-
公开(公告)号：CN114898250B
公开(公告)日：2024-09-06
申请号：CN202210393478.X
申请日：2022-04-15
Applicant: 华南农业大学
IPC: G06V20/40
Abstract: 本发明公开了一种基于自注意力机制的哺乳仔猪多目标跟踪方法，包括：S1、采集在栏哺乳仔猪视频，制作哺乳仔猪多目标跟踪的数据集，分为训练集与测试集；S2、改进TransTrack的网络模型，将训练集训练改进后的网络模型；S3、在测试集上，用训练后的网络模型输出仔猪检测与预测的跟踪结果；S4、设计黑暗区域自适应置信度匹配策略，找回黑暗区域的检测结果中的漏检目标；S5：设计基于历史帧标记的错检位置策略，避免检测结果中的错检。本发明解决了在栏哺乳仔猪跟踪过程中，仔猪全局特征提取能力不够，灯光出现的昏暗，以及仔猪与仔猪、母猪与仔猪之间的粘连遮挡，导致跟踪过程中，仔猪错检、漏检和id互换问题。
-
公开(公告)号：CN117392750A
公开(公告)日：2024-01-12
申请号：CN202311326889.8
申请日：2023-10-13
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于计算机视觉的母猪分娩时间预测方法，具体步骤包括：视频采集与数据准备步骤；网络模型训练步骤：使用所述训练集对网络模型训练，得到训练好的母猪产前行为识别模型；网络模型测试步骤；分娩关键特征提取与时间序列分析步骤；构建双时分娩预测模型步骤：通过网格搜索与交叉验证方法确定所述分娩关键特征的最佳阈值，构建双时分娩预测模型；预测步骤：基于所述双时分娩预测模型，输入目标母猪的日常行为视频数据，实现所述目标母猪的分娩时间预测。该方案能够适用于集约化的生猪养殖场景，克服限位栏遮挡、光线受阻严重等复杂环境条件所造成的干扰，缓解人力负担，提高母猪分娩时间的预测效率，实现较高准确度的预测。
-
公开(公告)号：CN115984698A
公开(公告)日：2023-04-18
申请号：CN202310010754.4
申请日：2023-01-05
Applicant: 华南农业大学
IPC: G06V20/10 , G06V10/82 , G06N3/084 , G06V10/774 , G06V10/44 , G06N3/0464
Abstract: 本发明公开了一种基于改进YOLOv5的荔枝果实生长期识别方法，包括：1)荔枝数据集的建立，包括对数据采集、预处理、标注和划分数据集；2)对传统YOLOv5的特征提取模块、特征融合模块和下采样方式进行改进。在特征提取模块的SPPF模块后添加SimAM注意力机制。在特征融合模块中，使用轻量级卷积GSConv替代普通卷积，既保证了检测精度与速度，也降低了计算成本；将YOLOv5网络中的所有3×3的跨步卷积替换为非跨步卷积，并在非跨步卷积之后添加SPD模块用于下采样；最终由预测模块对输出的数据进行信息分析和处理，得出检测结果。本发明解决了荔枝果实生长期识别中，果实目标小、重叠、遮挡和图像模糊导致目标检测精度低的问题。
-
公开(公告)号：CN114266975A
公开(公告)日：2022-04-01
申请号：CN202111589658.7
申请日：2021-12-23
Applicant: 华南农业大学
IPC: G06V20/10 , G06V20/17 , G06V10/26 , G06V10/774 , G06V10/82 , G06T3/40 , G06N3/04 , G06N3/08 , G06N3/12 , G06K9/62
Abstract: 本发明公开了一种无人机遥感图像的荔枝果实检测与计数方法，包括：采集果园果实无人机遥感图像，构建图像数据库；建立荔枝树冠分割模型，获取荔枝树冠分割结果图；建立荔枝果实检测模型，对输入的树冠分割结果图进行两个阶段检测，第一阶段检测能够对非密集果实区域进行准确检测，第二阶段能够对密集果实区域进行精准检测；分别统计非密集果实区域与密集果实区域的检测结果，得到最终的果实检测数量。本发明解决了无人机遥感图像的荔枝果实检测中，果实目标小、密集、重叠和遮挡导致目标检测精度低的问题。
