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
3
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
采用改进CNN对生猪异常状态声音识别
被引量：
15
1
作者
耿艳利
宋朋首
+2 位作者
林彦伯
季燕凯
杨淑才
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第20期187-193,共7页
猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络CNN(Convolutional Neural Network)的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G...
猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络CNN(Convolutional Neural Network)的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G通讯技术将声音信息上传至云服务器,基于专业人员指导制作猪只异常声音(生病、打架、饥饿等)数据集,提取猪只异常声音的梅尔谱图特征信息;其次引入多种注意力机制对CNN进行改进,并对CBAM(Convolutional Block Attention Module)注意力机制进行优化,提出_CBAM-CNN网络模型;最后将_CBAM-CNN网络模型分别与引入SE_NET(Squeeze and Excitation Network)、ECA_NET(Efficient Channel Attention Networks)和CBAM注意力机制的CNN神经网络进行对比,试验结果表明该文提出的_CBAM-CNN网络模型在最优参数为128维梅尔频率、2048点FFT(Fast Fourier Transform)点数、512点窗移下的梅尔谱图特征下相较于其他模型对猪只异常声音识别效果最佳,识别率达到94.46%,验证了算法的有效性。该研究有助于生猪养殖过程中对猪只异常行为的监测,并对智能化、现代化猪场的建设具有重要意义。
展开更多
关键词
声音信号处理
动物
异常声音
卷积神经网络
SE_NET
CBAM
ECA_NET
在线阅读
下载PDF
职称材料
基于Transformer与自适应空间特征融合的群猪目标检测算法研究
被引量：
3
2
作者
耿艳利
林彦伯
+1 位作者
付艳芳
杨淑才
《东北农业大学学报》
CAS
CSCD
北大核心
2023年第1期88-96,共9页
针对深度学习群猪目标检测算法精确度低和模型占用内存大等问题,提出基于Transformer与自适应空间特征融合的群猪目标检测算法。搭建群猪图像采集设备,以视频帧作为数据源,提取关键帧并剔除模糊图像,采用Labelme标注图像中猪只,建立群...
针对深度学习群猪目标检测算法精确度低和模型占用内存大等问题,提出基于Transformer与自适应空间特征融合的群猪目标检测算法。搭建群猪图像采集设备,以视频帧作为数据源,提取关键帧并剔除模糊图像,采用Labelme标注图像中猪只,建立群猪图像数据集;将Swin Transformer网络作为主干网络,在FPN后引入自适应空间特征融合方法作为特征融合网络;提出RIoU作为预测框回归损失计算方法。结果表明,该算法在精确率、召回率、F1值和平均精确率指标方面分别达到93.6%、97.2%、0.953、96.5%,检测速度为34.9 Hz且模型大小仅为20.6 MB,与YOLOv4相比上述指标分别提高1.5%、1.7%、1.6%、2.4%,模型占用内存量缩小12.5倍,检测速度提高13 Hz。研究有助于智能化猪场建设,为养殖场动物计数和行为识别等方面提供技术支持。
展开更多
关键词
Swin
Transformer
ASFF
交并比
目标检测
群养生猪
在线阅读
下载PDF
职称材料
基于双扩张层和旋转框定位的群猪目标检测算法研究
被引量：
2
3
作者
耿艳利
林彦伯
+1 位作者
付艳芳
杨淑才
《农业机械学报》
EI
CAS
CSCD
北大核心
2023年第4期323-330,共8页
目前猪群图像检测均为基于水平框的目标检测算法,对于图像中猪体粘连和相互遮挡情况检测率较低,针对图像中的猪只长宽比例较大和可能发生任意角度旋转的特点,提出了一种基于双扩张层和旋转框定位的群猪目标检测算法(Dual dilated layer ...
目前猪群图像检测均为基于水平框的目标检测算法,对于图像中猪体粘连和相互遮挡情况检测率较低,针对图像中的猪只长宽比例较大和可能发生任意角度旋转的特点,提出了一种基于双扩张层和旋转框定位的群猪目标检测算法(Dual dilated layer and rotary box location network,DR Net)。采集3个猪场的群猪图像,利用数据增强保留9600幅图像制作数据集;基于膨胀卷积搭建提取图像全局信息的双扩张层,借鉴Res2Net模块改进CSP层融合多尺度特征,猪只目标以旋转框定位并采用五参数表示法在模型训练中利用Gaussian Wasserstein distance计算旋转框的回归损失。试验结果表明,DR Net对猪只目标识别的精确率、召回率、平均精确率、MAE、RMSE分别为98.57%、97.27%、96.94%、0.21、0.54,其检测效果优于YOLO v5,提高了遮挡与粘连场景下的识别精度和计数精度。利用可视化特征图分析算法在遮挡和粘连场景下能够利用猪只头颈部、背部或尾部特征准确定位目标。该研究有助于智能化猪场建设,可为后续猪只行为识别研究提供参考。
展开更多
关键词
群猪
目标检测
膨胀卷积
Gaussian
Wasserstein
distance
旋转框定位
在线阅读
下载PDF
职称材料
题名
采用改进CNN对生猪异常状态声音识别
被引量：
15
1
作者
耿艳利
宋朋首
林彦伯
季燕凯
杨淑才
机构
河北工业大学人工
智能
与数据科学学院
智能
康复装置与检测技术教育部工程研究中心
天津魔界客智能科技有限公司
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第20期187-193,共7页
基金
河北省重点研发计划项目(19226613d)。
文摘
猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络CNN(Convolutional Neural Network)的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G通讯技术将声音信息上传至云服务器,基于专业人员指导制作猪只异常声音(生病、打架、饥饿等)数据集,提取猪只异常声音的梅尔谱图特征信息;其次引入多种注意力机制对CNN进行改进,并对CBAM(Convolutional Block Attention Module)注意力机制进行优化,提出_CBAM-CNN网络模型;最后将_CBAM-CNN网络模型分别与引入SE_NET(Squeeze and Excitation Network)、ECA_NET(Efficient Channel Attention Networks)和CBAM注意力机制的CNN神经网络进行对比,试验结果表明该文提出的_CBAM-CNN网络模型在最优参数为128维梅尔频率、2048点FFT(Fast Fourier Transform)点数、512点窗移下的梅尔谱图特征下相较于其他模型对猪只异常声音识别效果最佳,识别率达到94.46%,验证了算法的有效性。该研究有助于生猪养殖过程中对猪只异常行为的监测,并对智能化、现代化猪场的建设具有重要意义。
关键词
声音信号处理
动物
异常声音
卷积神经网络
SE_NET
CBAM
ECA_NET
Keywords
acoustic signal processing
animals
abnormal noise
convolutional neural network
SE_NET
CBAM
ECA_NET
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
基于Transformer与自适应空间特征融合的群猪目标检测算法研究
被引量：
3
2
作者
耿艳利
林彦伯
付艳芳
杨淑才
机构
河北工业大学人工
智能
与数据科学学院
智能
康复装置与检测技术教育部工程研究中心
河北省畜牧总站
天津魔界客智能科技有限公司
出处
《东北农业大学学报》
CAS
CSCD
北大核心
2023年第1期88-96,共9页
基金
河北省重点研发计划项目(22326606D,20326620D)。
文摘
针对深度学习群猪目标检测算法精确度低和模型占用内存大等问题,提出基于Transformer与自适应空间特征融合的群猪目标检测算法。搭建群猪图像采集设备,以视频帧作为数据源,提取关键帧并剔除模糊图像,采用Labelme标注图像中猪只,建立群猪图像数据集;将Swin Transformer网络作为主干网络,在FPN后引入自适应空间特征融合方法作为特征融合网络;提出RIoU作为预测框回归损失计算方法。结果表明,该算法在精确率、召回率、F1值和平均精确率指标方面分别达到93.6%、97.2%、0.953、96.5%,检测速度为34.9 Hz且模型大小仅为20.6 MB,与YOLOv4相比上述指标分别提高1.5%、1.7%、1.6%、2.4%,模型占用内存量缩小12.5倍,检测速度提高13 Hz。研究有助于智能化猪场建设,为养殖场动物计数和行为识别等方面提供技术支持。
关键词
Swin
Transformer
ASFF
交并比
目标检测
群养生猪
Keywords
Swin Transformer
ASFF
Io U
object detection
pigs
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
基于双扩张层和旋转框定位的群猪目标检测算法研究
被引量：
2
3
作者
耿艳利
林彦伯
付艳芳
杨淑才
机构
河北工业大学人工
智能
与数据科学学院
智能
康复装置与检测技术教育部工程研究中心
河北省畜牧总站
天津魔界客智能科技有限公司
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2023年第4期323-330,共8页
基金
河北省重点研发计划项目(22326606D、20326620D)。
文摘
目前猪群图像检测均为基于水平框的目标检测算法,对于图像中猪体粘连和相互遮挡情况检测率较低,针对图像中的猪只长宽比例较大和可能发生任意角度旋转的特点,提出了一种基于双扩张层和旋转框定位的群猪目标检测算法(Dual dilated layer and rotary box location network,DR Net)。采集3个猪场的群猪图像,利用数据增强保留9600幅图像制作数据集;基于膨胀卷积搭建提取图像全局信息的双扩张层,借鉴Res2Net模块改进CSP层融合多尺度特征,猪只目标以旋转框定位并采用五参数表示法在模型训练中利用Gaussian Wasserstein distance计算旋转框的回归损失。试验结果表明,DR Net对猪只目标识别的精确率、召回率、平均精确率、MAE、RMSE分别为98.57%、97.27%、96.94%、0.21、0.54,其检测效果优于YOLO v5,提高了遮挡与粘连场景下的识别精度和计数精度。利用可视化特征图分析算法在遮挡和粘连场景下能够利用猪只头颈部、背部或尾部特征准确定位目标。该研究有助于智能化猪场建设,可为后续猪只行为识别研究提供参考。
关键词
群猪
目标检测
膨胀卷积
Gaussian
Wasserstein
distance
旋转框定位
Keywords
pigs
object detection
dilated convolution
Gaussian Wasserstein distance
rotary box location
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
采用改进CNN对生猪异常状态声音识别
耿艳利
宋朋首
林彦伯
季燕凯
杨淑才
《农业工程学报》
EI
CAS
CSCD
北大核心
2021
15
在线阅读
下载PDF
职称材料
2
基于Transformer与自适应空间特征融合的群猪目标检测算法研究
耿艳利
林彦伯
付艳芳
杨淑才
《东北农业大学学报》
CAS
CSCD
北大核心
2023
3
在线阅读
下载PDF
职称材料
3
基于双扩张层和旋转框定位的群猪目标检测算法研究
耿艳利
林彦伯
付艳芳
杨淑才
《农业机械学报》
EI
CAS
CSCD
北大核心
2023
2
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
