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
1
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
基于非模态实例分割的仔猪受压事件检测
1
作者
薛月菊
孙奥深
+5 位作者
杨玉清
江天
罗霞
ANNALISA SCOLLO
TOMAS NORTON
甘海明
《农业工程学报》
北大核心
2025年第12期219-229,共11页
哺乳期母猪挤压仔猪是造成仔猪断奶前死亡的主要原因之一。母猪对仔猪的遮挡给基于计算机视觉的挤压事件检测带来较大挑战。针对这一问题,该研究提出了基于非模态实例分割(amodal instance segmentation,AIS)的仔猪受压事件检测方法。首...
哺乳期母猪挤压仔猪是造成仔猪断奶前死亡的主要原因之一。母猪对仔猪的遮挡给基于计算机视觉的挤压事件检测带来较大挑战。针对这一问题,该研究提出了基于非模态实例分割(amodal instance segmentation,AIS)的仔猪受压事件检测方法。首先,提出BCNet-FF(bilayer convolutional network-focused fusion)模型,实现高精度的母猪姿态检测和抗遮挡的猪非模态实例分割。该模型将提出的FLA-DSC(focused linear attention-depthwise separable convolution)注意力模块引入骨干网络,同时在特征金字塔网络中加入FreqFusion特征融合模块,以提高被遮挡仔猪的分割精度;其次,识别处于侧卧姿态的母猪背部区域,构造回归方程以估计母猪与地面实际接触的轮廓线,从而确定母猪挤压仔猪的危险区域。然后,使用基于相邻帧目标掩膜IoU(intersection over union)的多目标跟踪方法对危险区域内的仔猪进行跟踪。最后,计算仔猪与危险区域的重叠率,判断是否发生仔猪受压事件。实例分割试验结果表明,BCNet-FF的mAP@50为98.5%,其中仔猪分割的AP@50为97.4%。相较于BCNet(bilayer convolutional network),BCNet-FF的mAP@50和AP@50分别提高了2.2和3.1个百分点。90段测试视频的试验结果表明,仔猪多目标跟踪方法的平均IDF1得分(identification F1 score)、多目标跟踪准确率(multiple object tracking accuracy,MOTA)分别为94.5%和93.8%。该研究方法检测仔猪受压事件的正确率为91.1%,灵敏度为90.6%,特异度为91.9%,模型整体推理速度为8.9帧/s,能够准确检测母猪侧卧挤压仔猪事件,为及时发现受压仔猪提供技术参考。
展开更多
关键词
仔猪受压
非模态实例分割
事件推理
计算机视觉
注意力机制
特征融合
在线阅读
下载PDF
职称材料
题名
基于非模态实例分割的仔猪受压事件检测
1
作者
薛月菊
孙奥深
杨玉清
江天
罗霞
ANNALISA SCOLLO
TOMAS NORTON
甘海明
机构
华南农业大学电子工程学院(人工智能学院)
华南农业大学数学与信息学院
都灵大学兽医科学系
荷语区鲁汶大学生物科学工程学院
出处
《农业工程学报》
北大核心
2025年第12期219-229,共11页
基金
国家自然科学基金青年项目(32302801)
广东省自然科学基金面上项目(2025A1515010333)。
文摘
哺乳期母猪挤压仔猪是造成仔猪断奶前死亡的主要原因之一。母猪对仔猪的遮挡给基于计算机视觉的挤压事件检测带来较大挑战。针对这一问题,该研究提出了基于非模态实例分割(amodal instance segmentation,AIS)的仔猪受压事件检测方法。首先,提出BCNet-FF(bilayer convolutional network-focused fusion)模型,实现高精度的母猪姿态检测和抗遮挡的猪非模态实例分割。该模型将提出的FLA-DSC(focused linear attention-depthwise separable convolution)注意力模块引入骨干网络,同时在特征金字塔网络中加入FreqFusion特征融合模块,以提高被遮挡仔猪的分割精度;其次,识别处于侧卧姿态的母猪背部区域,构造回归方程以估计母猪与地面实际接触的轮廓线,从而确定母猪挤压仔猪的危险区域。然后,使用基于相邻帧目标掩膜IoU(intersection over union)的多目标跟踪方法对危险区域内的仔猪进行跟踪。最后,计算仔猪与危险区域的重叠率,判断是否发生仔猪受压事件。实例分割试验结果表明,BCNet-FF的mAP@50为98.5%,其中仔猪分割的AP@50为97.4%。相较于BCNet(bilayer convolutional network),BCNet-FF的mAP@50和AP@50分别提高了2.2和3.1个百分点。90段测试视频的试验结果表明,仔猪多目标跟踪方法的平均IDF1得分(identification F1 score)、多目标跟踪准确率(multiple object tracking accuracy,MOTA)分别为94.5%和93.8%。该研究方法检测仔猪受压事件的正确率为91.1%,灵敏度为90.6%,特异度为91.9%,模型整体推理速度为8.9帧/s,能够准确检测母猪侧卧挤压仔猪事件,为及时发现受压仔猪提供技术参考。
关键词
仔猪受压
非模态实例分割
事件推理
计算机视觉
注意力机制
特征融合
Keywords
piglet crushing
amodal instance segmentation
event reasoning
computer vision
attention mechanism
feature fusion
分类号
TP391 [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
基于非模态实例分割的仔猪受压事件检测
薛月菊
孙奥深
杨玉清
江天
罗霞
ANNALISA SCOLLO
TOMAS NORTON
甘海明
《农业工程学报》
北大核心
2025
0
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