-
公开(公告)号：CN114241031A
公开(公告)日：2022-03-25
申请号：CN202111579640.9
申请日：2021-12-22
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于双视角融合的鱼类体尺测量和体重预测的方法及装置，获取不同视角采集设备的内参矩阵和畸变系数；采集不同视角和不同条件下的鱼的图像序列，建立图像集；对图像集进行预处理；搭建Mask R‑CNN网络模型，进行目标区域的特征提取，对该模型进行训练和验证；从Mask分支输出不同视角视图的像素级目标掩膜；从关键点检测分支获得关键点热图；用训练好的Mask R‑CNN网络模型，对图像集进行测试，获得鱼的分割掩膜和检测关键点，将关键点坐标经折射校正后转化为真实世界距离，获取鱼的体尺数据信息，并依据多帧图像序列计算各项体尺中位数指标；基于训练集和样本真实体重值，训练第二回归神经网络模型，用于体重预测；可视化展示体尺指标和体重数值。
-
Patent Agency Ranking
公开(公告)号：CN110619632B
公开(公告)日：2022-01-11
申请号：CN201910882496.2
申请日：2019-09-18
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于Mask R‑CNN的芒果实例对抗分割方法，包括：建立自然场景下的芒果分割数据集；构建基于Mask R‑CNN的分割网络；将构建的所述Mask R‑CNN分割网络视为生成网络，在其Mask分支上添加一个判别网络；所述生成网络从输入图像中得到芒果的预测实例掩膜；所述判别网络的输入为Real或Fake的芒果实例；将SmoothL1+IOU Loss替换Mask分支原来的二值交叉熵；所述生成网络与判别网络以交替对抗的策略进行优化训练，从而形成对抗网络模型；将训练后的所述对抗网络模型，进行芒果果实的实例分割，检测和分割的指标都得到了明显的提高。
-
公开(公告)号：CN107527351B
公开(公告)日：2020-12-29
申请号：CN201710772176.2
申请日：2017-08-31
Applicant: 华南农业大学
Abstract: 本发明公开了一种融合FCN和阈值分割的哺乳母猪图像分割方法。采集母猪的视频图像，并建立母猪分割视频图像库；建立FCN母猪分割模型，用该模型对测试图像进行分割，获取FCN母猪图像分割结果；对FCN分割结果外接最小面积矩形框，并对该区域的灰度图和H分量进行Otsu阈值分割，获取阈值分割结果；将FCN分割结果和阈值分割结果进行融合，获取母猪图像的最终分割结果。本发明在FCN的基础上，融合多通道Otsu阈值分割技术，在不降低FCN分割效果的同时能有效填补局部区域缺失，提高分割准确率。
-
公开(公告)号：CN110619632A
公开(公告)日：2019-12-27
申请号：CN201910882496.2
申请日：2019-09-18
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于Mask R-CNN的芒果实例对抗分割方法，包括：建立自然场景下的芒果分割数据集；构建基于Mask R-CNN的分割网络；将构建的所述Mask R-CNN分割网络视为生成网络，在其Mask分支上添加一个判别网络；所述生成网络从输入图像中得到芒果的预测实例掩膜；所述判别网络的输入为Real或Fake的芒果实例；将SmoothL1+IOU Loss替换Mask分支原来的二值交叉熵；所述生成网络与判别网络以交替对抗的策略进行优化训练，从而形成对抗网络模型；将训练后的所述对抗网络模型，进行芒果果实的实例分割，检测和分割的指标都得到了明显的提高。
-
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
72
records
(took 0.025 seconds)
