简介：[目的/意义]针对现有规模化猪场生猪计数需求场景多,人工计数效率低、成本高等问题,提出一种基于改进实例分割深度学习算法和微信公众平台的区域养殖生猪计数方法.[方法]首先,利用智能手机拍摄养殖场猪只视频,对视频抽帧进一步生成图像数据集.其次,通过改进卷积块注意力模块(Convolutional Block Attention Module,CBAM)中忽略通道与空间相互作用及通道注意力中降维操作带来的效率较低问题,提出高效全局注意力模块,并将该模块引入基于回归分析的单阶段实例分割网络YOLO(You Only Look Once)v8中对获取的生猪图像进行分割,构建新的识别模型YOLOv8x-Ours,以实现高精度的生猪计数.最后,基于微信公众平台开发微信小程序,并嵌入综合表现最优的生猪计数模型,实现使用智能手机拍摄图像进行生猪快速计数.[结果和讨论]在测试集上的试验结果表明,与现有实例分割模型..

简介：摘要 : 随着无线终端数量的快速增长和多媒体图像等高带宽传输业务需求的增加，农业物联网相关领域可预见地会出现无线频谱资源紧缺问题。针对基于传统物联网的作物表型信息采集系统中存在由于节点密集部署导致数据传输过程容易出现频谱竞争、数据拥堵的现象以及固定电池的网络由于能耗不均衡引起监测周期缩减等诸多问题，本研究建立了一个认知无线传感器网络（ CRSN）作物表型信息采集模型，并针对模型提出一种引入边缘计算机制的动态频谱和能耗均衡（ DSEB）的事件驱动分簇路由算法。算法包括：（ 1）动态频谱感知分簇，采用层次聚类算法结合频谱感知获取的可用信道、节点间的距离、剩余能量和邻居节点度为相似度对被监控区域内的节点进行聚类分簇并选取簇头，构建分簇拓扑的过程对各分簇大小的均衡性引入奖励和惩罚因子，提升网络各分簇平均频谱利用率；（ 2）融入边缘计算的事件触发数据路由，根据构建的分簇拓扑结构，将待检测各区域变化异常表型信息触发事件以簇内汇聚和簇间中继交替迭代方式转发至汇聚节点，簇内汇聚包括直传和簇内中继，簇间中继包括主网关节点和次网关节点 -主网关节点两种情况；（ 3）基于频谱变化和通信服务质量（ QoS）的自适应重新分簇：基于主用户行为变化引起的可用信道改变，或分簇效果不佳对通信服务质量产生的干扰，触发 CRSN进行自适应重新分簇。此外，本研究还提出了一种新的能耗均衡策略去能量消耗中心化（假设 sink为中心），即在网关或簇头节点选取计算式中引入与节点到 sink的距离成正比的权重系数。算法仿真结果表明，与采用 K-medoid分簇和能量感知的事件驱动分簇 (ERP)路由方案相比，在 CRSN节点数为定值的前提下，基于 DSEB的分簇路由算法在网络生存期与能效等方面均具有一定的改进；在主用户节点数为定值时，所提算法比其它两种算法具有更高频谱利用率。

简介：摘要 : 冠层光截获能力是反映作物品种间差异的重要功能性状，高通量表型冠层光截获对提高作物改良效率具有重要意义。本研究以小麦为研究目标，利用数字化植物表型平台（ D3P）模拟生成了 100种冠层结构不同的小麦品种在 5个生育期的三维冠层场景，记录了从原始冠层结构中提取的绿色叶面积指数（ GAI）、平均倾角（ AIA）和散射光截获率（ FIPARdif）信息作为真实值 ,进一步利用上述三维小麦场景开展了虚拟的激光雷达（ LiDAR）模拟实验，生成了对应的三维点云数据。基于模拟的点云数据提取了其高度分位数特征（ H）和绿色分数特征（ GF）。最后，利用人工神经网络（ ANN）算法分别构建了从不同 LiDAR点云特征（ H、 GF和 H+GF）输入到 FIPARdif、 GAI和 AIA的反演模型。结果表明，对于 GAI、 AIA和 FIPARdif，预测精度从高到低对应的点云特征输入为 GF+H > H > GF。由此可见， H特征对提高目标表型特性的估算精度起到了重要作用。输入 GF + H特征，在中等测量噪音（ 10%）情况下， FIPARdif和 GAI的估算均获得了满意精度， R2分别为 0.95和 0.98，而 AIA的估算精度（ R2=0.20）还有待进一步提升。本研究基于 D3P模拟数据开展，算法的实际表现还有待通过田间数据进一步验证。尽管如此，本研究验证了 D3P协助表型算法开发的能力，展示了高通量 LiDAR数据在估算田间冠层光截获和冠层结构方面的较高潜力。

