基于视频的生猪行为跟踪和识别对于实现精细化养殖具有重要价值。为了应对群养生猪多目标跟踪任务中由猪只外观相似、遮挡交互等因素带来的挑战,研究提出了基于PigsTrack跟踪器的群养生猪多目标跟踪方法。PigsTrack跟踪器利用高性能YOLO...基于视频的生猪行为跟踪和识别对于实现精细化养殖具有重要价值。为了应对群养生猪多目标跟踪任务中由猪只外观相似、遮挡交互等因素带来的挑战,研究提出了基于PigsTrack跟踪器的群养生猪多目标跟踪方法。PigsTrack跟踪器利用高性能YOLOX网络降低目标误检与漏检率,采用Transformer模型获取具有良好区分特性的目标外观特征;基于OC-SORT(observation-centric sort)的思想,通过集成特征匹配、IoU匹配和遮挡恢复匹配策略实现群养生猪的准确跟踪。基于PBVD(pigs behaviours video dataset)数据集的试验结果表明,PigsTrack跟踪器的HOTA(higher order tracking accuracy),MOTA(multiple object tracking accuracy)和IDF1得分(identification F1 score)分别为85.66%、98.59%和99.57%,相较于现有算法的最高精度,分别提高了3.71、0.03和2.05个百分点,证明了PigsTrack跟踪器在解决外观相似和遮挡交互引起的跟踪过程中身份跳变问题方面的有效性。随后,利用Slowfast网络对PigsTrack跟踪器的跟踪结果进行了典型行为统计,结果显示PigsTrack在群养生猪个体行为统计方面更准确。此外,通过在ABVD(aggressive-behavior video)数据集上的试验,PigsTrack跟踪器的HOTA、MOTA和IDF1得分分别为69.14%、94.82%和90.11%,相对于现有算法的最高精度,提高了5.33、0.57和8.60个百分点,验证了PigsTrack跟踪器在群养生猪跟踪任务中的有效性。总而言之,PigsTrack跟踪器能够有效应对外观相似和遮挡交互等挑战,实现了准确的生猪多目标跟踪,并在行为统计方面展现出更高的准确性,为生猪养殖领域的研究和实际应用提供了有价值的指导。展开更多
为解决混合光伏-温差(photovoltaic thermoelectric generator,PV-TEG)系统的最大功率点跟踪(maximum power point tracking,MPPT)问题以提高能源转换效率和利用率,提出了一种基于指数分布优化器(exponential distribution optimizer,E...为解决混合光伏-温差(photovoltaic thermoelectric generator,PV-TEG)系统的最大功率点跟踪(maximum power point tracking,MPPT)问题以提高能源转换效率和利用率,提出了一种基于指数分布优化器(exponential distribution optimizer,EDO)的混合PV-TEG系统MPPT技术。EDO通过模拟指数分布的随机变化来搜索潜在的解空间,由于随机性,算法可有效避免在局部遮蔽条件(partial shading condition,PSC)下陷入局部最优,并在搜索空间中广泛探索以找到最优解。算例研究包括启动测试、太阳辐照度阶跃变化、随机变化、香港地区四季实际算例4个部分,并与其他5种算法进行对比分析,以较为全面地验证所提EDO技术在混合系统MPPT应用中的可行性和有效性。仿真结果表明,采用EDO的混合PV-TEG系统在不同运行条件下均能稳定、高效地实现最优越的MPPT性能,尤其是在春季低辐照度的条件下,EDO产生的能量分别超过蜻蜓算法(dragonfly algorithm,DA)、增量电导法(incremental conductance method,INC)、扰动观测法(perturbation observation method,P&O)能量输出的68.85%、66.13%和59.69%。展开更多
目标跟踪作为图像处理领域的重要组成部分,广泛应用于智能视频监控、军事侦察等领域。但在面对物体形变以及遮挡等复杂应用场景时,相关滤波算法由于缺乏目标和背景判别区分以及遮挡状态判断等策略,存在跟错目标、缓慢漂移到背景等现象,...目标跟踪作为图像处理领域的重要组成部分,广泛应用于智能视频监控、军事侦察等领域。但在面对物体形变以及遮挡等复杂应用场景时,相关滤波算法由于缺乏目标和背景判别区分以及遮挡状态判断等策略,存在跟错目标、缓慢漂移到背景等现象,在遮挡后目标重新出现时,缺乏重检测机制,这些问题导致了跟踪性能在实际工程中大幅下降。针对以上问题进行改进设计,首先在跟踪过程中,使用网络优化器更新多层深度特征提取网络,优化损失函数提高目标与背景的判别能力;其次,采用多重检测抗遮挡优化机制,确定跟踪器状态更新机制;最后,基于深度学习进行检测跟踪识别一体化设计,实现跟踪前典型目标的自动捕获,目标受遮挡后重新出现时实现对典型目标的重新捕获定位。在实验分析中,分别从跟踪精度、可视化定量损失以及算法速度等方面进行了性能验证。实测数据显示,本文采用的方法在以上方面性能表现良好,优于改进前的ECO(efficientconvolution operators for tracking)算法。展开更多
针对X-Y平台中模型误差和扰动未知等问题,本文以夹胶玻璃自动切膜为应用背景,设计自动切膜恒力控制系统,并对系统中的交互力进行分析与建模。提出了一种改进线性自抗扰(linear active disturbance rejection controller,LADRC)力控制器...针对X-Y平台中模型误差和扰动未知等问题,本文以夹胶玻璃自动切膜为应用背景,设计自动切膜恒力控制系统,并对系统中的交互力进行分析与建模。提出了一种改进线性自抗扰(linear active disturbance rejection controller,LADRC)力控制器,将滑模控制嵌入到基于预报的线性跟踪微分器(tracking differentiator,TD)中,平衡滤波与相位滞后间的矛盾,利用分数阶比例微分(fractional order proportion differentiation,FOPD)快速响应跟踪力误差,并通过Lyapunov函数对改进线性跟踪微分器进行稳定性证明。通过与线性自抗扰进行比较,对所设计的控制器进行了仿真分析与实验验证。实验结果表明,当玻璃位置等参数发生变化时,基于改进跟踪微分器的线性自抗扰控制系统仍能较好地实现对切刀的交互力控制,有效保证切膜效果,证明了提出方法的有效性与实用性。展开更多
