枣品种识别中表现最优,可为自然环境下枣品种识别研究提供参考。