6个研究背景和意义示例,教你写计算机奶山羊论文

今天分享的是关于奶山羊的6篇计算机毕业论文范文, 如果你的论文涉及到奶山羊等主题,本文能够帮助到你

基于时序信息的奶山羊视频目标检测算法研究及应用

这是一篇关于奶山羊,Faster R-CNN,视频目标检测,时序信息的论文, 主要内容为利用智能视频监控技术对奶山羊养殖场进行监测,有助于及时获取羊群动态和异常行为,提高羊场管理效率,降低养殖成本。视频目标检测是智能监控技术的重要组成部分,其检测结果直接影响后续目标跟踪及行为分析的效果。本文以西北农林科技大学畜牧教学实验基地的奶山羊监控视频为研究对象,实现了基于改进Faster R-CNN算法的奶山羊视频目标检测。本文的主要研究内容与结论如下:(1)奶山羊视频目标检测数据集的构建。针对奶山羊视频目标检测数据集不足的问题,首先在奶山羊养殖场安装远程监控设备以获取到原始的奶山羊监控视频,并对其进行格式转换,筛选出有效的视频片段;其次使用FFmpeg对视频片段分帧,Label Img开源工具对帧图像进行标注;最后按照ILSVRC-VID数据集格式组织文件,并将最终的奶山羊数据集命名为GOAT-Dataset,用于后续算法模型的训练。(2)基于特征加权的奶山羊视频目标检测。针对卷积神经网络对视频帧特征信息利用不充分的问题,本文提出了一种基于特征加权的奶山羊视频目标检测模型SFFaster R-CNN。SF-Faster R-CNN在Faster R-CNN和Res Net-50主干网络的基础上,嵌入了改进后的SE通道注意力模块,用于提高卷积神经网络对有效特征的学习权重;引入多尺度特征融合FPN模块,使提取的特征更具丰富的表达能力。经实验证明,SF-Faster R-CNN拥有更好的检测性能,在GOAT-Dataset奶山羊数据集上的检测精度达到了71.54%。(3)基于聚合时序信息的奶山羊视频目标检测。针对SF-Faster R-CNN模型未充分利用相邻帧间同一对象特征高度相似的问题,提出了一种基于聚合时序信息的奶山羊视频目标检测模型。本模型将视频帧划分为关键帧与非关键,仅在关键帧上使用特征提取网络进行特征提取,并采用递归特征聚合的方式增强关键帧特征,对于非关键帧特征,则使用轻量级的光流网络通过特征传播得到;接着又引入了时序ROI对齐算子(Temporal ROI Align),该算子在时间序列上利用特征相似性从其他帧的特征映射中提取当前帧候选框的特征。经实验证明,基于聚合时序信息的奶山羊视频目标检测模型在GOAT-Dataset数据集上有较高的准确率和较快的识别速度。最后,设计了基于时序信息的奶山羊视频目标检测系统,可对奶山羊监控视频进行检测。