简介：[目的/意义]随着奶牛养殖业向规模化、精准化和信息化养殖迅速发展,对奶牛健康的监测和管理需求也日益增加.实时监测奶牛的反刍行为对于第一时间获取奶牛健康的相关信息以及预测奶牛疾病具有至关重要的意义.目前,针对奶牛反刍行为的监测已经提出了多种策略,包括基于视频监控、声音识别、传感器监测等方法,但是这些方法普遍存在实时性不足的问题.为了减轻数据传输的数量与云端计算量,实现对奶牛反刍行为的实时监测,基于边缘计算的思想提出了一种实时对奶牛反刍行为进行监测的方法.[方法]使用自主设计的边缘设备实时地采集并处理奶牛的六轴加速度信号,基于六轴数据提出了基于联邦式与拆分式边缘智能这两种不同的策略对奶牛反刍行为实时识别方法展开研究.在基于联邦式边缘智能的奶牛反刍行为实时识别方法研究中,通过协同注意力机制改进MobileNet v3网络提出了...

简介：[目的/意义]牛的体尺参数是反映牛身体发育状况的关键指标,也是牛选育过程的关键因素.为解决规模化肉牛牧场复杂环境对肉牛体尺的测量需求,设计了一种图像采集装置以及体尺自动测量算法.[方法]首先搭建肉牛行走通道,当肉牛通过通道后进入限制装置,用英特尔双目深度相机D455对牛只右侧图像进行RGB与深度图的采集.其次,为避免复杂环境背景的影响,提出一种改进后的实例分割网络Mask2former来对牛只二维图进行前景轮廓提取,对轮廓进行区间划分,利用计算曲率分析方法找到所需体尺测点.然后,将原始深度图转换为点云数据,对点云进行点云滤波、分割和深度图牛只区域的空值填充,以保留牛体区域的点云完整,从而找到所需测点并返回到二维数据中.最后,将二维像素点投影到三维点云中,利用相机参数计算出投影点的世界坐标,从而进行体尺的自动化计算,最终提取肉牛体高、十...

简介：[目的/意义]小麦叶片数是衡量植株生长状况、确定茎蘖动态、调节群体结构的重要指标之一.目前大田环境下小麦叶片计数主要依靠人工、耗时耗力,而现有的自动化检测计数方法的效率与精度难以满足实际应用需求.为提高小麦叶片数检测的准确性,设计了一种复杂大田环境下高效识别小麦叶尖的算法.[方法]本研究以手机和田间摄像头获取的可见光图像构建了两种典型光照条件下出苗期、分蘖期、越冬期等多个生长期的小麦叶片图像数据集.以YOLOv8为基础网络,融合坐标注意力机制降低背景环境的干扰,提高模型对小麦叶尖轮廓信息的提取能力;替换损失函数加快模型收敛速度;增加小目标检测层提高对小麦叶尖的识别效果,降低漏检率.设计了一种适用于叶尖小目标识别的深度学习网络,通过检测图像叶尖数量从而得出叶片数.[结果与讨论]本研究提出的方法对小麦叶尖的识别精确率和mAP...

简介：[目的/意义]准确高效地获取马匹体尺信息是马产业现代化进程中的关键环节.传统的人工测量方法耗时长、工作量大,且会对马匹造成一定应激反应.因此,实现准确且高效的体尺参数自动测量对于制定蒙古马早期育种计划至关重要.[方法]选择Azure Kinect深度相机获取蒙古马双侧RGB-D数据,以YOLOv8n-pose为基础,通过在C2f模块中引入可变形卷积(Deformable Convolution v2,DCNv2),同时添加洗牌注意力机制(Shuffle Atten-tion,SA)模块和优化损失函数(SCYLLA-IoU Loss,SIoU)的方法,利用余弦退火法动态调整学习率,提出一种名为DSS-YOLO(DCNv2-SA-SIoU-YOLO)的模型用于蒙古马体尺关键点的检测.其次,将RGB图中的二维关键点坐标与深度图中对应深度值相结合,得到关键点三维坐标,并实现蒙古马点云信息的转换.利用直通滤波、随机抽样一致性(Random Sample Consensu...