检索结果-内蒙古大学图书馆

农业工程学报 2025年第7期41卷 1-12页

作者：李振波孙浩翔郭倩男张涵钰刘皓南中国农业大学信息与电气工程学院北京100083 农业农村部智慧养殖重点实验室北京100083 农业农村部精准农业技术集成科学试验基地(畜牧业) 北京100083 农业农村部农业信息获取技术重点实验室北京100083

家畜体尺能直接反映其生长发育状态,对育种和养殖过程管理具有重要意义。基于机器视觉的家畜无接触体尺测量技术可以解决传统人工接触式测量中耗时、费力和主观误差等问题,同时能够降低养殖人员的劳动强度,避免家畜产生应激反应。近年来... 详细信息

家畜体尺能直接反映其生长发育状态,对育种和养殖过程管理具有重要意义。基于机器视觉的家畜无接触体尺测量技术可以解决传统人工接触式测量中耗时、费力和主观误差等问题,同时能够降低养殖人员的劳动强度,避免家畜产生应激反应。近年来,随着机器视觉技术的迅猛发展,家畜无接触体尺测量方法也取得了突破性的进步。该研究聚焦于牛、羊、马和猪4种常见大体型家畜,按照体尺测量任务流程,概述了常见的家畜图像采集场景、图像采集设备和设备部署方式。基于近5年机器视觉在家畜无接触体尺测量中的应用,阐述了目前家畜图像分割算法和家畜体尺测量算法的研究现状。当前研究的着重点主要在于加速体尺测量过程,提升测量结果精度,以及增强测量设备的便携性这3个核心方面。结合当前研究中存在的公开数据集不足、深度学习前沿方法应用较少、算法在实际生产中应用和部署困难等问题,提出了未来应围绕应用生成式模型扩充家畜图像数据集、加速深度学习方法的迁移,开发适用多种家畜的通用测量模型等方面展开研究,旨在为后续的研究及应用提供参考。

关键词：体尺测量家畜机器视觉深度学习图像采集图像分割数据集

来源：评论

学校读者我要写书评

暂无评论

融合数据增强与改进ResNet34的奶牛热红外图像乳腺炎检测

引用

光谱学与光谱分析 2023年第1期43卷 280-288页

作者：张倩杨颖刘刚吴潇宁远霖中国农业大学信息与电气工程学院北京100083 现代精细农业系统研究教育部重点实验室北京100083 农业部农业信息获取技术重点实验室北京100083

乳腺炎是奶牛生产养殖中最为严重的疾病之一,奶牛乳腺炎的早期检测可以为后续治疗提供依据,从而提高疾病治疗效率,降低养殖风险。为了对自然行走的奶牛实现快速、高精度的“一步式”乳腺炎疾病检测,提出了一种基于热红外图像,融合数据... 详细信息

乳腺炎是奶牛生产养殖中最为严重的疾病之一,奶牛乳腺炎的早期检测可以为后续治疗提供依据,从而提高疾病治疗效率,降低养殖风险。为了对自然行走的奶牛实现快速、高精度的“一步式”乳腺炎疾病检测,提出了一种基于热红外图像,融合数据增强与改进ResNet34的奶牛乳腺炎疾病检测方法。相对于现有的“多步式”奶牛红外图像乳腺炎检测方法,该方法无需奶牛关键部分如乳房和眼睛的定位以及温度提取等,可有效避免“多步式”造成的误差累计,从而实现更高效的乳腺炎检测。首先,将包含奶牛关键部位的局部图片水平拼接成信息完整的整体图片,结合RandAugment数据增强方法扩增训练样本;其次,采用ResNet34残差网络作为实验的基础网络,并根据热红外图像特性对模型进行如下改进:(1)精简网络内部冗余层使得模型更轻量化;(2)中间层添加辅助分类器弥补由于模型精简带来的特征损失;(3)将改进的多融合池化层代替原有单一池化层,使得特征提取内容更丰富。随机选取3298张热红外图像(66头奶牛)作为实验对象,并设置多组对比实验,结果表明:与传统ResNet34相比改进后ResNet34模型分类准确率提高3.4%,基于改进ResNet34并融合迁移学习和数据增强的模型验证准确率达到90.3%,测试准确率为88.4%,分类时间仅需3.39×10^(-3)s。为了保证实验数据集的样本独立性,进一步将奶牛个体数量按照3∶1∶1划分为训练集、验证集和测试集,测得模型测试准确率达到80.3%,证明所提出模型具有很好的鲁棒性。根据测试结果,计算出模型查准率为91.2%、查全率为91.6%、F1分数为91.4%,与前人所做实验相比准确率提高了5.1%,特异度提升5.3%。该研究方法可以为初期奶牛乳腺疾病筛选和医学诊断提供辅助和参考。

