基于机器视觉的奶牛个体进食信息自动监测方法研究
这是一篇关于奶牛,身份识别,精准饲喂,奶牛进食信息自动监测,计算机视觉的论文, 主要内容为精准饲喂是智慧畜牧的重要组成部分,奶牛个体进食信息精准自动监测是实现精准饲喂的核心。针对传统奶牛个体进食信息监测方式中带称重传感器的料槽式系统成本较高、难以维护和可穿戴设备容易引起奶牛应激反应且精度不高等问题,在国内外研究成果的基础上,围绕基于机器视觉的奶牛个体进食信息自动监测方法和自动监测系统展开系统研究。主要工作内容如下:(1)奶牛目标检测与身份识别方法研究。奶牛目标检测与个体身份识别是实现奶牛个体进食信息监测的基础,首先设计了以深度相机Gemini为核心的数据采集系统,利用该系统完成了采食视角下奶牛头部RGB图像与深度图像采集,通过数据融合得到RGB-D数据并完成身份识别数据集构建;研究基于YOLO v5的奶牛目标检测方法,实现采食视角下奶牛头部目标检测,检测精度99.55%;针对实际牛场中牛只增减带来的再训练问题,提出一种基于深度特征提取与匹配的奶牛身份识别方法:基于残差网络构建奶牛身份特征提取器,使用特征提取器提取奶牛头部特征,构建特征模板库,明确特征匹配方式,实现奶牛身份识别,在开集测试中综合准确率为90.5%。(2)采食槽场景下奶牛个体采食量监测方法研究。首先,针对采食槽场景构建了饲料堆图像采集系统,在此基础上完成数据采集与数据集构建;其次,对奶牛采食量计算方式进行分析,提出基于孪生网络的奶牛个体采食量监测方法。该方法以采食前后饲料堆深度图像数据为输入,将两张深度图像映射至同一高维特征空间,计算得到一个差异向量;最后,通过多层感知机将其计算为采食量数值,实现采食槽场景下的奶牛个体采食量计算。在0-8200g范围内,对奶牛采食量预测的平均绝对误差MAE为100.6g,均方根误差RMSE为128.02g。(3)采食通道场景下奶牛个体采食量监测方法研究。结合实际生产中采食通道场景的特点,提出了基于孪生网络与点云数据的奶牛个体采食量监测方法。首先,利用采集到的饲料堆深度数据生成三维点云数据,通过点云滤波方式进行自动杂物去除;其次,训练加入自注意力机制的点云数据特征提取器;最后,构建基于孪生网络与点云数据的奶牛个体采食量监测模型,完成采食通道场景下的奶牛个体采食量计算。在0-8200g范围内,对奶牛采食量预测的平均绝对误差MAE为121.3g,均方根误差RMSE为187.22g。(4)基于机器视觉的奶牛个体进食信息自动监测系统设计与验证。首先,对系统进行总体设计,并给出系统的运行逻辑与进食信息计算方式;其次,对所设计的系统进行具体实现,将所构建的模型移植到边缘计算设备中,然后构建云服务器收集边缘设备信息,进一步进行数据统计与计算;最后,开发移动端程序进行数据可视化,完成基于机器视觉的奶牛个体进食信息自动监测系统,并将系统安装在商业牛场中进行验证,可以稳定运行。本文基于计算机视觉技术,结合深度学习算法实现了采食视角下奶牛头部的目标检测与身份识别,针对两种不同采食场景分别构建了奶牛个体采食量监测模型,设计并实现了基于机器视觉的奶牛个体进食信息自动监测系统,为解决奶牛精细化饲喂领域的关键问题提供技术支持,同时为奶牛个体进食信息的非接触式自动监测提供新思路。
生物活体抵押监管平台的研究及实现
这是一篇关于奶牛,活体抵押,Vue.js,Node.js,活动量监控的论文, 主要内容为为了推动奶牛养殖业的现代化、规模化发展,我国多个部门联合发布文件推动活体奶牛抵押为奶牛养殖个体户和中小型牧场提供资金。但是活体抵押贷款中存在着很多问题。一方面,活体抵押品本身具有特殊性,容易遭受自然灾害的破坏以及被人为的恶意更换,很难作为抵押品使用;另一方面,奶牛养殖牧场往往位置偏僻,频繁派遣工作人员前往会浪费大量的人力。本文基于上述活体抵押面临的难题结合当地银行实际业务流程,使用物联网技术,流行前端框架Vue.js、高性能服务端技术Node.js、Axios技术、Websocket协议、JWT开放标准并按照软件开发流程设计和实现了生物活体抵押监管平台。本文通过分析国内外研究现状,咨询相关牧场从业人员和金融从业人员并在当地牧场实地考察后创造性地使用奶牛的活动量来实现奶牛的活体抵押监管。