排序方式: 共有79条查询结果,搜索用时 15 毫秒
1.
2.
3.
4.
针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因... 相似文献
5.
多变环境下基于多尺度卷积网络的猪个体识别 总被引:2,自引:0,他引:2
【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出的针对脸部特征的猪个体身份识别模型是有效的,并在多变环境下具有较高的识别率和鲁棒性,为实现一体化管理及追踪溯源的研究提供参考。 相似文献
6.
【目的】 肉牛采食行为包括卷食、咀嚼、卷食—咀嚼等几种次级行为。监测肉牛次级采食行为有助于评估牛只的健康状况和营养水平。文章旨在利用加速度传感器研究肉牛次级采食行为识别方法,对比不同监测部位对次级采食行为识别的影响。【方法】 将加速传感器安装在肉牛的鼻子、右颌、左嘴3个部位,检测次级采食行为的加速度信号,经过衍生变量函数计算,扩充数据维度,使用ExtraTreesClassifer选择出9种重要特征,运用XGBoost算法识别肉牛采食次级行为(卷食、咀嚼、卷食—咀嚼、其他),最后使用HMM-viterbi算法修正次级行为识别结果。【结果】 XGBoost和HMM-viterbi在鼻子、右颌、左嘴3个部位识别的平均结果相同,XGBoost识别的平均准确率、精确率、F1得分和召回率分别为0.95、0.93、0.93和0.93,HMM-viterbi修正后识别的平均准确率、精确率、F1得分和召回率均为0.99。因此,运用HMM-viterbi模型可以有效修正行为识别结果。在XGBoost识别结果中,鼻子部位识别次级行为的得分较高,考虑长期佩戴传感器的稳定性,推荐采用鼻子作为检测部位。【结论】 在肉牛鼻子部位佩戴加速度器,利用XGBoost结合HMM-viterbi的方法可以自动识别肉牛次级采食行为。 相似文献
7.
8.
9.
<正>生物农药是指直接利用生物产生的生物活性物质或生物活体作为农药,以及人工合成的与天然化合物结构相同的农药,它又被称为天然农药,生物农药包括微生物农药、生物化学农药、转基因生物植物源农药及天敌生物等生物农药。目前我国已登记的生物农药有3095个产品,其中抗生素占了多数,有2218个产品,其次是生物化学类和微生物类的分别拥有344、312个产品,第三 相似文献
10.