基于Cow-DETR与深度图像的非接触式奶牛体质量评估

针对当前牧场奶牛体质量(体重)称量效率低,人工参与容易引发奶牛应激等问题,提出了一种基于改进DETR(Detection transformer)网络的端到端式奶牛体质量评估方法(Cow-DETR),实现利用奶牛背部深度图像进行非接触式奶牛体质量评估。首先设计并搭建实验数据采集装置,利用Intel RealSense D435深度相机和体重秤采集奶牛背部深度图像和体质量数据;然后,通过边缘平滑滤波器和孔洞填充滤波器对深度图像进行补全处理,减少深度数据缺失对体质量评估的影响;最后,以DETR网络为基础建立奶牛体质量评估模型,通过在预测模块中添加含有交替全连接层的体质量预测单元,提升奶牛体质量相关的特征信息提取能力,实现端到端式奶牛背部定位的同时进行奶牛体质量非接触式评估。结果表明,本文方法可以实现较高精度的奶牛体质量评估,通过5倍交叉验证,在含有139头奶牛数据的数据集中,平均绝对误差不超过17.21 kg,平均相对误差不超过3.71%,单幅图像平均识别时间为0.026 s。通过与现有体质量评估方法相对比,本文方法比其他6种方法在更多的奶牛头数的数据集中取得了更低的平均绝对误差和平均相对误差,同时本文方法对奶牛站立姿势要求较低,更符合牧场实际生产需要,为奶牛体质量评估提供了新的解决思路。

基于机器视觉的畜禽体质量评估研究进展

体质量(体重)是反映畜禽身体健康与生长状况、繁殖与生产性能的重要指标。对畜禽体质量精准快速地评估和监测是提升养殖生产管理水平、实现精准畜牧生产的重要手段。传统的直接称量方式耗时费力,易造成动物的应激反应。基于机器视觉技术的体质量评估,能够利用视觉检测技术获取体型特征建立其与体质量之间的智能评估模型,是目前畜禽养殖智能化技术研究的热点。首先对体质量的评估方法进行分类阐述;然后,详细分析了机器视觉体尺图像获取的传感器类型、畜禽体尺提取与处理方法及应用现状;重点开展基于机器学习方法的体尺、体征与体质量评估模型相关研究的分析,对比了各类机器学习算法在体质量评估方面的应用效果和最新研究成果,特别探讨和分析了深度学习算法在全自动畜禽体质量评估领域的发展潜力;最后,指出畜禽体质量评估研究面临的问题和未来研究的发展趋势。

1312件单冠预备体数字化模型的关键预备质量指标的分析研究

目的探讨单冠预备体数字化模型的质量现状,为医技间科学交流、提高修复体质量、降低返工率提供基础数据。方法随机抽取某一大型义齿工厂的1312件单冠数字化模型(前牙180件,前磨牙294件,磨牙838件),数字化模型由3名工龄一致的调查员使用同一椅旁口内扫描系统(CEREC)扫描获得的。采用CEREC SW 4.4软件对单冠初始模型的数字化图像处理重建;进一步采用牙体预备评估软件prepCheck 3.1对上述单冠数字模型进行质量数据收集、提取及汇总分析。结果1312件单冠数字化模型倒凹评价不达标率为6.55%,表面光滑度不达标率为0.08%,肩台质量不达标率为81.17%,颊舌向聚合度的不达标率为19.59%,近远中向聚合度的不达标率为22.48%。颊侧分离角的不达标率为23.25%,舌侧分离角的不达标率为28.51%,近中分离角的不达标率为28.43%,远中分离角的不达标率为28.35%。统计分析显示:前牙、前磨牙、磨牙在肩台质量、颊舌向聚合度、近远中向聚合度、颊侧分离角、舌侧分离角、近中分离角、远中分离角的质量分级结果上的差异具有统计学意义(P<0.01)。结论除倒凹和表面光滑度指标达标外,单冠数字化预备体模型的整体质量情况不佳,预备体质量亟待提升。数字化牙体预备评估系统评估结果客观真实,具有极大的发展前景。

减重对多囊卵巢综合征患者宫腔内人工授精成功率的影响

目的研讨减重对多囊卵巢综合征(PCOS)患者宫腔内人工授精效果的影响。方法选择2015年2月~2019年12月在四平市中心人民医院行宫腔内人工授精、体质量指数(BMI)≥24kg/m^2的100例(200个周期)PCOS患者作为研究对象,所选患者按照随机非盲模式分组,实验1组(5%≤减重<20%)33例、实验2组(减重≥20%)26例接受预处理,对照组41例未接受预处理,比较三组的妊娠情况以及激素指标水平。结果实验1、2组各项激素指标值改善较对照组均更明显,比较有统计学意义(P<0.05);且与实验1组相比,实验2组LH、FSH及T指标值降低均更明显,比较有统计学意义(P<0.05)。实验2组临床妊娠率显著高于其他两组,流产率显著低于其他两组,比较均有统计学意义(P<0.05);而实验1组与对照组临床妊娠率、流产率的比较差异较小,无统计学意义(P>0.05)。结论减重比例达到20%以上时能够进一步改善PCOS患者的激素水平,提高宫腔内人工授精的成功率,减少流产的发生。