期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于CBCW-YOLO v8的猪只行为识别方法研究
被引量：
1
1
作者
仝志民
徐天哲
+3 位作者
石传淼
李盛章
谢秋菊
荣丽红
《农业机械学报》
北大核心
2025年第2期411-419,共9页
随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标...
随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标的语义信息提取能力。其次,在特征融合网络中添加加权双向特征金字塔网络(BiFPN),强化模型特征融合能力。此外,结合上采样算子CARAFE,进一步提升模型在行为识别过程中特征提取能力。最后,使用WIoUv3作为损失函数,优化模型检测精度。经实验验证,改进后模型准确率、召回率、平均精度均值和F1值分别达到89.6%、88.0%、91.9%和88.8%,与TOOD、YOLO v7和YOLO v8模型相比,平均精度均值分别提高10.9、6.3、3.7个百分点,显著提高猪只行为识别精度。消融实验表明,各项改进均对模型的识别性能有提升效果,ConvNeXt V2主干特征提取网络对模型的提升效果最明显。综上所述,CBCW-YOLO v8模型在猪只行为识别任务中展现出优良的综合性能,为猪只健康管理和疾病预警提供有力的技术支持。
展开更多
关键词
猪只行为识别
YOLO
v8
特征提取网络
CARAFE
WIoUv3
目标检测
在线阅读
下载PDF
职称材料
轻量级多场景群养猪只行为识别模型研究
被引量：
4
2
作者
漆海霞
冯发生
+3 位作者
尹选春
杨泽康
周子森
梁广升
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第10期306-317,共12页
针对现有猪只行为识别模型体积大、识别场景单一、部署应用硬件要求高等问题,本文提出轻量级多场景群养猪只行为识别模型YOLO v5n-PBR(YOLO v5n for pig behavior recognition)。首先通过拍摄和收集不同养殖场景、不同猪只数量及不同角...
针对现有猪只行为识别模型体积大、识别场景单一、部署应用硬件要求高等问题,本文提出轻量级多场景群养猪只行为识别模型YOLO v5n-PBR(YOLO v5n for pig behavior recognition)。首先通过拍摄和收集不同养殖场景、不同猪只数量及不同角度的群养猪只行为数据构建多场景群养猪只行为数据集,并根据该数据集中猪只行为目标的特点引入迁移学习方法和OTA(Optimal transport assignment)标签分配方法对YOLO v5n模型进行训练,加快模型收敛速度并提升模型精度,构建高精度多场景群养猪只行为识别模型;然后利用L1-norm剪枝算法筛选并删减模型中不重要的通道,去除冗余参数;最后通过微调训练和中间特征知识蒸馏去除剪枝带来的性能劣化,从而得到轻量级多场景群养猪只行为识别模型YOLO v5n-PBR并进行嵌入式设备部署。实验结果表明,YOLO v5n-PBR模型平均精度均值(mean average precision,mAP)为96.9%,参数量、计算量和内存占用量分别为4.700×10^(5)、1.20×10^(9)和1.2 MB,在两种不同系统和不同硬件配置的嵌入式设备上的部署实时识别帧率分别为12.2帧/s和66.3帧/s,与原始模型YOLO v5n相比,mAP提高1.1个百分点,参数量、计算量和内存占用量分别减少73.3%、70.7%和68.4%,部署实时识别帧率分别提高74.3%和83.1%。此外,基于多场景群养猪只行为数据集训练得到的YOLO v5n-PBR模型在4个单场景或双场景的群养猪只行为数据集上的mAP均能达到98.1%,对2种不同养殖场景的6段猪只行为视频的嵌入式设备部署识别统计结果与人工统计结果相近,平均精确率和平均召回率均为95.3%,以较少的参数达到较强的泛化性。本文提出的YOLO v5n-PBR模型具有精度高、体积小、速度快、泛化性强等优点,可满足嵌入式设备部署要求,为猪只行为的实时、准确监测及猪只行为识别模型的部署应用提供技术基础。
展开更多
关键词
猪只行为识别
模型轻量化
通道剪枝
知识蒸馏
YOLO
v5n
嵌入式设备
在线阅读
下载PDF
职称材料
题名
基于CBCW-YOLO v8的猪只行为识别方法研究
被引量：
1
1
作者
仝志民
徐天哲
石传淼
李盛章
谢秋菊
荣丽红
机构
青岛农业大学机电工程学院
东北农业大学电气与信息学院
出处
《农业机械学报》
北大核心
2025年第2期411-419,共9页
基金
青岛农业大学博士启动基金项目(1121005)
农业农村部华南热带智慧农业技术重点实验室开放课题(HNZHNY-KFKT-202206)
+1 种基金
山东省科技型中小企业创新能力提升工程项目(2023TSGC0741)
国家自然科学基金面上项目(32372934)。
文摘
