排序方式: 共有12条查询结果,搜索用时 0 毫秒
1.
2.
基于YOLO v3与图结构模型的群养猪只头尾辨别方法 总被引:1,自引:0,他引:1
在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。 相似文献
3.
基于动态多特征变量的黄羽肉鸡跛行状态定量评价方法 总被引:1,自引:0,他引:1
肉鸡步态是肉鸡健康状态的重要表征,为实现黄羽肉鸡跛行步态的无损自动化快速分类识别,提出了一种基于多特征变量的肉鸡跛行定量评价方法。该方法从步态视频中提取肉鸡的速度、步幅、步幅差、步频、投影面积参数,拟合得出速度、步幅与投影面积具有相关性(决定系数分别为0.805 1、0.793 5),据此定义肉鸡动态理想参数与异常指数,基于C4.5决策树模型,以速度异常指数、步幅异常指数、步幅差异常指数为分类特征,根据鸟类步态评分标准将肉鸡分为GS0~GS4五类,实现对肉鸡跛行状态进行预警和判别。实验结果表明:该模型针对GS0~GS4分类准确率依次为:66%、71%、74%、98%、95%,整体准确率为78%。该模型可作为早期跛行的检测工具,为养殖自动化的实现和动物福利产业的升级提供支持。 相似文献
4.
根据桂林地区现有竹林面积、蓄积和主要分布区域、单位面积主竹量、各度竹占主竹总量的比例、竹类经营生产、产品生产和产品加工等情况进行调查,对全地区竹类生产的历史情况和现状进行分析,探讨迅速发展竹类资源和充分利用竹类资源的途径,以及发展竹类生产的设想。 相似文献
5.
6.
玉米油:厂商乐观,价格略涨 近日,国内各地玉米油交易依旧较少,部分地区油厂报价略有提高。黑龙江哈尔滨地区一级玉米油出厂报价为10350元/吨;吉林长春地区一级玉米油报价为10600元/吨、玉米毛油8900元/吨,松原地区四级玉米油9700元/吨:内蒙古通辽地区玉米毛油8900元/吨:河北辛集地区一级玉米油10900元/吨.四级玉米油9450~9500元/吨.玉米毛油8600元/吨. 相似文献
7.
8.
[目的]行为是评价动物健康和福利状况的重要指标之一。针对动物穿戴设备的低功耗和体积小等功能需求,研究一种用于监测围产期母猪运动的低功耗无线加速度采集设备,并将其与RFID标签集成为一个耳标设备以方便佩戴。[方法]将耳标设备的工作模式与母猪行为类型相关联。首先测量耳标设备在1个数据采集周期中休眠、读加速度和无线发送3种工作状态的电流消耗,确定无线发送是最耗电能的阶段;然后分析母猪休息、活动和采食3种类型行为的加速度数据波动特征,提出当数据波动小于阈值(0.088 g)时,使耳标设备处于深度休眠状态,反之,则采集20组数据后进行一次性传输的方法;最后利用8头母猪进行加速度数据采集试验,计算耳标设备的功耗。[结果]研究了一种体积小功耗低的耳标设备及方法,该设备的平均电流功耗为0.014 5 m A,利用1个电压为3 V容量230 m A·h的纽扣电池供电可连续工作663 d。[结论]该方法相比传统的固定周期性采集方法降低了95%的功耗,能够长期稳定地采集母猪加速度数据。 相似文献
9.
哺乳期母猪的自动行为监测对于保障母猪健康并及时发现异常状态具有重要意义。为了在识别母猪行为中整合视觉和听觉信号蕴含的信息,该研究提出了一种基于音视频特征多模态融合的哺乳期母猪关键行为识别方法。首先,引入三分支结构的AVSlowFast模型作为基础网络,通过视频慢通道、视频快通道、音频通道有效挖掘在视觉和听觉2种模态下的相关行为特征,并基于多层次侧向连接深入融合视听觉模态信息。在此基础上,该研究在特征融合后期引入高斯上下文变换器通道注意力模块,在不新增模型参数的条件下进一步优化高维多模态三维特征的融合效果,提高行为识别的准确率。该研究以哺乳期母猪为对象,采集实际养殖环境中的音频与视频数据进行试验,试验结果表明基于改进AVSlowFast音视频融合模型识别进食、哺乳、睡眠、拱栏、饮水、日常活动6种关键行为的平均精确率与召回率分别为94.3%和94.6%。与基于SlowFast的单模态行为识别方法相比,该研究提出的方法对6种行为识别的平均F1分数上显著提升了12.7%,为实现畜禽多模态行为监测提供了一种有效思路。 相似文献
10.