本系统的异常检测模型基于长短期记忆网络实现,用于发现奶牛在一个时间序列中异常的活动量数据,从而及时发现抵押奶牛潜在的健康问题和债务人恶意更换行为以及采集器的故障。本文所研究的系统包括三个部分:物联网监控模块,生物抵押借贷申请系统和借贷监管信息管理系统。物联网监控模块负责上传奶牛的活动量数据。生物抵押借贷申请系统针对奶牛养殖业从业人员,提供申请活体抵押和处理异常的功能。借贷监管信息管理系统供工作人员使用用来监控奶牛,管理借贷信息以及信息管理。经过V模型软件测试,本文研究的生物活体抵押监管平台能够根据物联网监控模块采集到的奶牛活动量数据有效地监控抵押奶牛的健康状态,采集器的工作状态,检测抵押奶牛是否被人为恶意替换,从而实现了减轻活体抵押贷款面临的风险,降低相关金融机构运营成本的目的。
生物活体抵押监管平台的研究及实现
这是一篇关于奶牛,活体抵押,Vue.js,Node.js,活动量监控的论文, 主要内容为为了推动奶牛养殖业的现代化、规模化发展,我国多个部门联合发布文件推动活体奶牛抵押为奶牛养殖个体户和中小型牧场提供资金。但是活体抵押贷款中存在着很多问题。一方面,活体抵押品本身具有特殊性,容易遭受自然灾害的破坏以及被人为的恶意更换,很难作为抵押品使用;另一方面,奶牛养殖牧场往往位置偏僻,频繁派遣工作人员前往会浪费大量的人力。本文基于上述活体抵押面临的难题结合当地银行实际业务流程,使用物联网技术,流行前端框架Vue.js、高性能服务端技术Node.js、Axios技术、Websocket协议、JWT开放标准并按照软件开发流程设计和实现了生物活体抵押监管平台。本文通过分析国内外研究现状,咨询相关牧场从业人员和金融从业人员并在当地牧场实地考察后创造性地使用奶牛的活动量来实现奶牛的活体抵押监管。本系统的异常检测模型基于长短期记忆网络实现,用于发现奶牛在一个时间序列中异常的活动量数据,从而及时发现抵押奶牛潜在的健康问题和债务人恶意更换行为以及采集器的故障。本文所研究的系统包括三个部分:物联网监控模块,生物抵押借贷申请系统和借贷监管信息管理系统。物联网监控模块负责上传奶牛的活动量数据。生物抵押借贷申请系统针对奶牛养殖业从业人员,提供申请活体抵押和处理异常的功能。借贷监管信息管理系统供工作人员使用用来监控奶牛,管理借贷信息以及信息管理。经过V模型软件测试,本文研究的生物活体抵押监管平台能够根据物联网监控模块采集到的奶牛活动量数据有效地监控抵押奶牛的健康状态,采集器的工作状态,检测抵押奶牛是否被人为恶意替换,从而实现了减轻活体抵押贷款面临的风险,降低相关金融机构运营成本的目的。
融合知识图谱与深度学习的奶牛疾病诊断方法研究
这是一篇关于奶牛,疾病辅助诊断,文本分类,深度学习,知识图谱的论文, 主要内容为高效、准确的奶牛疾病诊断对提升奶牛健康水平及牧场管理水平有着重要的现实意义。奶牛疾病有其自身的特点,病牛个体之间的差异性较强,群发的流行疾病较少,对患病奶牛,一般要求临床确诊。无论是规模化牧场或养殖散户,对于奶牛疾病诊断主要依赖于专业兽医。区别于人类疾病诊断,奶牛疾病的诊断要求兽医具备全科知识,但广大农村地区的中小规模养殖场极其缺乏高水平从业人员,导致奶牛疾病诊断的及时性和准确性无法令人满意,进而造成巨大的经济损失。目前,动物疾病辅助诊断仍停留在专家系统阶段,此类系统构建复杂和依赖大量人工定义规则,无法充分发现症状与疾病、症状与症状、疾病与病因之间的隐含关联,且非专业养殖户通常很难操作。因此,迫切需要一种高效、准确的奶牛疾病辅助诊断方法,以此缓解高水平兽医从业人员的不足,降低奶牛疾病辅助诊断的使用门槛,进而助力提升奶牛养殖的健康化、智能化管理水平。为此,本文研究融合领域知识图谱与深度学习的奶牛疾病高效诊断方法。该方法以奶牛病情描述文本为研究对象,以奶牛疾病领域知识图谱为基础,从奶牛病情描述文本中提取疾病特征关键词,通过实体链接,在奶牛疾病领域知识图谱中提取与其相关的疾病特征实体及其上下文实体,经过知识图谱嵌入转换为实体向量,输入深度学习模型,得到奶牛疾病诊断结果。本文开展的研究工作如下:(1)奶牛疾病领域知识图谱构建。分别从专业书籍、知网文献和百科网站上获取奶牛疾病专业知识,将其进行预处理后作为知识图谱构建的数据源。针对数据特点及应用需求设计奶牛疾病领域知识图谱模式层,针对知识抽取任务容易产生误差和冗余信息较多的情况,采用实体关系联合抽取方法,并重点研究了一种融合MHA和Attention机制的命名实体识别模型,以此提高实体识别的准确率。