马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior m...马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。展开更多
于2010年5月、7月、8月和10月对桑沟湾筏式养鲍区的沉积环境进行现场调查,采用挪威海洋研究所建立的鱼类养殖环境监测系统模型(Modelling-Ongrowing fish farms-Monitoring,MOM system),应用MOM-B着重对鲍养殖区的沉积环境状况进行监测...于2010年5月、7月、8月和10月对桑沟湾筏式养鲍区的沉积环境进行现场调查,采用挪威海洋研究所建立的鱼类养殖环境监测系统模型(Modelling-Ongrowing fish farms-Monitoring,MOM system),应用MOM-B着重对鲍养殖区的沉积环境状况进行监测和评价,由生物、化学和感官指标组组成。生物指标组的结果显示,各站位都有大型底栖动物,鲍养殖区处于1,2或者3等级。根据化学指标组(pH值和氧化还原电位Eh)和感官指标组(颜色、气味、气泡、粘稠度等)的监测结果进行了进一步的评价,结果显示,各站位的pH>7.0,为弱碱性,沉积物都无气泡产生,无臭味或硫化氢气味。鲍养殖区的沉积环境状况整体良好,5月和7月为1级,8月和10月为2级。虽然鲍养殖区目前的沉积环境状况较好,但需要注意的是8月和10月Eh<0,沉积环境已经处于还原状态,可能与鲍养殖压力有关。展开更多
文摘马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。
文摘于2010年5月、7月、8月和10月对桑沟湾筏式养鲍区的沉积环境进行现场调查,采用挪威海洋研究所建立的鱼类养殖环境监测系统模型(Modelling-Ongrowing fish farms-Monitoring,MOM system),应用MOM-B着重对鲍养殖区的沉积环境状况进行监测和评价,由生物、化学和感官指标组组成。生物指标组的结果显示,各站位都有大型底栖动物,鲍养殖区处于1,2或者3等级。根据化学指标组(pH值和氧化还原电位Eh)和感官指标组(颜色、气味、气泡、粘稠度等)的监测结果进行了进一步的评价,结果显示,各站位的pH>7.0,为弱碱性,沉积物都无气泡产生,无臭味或硫化氢气味。鲍养殖区的沉积环境状况整体良好,5月和7月为1级,8月和10月为2级。虽然鲍养殖区目前的沉积环境状况较好,但需要注意的是8月和10月Eh<0,沉积环境已经处于还原状态,可能与鲍养殖压力有关。
