期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于注意力机制与自适应特征融合的群养猪身份识别
1
作者
韩丁磊
陈晨
+5 位作者
Steibel Juan
Siegford Janice
韩俊杰
王梦凡
徐雷钧
norton tomas
《软件导刊》
2024年第6期25-31,共7页
针对群养猪攻击过程中身体形变和重叠影响猪身份识别精度的问题,开发一种基于注意力机制和自适应特征融合的深度学习方法以提高猪身份识别精度。录制猪栏中8只猪每天8小时共3天的视频,并筛选含攻击的16830帧作为数据集。首先,采用ResNe...
针对群养猪攻击过程中身体形变和重叠影响猪身份识别精度的问题,开发一种基于注意力机制和自适应特征融合的深度学习方法以提高猪身份识别精度。录制猪栏中8只猪每天8小时共3天的视频,并筛选含攻击的16830帧作为数据集。首先,采用ResNet50提取猪的卷积神经网络(CNN)特征;然后,采用特征金字塔网络(FPN)在ResNet50中选择3层不同尺度的特征,以优化这些特征的定位和语义信息;接着,采用自注意力机制提高这些特征的区分度,并采用自适应空间特征融合(ASFF)以融合不同尺度的特征;最后,利用卷积和Sigmoid函数相结合的检测器对猪身份进行识别。使用该方法后,猪身份识别的均值平均精度(mAP)达到95.59%,速度达到37.6 f/s。结果表明,该方法能够在攻击场景下有效识别猪身份,有助于将攻击识别从群体级细化为个体级。
展开更多
关键词
群养猪
身份识别
注意力机制
特征融合
深度学习
下载PDF
职称材料
基于EfficientDet网络的湖羊短时咀嚼行为识别方法
被引量:
7
2
作者
陆明洲
梁钊董
+2 位作者
norton tomas
张生福
沈明霞
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第8期248-254,426,共8页
为分析羊进食行为、自动估算其进食量,提出一种从舍饲湖羊采食视频中自动识别其短时咀嚼行为的方法。首先,针对舍饲湖羊采食区域特点,在EfficientDet网络架构中增加目标框筛选模块,检测视频帧中羊嘴张开、上下颌错开及闭合3种状态,根据...
为分析羊进食行为、自动估算其进食量,提出一种从舍饲湖羊采食视频中自动识别其短时咀嚼行为的方法。首先,针对舍饲湖羊采食区域特点,在EfficientDet网络架构中增加目标框筛选模块,检测视频帧中羊嘴张开、上下颌错开及闭合3种状态,根据羊脸与相机拍摄角度的方位关系检测羊嘴状态,并为各状态赋编码值;然后,利用正则表达式提取连续视频帧中的一次上下颌张合对应的羊嘴状态编码值序列片段;最后,针对羊侧脸面对相机咀嚼、抬头正脸面对相机咀嚼、低头正脸面对相机咀嚼以及鸣叫等一次上下颌张合动作对应的羊嘴状态编码值序列片段构建分类规则,实现短时咀嚼行为的自动识别。对比了基于EfficientDet-D0~D4、YOLO v5和SSD网络的羊嘴状态检测性能,结果表明,改进的EfficientDet-D1网络能以28.18 f/s的传输速率,获得95.64%和98.84%的羊嘴状态检测精确率和均值平均精确率,优于YOLO v5和SSD网络。利用湖羊采食视频测试EfficientDet-D1网络结合正则表达式的湖羊短时咀嚼行为识别分类规则性能,结果表明,分类规则能以91.42%的自动识别正确率和90.85%的平均正确率直接从视频中提取湖羊短时咀嚼行为发生次数和持续时长。本研究将基于视频的湖羊短时咀嚼行为识别问题转换为羊嘴状态编码值序列分类问题,降低了分类模型的复杂度,为湖羊短时咀嚼行为的自动识别提供了一种新的研究思路。
展开更多
关键词
湖羊
短时咀嚼行为
羊嘴状态检测
咀嚼行为分析
正则表达式
EfficientDet
下载PDF
职称材料
基于ALR-GMM的群养猪攻击行为识别算法研究
被引量:
8
3
作者
刘冬
何东健
+3 位作者
陈晨
STEIBEL Juan
SIEGFORD Janice
norton tomas
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第1期201-208,共8页
群养猪攻击行为是评估猪群对微环境适应性的重要指标。活动指数模型能够描述猪群行为模式,已经在群养猪攻击行为识别研究中得到初步验证。然而,养殖设施的差异性和动态背景环境等因素所导致的环境适应性差是限制其商业化应用的主要障碍...
