|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于姿态与时序特征的猪只行为识别方法显示文摘生猪行为监测是生猪养殖管理过程中的一个重要环节。该研究提出了基于姿态与时序特征的猪只行为识别方法。首先采集和标注猪栏内猪只图像,分别构建了猪只目标检测数据集、猪只关键点数据集和猪只行为识别数据集;利用构建的数据集,分别训练了基于YOLOv5s的猪只检测模型、基于轻量化OpenPose算法的猪只姿态估计模型和基于ST-GCN算法的猪只行为识别模型,并搭建了猪只行为识别系统。经测试,文中训练的YOLOv5s猪只检测模型mAP(mean Average Precision)最高达到0.995,姿态估计模型平均精度和平均召回率达到93%以上,基于ST-GCN的猪只行为识别模型的平均准确率为86.67%。文中构建的猪只行为识别系统中基于LibTorch推理猪只检测模型和猪只姿态估计模型的单帧推理耗时分别约为14和65 ms,单只猪行为识别推理耗时约为8 ms,每提取200帧连续姿态进行一次行为识别推理,平均17 s更新一次行为识别结果。证明提出的基于姿态与时序特征的猪只行为识别方法具有一定可行性,为群养猪场景下的猪只行为识别提供了思路。 | 董力中 孟祥宝 潘明 朱熠 梁宇斌 高翔 刘红刚 | 2022 | 农业工程学报2022，38，5： | 12 |
| 2 | 改进帧间差分-深度学习识别群养猪只典型行为显示文摘群养猪行为是评估猪群对环境适应性的重要指标。猪场环境中,猪只行为识别易受不同光线和猪只粘连等因素影响,为提高群养猪只行为识别精度与效率,该研究提出一种基于改进帧间差分-深度学习的群养猪只饮食、躺卧、站立和打斗等典型行为识别方法。该研究以18只50~115日龄长白猪为研究对象,采集视频帧1117张,经图像增强共得到4468张图像作为数据集。首先,选取Faster R-CNN、SSD、Retinanet、Detection Transformer和YOLOv5五种典型深度学习模型进行姿态检测研究,通过对比分析,确定了最优姿态检测模型;然后,对传统帧间差分法进行了改进,改进后帧间差分法能有效提取猪只完整的活动像素特征,使检测结果接近实际运动猪只目标;最后,引入打斗活动比例(Proportion of Fighting Activities,PFA)和打斗行为比例(Proportion of Fighting Behavior,PFB)2个指标优化猪只打斗行为识别模型,并对模型进行评价,确定最优行为模型。经测试,YOLOv5对群养猪只典型姿态检测平均精度均值达93.80%,模型大小为14.40MB,检测速度为32.00帧/s,检测速度满足姿态实时检测需求,与FasterR-CNN、SSD、Retinanet和DetectionTransformer模型相比,YOLOv5平均精度均值分别提高了1.10、3.23、4.15和21.20个百分点,模型大小分别减小了87.31%、85.09%、90.15%和97.10%。同时,当两个优化指标PFA和PFB分别设置为10%和40%时,猪只典型行为识别结果最佳,识别准确率均值为94.45%。结果表明,该方法具有准确率高、模型小和识别速度快等优点。该研究为群养猪只典型行为精准高效识别提供方法参考。 | 曾繁国 朱君 王海峰 贾楠 赵宇亮 赵文文 李斌 | 2022 | 农业工程学报2022，38，15： | 3 |
| 3 | 基于视频分析技术的轨道交通车站安全预警模型构建及仿真显示文摘针对目前轨道交通车站视频采集过程中无法提取群体和识别群体相互阻塞行人的交互信息问题,提出一种基于视频分析技术的异常行为识别方法,构建了实时监测异常行为的安全预警模型。首先,根据模型的整体架构,设计了目标检测、目标跟踪、目标特征提取、目标异常行为识别四个功能模块。然后应用GMM算法获取了群体目标的运动区域,完成了目标的检测;应用时空立方体的ST分割算法改进了KLT算法,完成了对目标跟踪和特征提取;应用基于CNN结合STFD实例,完成了对目标异常行为的识别。最后,通过在Lawn、Indoor、两个真实的场景中进行了系统仿真实验,验证了该模型的可行性。 | 屈晓宜 | 2021 | 自动化与仪器仪表2021，，3： | 3 |
| 4 | AutoCAD的动画制作显示文摘本文介绍了用VB5和AutoCAD R14的ActiveX Automation技术实现AutoCAD的动画制作和全屏幕显示的方法,并用实例说明了编程步骤。 | 陈华光 | 2000 | 电脑编程技巧与维护2000，，4： | 1 |
| 5 | 基于偏正态混合模型的齿轮故障分类显示文摘工业现场的振动信号往往混杂有较大的噪音,且表征故障状态的数据量偏少,导致设备状态特征提取困难,识别效果差。统计学习从概率密度角度建立状态数据的模型,对数据量的要求相对较小,对于噪音具有较好的鲁棒性,但对概率密度函数的合理性与准确性要求较高。首先,分析了偏正态混合模型对于真实偏斜数据的优良拟合性能,并将其拓展到分类应用中,并提出了偏正态混合模型与去趋势波动分析相结合的齿轮故障分类方法,该方法利用了齿轮振动信号的双标度特性和偏正态混合模型描述具有非对称结构的概率密度分布的能力,因此具有更好的柔性。齿轮故障实测实验得到混淆矩阵的四种分类指标,与基于高斯混合模型和概率神经网络分类算法相比,具有更好的分类效果,这表明了所提出的方法的有效性。 | 毛锦进 肖涵 易灿灿 鲁志文 | 2023 | 组合机床与自动化加工技术2023，，3： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员