关键词：迁移学习 ResNet34 数据增强热红外图像奶牛乳腺炎检测

来源：评论

学校读者我要写书评

暂无评论

基于SSA-LSTM-Attention的日光温室环境预测模型

引用

农业工程学报 2025年

作者：孟繁佳许瑞峰赵维娟宋文臻高艺璇李莉中国农业大学农业农村部农业信息获取技术重点实验室中国农业大学智慧农业系统集成研究教育部重点实验室中国农业大学信息与电气工程学院

建立准确的温室环境预测模型有助于精准调控温室环境促进作物的生长发育，针对温室小气候具有时序性、非线性和强耦合等特点，该研究提出了一种基于SSA-LSTM-Attention(sparrow search algorithm-long short-term memoryattention mecha... 详细信息

建立准确的温室环境预测模型有助于精准调控温室环境促进作物的生长发育，针对温室小气候具有时序性、非线性和强耦合等特点，该研究提出了一种基于SSA-LSTM-Attention(sparrow search algorithm-long short-term memoryattention mechanism)的日光温室环境预测模型。首先，通过温室物联网数据采集系统获取温室内外环境数据；其次，使用皮尔逊相关性分析法筛选出强相关性因子；最后，构建环境特征时间序列矩阵输入模型进行温室环境预测。对日光温室的室内温度、室内湿度、光照强度和土壤湿度4种环境因子的预测，SSA-LSTM-Attention模型的平均拟合指数达到了97.9%。相较于反向传播神经网络（back propagation neural network,BP）、门控循环单元（gate recurrent unit,GRU）、长短期记忆神经网络（long short term memory,LSTM）和LSTM-Attention(long short-term memory-attention mechanism)模型，分别提高8.1、4.1、3.5、3个百分点；平均绝对百分比误差为2.6%，分别降低6.5、3.2、2.8、2.5个百分点。试验结果表明，通过利用SSA自动优化LSTM-Attention模型的超参数，提高了模型预测精度，为日光温室环境超前调控提供了有效的数据支持。

关键词：日光温室麻雀搜索算法长短期记忆网络注意力机制环境预测模型

来源：评论

学校读者我要写书评

暂无评论

作物根系生长监测微根管装置设计与试验

引用

农业机械学报 2023年第S02期54卷 286-293页

作者：黄祺成杨佳昊左昊轩孟繁佳李思恩李莉中国农业大学农业农村部农业信息获取技术重点实验室北京100083 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学水利与土木工程学院北京100083

为实现不同深度下作物根系的实时监测与图像采集,设计开发了作物根系生长监测微根管装置,图像采集后可以通过上位机软件进行实时显示与存储。装置由监测管与控制箱组成,监测管使用亚克力材料制作透明外壳,同时在管内通过丝杠和导杆架设... 详细信息