基于时序信息的奶山羊视频目标检测算法研究及应用

基于Transformer的奶山羊图像实例分割方法研究与实现

这是一篇关于实例分割,Transformer,注意力机制,奶山羊的论文, 主要内容为图像分割质量的优劣对于畜禽图像的分析和理解起着决定性作用。通过高质量的奶山羊图像实例分割,能够实现奶山羊图像信息的精准监测,促进奶山羊养殖业的精准化和智能化发展。本文以西北农林科技大学畜牧教学试验基地采集的奶山羊图像为研究对象,实现了基于Transformer的奶山羊图像实例分割。本文的主要研究内容与结论有:(1)奶山羊图像实例分割数据集的构建。针对目前网络上缺乏易于获取的奶山羊图像公共数据集的问题,在奶山羊养殖场采集不同时间段内奶山羊活动的监控视频。采集完成后,使用FFmpeg软件提取视频关键帧并进行预处理,获得质量较高且尺寸统一的奶山羊图像。然后使用Label Me软件对图像进行标注,并采用几何变换和颜色变换两类增强方法扩增数据,最终获得一套高质量奶山羊图像实例分割数据集。(2)基于Transformer的奶山羊图像实例分割。以DETR为基本框架,提出一种基于Transformer查询向量的实例分割方法,将目标对象的类别、位置和掩码以查询向量统一表示,从而能够同时进行分类、边界框回归和掩码预测任务。由此构建一种统一查询表示模块,用以取代DETR网络结构中的预测头部分,实现端到端的奶山羊图像实例分割。(3)基于可变形注意力的Transformer模块改进。针对Transformer在处理图像数据时计算复杂度高、训练耗时、无法充分利用特征信息的问题,提出一种可变形注意力机制,以提升Transformer的计算效率。此外,引入多尺度特征构建多尺度可变形注意力模块,同时将主干网络替换为Res2Net,两者共同改善网络的多尺度特征提取能力,从而提升奶山羊图像实例分割的准确性。经实验表明,本方法的平均分割精度达到69.20%,具有较好的分割性能。(4)奶山羊图像实例分割系统的设计与实现。为方便奶山羊图像监测技术的改进研究等下游任务和奶山羊精准养殖的实践,本文在先前研究成果的基础上,设计并实现了一种基于B/S架构的奶山羊图像实例分割系统。经过测试证明,系统的各项指标均符合需求分析中的要求,运行稳定且分割效果良好,具备一定的实用价值。

基于深度学习的产前奶山羊典型行为识别研究

这是一篇关于奶山羊,产前行为识别,小波阈值去噪,卡尔曼滤波算法,时空长短期记忆网络的论文, 主要内容为随着奶山羊养殖工厂化、集约化、精细化的发展,奶山羊行为监测的智能化实现显得尤其重要。现在对奶山羊产前管理与饲养主要依赖于饲养员的实际经验,即借助其对奶山羊的了解程度,人为观察奶山羊生产前的行为以判断其健康状况与生长状态,这不仅加大饲养员的劳动强度,而且工作效率低下,对奶山羊个体行为状态的改变反应不够快速,也不能很好地适应大规模农场饲养的需求。伴随着信息技术的不断发展,相关工作者对奶山羊智能化饲养开展了研究,借助图像处理技术对奶山羊的行为状态进行观察与监测取得了一些成果,但这种技术对环境的要求相对较高。本文以加载姿态传感器的智能化穿戴设备为工具,以临产奶山羊为主体,将获得的奶山羊行为数据通过小波阈值进行降噪,采用卡尔曼滤波(Kalman Filtering,KF)优化时空长短期记忆网络(Spatial Temporal Long Short Term Memory,STLSTM)算法,建立奶山羊产前行为分类模型,实现了奶山羊产前运动行为的适时、自动监测。论文主要内容包括:(1)数据采集与姿态分析。为了获得生产期奶山羊的行为数据,本文通过在奶山羊身体某部位绑定加载姿态传感器的智能化穿戴设备进行奶山羊产前运动行为数据的采集,通过蓝牙模式传输给系统的数据采集PC机,进行数据的分析和预处理操作。利用小波阈值去噪的方法对奶山羊产前的躺卧、站立、行走、刨地等四种运动行为数据进行去噪,并选取降噪后的方差、均值、峰值等特征参数表征奶山羊行为特征。同时,通过卡尔曼滤波算法对奶山羊的运动姿态角及运动行为进行了姿态分析,为奶山羊产前异常行为提供了数据基础。(2)基于优化时空长短期记忆网络的奶山羊产前行为分类识别。为获取奶山羊行为的时空特征并且去除噪声。本文提出了卡尔曼滤波算法优化融合时空长短期记忆网络(KF-STLSTM),建立奶山羊产前行为分类模型。为评估KF-STLSTM行为分类算法的性能,对经过预处理的奶山羊四种行为姿态数据集进行实验,并与长短期记忆网络(LSTM)模型、卷积神经网络(CNN)等模型的分类结果进行比较。实验结果表明,KF-STLSTM算法在奶山羊产前行为分类平均准确率达到98.33%,准确率、召回率等方面均优于其他4种方法。(3)奶山羊产前行为管理系统的设计与实现。根据需求研究,本文运用Java与Matlab语言混合编程,采用My SQL作为系统数据库,利用Eclipse开发平台设计并开发出B/S架构的奶山羊产前羊只管理系统,完成缓存数据显示、传感器管理、用户信息管理等模块设计。实现奶山羊产前典型行为信息的采集、数据的显示及存储等功能,并通过测试验证了构建的系统的稳定性和可实际操作能力。