实验结果显示,该命名实体识别模型的F1值达到了91.81%。(2)融合知识图谱与深度学习的奶牛疾病诊断模型。对于提取到的奶牛病情描述文本中的特征词,链接奶牛疾病知识图谱挖掘隐藏的结构知识作为额外补充,通过词嵌入的方式将特征词和隐性知识转化为词向量,并使用Bi LSTM-CNN混合网络框架捕获全局长期疾病特征和局部特征,从而学习更有区分性的特征表示,从而提高奶牛疾病诊断的准确性。实验结果显示,该模型的诊断准确率达到94.57%,F1值达到94.89%。(3)奶牛疾病辅助诊断系统的实现与验证。以奶牛疾病领域知识图谱为基础,以融合知识图谱和深度学习的奶牛疾病诊断模型为核心,研发奶牛疾病辅助诊断系统,为奶牛养殖户和兽医提供奶牛疾病诊断服务和知识查询服务,该系统已在多家牧场及养殖户进行了应用,取得了较好的效果,验证了本文模型的有效性。本文基于知识图谱和深度学习技术提出了行之有效的奶牛疾病诊断方法,实现了数据和知识双驱动的奶牛疾病诊断,为高效、及时和准确的奶牛疾病诊断提供技术支持,同时也为动物疾病智能辅助诊断的研究提供了新思路和新方法。
边缘计算环境中奶牛体况自动评分技术研究
这是一篇关于奶牛,个体身份识别,体况自动评分,点云特征提取,深度学习的论文, 主要内容为在奶牛的养殖管理过程中,体况评分(Body Condition Score,BCS)是评估奶牛生产性能与健康状况的重要工具,对精准畜牧业的发展具有重要意义。由于人工评分存在低效和强主观性等问题,基于人工特征提取的体况评分方法由于特征均为人工定义和选择,具备经验性和主观性,在复杂场景下的鲁棒性较差。基于深度学习的奶牛体况评分方法可以更高效、更自动地提取体况相关特征,通过端到端的体况评分模型来对奶牛体况进行自动评分。本文对边缘计算环境中的奶牛体况自动评分技术进行研究,为实现自动且精准的奶牛体况评分,首先对输入图像进行奶牛目标检测,并基于检测结果进行奶牛个体身份识别,进而对奶牛体况进行自动评分,最后设计并实现面向边缘计算环境的奶牛体况自动评分系统,拟解决传统体况评分方法经验性以及基于PC端奶牛体况自动评分系统存在的低效率等问题。本文主要研究内容如下:(1)奶牛目标检测与个体身份识别方法研究。奶牛目标检测与个体身份识别是实现自动且精准的奶牛体况评分的首要工作,本文通过以深度相机Intel Realsense D435为核心的数据采集装置进行奶牛RGB图像与深度图像数据的采集。为使得模型能够在边缘计算环境中进行正常推理,奶牛目标检测方面,研究基于YOLOV4的奶牛目标检测方法。奶牛个体身份识别方面,研究基于Mobile Net V2的奶牛个体身份识别方法。(2)奶牛体况自动评分方法研究。本文基于两种不同的策略对奶牛体况自动评分方法展开研究。基于深度图像特征提取的奶牛体况自动评分方法研究中,利用深度直方图对深度图像进行处理,将融合RGB图像边缘检测与深度图像傅里叶变换的三通道奶牛深度图像作为输入,研究基于Shuffle Net V2的奶牛体况自动评分方法。基于注意力引导点云特征学习的奶牛体况自动评分方法的研究中,本文以奶牛点云数据作为研究对象,提出一种基于注意力引导点云特征提取网络,对奶牛体况进行自动评分。(3)面向边缘计算的奶牛体况自动评分系统设计。系统总体设计方面将Intel Realsense D435相机作为终端层进行奶牛图像数据的采集。将NVIDIA Jetson AGX Xavier设备作为边缘计算层的硬件选型,在完成对设备的环境搭建后,将奶牛目标检测、个体身份识别与体况自动评分模型进行集成并移植到设备中。最后,将输出的个体识别与体况评分结果通过HTTP协议上传至云端服务器,在靠近数据来源一端实现自动且精准的奶牛体况自动评分。本文基于深度学习技术,实现了边缘计算环境中自动且精准的奶牛体况自动评分,并设计面向边缘计算的奶牛体况自动评分系统。为实现个性化、精准化、智能化的奶牛养殖管理目标提供了技术支持,同时也为其它领域的智能养殖提供了指导思想。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码小屋 ，原文地址：https://m.bishedaima.com/lunwen/52210.html
