基于改进ConvNeXt的奶牛行为识别方法

奶牛的动作行为（进食、躺卧、站立、行走和甩尾）直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet（ConvNeXt-ACM-FAM）奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块（ACM）和特征注意力模块（FAM）。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×106,浮点运算量减少了3×108,相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。     

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...     

复杂动态场景下基于光流分割SLAM算法研究

针对目前主流SLAM(同时定位与建图)算法在动态环境中存在精度大幅下降的问题,提出了一种基于光流分割去除动态物体干扰的DY-SLAM(SLAM In Dynamic Environment)算法。该算法采用实例分割算法结合相邻帧图像之间的稠密光流对动态物体进行分割,在SLAM系统图像帧间匹配前剔除动态物体特征点,提高动态环境下的定位精度。使用公开数据集对算法进行评估,算法的RMSE提升最大可达21.59%,能够有效提高系统在复杂动态环境下的定位精度及鲁棒性。     

基于光流法的静电雾滴运动轨迹的试验研究

对比分析了非静电雾滴(喷液为自来水)、静电雾滴(喷液为自来水、质量分数为2%的氯化钠溶液)在靶标周围的运动轨迹。为了获得清晰的雾滴运动轨迹图像,采用高速图像采集系统对静电雾滴运动轨迹图像进行采集,然后采用图像处理技术和LK金字塔光流法研究静电雾滴的运动轨迹。试验结果表明,静电喷雾能够改变雾滴的运动方向,使雾滴向靶标反面运动;增大喷液的电导率能够明显增大静电雾滴的"环绕"效应。     

基于改进YOLO v3模型的奶牛发情行为识别研究

为提高复杂环境下奶牛发情行为识别精度和速度,提出了一种基于改进YOLO v3模型的奶牛发情行为识别方法.针对YOLO v3模型原锚点框尺寸不适用于奶牛数据集的问题,对奶牛数据集进行聚类,并对获得的新锚点框尺寸进行优化;针对因数据集中奶牛个体偏大等原因而导致模型识别准确率低的问题,引入DenseBlock结构对YOLO ...     

基于卷积神经网络的奶牛发情行为识别方法

对奶牛发情的及时监测在奶牛养殖中至关重要。针对现有人工监测奶牛发情行为费时费力、计步器接触式监测会产生奶牛应激行为等问题,根据奶牛发情的爬跨行为特征,提出一种基于卷积神经网络的奶牛发情行为识别方法。构建的卷积神经网络通过批量归一化方法提高网络训练速度,以Max-pooling为下采样,修正线性单元(Rectified linear units,Re LU)为激活函数,Softmax回归分类器为输出层,结合理论分析和试验验证,确定了32×32-20c-2s-50c-2s-200c-2的网络结构和参数。经过对奶牛活动区50头奶牛6个月的视频监控,筛选了具有发情行为爬跨特征的视频150段,随机选取网络训练数据23 000幅和测试数据7 000幅,对构建的网络进行了训练和测试。试验结果表明:本文方法对奶牛发情行为识别准确率为98. 25%,漏检率为5. 80%,误识别率为1. 75%,平均单幅图像识别时间为0. 257 s。该方法能够实现奶牛发情爬跨的无接触实时监测,对奶牛发情行为具有较高的识别率,可显著提高规模化奶牛养殖的管理效率。     

基于视频分析的奶牛呼吸频率与异常检测

为实现奶牛呼吸状态信息获取的自动化、智能化,在构建奶牛视频实时采集系统的基础上,研究并提出了奶牛呼吸频率与异常检测方法。用光流法计算视频帧图像各像素点的相对运动速度,根据各点速度,对像素点进行循环Otsu处理筛选出呼吸运动点,动态计算速度方向曲线的周期即可检测牛只呼吸频率,并根据单次呼吸耗时检测呼吸是否异常。对72头奶牛共进行360 min检测试验,结果表明,呼吸频率计算准确率为95.68%,异常检测成功率为89.06%,平均异常误检次数为2.53次/min。     

基于时空特征的奶牛视频行为识别

准确、高效的奶牛行为识别有助于疾病检测、发现异常,是感知奶牛健康的关键。通过分析奶牛在牛场中各时段的行为,提出一种基于时空特征的奶牛行为识别模型,该模型在时域段网络(TSN)的基础上融合了时态移位模块(TSM)、特征注意单元(FAU)和长短期记忆(LSTM)网络。首先,利用TSM融合时间信息以提高时序建模能力,并将时序建模后的视频帧输入TSN。其次,利用FAU融合高分辨率空间信息和低分辨率语义信息,增强模型空间特征的学习能力。最后,由LSTM聚合过去和当前信息进行奶牛行为分类。实验表明,该方法对进食、行走、躺卧、站立行为识别准确率分别为76.7%、90.0%、68.0%、96.0%,平均行为识别准确率为82.6%,和C3D、I3D、CNN-LSTM网络相比,本文模型平均行为识别准确率分别提升7.9、9.2、9.6个百分点。光照变化会对奶牛行为识别准确率产生一定影响,但本文模型受光照影响相对较小。研究成果可为感知奶牛健康和疾病预防提供技术支持。     