基于超声的非接触式单只奶山羊静息呼吸监测系统研究

这是一篇关于奶山羊,呼吸监测,宽频带超声同步收发,与位置无关的呼吸监测,系统频率响应的论文, 主要内容为奶山羊产业是我国畜牧业的重要组成部分,奶山羊的健康体质是其稳产和高产的保障。然而,奶山羊养殖过程中疾病高发的现状给养殖户带来了较大的经济损失,患病奶山羊静息时的呼吸相较于正常个体通常表现出或快或慢的异常现象。因此奶山羊实时呼吸监测可作为及时发现患病个体的一种有效手段,进而对患病个体进行隔离和介入治疗,防止疾病传播,降低死亡率。针对牲畜的呼吸监测,传统可穿戴式呼吸监测设备易被损坏且干扰牲畜自然状态,而基于可见光视频图像的呼吸监测技术易受光线条件影响,也不适用于奶山羊等通体为纯色的牲畜,即现有奶山羊的呼吸监测方法难以在实际饲养中推广应用。综合上述问题,本研究利用超声感知方法取代传统的可穿戴和视频监测方法,在奶山羊自然静息状态下实现非接触式的呼吸监测。本文的主要研究内容和结果如下:(1)宽频带超声同步收发平台的设计。为避免对静息状态奶山羊产生可听频段的噪声干扰,同时为方便开展研究工作,设计了一套宽频带超声同步收发平台,其设计内容主要包括USB声卡和宽频带超声发射器。其中USB声卡为核心控件,以STM32微控制器为主控核心,并结合可接收宽频带超声的数字MEMS麦克风完成了高性价比的USB声卡硬件设计。在实现USB声卡功能的同时,满足96 k Hz高采样率以及收发高度同步的需求,提出了能保证USB声卡音频流实时与完整性的音频流架构;然后基于该架构设计了高效系统音频流程序;再则反向精准推算出收发外设的时钟系统分布,实现了USB声卡端的收发时钟同步;进一步,为实现系统平台与USB声卡间的收发同步,在音频流程序中设计了同步方法。为发射宽频带且功率可控的超声,基于通用音箱构架设计了宽频带超声发射器。最后组建了平台样机并进行了测试和验证。本平台主要性能如下:宽频带(20～42 k Hz)和高采样率(96 k Hz)、收发高度同步、便捷可控,为奶山羊静息呼吸监测研究提供了工具支撑。(2)基于声学系统频率响应(SFR)的呼吸监测算法设计。为解决奶山羊静息位置及姿势不固定导致出现监测盲区的问题,基于非接触式的超声,设计了一种与被测对象位置无关的鲁棒性新型呼吸监测算法。利用室内多径效应的物理现象构建了室内回波模型,总结出呼吸伴随的胸腹运动影响着回波中有效信号变化的理论,为实现呼吸监测提供了理论基础。由上述理论,基于SFR构建了稳定表达胸腹运动信息的数学模型,并详细设计了SFR的精确获取方法,进而设计了能动态提取反映胸腹运动信息的有效SFR时序方法。最后由提取的有效SFR时序,设计了能复原连续呼吸波形的方法。该算法从原理上解决了现有方法对被测对象位置敏感性的难题,为奶山羊静息呼吸监测研究提供了方法支撑。(3)非接触式奶山羊静息呼吸监测系统构建与试验。以超声收发平台为支撑工具,以呼吸监测算法为核心,构建出呼吸监测系统,设计了奶山羊呼吸监测试验并进行系统验证。结果表明本呼吸监测系统不会对奶山羊产生噪声干扰以致影响其静息状态,不受羊只自然静息位置、体型大小、年龄和姿势的影响,有效地解决了现有基于无线信号的呼吸监测方法对位置和朝向敏感性的难题,具有良好的鲁棒性。最后测算出本系统监测的呼吸频率并进行对照,结果显示呼吸频率的最大误差为0.4次/min,呼吸频率的平均误差为0.15次/min。因此本系统可以应用于非接触且高精度的单只奶山羊静息呼吸监测。