群养猪攻击行为是评估猪群对微环境适应性的重要指标。活动指数模型能够描述猪群行为模式,已经在群养猪攻击行为识别研究中得到初步验证。然而,养殖设施的差异性和动态背景环境等因素所导致的环境适应性差是限制其商业化应用的主要障碍。本文基于递归背景建模思想,在高斯混合模型(GMM)中引入双曲正切函数,提出了一种自适应学习率GMM的活动指数计算方法(ALR-GMM),能够在动态背景环境下准确提取动物活动指数。与经典模型相比,平均相对误差从15.08%降到14.34%。育肥猪攻击行为识别试验中,采用ALR-GMM算法提取行为视频单元的活动指数特征,构建了活动指数最大值、平均值、方差和标准差特征向量,采用线性核函数支持向量机建立分类器。结果表明,本文算法的正确率、灵敏度、特效度和精度分别为97.6%、97.9%、97.7%和97.8%,满足实际应用需求。
展开更多
关键词
群养猪
攻击行为识别
计算机视觉
活动指数
高斯混合模型
自适应学习率
下载PDF
职称材料
题名
基于注意力机制与自适应特征融合的群养猪身份识别
1
作者
韩丁磊
陈晨
Steibel Juan
Siegford Janice
韩俊杰
王梦凡
徐雷钧
norton tomas
机构
江苏大学电气信息工程学院
Department of Animal Science
Animal Behaviour and Welfare Group
Animal Behaviour and Welfare Group
Division of Measure
出处
《软件导刊》
2024年第6期25-31,共7页
基金
国家自然科学基金项目(32102598)
USDA National Institute of Food and Agriculture Program(2017-67007-26176,2021-67021-34150)
江苏省高等学校大学生创新创业训练计划项目(202210299122Y)。
文摘
针对群养猪攻击过程中身体形变和重叠影响猪身份识别精度的问题,开发一种基于注意力机制和自适应特征融合的深度学习方法以提高猪身份识别精度。录制猪栏中8只猪每天8小时共3天的视频,并筛选含攻击的16830帧作为数据集。首先,采用ResNet50提取猪的卷积神经网络(CNN)特征;然后,采用特征金字塔网络(FPN)在ResNet50中选择3层不同尺度的特征,以优化这些特征的定位和语义信息;接着,采用自注意力机制提高这些特征的区分度,并采用自适应空间特征融合(ASFF)以融合不同尺度的特征;最后,利用卷积和Sigmoid函数相结合的检测器对猪身份进行识别。使用该方法后,猪身份识别的均值平均精度(mAP)达到95.59%,速度达到37.6 f/s。结果表明,该方法能够在攻击场景下有效识别猪身份,有助于将攻击识别从群体级细化为个体级。
关键词
群养猪
身份识别
注意力机制
特征融合
深度学习
Keywords
group-housed pigs
identification
attention mechanism
feature fusion
deep learning
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
S126 [农业科学—农业基础科学]
下载PDF
职称材料
题名
基于EfficientDet网络的湖羊短时咀嚼行为识别方法
被引量:
7
2
作者
陆明洲
梁钊董
norton tomas
张生福
沈明霞
机构
南京农业大学人工智能学院
鲁汶大学M
青海民族大学计算机学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第8期248-254,426,共8页
基金
国家自然科学基金项目(31972615)
江苏省自然科学基金项目(BK20191315)
青海省科技厅基础研究计划项目(2020-ZJ-716)。
文摘