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。     

基于改进YOLO v3模型的挤奶奶牛个体识别方法

为实现无接触、高精度养殖场环境下奶牛个体的有效识别,提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先,在奶牛进、出挤奶间的通道上方安装摄像机,定时、自动获取奶牛背部视频,并用视频帧分解技术得到牛背部图像;用双边滤波法去除图像噪声,并用像素线性变换法增强图像亮度和对比度,通过人工标注标记奶牛个体编号;为适应复杂环境下的奶牛识别,借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36790幅背部图像中,随机选取22074幅为训练集,其余图像为验证集和测试集。识别结果表明,改进YOLO v3模型的识别准确率为95.91%,召回率为95.32%,mAP为95.16%, IoU为85.28%,平均帧率为32f/s,识别准确率比YOLO v3高0.94个百分点,比Faster R-CNN高1.90个百分点,检测速度是Faster R-CNN的8倍,背部为纯黑色奶牛的F1值比YOLO v3提高了2.75个百分点。本文方法具有成本低、性能优良的特点,可用于养殖场复杂环境下挤奶奶牛个体的实时识别。     

基于幅值迭代剪枝的多目标奶牛进食行为识别方法

针对奶牛进食行为监测通常要为每头奶牛配备监测设备,但受限于设备成本,很多应用于奶牛养殖场的奶牛行为监测方法难以普及的问题,提出了一种多目标奶牛进食行为识别方法,基于YOLO v3算法,根据目标差异,将牛舍中的奶牛分为3类目标来实现奶牛进食行为监测,以通过单台设备监测多头奶牛的进食行为.YOLO v3算法具有计算成本高、...     

基于EfficientNet与点云凸包特征的奶牛体况自动评分

为进一步提高奶牛体况自动评分精度,构建了一种基于点云凸包距离的三维结构特征图,将其作为EfficientNet深度学习网络的输入,可实现奶牛体况自动评分误差在0.25以内识别的准确率提升。首先,对获取的奶牛背部深度图像进行预处理,得到含有主要体况信息从奶牛腰角骨到臀骨区域的点云;其次,对点云进行体素化和凸包化,计算每个外围体素到最近凸包面之间的距离,并投影至X-Y平面上,得到结构特征图;构建EfficientNet网络分类模型,采用鲸鱼优化算法(Whale optimization algorithm, WOA)对其缩放系数进行优化;最后,利用77头奶牛的5119幅深度图像对模型进行训练、验证与测试,数据集比例为5∶3∶2。结果表明,奶牛体况评分（BCS）范围在2.25~4.00内,测试集中EfficientNet模型精准识别的图像达到73.12%,BCS识别误差在0.25和0.50以内的图像占比分别为98.6%和99.31%,平均识别速率为3.441s/f,识别效果优于MobileNet-V2、XceptionNet和LeNet-5等模型。该方法可实现规模化养殖场中奶牛个体体况的无接触评定,具有精度高、适用性强、成本低等特点。     

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。     

基于改进动态时间规整算法的奶牛步态分割方法

为准确提取步态特征、识别奶牛跛行,利用三维加速度传感器采集30头奶牛后趾加速度信号,针对奶牛步态人工分割的不足,提出基于改进的动态时间规整算法对奶牛步态进行分割,提取特征值并利用逻辑回归法建立跛行识别模型。采用本文方法得到的步态分割精确度、灵敏度、准确率平均值分别为89.53%、95.51%、87.49%,比常规动态时间规整算法分别提高了5.31、4.48、8.43个百分点,总体准确率达到90.57%,相较自相关函数法和峰值检测法分别提高了1.75、3.13个百分点。以支撑时间、步幅长度、平均强度、信号幅度面积、前进方向加速度均值和运动变化量为自变量的跛行识别模型识别率分别为83.44%、81.72%、86.15%、86.81%、89.45%和85.71%。本研究结果可为奶牛步态分割、跛行识别提供技术支持。     

基于SimCC-ShuffleNetV2的轻量化奶牛关键点检测方法

针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题,提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中,主干网络采用ShuffleNetV2用于特征提取,有利于实现网络的轻量化;检测头采用SimCC用于关键点位置预测,SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能,本研究设计了奶牛的关键点及骨架结构,并标注了3 600幅图像用于模型的训练与测试。试验结果表明,SimCC-ShuffleNetV2模型的AP_50:95为88.07%,浮点运算量为1.5×10⁸,参数量为1.31×10⁶,检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验,结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时,本研究通过更换不同主干与不同检测头的方式,对比验证了不同模块对模型性能影响,本研究所提出的模型在所有试验中均取得了最佳结果,表明ShuffleNe...     

基于高斯混合-隐马尔科夫融合算法识别奶牛步态时相

奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型 （Gaussian Mixture Model,GMM） 和隐马尔科夫模型 （Hidden Markov Model,HMM）的无监督学习奶牛步态时相识别算法 GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F₁分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F₁分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F₁分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。