-
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：CN111507967A
公开(公告)日：2020-08-07
申请号：CN202010306354.4
申请日：2020-04-17
Applicant: 华南农业大学
Abstract: 本发明公开了一种自然果园场景下的芒果高精度检测方法，包括：建立自然场景下的芒果数据库；构建基于Mask Scoring R-CNN的初步网络结构；在ROI Align层后增加一个并行训练的BoxIOU分支，为RPN输出的候选框预测IOU得分；测试阶段BoxIOU分支预测的IOU得分与相应的分类置信度进行耦合，再将耦合后的分值替代原本的分类置信度作为后处理阶段的非极大抑制的排列依据；利用训练后的BoxIOU MangoNet进行芒果果实的检测和分割。该方法为果实目标筛选出定位更准确的检测框，简单有效，能够解决自然果园场景下受复杂环境干扰的检测分割难题。
-
公开(公告)号：CN109711389A
公开(公告)日：2019-05-03
申请号：CN201910041539.4
申请日：2019-01-16
Applicant: 华南农业大学
Abstract: 本发明公开了一种基于Faster R-CNN和HMM的哺乳母猪姿态转换识别方法，步骤为：1.深度图像质量增强；2.用改进Faster R-CNN识别母猪姿态，以每帧概率最大的姿态作为姿态序列；并将概率最大的前5个检测框作为候选区域；3.用长度为5的中值滤波修正姿态序列分类错误；用视频段姿态转换次数检测疑似转换片段；在疑似转换片段中，用维特比算法根据候选区域构建母猪定位管道；4.在定位管道中，用最大类间方差法分割各帧母猪，计算母猪身体各部分高度，形成高度序列；5.将高度序列输入HMM模型，将疑似转换片段分为姿态转换与未转换片段；对单一姿态片段和姿态转换片段分类，获得识别结果。本发明能在光线变化及夜间场景下，自动母猪姿态转换识别，为高危行为识别打下基础。
-
公开(公告)号：CN109711325A
公开(公告)日：2019-05-03
申请号：CN201811587011.9
申请日：2018-12-25
Applicant: 华南农业大学
Abstract: 本发明公开了一种芒果采摘点识别方法，包括以下步骤：采集芒果的图像，建立自然场景下的芒果采摘图像库；建立基于Mask R-CNN网络的芒果果实分割模型；计算每个果实的长轴、短轴以及质心；利用自底向上层次聚类法判断是否成簇；若芒果果实成簇，则识别成簇果实母枝并在母枝上定位采摘点；若芒果为单果，则分割和识别该果实的果梗，在果梗上确定采摘点。本发明利用基于Mask R-CNN网络的芒果果实分割模型进行果实实例分割，解决自然果园场景下光线变化、遮挡、重叠导致的检测分割难题，具有分割精准、适用场景多的优点。
-
公开(公告)号：CN109711389B
公开(公告)日：2023-06-23
申请号：CN201910041539.4
申请日：2019-01-16
Applicant: 华南农业大学
IPC: G06V20/40 , G06V40/10 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种基于Faster R‑CNN和HMM的哺乳母猪姿态转换识别方法，步骤为：1.深度图像质量增强；2.用改进Faster R‑CNN识别母猪姿态，以每帧概率最大的姿态作为姿态序列；并将概率最大的前5个检测框作为候选区域；3.用长度为5的中值滤波修正姿态序列分类错误；用视频段姿态转换次数检测疑似转换片段；在疑似转换片段中，用维特比算法根据候选区域构建母猪定位管道；4.在定位管道中，用最大类间方差法分割各帧母猪，计算母猪身体各部分高度，形成高度序列；5.将高度序列输入HMM模型，将疑似转换片段分为姿态转换与未转换片段；对单一姿态片段和姿态转换片段分类，获得识别结果。本发明能在光线变化及夜间场景下，自动母猪姿态转换识别，为高危行为识别打下基础。
-
Patent Agency Ranking
公开(公告)号：CN111507967B
公开(公告)日：2023-06-02
申请号：CN202010306354.4
申请日：2020-04-17
Applicant: 华南农业大学
IPC: G06T7/00 , G06T7/11 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种自然果园场景下的芒果高精度检测方法，包括：建立自然场景下的芒果数据库；构建基于Mask Scoring R‑CNN的初步网络结构；在ROI Align层后增加一个并行训练的BoxIOU分支，为RPN输出的候选框预测IOU得分；测试阶段BoxIOU分支预测的IOU得分与相应的分类置信度进行耦合，再将耦合后的分值替代原本的分类置信度作为后处理阶段的非极大抑制的排列依据；利用训练后的BoxIOU MangoNet进行芒果果实的检测和分割。该方法为果实目标筛选出定位更准确的检测框，简单有效，能够解决自然果园场景下受复杂环境干扰的检测分割难题。
-
公开(公告)号：CN109492535B
公开(公告)日：2021-09-24
申请号：CN201811186647.2
申请日：2018-10-12
Applicant: 华南农业大学
Abstract: 本发明公开了一种计算机视觉的母猪哺乳行为识别方法,包括步骤：1)采集哺乳期母猪和仔猪的俯视视频段；2)基于光流特征，计算运动像素强度、占空比和聚集度等时空特征，提取时间序列关键帧；3)利用DeepLab卷积网络分割出关键帧中母猪和仔猪，根据形状匹配算法自动定位哺乳感兴趣区域，获得时空感兴趣区域；4)在时空感兴趣区域中设置识别单元，提取仔猪运动特征，包括仔猪运动分布指数特征和基于母猪腹线的法线方向光流的仔猪吸吮运动特征；5)将仔猪运动特征输入SVM分类模型，实现母猪哺乳行为自动识别。本发明利用了哺乳行为中母猪和仔猪的时空运动信息，识别猪场环境下的母猪哺乳行为，从而解决了猪场人工监测难的问题。
-
公开(公告)号：CN109492535A
公开(公告)日：2019-03-19
申请号：CN201811186647.2
申请日：2018-10-12
Applicant: 华南农业大学
Abstract: 本发明公开了一种计算机视觉的母猪哺乳行为识别方法,包括步骤：1)采集哺乳期母猪和仔猪的俯视视频段；2)基于光流特征，计算运动像素强度、占空比和聚集度等时空特征，提取时间序列关键帧；3)利用DeepLab卷积网络分割出关键帧中母猪和仔猪，根据形状匹配算法自动定位哺乳感兴趣区域，获得时空感兴趣区域；4)在时空感兴趣区域中设置识别单元，提取仔猪运动特征，包括仔猪运动分布指数特征和基于母猪腹线的法线方向光流的仔猪吸吮运动特征；5)将仔猪运动特征输入SVM分类模型，实现母猪哺乳行为自动识别。本发明利用了哺乳行为中母猪和仔猪的时空运动信息，识别猪场环境下的母猪哺乳行为，从而解决了猪场人工监测难的问题。
-
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：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。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.02 seconds)
