马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior m...马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。展开更多
针对常态养殖下视频图像中常见的遮挡问题,该研究借鉴深度学习技术中的实例分割和关键点检测算法,提出了基于深度学习的妊娠母猪体质量智能测定模型(Intelligent Mass Measurement Model for Gestating Sows,IMMM-GS)。该模型包括基于Ma...针对常态养殖下视频图像中常见的遮挡问题,该研究借鉴深度学习技术中的实例分割和关键点检测算法,提出了基于深度学习的妊娠母猪体质量智能测定模型(Intelligent Mass Measurement Model for Gestating Sows,IMMM-GS)。该模型包括基于Mask R-CNN的猪只实例分割算法、基于Keypoint R-CNN的猪只关键点检测算法和基于改进的ResNet网络的猪只质量估测算法3个主要算法,用以处理常态环境下围栏、食槽、排泄物等影响猪体质量估测的典型遮挡问题。试验使用48头妊娠母猪6个月的常态视频图像和猪体质量数据进行数据集构建和试验分析,模型在测试集上的均方根误差为3.01 kg,相较于以ConvNeXt和ResNet为骨干网络的模型分别降低2.14和7.86 kg,模型精度得到较大提升。此外,该模型还对10头妊娠母猪进行了3个月的猪体质量跟踪监测验证,在图像大小为2688×1520的情况下,每幅图像的平均估算速度为0.684 s,估测质量与真实质量的均方根误差平均值为3.24 kg,计算速度与精度基本满足实时运算需求。IMMM-GS模型能够利用常态视频长时间实时评估母猪妊娠期的质量增长规律、妊娠母猪发育状况、估测预产期和产仔数等繁殖性能提供了数据支持,具有广阔的应用前景。展开更多
文摘马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。
文摘针对常态养殖下视频图像中常见的遮挡问题,该研究借鉴深度学习技术中的实例分割和关键点检测算法,提出了基于深度学习的妊娠母猪体质量智能测定模型(Intelligent Mass Measurement Model for Gestating Sows,IMMM-GS)。该模型包括基于Mask R-CNN的猪只实例分割算法、基于Keypoint R-CNN的猪只关键点检测算法和基于改进的ResNet网络的猪只质量估测算法3个主要算法,用以处理常态环境下围栏、食槽、排泄物等影响猪体质量估测的典型遮挡问题。试验使用48头妊娠母猪6个月的常态视频图像和猪体质量数据进行数据集构建和试验分析,模型在测试集上的均方根误差为3.01 kg,相较于以ConvNeXt和ResNet为骨干网络的模型分别降低2.14和7.86 kg,模型精度得到较大提升。此外,该模型还对10头妊娠母猪进行了3个月的猪体质量跟踪监测验证,在图像大小为2688×1520的情况下,每幅图像的平均估算速度为0.684 s,估测质量与真实质量的均方根误差平均值为3.24 kg,计算速度与精度基本满足实时运算需求。IMMM-GS模型能够利用常态视频长时间实时评估母猪妊娠期的质量增长规律、妊娠母猪发育状况、估测预产期和产仔数等繁殖性能提供了数据支持,具有广阔的应用前景。