-
Patent Agency Ranking
公开(公告)号：CN108830144B
公开(公告)日：2022-02-22
申请号：CN201810416468.7
申请日：2018-05-03
Applicant: 华南农业大学
IPC: G06V40/10 , G06V10/764 , G06V10/774 , G06V10/70 , G06V10/766 , G06V10/82 , G06K9/62
Abstract: 本发明涉及一种基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，包括以下步骤：S1、采集哺乳母猪的RGB‑D视频图像，并建立母猪姿态识别深度视频图像库；S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；S3、使用设计的CNN网络结构，构建Faster‑R‑CNN模型结构，并对Faster‑R‑CNN模型结构引入Center Loss监督信号，与SoftmaxLoss联合构成分类损失函数，最终建立改进的Faster‑R‑CNN母猪姿态识别模型；S4、使用训练集训练Faster‑R‑CNN母猪姿态识别模型，使用测试集测试模型性能，最终筛选最佳性能模型，用于哺乳母猪姿态识别。
-
公开(公告)号：CN109766856B
公开(公告)日：2022-11-15
申请号：CN201910040870.4
申请日：2019-01-16
Applicant: 华南农业大学
Abstract: 本发明公开了一种双流RGB‑D FasterR‑CNN的识别哺乳母猪姿态方法，即提出一种在特征提取阶段融合RGB‑D图像特征的端对端的双流RGB‑D Faster R‑CNN算法，用于识别自由栏母猪场景下的哺乳母猪站立、坐立、俯卧、腹卧和侧卧5类姿态。基于Faster R‑CNN，首先使用两个CNN网络分别提取RGB图像特征和深度图像特征；然后利用RGB‑D图像的映射关系，仅采用一个RPN网络生成RGB图像特征图和深度图像特征图的感兴趣区域；对感兴趣区域特征池化后，使用一个独立的网络层实现RGB‑D特征的拼接融合；最后在Fast R‑CNN阶段，引入NOC结构继续卷积提取融合后的特征，再送入分类器和回归器。本发明提供了一种融合了RGB‑D数据信息端对端的高精度、小模型和实时的母猪姿态识别方法，为进一步分析母猪行为奠定了基础。
-
公开(公告)号：CN107844797A
公开(公告)日：2018-03-27
申请号：CN201710890676.6
申请日：2017-09-27
Applicant: 华南农业大学
CPC classification number: G06K9/6256 , G06K9/40 , G06K9/60 , G06N3/04
Abstract: 本发明公开了一种深度图像的哺乳母猪姿态自动识别方法，包括以下步骤：采集原始深度图像数据并进行预处理，并人工标注构成母猪姿态识别数据集；设计并训练基于改进HOG特征的母猪混合可变形部件模型；构造母猪姿态识别深度卷积神经网络，利用标注框和标注的姿态类别训练集信息，并结合随机Dropout方法对该网络进行训练；将测试集输入到母猪混合可变形部件模型，获得母猪的目标区域；将目标区域结果输入到母猪姿态识别深度卷积神经网络中，对母猪姿态进行识别。本发明提供的一种基于深度图像的母猪姿态自动识别方法，克服了RGB图像容易受到外界光照、阴影等因素变化的影响，解决了夜间母猪姿态识别难的问题，可满足全天候母猪姿态监测的实际应用需求。
-
公开(公告)号：CN109766856A
公开(公告)日：2019-05-17
申请号：CN201910040870.4
申请日：2019-01-16
Applicant: 华南农业大学
Abstract: 本发明公开了一种双流RGB-D FasterR-CNN的识别哺乳母猪姿态方法，即提出一种在特征提取阶段融合RGB-D图像特征的端对端的双流RGB-D Faster R-CNN算法，用于识别自由栏母猪场景下的哺乳母猪站立、坐立、俯卧、腹卧和侧卧5类姿态。基于Faster R-CNN，首先使用两个CNN网络分别提取RGB图像特征和深度图像特征；然后利用RGB-D图像的映射关系，仅采用一个RPN网络生成RGB图像特征图和深度图像特征图的感兴趣区域；对感兴趣区域特征池化后，使用一个独立的网络层实现RGB-D特征的拼接融合；最后在Fast R-CNN阶段，引入NOC结构继续卷积提取融合后的特征，再送入分类器和回归器。本发明提供了一种融合了RGB-D数据信息端对端的高精度、小模型和实时的母猪姿态识别方法，为进一步分析母猪行为奠定了基础。
-
公开(公告)号：CN108830144A
公开(公告)日：2018-11-16
申请号：CN201810416468.7
申请日：2018-05-03
Applicant: 华南农业大学
Abstract: 本发明涉及一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法，包括以下步骤：S1、采集哺乳母猪的RGB-D视频图像，并建立母猪姿态识别深度视频图像库；S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；S3、使用设计的CNN网络结构，构建Faster-R-CNN模型结构，并对Faster-R-CNN模型结构引入Center Loss监督信号，与SoftmaxLoss联合构成分类损失函数，最终建立改进的Faster-R-CNN母猪姿态识别模型；S4、使用训练集训练Faster-R-CNN母猪姿态识别模型，使用测试集测试模型性能，最终筛选最佳性能模型，用于哺乳母猪姿态识别。
-
-
-
-
Search Results
5
records
(took 0.017 seconds)
