为了准确识别特征不明显且扎推聚群现象严重的仔猪吮乳行为,试验建立了一种基于时空上下文信息的仔猪吮乳行为识别算法,即先利用关键点检测技术定位侧卧母猪的哺乳区域,然后在哺乳区域中利用基于空间上下文信息模块的主干网络提取仔猪...为了准确识别特征不明显且扎推聚群现象严重的仔猪吮乳行为,试验建立了一种基于时空上下文信息的仔猪吮乳行为识别算法,即先利用关键点检测技术定位侧卧母猪的哺乳区域,然后在哺乳区域中利用基于空间上下文信息模块的主干网络提取仔猪吮乳状态下的空间上下文信息,包括仔猪与母猪的相对位置和距离信息及仔猪嘴部与母猪乳房连接处的轮廓形状特征;为捕捉仔猪吮乳行为的运动特征,在主干网络的最后一层引入时间上下文信息模块,提取相邻帧间仔猪吮乳行为的时序特征;最后将特征输入到长短期记忆(long short term memory,LSTM)网络进行仔猪吮乳行为的预测与识别;以精确率、召回率和平均精度作为评价指标,将基于时空上下文信息的仔猪吮乳行为识别方法与Darknet53算法、原始YOLOv5主干网络+LSTM算法进行性能比较。结果表明:基于时空上下文信息的仔猪吮乳行为识别算法对仔猪哺乳行为识别的精确率、召回率和平均精准率分别96.9%、96.1%和96.3%,较Darknet53算法分别提高了14.7%、14.5%和14.4%,较原始YOLOv5主干网络+LSTM算法分别提高了12.5%、11.0%和11.3%。说明基于时空上下文信息的仔猪吮乳行为识别算法对仔猪吮乳行为有较好的识别效果。展开更多
针对水下光学图像细节模糊以及水下生物遮挡导致目标检测精度低的问题,提出一种基于细粒化特征感知的水下目标检测算法.该算法基于YOLO(You Only Look Once)v7网络结构,首先,提出ELSA(ELAN-SimAM)模块,提升主干网络对水下图像模糊细节...针对水下光学图像细节模糊以及水下生物遮挡导致目标检测精度低的问题,提出一种基于细粒化特征感知的水下目标检测算法.该算法基于YOLO(You Only Look Once)v7网络结构,首先,提出ELSA(ELAN-SimAM)模块,提升主干网络对水下图像模糊细节的特征感知;其次,提出多梯度聚合结构(Multi-gradient Aggregation Structure),实现特征信息多梯度高效融合,并在颈部网络中嵌入轻量化的三重注意力机制(Triplet Attention),使特征信息跨维度交互融合,减少由水下生物遮挡导致的漏检问题.实验结果表明,所提出的算法适用于水下复杂环境下的目标检测,可以在较短时间内实现目标定位与检测,且检测精度较高.展开更多
文摘为了准确识别特征不明显且扎推聚群现象严重的仔猪吮乳行为,试验建立了一种基于时空上下文信息的仔猪吮乳行为识别算法,即先利用关键点检测技术定位侧卧母猪的哺乳区域,然后在哺乳区域中利用基于空间上下文信息模块的主干网络提取仔猪吮乳状态下的空间上下文信息,包括仔猪与母猪的相对位置和距离信息及仔猪嘴部与母猪乳房连接处的轮廓形状特征;为捕捉仔猪吮乳行为的运动特征,在主干网络的最后一层引入时间上下文信息模块,提取相邻帧间仔猪吮乳行为的时序特征;最后将特征输入到长短期记忆(long short term memory,LSTM)网络进行仔猪吮乳行为的预测与识别;以精确率、召回率和平均精度作为评价指标,将基于时空上下文信息的仔猪吮乳行为识别方法与Darknet53算法、原始YOLOv5主干网络+LSTM算法进行性能比较。结果表明:基于时空上下文信息的仔猪吮乳行为识别算法对仔猪哺乳行为识别的精确率、召回率和平均精准率分别96.9%、96.1%和96.3%,较Darknet53算法分别提高了14.7%、14.5%和14.4%,较原始YOLOv5主干网络+LSTM算法分别提高了12.5%、11.0%和11.3%。说明基于时空上下文信息的仔猪吮乳行为识别算法对仔猪吮乳行为有较好的识别效果。