文摘基于视频的生猪行为跟踪和识别对于实现精细化养殖具有重要价值。为了应对群养生猪多目标跟踪任务中由猪只外观相似、遮挡交互等因素带来的挑战,研究提出了基于PigsTrack跟踪器的群养生猪多目标跟踪方法。PigsTrack跟踪器利用高性能YOLOX网络降低目标误检与漏检率,采用Transformer模型获取具有良好区分特性的目标外观特征;基于OC-SORT(observation-centric sort)的思想,通过集成特征匹配、IoU匹配和遮挡恢复匹配策略实现群养生猪的准确跟踪。基于PBVD(pigs behaviours video dataset)数据集的试验结果表明,PigsTrack跟踪器的HOTA(higher order tracking accuracy),MOTA(multiple object tracking accuracy)和IDF1得分(identification F1 score)分别为85.66%、98.59%和99.57%,相较于现有算法的最高精度,分别提高了3.71、0.03和2.05个百分点,证明了PigsTrack跟踪器在解决外观相似和遮挡交互引起的跟踪过程中身份跳变问题方面的有效性。随后,利用Slowfast网络对PigsTrack跟踪器的跟踪结果进行了典型行为统计,结果显示PigsTrack在群养生猪个体行为统计方面更准确。此外,通过在ABVD(aggressive-behavior video)数据集上的试验,PigsTrack跟踪器的HOTA、MOTA和IDF1得分分别为69.14%、94.82%和90.11%,相对于现有算法的最高精度,提高了5.33、0.57和8.60个百分点,验证了PigsTrack跟踪器在群养生猪跟踪任务中的有效性。总而言之,PigsTrack跟踪器能够有效应对外观相似和遮挡交互等挑战,实现了准确的生猪多目标跟踪,并在行为统计方面展现出更高的准确性,为生猪养殖领域的研究和实际应用提供了有价值的指导。
文摘为解决混合光伏-温差(photovoltaic thermoelectric generator,PV-TEG)系统的最大功率点跟踪(maximum power point tracking,MPPT)问题以提高能源转换效率和利用率,提出了一种基于指数分布优化器(exponential distribution optimizer,EDO)的混合PV-TEG系统MPPT技术。EDO通过模拟指数分布的随机变化来搜索潜在的解空间,由于随机性,算法可有效避免在局部遮蔽条件(partial shading condition,PSC)下陷入局部最优,并在搜索空间中广泛探索以找到最优解。算例研究包括启动测试、太阳辐照度阶跃变化、随机变化、香港地区四季实际算例4个部分,并与其他5种算法进行对比分析,以较为全面地验证所提EDO技术在混合系统MPPT应用中的可行性和有效性。仿真结果表明,采用EDO的混合PV-TEG系统在不同运行条件下均能稳定、高效地实现最优越的MPPT性能,尤其是在春季低辐照度的条件下,EDO产生的能量分别超过蜻蜓算法(dragonfly algorithm,DA)、增量电导法(incremental conductance method,INC)、扰动观测法(perturbation observation method,P&O)能量输出的68.85%、66.13%和59.69%。
文摘目标跟踪作为图像处理领域的重要组成部分,广泛应用于智能视频监控、军事侦察等领域。但在面对物体形变以及遮挡等复杂应用场景时,相关滤波算法由于缺乏目标和背景判别区分以及遮挡状态判断等策略,存在跟错目标、缓慢漂移到背景等现象,在遮挡后目标重新出现时,缺乏重检测机制,这些问题导致了跟踪性能在实际工程中大幅下降。针对以上问题进行改进设计,首先在跟踪过程中,使用网络优化器更新多层深度特征提取网络,优化损失函数提高目标与背景的判别能力;其次,采用多重检测抗遮挡优化机制,确定跟踪器状态更新机制;最后,基于深度学习进行检测跟踪识别一体化设计,实现跟踪前典型目标的自动捕获,目标受遮挡后重新出现时实现对典型目标的重新捕获定位。在实验分析中,分别从跟踪精度、可视化定量损失以及算法速度等方面进行了性能验证。实测数据显示,本文采用的方法在以上方面性能表现良好,优于改进前的ECO(efficientconvolution operators for tracking)算法。
文摘针对X-Y平台中模型误差和扰动未知等问题,本文以夹胶玻璃自动切膜为应用背景,设计自动切膜恒力控制系统,并对系统中的交互力进行分析与建模。提出了一种改进线性自抗扰(linear active disturbance rejection controller,LADRC)力控制器,将滑模控制嵌入到基于预报的线性跟踪微分器(tracking differentiator,TD)中,平衡滤波与相位滞后间的矛盾,利用分数阶比例微分(fractional order proportion differentiation,FOPD)快速响应跟踪力误差,并通过Lyapunov函数对改进线性跟踪微分器进行稳定性证明。通过与线性自抗扰进行比较,对所设计的控制器进行了仿真分析与实验验证。实验结果表明,当玻璃位置等参数发生变化时,基于改进跟踪微分器的线性自抗扰控制系统仍能较好地实现对切刀的交互力控制,有效保证切膜效果,证明了提出方法的有效性与实用性。