为实现不同深度下作物根系的实时监测与图像采集,设计开发了作物根系生长监测微根管装置,图像采集后可以通过上位机软件进行实时显示与存储。装置由监测管与控制箱组成,监测管使用亚克力材料制作透明外壳,同时在管内通过丝杠和导杆架设滑动轨道,利用步进电机实现摄像头在导轨上的运动控制;控制箱以STM32单片机为核心控制板,并根据实际需求选取了相应外设模块。以番茄根系为研究对象进行持续98 d的图像采集,借助软件RhizoVision Explore对根系图像进行分析,试验结果表明,前70 d番茄根系整体生长速度较快,后28 d逐渐趋于稳定,在深度6~10 cm处分布较为密集,根长密度在深度10 cm处于第91天达到最大值(1.22 cm/cm^(3)),分析结果与番茄根系生长规律一致,表明本根系生长监测微根管装置能在不影响根系持续生长的情况下完成对作物根系的长期在线监测,满足作物根系监测要求。

关键词：根系微根管实时监测嵌入式系统

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLO v5s的作物黄化曲叶病检测方法

引用

农业机械学报 2023年第S01期54卷 230-238页

作者：左昊轩黄祺成杨佳昊孙泉李思恩李莉中国农业大学农业农村部农业信息获取技术重点实验室北京100083 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学水利与土木工程学院北京100083

作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型... 详细信息

作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型在复杂环境下识别效果差和效率低的问题,本文提出一种集成改进的叶片病害检测识别方法。该方法通过对Plant Village公开数据集中单一患病叶片图像以及实际生产中手机拍摄获取的患病作物冠层图像两种来源制作数据集,并对图像中的患病叶片进行手动标注等操作,以实现在复杂地物背景和叶片遮挡等情况下正确识别目标,即在健康叶片、患病叶片、枯萎叶片、杂草和土壤中准确识别出所有的患病叶片。此外,用智能手机在生产现场拍摄图像,会存在手机分辨率、光线、拍摄角度等多种因素,会导致识别正确率降低等问题,需要对采集到的图像进行预处理和数据增强以提高模型识别率,通过对YOLO v5s原始模型骨干网络重复多次增加CA注意力机制模块(Coordinate attention),增强YOLO算法对关键信息的提取能力,利用加权双向特征金字塔网络(Bidirectional feature pyramid network,BiFPN),增强模型不同特征层的融合能力,从而提高模型的泛化能力,替换损失函数EIoU(Efficient IoU loss),进一步优化算法模型,实现多方法叠加优化后系统对目标识别性能的综合提升。在相同试验条件下,对比YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型,本方法的精确率P、召回率R、平均识别准确率mAP_(0.5)、mAP_(0.5:0.95)分别达到97.40%、94.20%、97.20%、79.10%,本文所提出的算法在提高了精确率与平均精度的同时,保持了较高的运算速度,满足对作物黄化曲叶病毒病检测的准确性与时效性的要求,并为移动端智能识别作物叶片病害提供了理论基础。

关键词：病害识别 YOLO v5s 注意力机制 BiFPN EIoU

来源：评论

学校读者我要写书评

暂无评论

基于YOLO v5s的作物叶片病害检测模型轻量化方法

引用

农业机械学报 2023年第S01期54卷 222-229页

作者：杨佳昊左昊轩黄祺成孙泉李思恩李莉中国农业大学农业农村部农业信息获取技术重点实验室北京100083 中国农业大学智慧农业系统集成研究教育部重点实验室北京100083 中国农业大学水利与土木工程学院北京100083

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征... 详细信息

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构(Lightweight convolutional neural networks,LCNN)替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层(Batch normalization layer)的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0 f/s,移动端检测帧率1.2 f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。

关键词：病害检测 YOLO v5s 轻量化模型网络剪枝知识蒸馏

来源：评论

学校读者我要写书评

暂无评论

基于双流跨模态特征融合模型的群养生猪体质量测定

引用

农业机械学报 2023年第S01期54卷 275-282,329页

作者：何威米阳刘刚丁向东李涛中国农业大学信息与电气工程学院北京100083 中国农业大学农业农村部农业信息获取技术重点实验室北京100083 中国农业大学动物科学技术学院北京100193 中国农业大学农业农村部动物遗传育种与繁殖重点实验室北京100193 河南丰源和普农牧有限公司信阳464000

