基于多元复合深度学习的肉鸽行为识别算法研究

为实现肉鸽行为准确识别,研究提出一种基于多元复合深度学习的肉鸽行为识别算法。该算法通过使用YOLOX-s模型检测肉鸽目标区域作为AlphaPose肉鸽姿态预估模型输入预估肉鸽骨架每个关键点,结合连续视频帧的骨架变化关键点数据构建肉鸽骨架时空图作为ST-GCN肉鸽行为识别模型输入,实现肉鸽行为识别。对YOLOX-s模型使用CSPResNet替代其主干网络,并减少CSP模块中的残差块以保留更多肉鸽图像的中层细节特征,在姿态预估模型中使用ECCWB-LiteHRNet作为其单目标姿态估计器,以提高肉鸽关键点特征识别能力。结果显示,改进后的YOLOX-s模型平均精度、检测速度分别为0.985、40.2fps,较原模型提高了0.002、6.9 fps;姿态预估模型平均精度、平均召回率和检测速度分别为0.887、0.921和28.5 fps,较原模型提高了0.036、0.016和12.9fps;ST-GCN模型行为识别平均准确率为0.970,单帧推理时间约为15 ms,最终多进程模型并行推理平均帧处理速度为28.5 fps,经过Tensorrt加速后平均帧处理速度可达50.8 fps。研究表明,ST-GCN模型能够快速准确地识别出肉鸽当前行为,且改进后的姿态预估模型可为ST-GCN模型提供更加稳定的骨架数据,为通过行为特征感知肉鸽身体信息及开展数字化健康管理提供技术支撑。

基于深度学习的畜禽行为识别方法综述

畜禽行为是判断畜禽健康状况的重要指标,随着畜禽产业的设施化、自动化和智能化进步,畜禽行为智能化识别技术也在不断发展。然而,目前对基于深度学习的畜禽行为识别的研究还没有系统的综述。为此,本文综合介绍了现有的3类非接触式视觉检测畜禽行为识别方法,分别是基于传统图像处理技术、基于计算机视觉技术和基于姿态与时序特征的畜禽行为识别方法。此外,梳理了利用部分算法进行畜禽行为识别的具体步骤和试验结果,并对深度学习、时间序列和骨架姿态等新技术进行了阐述,并提出分析建议。

畜禽声音监测技术研究进展

发声是动物沟通的重要方式之一,可以反映动物在各种状态下所表现出的行为信息。对畜禽声音信号进行采集与分析能够准确地反映出畜禽个体的状态与行为特点,是实现畜禽行为信息监测与研究的一种重要方法。目前畜禽声音监测技术主要着重于对采集畜禽声音信号的预处理、特征提取以及分类识别等方面。文章分析归纳了畜禽声音监测技术的主要流程,分析了不同畜禽在患病、进食、情绪变化的状态下的声音监测,并对畜禽声音监测的发展进行总结与展望。

基于图像处理技术的红火蚁检测识别

对红火蚁(Solenopsis invicta Buren)进行准确检测是红火蚁巡检无人化首要解决的关键问题。该研究提出了一种基于图像处理技术的红火蚁检测识别方法。首先,将草坪环境下红火蚁蚁巢明度分量图像的背景区域进行压缩,并将压缩后的明度与色调差值图像与超绿模型分割提取的背景区域做差值融合,将其结果作为红火蚁蚁巢的检测识别模型。其次,在YOLOv5s算法的主干网络添加注意力机制,构建红火蚁昆虫图像的检测识别模型。最后,将采集到的红火蚁蚁巢图像与红火蚁昆虫图像分别在检测识别模型上进行对比测试。试验结果表明,草坪环境下采集的红火蚁蚁巢图像样本识别的IoU(Intersection over Union)最高可达96.87%,且IoU高于80%的样本占比81.67%;对红火蚁昆虫图像样本进行识别的平均检测速度可达48.53帧/s,精确率(Precision)可达91.50%,召回率(Recall)为89.28%,平均精度值(Average Precision)为95.40%,F1综合评价指标为90.38%,与原YOLOv5s算法相比有较大的提高。该技术方法对草坪环境红火蚁的智能化检测具有一定的可行性。

基于树莓派及深度学习的柑橘识别系统设计

随着现代农业技术的发展,柑橘的生产与采收自动化是必然趋势,而柑橘的目标识别是实现采摘自动化的重要环节。提出一种基于树莓派的柑橘识别系统,以树莓派作为软件程序平台,应用Python语言构建卷积神经网络模型,利用TensorFlow平台实现柑橘的识别。通过机器视觉采集柑橘树的相关数据,结合深度学习算法,对柑橘树上的柑橘进行识别及计数。经过测试,识别正确率约为92.4%。此外,利用GPS模块进行识别位置定位,确定区域内的柑橘密度及使用光照强度传感器测量环境光照强度对图像进行直方图均衡化处理,降低光照对柑橘识别的影响。

面向采摘机器人的水果精准识别算法研究进展

随着水果产业链自动化的进步,水果采摘机器人也在不断地发展,对目标水果实现精准识别是水果采摘机器人最重要的组成部分之一。本文将对水果目标识别的各类算法应用状况进行对比,同时阐述各类算法在水果采摘机器人上的应用现状。其中,现有的水果目标识别方法主要有3部分,分别是传统图像处理技术、各种机器学习算法和使用各类卷积神经网络的深度学习算法。此外,论述了水果图像数据集常用的处理方法和算法模型的改进方法,通过对图像数据进行处理增强和算法的改进来提高对目标的识别准确率。最后,分析各类算法在水果目标识别的未来研究趋势。