基于改进YOLOv5的病死猪猪头的识别及三维定位方法

【目的】旨在为病死猪搬运机器人提供抓取目标,提出一种基于改进YOLOv5的病死猪猪头的识别及三维定位方法。【方法】将YOLOv5目标检测算法主干特征提取网络(backbone)替换成轻量化特征提取网络MobileNetV2,降低所得训练权重参数大小;在主干特征提取网络中引入CBAM注意力机制来提高对病死猪猪头的关注度;使用RealsenseD435深度相机获取目标图像,建立针对病死猪猪头的三维空间坐标的成像模型;并设计对比试验与定位试验对其进行验证。【结果】相较于YOLOv5特征提取网络,轻量化处理主干网络能使权重文件大小从13.7 MB下降到5.9 MB,降幅达到56%;CBAM注意力机制的引入使算法单张图片的检测速度从17.9 ms下降到11.6 ms,减少6.3 ms;RealsenseD435深度相机构造的三维定位模型在X,Y,Z轴方向上的平均误差分别为0.021,0.023,0.042 m,均小于0.05 m。【结论】改进的YOLOv5目标检测模型能有效降低权值文件大小,提高检测速率。RealsenseD435深度相机构建的三维定位模型能够准确定位到病死猪头部,并计算出其三维空间坐标。所以基于改进YOLOv5的病死猪猪头的识别及三维定位方法,满足病死猪搬运机器人的识别定位要求。

渤海湾盆地孤南洼陷沙河街组三段中、下亚段沉积特征

从区域地质资料出发,以岩石学、沉积学及岩相古地理学理论为指导,主要针对岩石颜色、成分、粒度、沉积构造等岩心相标志,对区内10口井的岩心进行了观察,并结合45口井的测井曲线形态特征分析,对孤南洼陷沙河街组三段中、下亚段沉积微相的划分和沉积环境的演化展开了研究,并对其与油气储层的关系进行了探讨。研究表明孤南洼陷沙河街组三段中、下亚段主要发育扇三角洲、三角洲、湖泊共3种类型沉积相,9种沉积亚相,16种沉积微相;并首次发现风暴沉积,认为风暴对油气储集层有一定改良作用;沙河街组三段下亚段沉积时期,洼陷北侧发育小规模三角洲、扇三角洲,南侧发育三角洲,随着湖泊体系的扩展而逐渐萎缩,总体为生油层形成的有利环境;到沙河街组三段中亚段沉积时期,物源区供给增强,洼陷内砂体含量增高,有利于形成良好油气储集层。

孤南洼陷新生代构造演化特征及其对沉积的控制作用

对孤南洼陷新生代构造演化特征及沉积特征进行分析可以了解该地区构造演化对沉积的控制作用。研究结果表明,洼陷北部孤南断层的构造演化控制了整个洼陷沉积体系的发育。孤南断层的活动呈现明显的分段性和分期性,其东段的活动强度强于西段,整个洼陷北部构造活动强于南部,沙三段下亚段沉积时期断层活动较沙三段中亚段沉积时期强烈,并形成了与之相对应的沉积模式和准层序叠加方式。与断层活动分段性相对应,洼陷东部地区的三角洲及扇三角洲向湖盆推进的面积较小,而西部地区推进面积则较大。洼陷北部在沙三段下亚段沉积时期由于断层活动强,发育扇三角洲沉积体系,形成正旋回准层序叠加方式;在沙三段中亚段沉积时期随着断层活动减弱,则发育正常三角洲沉积体系,形成反旋回准层序叠加方式。

基于机器视觉技术的猪只体重检测研究现状及展望

【目的】传统的猪只体重测量通常需要将猪只单独拖入称重设备中,费时费力,并且容易造成猪只的应激反应,影响其生长发育。而融入机器视觉技术,可以实现非接触式的猪只体重测量,大大提高测量效率和准确性。【方法】课题组以基于机器视觉技术的猪只体重测量为研究对象,运用文献调查法,总结了猪只体重检测的重要性及现有的检测方法,综述了基于机器视觉的猪只体重检测的技术原理及学者们现有的研究成果。最后,展望了未来基于机器视觉技术的研究趋势及挑战。【结果与结论】目前,研究者们主要采用两种方法进行基于机器视觉的猪只体重检测:第一种方法是基于体尺测量的机器视觉技术,另一种方法是基于行为识别的机器视觉技术。两种方法各有利弊,未来还需要进一步优化,可以从提高机器视觉技术的准确性和稳定性、拓展机器视觉技术的应用范围、解决数据隐私和信息安全等问题方面入手,不断克服技术和应用方面的挑战。