为分析羊进食行为、自动估算其进食量,提出一种从舍饲湖羊采食视频中自动识别其短时咀嚼行为的方法。首先,针对舍饲湖羊采食区域特点,在EfficientDet网络架构中增加目标框筛选模块,检测视频帧中羊嘴张开、上下颌错开及闭合3种状态,根据羊脸与相机拍摄角度的方位关系检测羊嘴状态,并为各状态赋编码值;然后,利用正则表达式提取连续视频帧中的一次上下颌张合对应的羊嘴状态编码值序列片段;最后,针对羊侧脸面对相机咀嚼、抬头正脸面对相机咀嚼、低头正脸面对相机咀嚼以及鸣叫等一次上下颌张合动作对应的羊嘴状态编码值序列片段构建分类规则,实现短时咀嚼行为的自动识别。对比了基于EfficientDet-D0~D4、YOLO v5和SSD网络的羊嘴状态检测性能,结果表明,改进的EfficientDet-D1网络能以28.18 f/s的传输速率,获得95.64%和98.84%的羊嘴状态检测精确率和均值平均精确率,优于YOLO v5和SSD网络。利用湖羊采食视频测试EfficientDet-D1网络结合正则表达式的湖羊短时咀嚼行为识别分类规则性能,结果表明,分类规则能以91.42%的自动识别正确率和90.85%的平均正确率直接从视频中提取湖羊短时咀嚼行为发生次数和持续时长。本研究将基于视频的湖羊短时咀嚼行为识别问题转换为羊嘴状态编码值序列分类问题,降低了分类模型的复杂度,为湖羊短时咀嚼行为的自动识别提供了一种新的研究思路。
关键词
湖羊
短时咀嚼行为
羊嘴状态检测
咀嚼行为分析
正则表达式
EfficientDet
Keywords
sheep
short-term chewing behaviour
sheep mouth status detection
chewing behaviour analysis
regular expression
EfficientDet
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于ALR-GMM的群养猪攻击行为识别算法研究
被引量:
8
3
作者
刘冬
何东健
陈晨
STEIBEL Juan
SIEGFORD Janice
norton tomas
机构
西北农林科技大学机械与电子工程学院
鲁汶大学M
农业农村部农业物联网重点实验室
江苏大学电气信息工程学院
密西根州立大学动物科学系
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第1期201-208,共8页
基金
陕西省重点产业创新链(群)农业领域项目(2019ZDLNY02-05)
国家重点研发计划项目(2017YFD0701603)
+1 种基金
国家自然科学基金项目(31872399)
美国农业部国家食品与农业项目(2017-67007-26176)。
文摘
群养猪攻击行为是评估猪群对微环境适应性的重要指标。活动指数模型能够描述猪群行为模式,已经在群养猪攻击行为识别研究中得到初步验证。然而,养殖设施的差异性和动态背景环境等因素所导致的环境适应性差是限制其商业化应用的主要障碍。本文基于递归背景建模思想,在高斯混合模型(GMM)中引入双曲正切函数,提出了一种自适应学习率GMM的活动指数计算方法(ALR-GMM),能够在动态背景环境下准确提取动物活动指数。与经典模型相比,平均相对误差从15.08%降到14.34%。育肥猪攻击行为识别试验中,采用ALR-GMM算法提取行为视频单元的活动指数特征,构建了活动指数最大值、平均值、方差和标准差特征向量,采用线性核函数支持向量机建立分类器。结果表明,本文算法的正确率、灵敏度、特效度和精度分别为97.6%、97.9%、97.7%和97.8%,满足实际应用需求。
关键词
群养猪
攻击行为识别
计算机视觉
活动指数
高斯混合模型
自适应学习率
Keywords
group-housed pigs
aggressive behavior recognition
computer vision
activity index
Gaussian mixture model
adaptive learning rate
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
S24 [农业科学—农业电气化与自动化]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于注意力机制与自适应特征融合的群养猪身份识别
韩丁磊
陈晨
Steibel Juan
Siegford Janice
韩俊杰
王梦凡
徐雷钧
norton tomas
《软件导刊》
2024
0
下载PDF
职称材料
2
基于EfficientDet网络的湖羊短时咀嚼行为识别方法
陆明洲
梁钊董
norton tomas
张生福
沈明霞
《农业机械学报》
EI
CAS
CSCD
北大核心
2021
7
下载PDF
职称材料
3
基于ALR-GMM的群养猪攻击行为识别算法研究
刘冬
何东健
陈晨
STEIBEL Juan
SIEGFORD Janice
norton tomas
《农业机械学报》
EI
CAS
CSCD
北大核心
2021
8
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部