检索结果-维普期刊中文期刊服务平台

基于改进P2PNet的猪只计数方法: 1; 作者陈韬徐爱俊 +1 位作者周素茵叶俊华《农业工程学报》北大核心 2025年第11期209-218,共10页; 猪只计数是现代养猪业的重要任务,对于评估养殖规模、优化饲养策略和提升经济效益具有关键作用。然而,复杂的猪场环境中,猪群密度高、遮挡多等因素使得计数准确性面临挑战。为此,该研究提出了一种基于人群计数模型P2PNet改进的猪只计数... 展开更多; 关键词猪只计数注意力机制深度学习匈牙利匹配算法 P2PNet; 在线阅读下载PDF 职称材料

基于改进YOLO v5n的猪只盘点算法被引量：17: 2; 作者杨秋妹陈淼彬 +3 位作者黄一桂肖德琴刘又夫周家鑫《农业机械学报》 EI CAS CSCD 北大核心 2023年第1期251-262,共12页; 猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度... 展开更多; 关键词猪只计数目标检测注意力机制多尺度感知; 在线阅读下载PDF 职称材料

基于改进实例分割算法的智能猪只盘点系统设计被引量：22: 3; 作者胡云鸽苍岩乔玉龙《农业工程学报》 EI CAS CSCD 北大核心 2020年第19期177-183,共7页; 基于图像处理的动物资产计数方法,不仅可以减少人工投入,还可以缩短生物资产的计数周期,但该方法受光照条件影响严重,并且当动物间相互挤压、遮挡时,计数精度较差。针对这些问题,该研究提出了一种基于图像实例分割算法的生猪计数网络。... 展开更多; 关键词图像处理算法目标检测实例分割猪只计数深度学习特征金字塔网络; 在线阅读下载PDF 职称材料

基于多尺度融合注意力机制的群猪检测方法被引量：8: 4; 作者林华浦张凯 +3 位作者李浩刘昱菲陈子霖马钦《农业工程学报》 EI CAS CSCD 北大核心 2023年第21期188-195,共8页; 群猪检测是现代化猪场智慧管理的关键环节。针对群猪计数过程中,小目标或被遮挡的猪只个体易漏检的问题,该研究提出了基于多尺度融合注意力机制的群猪检测方法。首先基于YOLOv7模型构建了群猪目标检测网络YOLOpig,该网络设计了融合注意... 展开更多; 关键词图像识别机器视觉注意力机制多目标跟踪 YOLOv7 小目标检测猪只计数; 在线阅读下载PDF 职称材料

题名基于改进P2PNet的猪只计数方法: 1; 作者陈韬徐爱俊周素茵叶俊华; 机构浙江农林大学数学与计算机科学学院浙江农林大学环境与资源学院全省农业智能感知与机器人重点实验室; 出处《农业工程学报》北大核心 2025年第11期209-218,共10页; 基金浙江省“领雁”研发攻关计划项目(2022C02050)。; 文摘猪只计数是现代养猪业的重要任务,对于评估养殖规模、优化饲养策略和提升经济效益具有关键作用。然而,复杂的猪场环境中,猪群密度高、遮挡多等因素使得计数准确性面临挑战。为此,该研究提出了一种基于人群计数模型P2PNet改进的猪只计数模型PIG-P2PNet。首先,通过在P2PNet主干网络中引入高效通道注意力机制,有效捕捉通道间的依赖关系,增强了模型对重叠猪只的识别能力。其次,在P2PNet特征金字塔中集成坐标通道混洗注意力模块,强化了空间位置信息和通道特征的提取与交互能力,提升了模型在不同密度场景下的适应性;此外,设计了一种基于情景感知的匈牙利匹配算法,通过引入加权距离惩罚、不确定性成本和自适应密度惩罚,提高了匹配精度。最后,为应对背景与目标样本不平衡的问题,使用Focal Loss替换交叉熵损失,进一步提升了模型的分类准确性。PIG-P2PNet在自建的包含多种场景、视角和密度级别的猪只点标注数据集上的测试结果表明,其平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和归一化绝对误差(normalized absolute error,NAE)分别为0.873、1.502和0.040,比改进前分别降低了33.9%、22.1%和39.4%。相较于经典计数模型CSRNet、CANNet和CLTR,PIGP2PNet在MAE上分别降低了63.3%、54.5%和26.7%,在RMSE上降低了49.7%、47.1%和13.7%,在NAE上降低了73.5%、56.5%和35.5%。因此,该研究提出的PIG-P2PNet猪只计数模型准确性高、鲁棒性强,为猪只计数提供了一种创新性的技术方案。; 关键词猪只计数注意力机制深度学习匈牙利匹配算法 P2PNet; Keywords pig counting attention mechanism deep learning hungarian matching algorithm P2PNet; 分类号 S24 [农业科学—农业电气化与自动化] S818.9 [农业科学—畜牧学]; 在线阅读下载PDF 职称材料

题名基于改进YOLO v5n的猪只盘点算法被引量：17: 2; 作者杨秋妹陈淼彬黄一桂肖德琴刘又夫周家鑫; 机构华南农业大学数学与信息学院农业农村部华南热带智慧农业技术重点实验室; 出处《农业机械学报》 EI CAS CSCD 北大核心 2023年第1期251-262,共12页; 基金国家重点研发计划项目(2021YFD2000802)。; 文摘猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.257、1.497和1.567。在时间性能上,单幅图像的平均识别时间仅为0.056 s,符合实际猪场生产的实时性要求。; 关键词猪只计数目标检测注意力机制多尺度感知; Keywords pig counting object detection attention mechanism multi-scale perception; 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

