排序方式: 共有39条查询结果,搜索用时 265 毫秒
31.
基于机器视觉的猪体体尺测点提取算法与应用 总被引:18,自引:13,他引:5
无应激获取猪体的体尺、体质量,是猪福利养殖中的一个重要任务,为解决机器视觉提取自然站立姿态下猪体的体尺测点识别率低的问题,该文通过在线摄像机获取120d龄长白猪的彩色图像,以猪体体尺传统的测量位置为研究基础,结合猪舍现场实际情况,提出了复杂背景下猪体个体信息提取的算法、基于包络分析的猪体头部和尾部的去除算法以及具有一定弯曲姿态的复杂猪体体尺测点坐标提取的算法,并利用Matlab2010软件实现了其算法。验证试验结果表明:通过背景减法和去除噪声算法可去除背景干扰,有效识别猪体信息;测点提取算法可准确提取自然姿态下猪的个体轮廓,识别其体尺测点,实现了猪体的体长、体宽等体尺量算的9个体尺测点的坐标提取,经验证,对猪体体长的实测值平均相对误差最小,其平均相对误差仅为0.92%;其次为腹部体宽,其平均相对误差为1.39%;而对猪体肩宽和臀宽的检测误差较大,平均相对误差分别为2.75%和3.03%。本研究可应用于猪体无应激量算体尺、估算猪体体质量,为开展福利养殖提供了一种新方法。 相似文献
32.
基于RBF神经网络的种猪体重预测 总被引:7,自引:0,他引:7
针对猪体生长参数之间具有一定的自相关性、部分参数与体重间呈非线性关系、通过线性回归模型预测猪体体重存在着自变量间共线性及拟合优度较低等问题,以52头长白母猪的生长参数为基础,通过最近邻聚类算法,构建了基于RBF神经网络的种猪体重预测模型。通过线性回归检验法对种猪体重预测值与实测值进行分析,发现基于RBF神经网络的长白种猪体重预测模型的拟合优度R2为0.998,而线性回归模型的R2为0.891。结果表明:通过RBF神经网络方法建模,消除了线性回归分析中自变量的共线性问题,预测效果优于线性回归模型。 相似文献
33.
用数码相机测定草地盖度的研究 总被引:12,自引:0,他引:12
传统草原地面调查时盖度的测定使用目测法或点测法,但存在实地测定时耗时长、效率低、准确率低等缺点。用数码相机对样方资料进行记录,可以减少人为的误差和提高数据精度且节省实地调查时间。本文从样方照片数据中提取6项指标,通过分析建立逻辑判别模型,对样方照片中的绿色植被部分做出判读,获得植被在整个样方中所占的比例,即投影盖度。应用此方法可使抽样判断的总体精度达到94.7%。 相似文献
34.
35.
36.
基于机器视觉的猪体质量估测模型比较与优化 总被引:1,自引:7,他引:1
基于机器视觉的猪体质量估测模型较多,但模型缺乏在实用性、准确性的对比,最佳模型没有定论。该文总结了已有的估测算法,基于79组背部图像面积、实际面积、体长、体宽、体高、臀宽、臀高数据,使用线性回归、幂回归、二次回归、主成分线性回归、RBF(radial basis function,径向基函数)神经网络等方法,重建了13种体质量估测模型,并比较了13种模型的估测精度。结果表明,基于体长、体宽、体高、臀宽和臀高的线性回归模型具有较好的估测精度,估测值与真值的相关系数达到了0.996。利用主成分法去掉体尺的共线性,利用曲线回归解决残差不均匀问题,更加符合猪体质量增长趋势,结果表明基于主成分的幂回归模型具有较高的相关系数和较低的标准估计误差,对于97组数据的估测平均相对误差为2.02%。使用猪场实测24组数据验证模型,估测质量与测量值相关系数为0.97,估测平均相对误差为2.26%,标准差为1.78%,优于基于面积和面积体高结合的估测模型,平均绝对误差为2.08 kg,优于面积体高结合方法的平均绝对误差。试验证明使用多个体尺的主成分幂回归体质量估测模型较为精确,可用于机器视觉估测猪体质量的应用中。 相似文献
37.
青海省是我国牦牛生产和消费的大省,为了进一步提高牦牛养殖水平、保障人民饮食健康、加强牦牛产品监管,需要建立一套准确、高效的牦牛养殖溯源系统。现有的溯源系统存在着信息孤岛、信息失真、中心化严重、数据来源真实性等问题,根据区块链的去中心化、防篡改等特性,可以有效解决这些问题。本文结合区块链技术对传统溯源系统进行改进,研究出适用于牦牛养殖阶段的数据传输机制和管理养殖信息的智能合约,以保证信息在传输过程中的安全性、高效性。在此研究基础上,使用Hyperledger Fabric和Hyperledger Explorer技术设计并研发了一款基于区块链的青海牦牛养殖溯源系统,通过系统在牧场中的实际应用,完成系统的功能测试和性能测试,并验证了溯源系统的可行性和有效性。 相似文献
38.
检测羊的行为能够充分反映其内在生理状态和健康水平,并有助于牧户掌握放牧草地状况,保证草地生态系统可持续发展。受空间尺度影响自由放牧条件羊的行为监测十分困难,传统人工观察效率低、主观性高。与室内集约化养殖模式相比,计算机视觉的方法虽然精度高,但野外环境恶劣且面积广阔不便于设备设施布设和数据采集。因此,越来越多的学者通过接触式传感器识别羊的行为、分析羊群与草地环境的关系,为畜情草况的监测提供了新的技术手段。该文详细介绍了现阶段常用于羊的行为监测的3种传感器技术,即三轴加速度传感器、声学传感器、定位项圈,通过分析数据获取、处理、特征提取、模型结果等过程,归纳与总结了关键技术中存在的问题和面临的挑战,如三轴加速度传感器的部署位置、时间间隔;声学传感器的噪声处理等问题,又结合羊的行为模式说明了关键技术在不同行为中的应用现状。最后指出接触式传感器的发展方向,即算法层次结合深度学习方法分析数据,挖掘深层次、更具辨别能力的特征信息;传感器方面选取多传感器组合的方式,构建羊只多源数据集,提供更全面的特征,以期为自由放牧下羊行为识别研究提供新思路。 相似文献
39.