基于VDNet卷积神经网络的羊群计数

为了避免传统羊群计数任务中,羊只之间相互遮挡带来的干扰,提高羊群计数的准确度,采用了视觉几何群(VGG-16)与空洞卷积(DC)相结合的VDNet神经网络羊群计数方法。该方法在网络前端采用去除了全连接层的VGG-16网络提取2-D特征,后端采用6层具有不同空洞率的DC提取更多的高级特征;DC在保持分辨率不变的同时扩大了感受野,替代池化操作,降低了网络的复杂性;最后用一层卷积核大小为1×1的卷积层输出高质量的密度图,通过对密度图像素积分得出输入图片中羊的数量,并进行了理论分析和实验验证。结果表明,VDNet的平均绝对误差为2.51,均方误差为3.74,平均准确率为93%。这一结果对羊群计数任务是有帮助的。

基于M_SFANet算法的羊群密集计数系统设计

为了更好地开展过度放牧监测和草原生态评估工作,文中针对当前羊群计数系统存在的弊端,设计一种羊群密集型计数应用系统。该系统包括羊群密集计数算法和应用系统设计两部分。羊群密集计数算法部分借鉴人群密集计数模型M_SFANet,在自建羊群密集计数数据集USC(UAV Sheep Counting)上进行计数,通过合理处理整个输入图像中目标对象的尺度变化,得到质量较好的预测密度图;再对预测密度图进行积分得到羊只数量。结果表明,M_SFANet模型得到的密度图平均绝对误差(MAE)、均方误差(MSE)和计数平均相对误差(MRE)分别为3.61%,5.44%和1.87%,计数精度较高。此外,基于M_SFANet计数模型,在Ubuntu系统上建立一个Web服务器,首先采用Bootstrap、HTML5将前端数据进行可视化;然后使用Flask框架进行后台开发服务,同时融合MySQL数据库技术完成密集计数应用系统的设计,从而实现数据传输到应用的完整功能,使得用户可在客户终端浏览计数系统网页,并通过此网页进行计数及查询历史记录。相对于其他羊群计数方法,文中所设计系统具有较高的计数精度,且方便快捷、节约成本,发展前景更加广阔。

基于M-SegNet算法的羊群密集计数应用研究

羊群计数是监测草原过度放牧和大规模牲畜保险理赔的重要环节,传统的人工计数方法费时费力。本文针对利用深度学习的方法对羊群进行密集计数的问题,使用基于卷积神经网络的M-SegNet(Modified SegNet)模型对密集羊群的图像进行计数,通过与M-SFANet(Modified SFANet)模型进行对比实验,结果表明,M-SegNet在羊群密集计数中取得了更好的计数效果,其密度图平均绝对误差(MAE)为6.84,均方误差(MSE)为9.48,计数平均相对误差(MRE)为3.65%,满足监测过度放牧和牲畜保险理赔的要求。为了提升牧场羊群密集计数的管理能力,构建了基于Django框架的羊群密集计数应用系统,系统采用Python语言和轻量级数据库SQLite实现了用户注册与登录、用户管理、计数查询和操作历史查询等功能。

基于头部图像特征的草原羊自动计数方法

为解决当前国内牧场羊群数量由人工统计完成导致的人工成本高、统计效率低的问题,实验采用YOLOv3目标检测算法与Deep SORT跟踪算法相结合,基于双线计数法实现草原羊的自动计数。结果表明:针对标定的羊群头部数据集,在原始YOLOv3检测算法的基础上,采用K-means聚类方法进行聚类分析,改进YOLOv3检测算法的初始候选框,在测试集上检测准确度为90.12%,较原始YOLOv3提高8.57%;利用YOLOv3+Deep SORT的跟踪方法对草原羊头部目标进行跟踪,与Deep SORT跟踪算法的结果进行对比,跟踪成功率提高11.77%,中心点误差降低1.43%。实验在内蒙古苏尼特左旗合作牧场对草原羊进行计数并与真实值比较,计数精度较高,满足实验要求。说明基于头部图像特征的草原羊自动计数方法可以作为一种解决方案进行推广应用。

基于无人机图像的羊群密集计数算法研究

羊群羊只计数是畜牧生产过程中较为耗时费力的环节,在草原畜牧业中,统计羊只数量有助于过度放牧监测和草原生态评估。采用无人机(UAV)获取航拍图像,制作了羊群密集计数(USC)数据集,为羊群密集计数研究提供数据支持。在USC数据集上,对MCNN、CSRNet、SFANet、Bayesian Loss网络模型进行了实验。实验结果表明:由于遮挡,羊群的不规则分布,羊群大小、形状、密度等方面的巨大变化,MCNN、CSRNet、SFANet模型将假设的高斯核应用于点标注计算真值密度图,很难达到高质量;而Bayesian Loss模型提出的Bayesian损失函数对每只羊标注点的计数期望进行监督,取得了较好的计数效果,密度图平均绝对误差(MAE)为3.56,均方误差(MSE)为5.46,平均相对误差(MRE)为1.86%,可为草原羊群密集计数提供有益参考。