基于YOLOv3的病死猪猪头的识别方法

【目的】为在养殖场实现非接触对病死、死因不明或染疫猪猪头进行目标检测。【方法】课题组提出了一种基于YOLOv3的病死猪猪头的识别方法,将采集的病死猪图片通过处理制成数据集,并按一定比例分成训练验证集与测试集,通过YOLOv3模型训练,得到预训练权重参数,用评价指标对模型检测效果进行评估,从而获得最优模型的训练测试比。【结果】在训练测试比为8∶2时,YOLOv3算法模型对病死猪猪头的识别平均精度值达91.74%,准确率达95.56%,召回率达89.58%,满足目标检测精度要求,且该模型的平均准确率、准确率、召回率均高于SSD和Faster R-CNN算法模型。【结论】YOLOv3算法模型有助于在对病死猪进行无害化处理时,为机械手提供抓取目标,实现处理设备的智能化、无人化发展。

巢湖栖霞组碳酸盐烃源岩元素地球化学特征及其意义

以下扬子巢湖地区茨苔山二叠系栖霞组碳酸盐地层为研究对象,开展元素地球化学检测,探讨古生产力和保存条件与烃源岩发育间的关系。结果表明:Ba、TN对生物有机质作用响应明显,可作为栖霞组灰岩地层古生产力的替代指标,V/(V+Ni)缺氧指标适用于栖霞组灰岩地层,指示栖霞组整体缺氧的沉积特征,两类参数均显示相对海平面升降变化对沉积水体生产力水平和缺氧程度有控制作用;栖霞组碳酸盐烃源岩的形成是低等藻类生产力水平以及保存条件(缺氧的沉积环境)良好匹配的结果,在生产力水平和缺氧程度整体最高的本部灰岩下段地层中烃源岩最发育。

BIM^(5D)在工程项目管理中的应用

以重庆仙桃数据谷三期一标段项目为例,采用BIM^(5D)管理平台结合现场实际情况对临建场布,进度计划管理,物资管理,模板脚手架设计以及机电安装等方面进行了综合应用。通过BIM^(5D)不仅提前发现设计问题,避免后期返工,为项目施工中出现的重难点问题提供了技术支撑,还对项目进度和材料物资的使用周转进行有效的管控,缩短工期,减少材料浪费,降低了成本,取得较好的经济效益,实现了项目的精细化管理。

基于深度学习的群猪分割方法

【目的】实时监控猪舍内猪只状态以及在出栏前对猪只进行计数满足“动物福利化”养殖需求,而实现实时监控与计数的前提条件之一是对图像进行分割。【方法】图像分割方式有传统阈值分割以及引入深度学习概念的语义分割和实例分割。课题组介绍了语义分割的DeepLab V3+模型,作为语义分割中较晚出现的模型,DeepLab V3+模型在分割精度上相较于之前的模型有了巨大的提升,但分割速度仍较慢,无法满足实时监控的需求。基于此,课题组提出用Mobilenet V2主干网络替代原有Xception网络来改进模型,并引入了通道注意力机制以及空间注意力机制,然后分别利用原始模型和改进后的模型进行了试验。【结果】在精度上,改进后的V2模型稍弱于原始模型,加入注意力机制后的模型又优于V2模型0.48%而弱于原始模型2.97%,但在响应速度上,改进后的模型速度提升了38.77%。在分割效果上,三个模型的差异不大。【结论】相较于原始模型,改进后的模型精度略有下降,但是响应速度大幅提升,从而大大提高了模型分割的速度,满足了猪舍监控分割速度快的需求。