针对生猪体质量准确测定问题,提出了一种跨模态特征融合模型(Cross-modality feature fusion ResNet, CFF-ResNet),充分利用可见光图像的纹理轮廓信息与深度图像的空间结构信息的互补性,实现了群养环境中无接触的生猪体质量智能测定。首... 详细信息

针对生猪体质量准确测定问题,提出了一种跨模态特征融合模型(Cross-modality feature fusion ResNet, CFF-ResNet),充分利用可见光图像的纹理轮廓信息与深度图像的空间结构信息的互补性,实现了群养环境中无接触的生猪体质量智能测定。首先,采集并配准俯视猪圈的可见光与深度图像,并通过EdgeFlow算法对每一只目标生猪个体进行由粗到细的像素级分割。然后,基于ResNet50网络构建双流架构模型,通过内部插入门控形成双向连接,有效地结合可见光流和深度流的特征,实现跨模态特征融合。最后,双流分别回归出生猪体质量预估值,通过均值合并得到最终的体质量测定值。在试验中,以某种公猪场群养生猪为数据采集对象,构建了拥有9 842对配准可见光和深度图像的数据集,包括6 909对训练数据和2 933对测试数据。本研究所提出模型在测试集上的平均绝对误差为3.019 kg,平均准确率为96.132%。与基于可见光和基于深度的单模态基准模型相比,该模型体质量测定精度更高,其在平均绝对误差上分别减少18.095%和12.569%。同时,该模型体质量测定精度优于其他现有生猪体质量测定方法:常规图像处理模型、改进EfficientNetV2模型、改进DenseNet201模型和BotNet+DBRB+PFC模型,在平均绝对误差上分别减少46.272%、14.403%、8.847%和11.414%。试验结果表明,该测定模型能够有效学习跨模态的特征,满足了生猪体质量测定的高精度要求,为群养环境中生猪体质量测定提供了技术支撑。

关键词：群养生猪体质量测定双流网络特征融合跨模态学习

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5的复杂跨域场景下的猪个体识别与计数

引用

农业工程学报 2022年第17期38卷 168-175页

作者：宁远霖杨颖李振波吴潇张倩中国农业大学信息与电气工程学院北京100083 农业农村部农业信息获取技术重点实验室北京100083 农业农村部国家数字渔业中心北京100083

为解决复杂跨域场景下猪个体的目标检测与计数准确率低下的问题,该研究提出了面向复杂跨域场景的基于改进YOLOv5(You Only Look Once version 5)的猪个体检测与计数模型。在骨干网络中分别集成了CBAM(Convolutional Block Attention Mod... 详细信息

为解决复杂跨域场景下猪个体的目标检测与计数准确率低下的问题,该研究提出了面向复杂跨域场景的基于改进YOLOv5(You Only Look Once version 5)的猪个体检测与计数模型。在骨干网络中分别集成了CBAM(Convolutional Block Attention Module)即融合通道和空间注意力的模块和Transformer自注意力模块,并将CIoU(Complete Intersection over Union)Loss替换为EIoU(Efficient Intersection over Union)Loss,以及引入了SAM(Sharpness-Aware Minimization)优化器并引入了多尺度训练、伪标签半监督学习和测试集增强的训练策略。试验结果表明,这些改进使模型能够更好地关注图像中的重要区域,突破传统卷积只能提取卷积核内相邻信息的能力,增强了模型的特征提取能力,并提升了模型的定位准确性以及模型对不同目标大小和不同猪舍环境的适应性,因此提升了模型在跨域场景下的表现。经过改进后的模型的m AP@0.5值从87.67%提升到98.76%,m AP@0.5:0.95值从58.35%提升到68.70%,均方误差从13.26降低到1.44。该研究的改进方法可以大幅度改善现有模型在复杂跨域场景下的目标检测效果,提高了目标检测和计数的准确率,从而为大规模生猪养殖业生产效率的提高和生产成本的降低提供技术支持。

