针对传统的群养猪行为观察方法的缺点,提出了1种疑似病猪行为自动监测系统。系统基于ARM平台,利用安装于猪舍排泄区的嵌入式监控设备对群养猪的排泄行为进行24h监控,通过1种改进的运动目标检测算法和基于像素块对称特征的图像识别算法...针对传统的群养猪行为观察方法的缺点,提出了1种疑似病猪行为自动监测系统。系统基于ARM平台,利用安装于猪舍排泄区的嵌入式监控设备对群养猪的排泄行为进行24h监控,通过1种改进的运动目标检测算法和基于像素块对称特征的图像识别算法定位具有异常行为的疑似病猪,并将报警图像通过通用分组无线服务(general packet radio service)网络传送至监控中心。对一栏10头大约克夏猪的试验结果表明,病猪检测正确率为78.38%,基本达到了预期的目标。因此,该文设计的方法对我国的养殖业实施自动化监测具有一定的借鉴意义。展开更多
在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先...在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。展开更多
文摘针对传统的群养猪行为观察方法的缺点,提出了1种疑似病猪行为自动监测系统。系统基于ARM平台,利用安装于猪舍排泄区的嵌入式监控设备对群养猪的排泄行为进行24h监控,通过1种改进的运动目标检测算法和基于像素块对称特征的图像识别算法定位具有异常行为的疑似病猪,并将报警图像通过通用分组无线服务(general packet radio service)网络传送至监控中心。对一栏10头大约克夏猪的试验结果表明,病猪检测正确率为78.38%,基本达到了预期的目标。因此,该文设计的方法对我国的养殖业实施自动化监测具有一定的借鉴意义。
文摘在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。
