排序方式: 共有28条查询结果,搜索用时 15 毫秒
1.
基于Kinect的哺乳期母猪姿态识别算法的研究 总被引:1,自引:0,他引:1
[目的]哺乳期母猪的姿态是其母性的外在表现,为监测母猪在哺乳期的哺乳行为,提出了一种基于Kinect的无接触式母猪姿态识别算法。[方法]使用Kinect 2.0采集位于限位栏内哺乳期小梅山母猪的深度数据。先通过姿态预分类将母猪的姿态分为站姿与卧姿,而后针对卧姿,使用基于DBSCAN(density-based spatial clustering of applications with noise)密度聚类算法计算母猪高度信息的簇数,通过比较簇的个数将卧姿分为侧卧与趴卧;针对站姿,使用基于脊背线提取的识别算法,将脊背线分成前后2段,通过比较前后2段脊背线的平均高度将站姿分为站立与坐立。[结果]比较人眼观察结果与算法识别结果,该算法识别站立、坐立的准确率分别为94.3%、92.6%,趴卧识别准确率为84.2%,侧卧姿态为93.7%。[结论]提出了一种无接触式的哺乳期母猪姿态识别算法,为母猪哺乳能力的评判与健康状况的分析提供了技术支持。 相似文献
2.
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
3.
【目的】通过研究肉鸡采食音频提出一种基于音频技术的肉鸡采食量检测方法,以摆脱目前我国肉鸡采食量数据主要是人工测量群体采食量的现状,为准确获取肉鸡采食量信息提供技术支持。【方法】录音笔采集到的采食音频经分帧加窗、端点检测等预处理后,将有效声音片段提取出来,依托不同声音的功率谱密度曲线差异,使用单分类支持向量机(OC-SVM)对提取出的有效声音片段进行分类识别。利用音频技术检测肉鸡进食时的啄食次数,分析确定啄食次数与采食量的关系,利用啄食次数与采食量的高相关性计算肉鸡采食量。【结果】利用音频技术检测的肉鸡啄食次数与采食量高度相关,决定系数(R~2)=0.982 5。啄食次数计算正确率为94.58%,采食量计算正确率为91.37%。【结论】该方法可用于肉鸡采食量测定。 相似文献
4.
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
5.
温室无线传感器网络系统实时数据融合算法 总被引:7,自引:4,他引:3
针对温室无线传感器网络(WSN)系统的数据融合要求,提出一种多传感器实时数据融合算法。首先在节点上对各传感器数据序列进行一致性检测和三次指数平滑,然后将平滑后的数据发送到路由器或网关,基于文中提出的无需指数运算的新型支持度函数进行幂均方融合。在江苏农博园现代农业馆玻璃温室中进行了实地试验测试,结果表明:三次指数平滑能够明显减少数据波动;新型支持度函数的幂均方融合精度与高斯型支持度函数相比无显著差异,算法运算时间缩短83.6%,并且融合效果优于算术平均法。 相似文献
6.
针对规模化羊场对山羊体尺无接触式自动测量的需求,设计了一种山羊双视角图像采集装置并开发了配套的山羊体尺自动测量算法。首先,开发了山羊双视角图像自动采集装置并在养殖场完成山羊双视角图像数据集的构建;然后,采用背景减除法二值化羊体俯视图,引入简单线性迭代聚类算法(SLIC)构建侧视图超像素的纹理和颜色特征向量,训练基于支持向量机(SVM)的超像素分类器,综合利用置信度和超像素区域邻接图(RAG)获取侧视图中的羊体二值图;最后,提出了在侧视和俯视二值图像中定位关键体尺特征点的方法,自动提取山羊体高、体斜长、胸深、胸宽、管径参数,拟合得到胸围和管围参数。算法测试结果表明,羊体侧视图前景区域超像素分类正确率超过94%,算法自动提取与人工标注的侧视、俯视前景二值图的交并比分别为96.1%和97.5%。以人工使用软尺测量获得体尺参数为金标准评价算法自动提取体尺参数的精度,结果表明管围、体高、胸深、胸宽、胸围和体斜长的平均相对误差分别为5.5%、3.7%、2.6%、5.2%、4.1%和3.9%。本文开发的羊体双视角图像采集装置及相应的图像处理方法可以满足山羊体尺无接触自动测量的精度要求,为山羊体尺的高... 相似文献
7.
基于比特平面及二值自适应算术编码提出了一种逐行小波系数编码方法,该方法能与低内存开销的逐行小波变换无缝、高效对接。处理器从图像节点FIFO通道中逐行读出图像信息,完成多级小波变换后,根据各层小波系数概率分布确定量化值,利用4个二值概率模型对系数各比特平面执行二值自适应算术编码,实现了基于小波变换的低内存开销图像压缩。利用该压缩方法处理一幅320像素×240像素仔猪灰度图像,结果表明,量化位数取3位时,存储开销、时间开销及峰值信噪比为5.749 KB、16.312 s及39.72 d B,内存开销低且重构图像质量较高。 相似文献
8.
为提高电池能量利用率,降低温室环境无线采集节点功耗,延长节点寿命,以16位低功耗MCU(MSP430F149)和CC1101射频模块进行温室环境无线采集节点硬件设计,电源管理模块采用TPS63031芯片实现双电源供电,即节点在工作和休眠状态下分别采用3节AA南孚电池和1节3 V纽扣电池供电,通过DC-DC转换,电池可使用能量提高22.8%。软件协议采用有限状态机(FSM)模型设计,实现节点工作模式和休眠模式的任务调度,使节点休眠时进入LPM3深度休眠,大大降低节点功耗。电池放电试验和节点性能测试试验表明,在设定30 min采集周期下,设计的供电方案可保证节点11 019.8 h(约459.2 d)的可靠使用寿命。 相似文献
9.
10.
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。 相似文献