马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。 相似文献
目的 揭示10年生杉木人工林叶片、细根功能性状对土壤磷添加的响应,为提高杉木人工林生产力提供科学依据。 方法 在10年生杉木人工林中设置P0(对照)、P1、P2、P3、P4、P5共6个处理,土壤施磷量分别为0、60、120、180、240、300 kg·hm−2·a−1,进行了3年模拟磷沉降控制试验,分析了叶面积(LA)、比叶面积(SLA)、叶组织密度(LTD)、叶干物质含量(LDMC)、比根长(SRL)、比根表面积(SRA)、根组织密度(RTD)、可塑性指数(PI)的响应及功能性状之间的相关性。 结果 在土壤磷缺乏情况下,随着施磷浓度程度的增加,杉木的LA、SLA、SRL、SRA均先增加后降低,LTD、LDMC、RTD均先减小后增加。在不同施磷处理下,杉木叶片、细根功能性状的PI平均值分别为0.21、0.16,CV的范围为3.9%~15.9%,属于较弱变异。杉木叶功能性状LTD与LA、SLA在P0、P2处理下呈显著( P < 0.05)或极显著( P < 0.01)负相关,LTD与LDMC在P1处理下呈显著正相关( P < 0.05);SLA与LA在P0、P3处理下呈显著正相关( P < 0.05),SLA与LDMC在P4处理下呈极显著负相关( P < 0.01)。杉木细根功能性状SRL与SRA在P0、P3、P4、P5处理下呈极显著正相关( P < 0.01),SRL与RTD在P3、P4处理下呈显著( P < 0.05)或极显著( P < 0.01)负相关;RTD与SRA在P0、P2、P3、P4、P5处理下呈显著( P < 0.05)或极显著( P < 0.01)负相关。 结论 杉木通过协调叶片和细根功能性状的耦合关系响应不同梯度的土壤磷添加,进而形成应对土壤磷含量变化的生存策略。本研究表明,适当的磷添加(P2、P3)有利于10年生杉木人工林的土壤养分吸收和生长。 相似文献