食品行业工业互联网标识解析应用研究

工业互联网通过将生产加工、物流运输、仓储、销售等各个环节的信息及设备紧密融合,从而实现对产业链数字转型赋能以及打破打通数据壁垒。在食品行业,工业互联网标识体系建设已经成为行业数字化的一项基础工作,标识体系建设包括标识编码、标识解析、数字化服务、创新应用等。基于工业互联网标识解析体系的创新应用广泛应用在食品行业整个产业链的各个环节之中,在产业链数字转型升级建设工作中发挥了不可替代的作用。本文从工业互联网标识的概念、相关解析技术介绍和基于工业互联网标识解析多种创新应用模式等方面来研究工业互联网标识解析创新应用的发展趋势。

基于SNSS-YOLO v7的肉牛行为识别方法

肉牛活动过程中所表现出的行为是肉牛健康状况的综合体现,实现肉牛行为的快速准确识别,对肉牛疾病防控、自身发育评估和发情监测等具有重要作用。基于机器视觉的行为识别技术因其无损、快速的特点,已应用在畜禽养殖行为识别中,但现有的基于机器视觉的肉牛行为识别方法通常针对单只牛或单独某个行为开展研究,且存在计算量大等问题。针对上述问题,本文提出了一种基于SNSS-YOLO v7(Slim-Neck&Separated and enhancement attention module&Simplified spatial pyramid pooling-fast-YOLO v7)的肉牛行为识别方法。首先在复杂环境下采集肉牛的爬跨、躺卧、探究、站立、运动、舔砥和互斗7种常见行为图像,构建肉牛行为数据集;其次在YOLO v7颈部采用Slim-Neck结构,以减小模型计算量与参数量;然后在头部引入分离和增强注意力模块(Separated and enhancement attention module,SEAM)增强Neck层输出后的检测效果;最后使用SimSPPF(Simplified spatial pyramid pooling-fast)模块替换原YOLO v7的SPPCSPC(Spatial pyramid pooling cross stage partial conv)模块,在增大感受野的同时进一步减少参数量。在自建数据集上测试,本文提出的肉牛行为识别方法的平均精度均值(mAP_(@0.5))为95.2%,模型内存占用量为39 MB,参数量为1.926×10^(7)。与YOLO v7、YOLO v6m、YOLO v5m、YOLOX-S、TPH-YOLO v5、Faster R-CNN相比,模型内存占用量分别减小47.9%、45.4%、7.6%、43.1%、57.8%和92.5%,平均精度均值(mAP_(@0.5))分别提高1.4、2.2、3.1、13.7、1.9、4.5个百分点,试验结果表明,本文方法能够实现肉牛行为的准确识别,可以部署在计算资源有限的设备上,为实现畜禽养殖智能化提供支持。