题名基于改进实例分割算法的智能猪只盘点系统设计被引量：22: 3; 作者胡云鸽苍岩乔玉龙; 机构哈尔滨工程大学信息与通信工程学院北京小龙潜行科技有限公司; 出处《农业工程学报》 EI CAS CSCD 北大核心 2020年第19期177-183,共7页; 基金国家自然科学基金项目(61871142)。; 文摘基于图像处理的动物资产计数方法,不仅可以减少人工投入,还可以缩短生物资产的计数周期,但该方法受光照条件影响严重,并且当动物间相互挤压、遮挡时,计数精度较差。针对这些问题,该研究提出了一种基于图像实例分割算法的生猪计数网络。针对光照和目标边缘模糊问题,利用拉普拉斯算子进行图像预处理。对Mask R-CNN网络的特征提取网络进行改进,在原始特征金字塔网络(Feature Pyramid Network,FPN)后面增加一条自底向上的增强路径,直接将低层边缘位置特征与高层特征相融合,提高对目标边缘轮廓的识别能力,对非极大值抑制过程和损失函数进行优化和改进,以提高分割精度。在河北丰宁、吉林金源和内蒙古正大3个试验猪场进行测试,验证本文网络的计数精度。采集设备在3个试验猪场共采集2400张图像,经图像预处理去除模糊和光线差的图像,从剩余的图像中随机选取共1250张图像作为原始数据集,其中丰宁猪场500张、金源猪场500张,正大猪场250张。将各猪场的原始数据集分别按2:2:1的比例分为3部分,包括训练集905张,验证集95张,测试集250张,对原始训练集和验证集进行数据增强,最终得到训练集图像1500张,验证集图像150张,测试集图想250张。河北和吉林的试验猪场,每栏猪只数目为12~22头,各测试100张图像,完全准确清点的图像比例分别为98%和99%,满足实际应用要求。内蒙古试验猪场的单栏猪只密度大,每栏猪只数目平均80头,测试50张图像,完全准确清点的图像比例为86%。该研究所提出的猪只盘点系统,通过修改网络增强图像中目标特征信息提取和优化边界框回归过程,减少由于光线差和遮挡导致的目标漏检情况,解决了基于图像分割算法的猪只盘点中光照、模糊以及遮挡等问题,能够满足单栏饲养密度为1.03~1.32头/m^2的养殖场的猪只盘点需求。; 关键词图像处理算法目标检测实例分割猪只计数深度学习特征金字塔网络; Keywords image processing algorithms object detection instance segmentation pig counting deep learning haracteristic pyramid network; 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

题名基于多尺度融合注意力机制的群猪检测方法被引量：8: 4; 作者林华浦张凯李浩刘昱菲陈子霖马钦; 机构中国农业大学信息与电气工程学院; 出处《农业工程学报》 EI CAS CSCD 北大核心 2023年第21期188-195,共8页; 基金科技创新2030-“新一代人工智能”重大项目(2021ZD0113701)。; 文摘群猪检测是现代化猪场智慧管理的关键环节。针对群猪计数过程中,小目标或被遮挡的猪只个体易漏检的问题,该研究提出了基于多尺度融合注意力机制的群猪检测方法。首先基于YOLOv7模型构建了群猪目标检测网络YOLOpig,该网络设计了融合注意力机制的小目标尺度检测网络结构,并基于残差思想优化了最大池化卷积模块,实现了对被遮挡与小目标猪只个体的准确检测;其次结合GradCAM算法进行猪只检测信息的特征可视化,验证群猪检测试验特征提取的有效性。最后使用目标跟踪算法StrongSORT实现猪只个体的准确跟踪,为猪只的检测任务提供身份信息。研究以育肥阶段的长白猪为测试对象,基于不同视角采集的视频数据集进行测试,验证了YOLOpig网络结合StongSORT算法的准确性和实时性。试验结果表明,该研究提出的YOLOpig模型精确率、召回率及平均精度分别为90.4%、85.5%和92.4%,相较于基础YOLOv7模型平均精度提高了5.1个百分点,检测速度提升7.14%,比YOLOv5、YOLOv7tiny和YOLOv8n 3种模型的平均精度分别提高了12.1、16.8和5.7个百分点,该文模型可以实现群猪的有效检测,满足养殖场管理需要。; 关键词图像识别机器视觉注意力机制多目标跟踪 YOLOv7 小目标检测猪只计数; Keywords image recognition machine vision attention mechanism multi-target tracking YOLOv7 small object detection pig counting; 分类号 TP391.4 [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	作者	出处	发文年	被引量	操作
1	基于改进P2PNet的猪只计数方法	陈韬徐爱俊周素茵叶俊华	《农业工程学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于改进YOLO v5n的猪只盘点算法	杨秋妹陈淼彬黄一桂肖德琴刘又夫周家鑫	《农业机械学报》 EI CAS CSCD 北大核心	2023	17	在线阅读下载PDF 职称材料
3	基于改进实例分割算法的智能猪只盘点系统设计	胡云鸽苍岩乔玉龙	《农业工程学报》 EI CAS CSCD 北大核心	2020	22	在线阅读下载PDF 职称材料
4	基于多尺度融合注意力机制的群猪检测方法	林华浦张凯李浩刘昱菲陈子霖马钦	《农业工程学报》 EI CAS CSCD 北大核心	2023	8	在线阅读下载PDF 职称材料