基于深度与小波特征融合的羊脸识别方法研究

这是一篇关于奶山羊,YOLOv7,小波变换,特征融合,羊脸检测,羊脸识别的论文, 主要内容为规模化养殖是现代奶山羊产业的主要发展方向,精确、快速的奶山羊个体识别方法在其中起着关键性作用。在传统养殖过程中,大多采用给奶山羊佩戴耳标的方式实现个体识别,然而,这种方式会给羊带来痛苦,对其造成生理损伤,还会引发应激反应或疾病。此外,羊耳标识别效率较低,消耗的硬件成本和人力成本却很高,而且无法有效应对农险理赔环节中的欺诈行为。近年来,随着养殖场摄像设备的增多,以及人工智能的快速发展,基于深度学习、计算机视觉技术的家畜个体识别方法已成为重要研究方向。本文利用羊脸图像的深度特征与小波特征,依次提出羊脸检测、识别模型,提供了一种高精度、无接触、低成本识别奶山羊的方法。主要工作及结论如下:(1)羊脸图像数据集构建。本文以西农萨能奶山羊为采集对象,在不同光照、不同角度等条件下进行图像数据采集。为提高数据集的质量,紧接着对采集到的不合格图像进行剔除,并基于SSIM指标对相似度过高的图像进行过滤。之后,使用label Img标注工具进行羊脸区域标注,制作PASCAL VOC格式的标签文件,形成羊脸检测数据集。最后,进行图像裁剪和缩放,以及数据增强,实现样本容量的扩充,形成包含总计17 600张羊脸图像的羊脸识别数据集。(2)基于改进YOLOv7的轻量级羊脸检测模型构建方法研究。为实现羊脸的精确、快速检测,本文以YOLOv7目标检测模型为基础,使用Ghost模块替换常规卷积操作,添加ECA轻量级注意力机制,并将模型的定位损失函数优化为SIo U Loss。实验结果表明,改进后的YOLOv7-Ghost-ECA-SIo U模型有效降低了模型规模,精确率、召回率、m AP三项指标较YOLOv7分别提升了3.80、2.65、3.15个百分点,能够高效完成羊脸检测任务。(3)基于小波变换与卷积神经网络的羊脸识别模型构建方法研究。为解决养殖场条件下羊的个体识别问题,本文设计了基于2D-DWT与卷积运算的羊脸特征提取模块,对羊脸深度特征和小波特征进行特征融合,并据此模块完成卷积神经网络搭建,形成了羊脸识别模型DWT-Goat Net。实验结果表明,所提出模型在日间光照环境、夜间灯光环境两种不同场景下羊脸识别测试集上识别准确率分别可达99.74%和99.89%。模型结构简单、收敛迅速,引入小波特征后模型的特征提取能力取得了一定增益,且模型相较于经典卷积神经网络在羊脸识别任务中更具优越性,为精准养殖、农险理赔和动物福利等领域问题提供了有效解决方案。

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：毕设驿站，原文地址：https://m.bishedaima.com/lunwen/54695.html