关键词：模型计算机视觉目标检测计数注意力机制半监督学习

来源：评论

学校读者我要写书评

暂无评论

机器学习与计算机视觉技术在食品质量评价中的研究进展

引用

食品科学 2024年第12期45卷 1-10页

作者：黄晓琛张凯利刘元杰陈洪黄凤洪魏芳中国农业科学院油料作物研究所油料脂质化学与营养湖北省重点实验室油料油脂加工技术国家地方联合工程实验室湖北武汉430062 中国农业大学信息与电气工程学院农业农村部农业信息获取技术重点实验室北京100083 湖北洪山实验室湖北武汉430070

近年来,随着社会对食品质量和安全的关注度不断提高,计算机视觉技术在食品质量评价领域逐渐受到重视并开始广泛应用。通过学习技术,如人工神经网络、卷积神经网络和支持向量机等,研究人员能够利用大量的食品图像和相关数据进行训练,从... 详细信息

近年来,随着社会对食品质量和安全的关注度不断提高,计算机视觉技术在食品质量评价领域逐渐受到重视并开始广泛应用。通过学习技术,如人工神经网络、卷积神经网络和支持向量机等,研究人员能够利用大量的食品图像和相关数据进行训练,从而实现对食品质量的自动评估和监测。特别是深度学习技术的发展,使得计算机能够更加准确地识别食品的外观、形状、颜色等特征,进而对其进行分类、预测和质量检测。除了在食品质量评价中的常规应用,学习技术还被用于更复杂的任务,如食品缺陷检测、异物检测、新鲜度评估等。这些技术不仅可以提高食品生产和加工的效率,还能够减少人为因素带来的误差,从而确保食品质量和安全。然而,尽管学习技术在食品质量评价中的应用取得了显著进展,但仍然存在一些挑战需要克服。例如,食品图像数据集的获取和标注成本较高,数据质量和数量的不足可能会影响模型的性能和泛化能力。此外,模型的可解释性和透明性也是一个重要问题,尤其是在需要对食品质量评价结果做出解释或决策的情况下。因此,未来的研究需要继续探索如何提高数据集的质量和规模、优化模型的鲁棒性和可解释性,以及开发更加高效和可持续的食品质量评价系统。

关键词：机器学习食品质量计算机视觉食品检测

来源：评论

学校读者我要写书评

暂无评论

微流控技术在食品研究中的应用

引用

食品科学 2025年

作者：谢嘉俊杨东林建涵赵靓廖小军中国农业大学食品科学与营养工程学院国家果蔬加工工程技术研究中心农业农村部果蔬加工重点实验室食品非热加工北京市重点实验室中国农业大学信息与电气工程学院农业农村部农业信息获取技术重点实验室

微流控技术作为一种新兴的多学科交叉技术，凭借其在微通道中精确控制流体的能力，在食品研究中展现出巨大的应用潜力。与传统方法相比，微流控技术具有更高通量、更快检测速度、更低成本和更加便携等优势，尤其在食源性病原体、农兽药... 详细信息

微流控技术作为一种新兴的多学科交叉技术，凭借其在微通道中精确控制流体的能力，在食品研究中展现出巨大的应用潜力。与传统方法相比，微流控技术具有更高通量、更快检测速度、更低成本和更加便携等优势，尤其在食源性病原体、农兽药残留、过敏原检测和乳液制备等方面表现突出。微流控技术主要包括连续流微流控技术（Continuous Flow Microfluidics， CMF），液滴微流控技术（Droplet Microfluidics， DMF）以及纺丝微流控技术（Spinning Microfluidics ， SMF），其中CMF和DMF应用最为广泛。本文综述了CMF在食品安全检测、成分鉴定、智能包装和DMF在酶与菌株定向筛选、乳液制备及封包递送等方面的最新进展。目前，尽管部分技术仍处于实验室阶段，但随着技术的不断发展和多学科交叉研究的深入，微流控技术有望在食品安全、质量控制和营养增强等方面提供更高效、精确的解决方案，推动食品行业的革新。

关键词：连续流微流控技术液滴微流控技术食品安全定向筛选应用

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：