随着现代生猪养殖业快速发展,对猪只行为精准识别需求日益增长。针对猪只行为多样性、特征相似性、相互遮挡和堆积等问题,提出一种基于改进YOLO v8模型的猪只行为识别方法。首先,引入ConvNeXt V2作为主干特征提取网络,以增强对检测目标的语义信息提取能力。其次,在特征融合网络中添加加权双向特征金字塔网络(BiFPN),强化模型特征融合能力。此外,结合上采样算子CARAFE,进一步提升模型在行为识别过程中特征提取能力。最后,使用WIoUv3作为损失函数,优化模型检测精度。经实验验证,改进后模型准确率、召回率、平均精度均值和F1值分别达到89.6%、88.0%、91.9%和88.8%,与TOOD、YOLO v7和YOLO v8模型相比,平均精度均值分别提高10.9、6.3、3.7个百分点,显著提高猪只行为识别精度。消融实验表明,各项改进均对模型的识别性能有提升效果,ConvNeXt V2主干特征提取网络对模型的提升效果最明显。综上所述,CBCW-YOLO v8模型在猪只行为识别任务中展现出优良的综合性能,为猪只健康管理和疾病预警提供有力的技术支持。
关键词
猪只行为识别
YOLO
v8
特征提取网络
CARAFE
WIoUv3
目标检测
Keywords
pig behavior recognition
YOLO v8
feature extraction network
CARAFE
WloUv3
target detection
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
轻量级多场景群养猪只行为识别模型研究
被引量：
4
2
作者
漆海霞
冯发生
尹选春
杨泽康
周子森
梁广升
机构
华南农业大学工程学院
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2024年第10期306-317,共12页
基金
广州市农村科技特派员项目(20212100026)
特定高校学科建设项目(2023B10564002)。
文摘
针对现有猪只行为识别模型体积大、识别场景单一、部署应用硬件要求高等问题,本文提出轻量级多场景群养猪只行为识别模型YOLO v5n-PBR(YOLO v5n for pig behavior recognition)。首先通过拍摄和收集不同养殖场景、不同猪只数量及不同角度的群养猪只行为数据构建多场景群养猪只行为数据集,并根据该数据集中猪只行为目标的特点引入迁移学习方法和OTA(Optimal transport assignment)标签分配方法对YOLO v5n模型进行训练,加快模型收敛速度并提升模型精度,构建高精度多场景群养猪只行为识别模型;然后利用L1-norm剪枝算法筛选并删减模型中不重要的通道,去除冗余参数;最后通过微调训练和中间特征知识蒸馏去除剪枝带来的性能劣化,从而得到轻量级多场景群养猪只行为识别模型YOLO v5n-PBR并进行嵌入式设备部署。实验结果表明,YOLO v5n-PBR模型平均精度均值(mean average precision,mAP)为96.9%,参数量、计算量和内存占用量分别为4.700×10^(5)、1.20×10^(9)和1.2 MB,在两种不同系统和不同硬件配置的嵌入式设备上的部署实时识别帧率分别为12.2帧/s和66.3帧/s,与原始模型YOLO v5n相比,mAP提高1.1个百分点,参数量、计算量和内存占用量分别减少73.3%、70.7%和68.4%,部署实时识别帧率分别提高74.3%和83.1%。此外,基于多场景群养猪只行为数据集训练得到的YOLO v5n-PBR模型在4个单场景或双场景的群养猪只行为数据集上的mAP均能达到98.1%,对2种不同养殖场景的6段猪只行为视频的嵌入式设备部署识别统计结果与人工统计结果相近,平均精确率和平均召回率均为95.3%,以较少的参数达到较强的泛化性。本文提出的YOLO v5n-PBR模型具有精度高、体积小、速度快、泛化性强等优点,可满足嵌入式设备部署要求,为猪只行为的实时、准确监测及猪只行为识别模型的部署应用提供技术基础。
关键词
猪只行为识别
模型轻量化
通道剪枝
知识蒸馏
YOLO
v5n
嵌入式设备
Keywords
pig behavior recognition
model lightweight
channel pruning
knowledge distillation
YOLO v5n
embedded device
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
S828 [农业科学—畜牧学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于CBCW-YOLO v8的猪只行为识别方法研究
仝志民
徐天哲
石传淼
李盛章
谢秋菊
荣丽红
《农业机械学报》
北大核心
2025
1
在线阅读
下载PDF
职称材料
2
轻量级多场景群养猪只行为识别模型研究
漆海霞
冯发生
尹选春
杨泽康
周子森
梁广升
《农业机械学报》
EI
CAS
CSCD
北大核心
2024
4
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
