基于改进YOLO v3模型的挤奶奶牛个体识别方法

为实现无接触、高精度养殖场环境下奶牛个体的有效识别，提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先，在奶牛进、出挤奶间的通道上方安装摄像机，定时、自动获取奶牛背部视频，并用视频帧分解技术得到牛背部图像；用双边滤波法去除图像噪声，并用像素线性变换法增强图像亮度和对比度，通过人工标注标记奶牛个体编号；为适应复杂环境下的奶牛识别，借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36790幅背部图像中，随机选取22074幅为训练集，其余图像为验证集和测试集。识别结果表明，改进YOLO v3模型的识别准确率为95.91%，召回率为95.32%，mAP为95.16%， IoU为85.28%，平均帧率为32f/s，识别准确率比YOLO v3高0.94个百分点，比Faster R-CNN高1.90个百分点，检测速度是Faster R-CNN的8倍，背部为纯黑色奶牛的F1值比YOLO v3提高了2.75个百分点。本文方法具有成本低、性能优良的特点，可用于养殖场复杂环境下挤奶奶牛个体的实时识别。     

基于MSRCP与改进YOLO v4的躺卧奶牛个体识别方法

奶牛的躺卧率可以反映奶牛的舒适度和健康情况,躺卧奶牛的个体识别是自动监测奶牛躺卧率的基础。本文提出了一种基于改进YOLO v4模型识别非限制环境下躺卧奶牛个体的方法。为实现对躺卧奶牛全天的准确个体识别,首先对18:00—07:00的图像采用MSRCP（Multi-scale retinex with chromaticity preservation）算法进行图像增强,改善低光照环境下的图像质量。其次,在YOLO v4模型的主干网络中融入RFB-s结构,改善模型对奶牛身体花纹变化的鲁棒性。最后,为提高模型对身体花纹相似奶牛的识别准确率,改进了原模型的非极大抑制（Non-maximum suppression, NMS）算法。利用72头奶牛的图像数据集进行了奶牛个体识别实验。结果表明,相对于YOLO v4模型,在未降低处理速度的前提下,本文改进YOLO v4模型的精准率、召回率、mAP、F1值分别提高4.66、3.07、4.20、3.83个百分点。本文研究结果为奶牛精细化养殖中奶牛健康监测提供了一种有效的技术支持。     

基于机器视觉的奶牛发情行为自动识别方法

及时检测奶牛发情、适时人工授精、减少空怀奶牛，是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题，提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测，然后基于颜色和纹理信息去除干扰背景，再利用AlexNet深度学习网络训练奶牛行为分类网络模型，识别奶牛爬跨行为，最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明，本文方法对奶牛发情的识别准确率为100%，召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中，为生产管理提供辅助决策。     

基于改进YOLO v5s的轻量级奶牛体况评分方法

奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-MCE)。首先,通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次,在MobileNetV3网络中融入坐标注意力机制(Coordinate attention, CA)构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络,在降低模型复杂度的同时,使得网络特征提取时更关注于牛尾区域的位置和空间信息,从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数,优化了目标边界框回归收敛速度,生成定位精准的预测边界框,进而提高了模型检测精度。试验结果表明,改进的YOLO v5s模型的检测精度为93.4%,召回率为85.5%,mAP@0.5为91.4%,计算量为2.0×10⁹,模型内存占用量仅为2.28 MB。相较原始YOLO v5s模型,其计算量降低87.3%,模型内存占用量减...     

基于改进YOLO v5的夜间温室番茄果实快速识别

为实现日光温室夜间环境下采摘机器人正常工作以及番茄快速识别,提出一种基于改进YOLO v5的夜间番茄果实的识别方法。采集夜间环境下番茄图像2 000幅作为训练样本,通过建立一种基于交并比的CIOU目标位置损失函数,对原损失函数进行改进,根据计算函数anchor生成自适应锚定框,确定最佳锚定框尺寸,构建改进型YOLO v5网络模型。试验结果表明,改进YOLO v5网络模型对夜间环境下番茄绿色果实识别精度、红色果实识别精度、综合平均识别精度分别为96.2%、97.6%和96.8%,对比CNN卷积网络模型及YOLO v5模型,提高了被遮挡特征物与暗光下特征物的识别精度,改善了模型鲁棒性。将改进YOLO v5网络模型通过编译将训练结果写入安卓系统制作快速检测应用软件,验证了模型对夜间环境下番茄果实识别的可靠性与准确性,可为番茄实时检测系统的相关研究提供参考。     

基于改进YOLO v5s的轻量化植物识别模型研究

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention, CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution, DSC)减小模型内存占用量。实验结果表明,YOLO v5s-CBD模型在单块Nvidia GTX A5000 GPU单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1值为94.0%,平均精度均值(mAP)为95.7%,在VOC数据集...     

基于YOLO v5与短时跟踪的鸡只呼吸道疾病早期检测

针对鸡只呼吸困难这一早期呼吸道疾病显著症状难以检测的问题,提出一种基于YOLO v5与短时跟踪的鸡只呼吸道疾病早期检测方法。对YOLO v5算法进行锚框自适应设置与CIoU Loss (Complete IoU Loss)应用等特定优化后,用于群鸡复杂环境中准确识别鸡头目标并检测是否为张口状态。根据鸡头坐标框交并比实现鸡头目标短时跟踪并获取不同鸡头的短时动作序列,再对动作序列进行分析,判断张口-闭口组合出现的频率,动态检测是否存在鸡只呼吸困难情况。实验结果表明,改进YOLO v5算法检测鸡头目标的mAP为80.1%,张口检测准确率为67.3%,闭口检测准确率为92.8%,基于时间序列的呼吸困难行为检测方法的识别准确率为91.8%,召回率为75%,精准率为67.9%,可为群鸡养殖环境中的鸡只早期呼吸道疾病检测提供参考。     

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明：YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.498 5 mm...     

基于YOLO v8n-seg-FCA-BiFPN的奶牛身体分割方法

奶牛身体部位的精准分割广泛应用于奶牛体况评分、姿态检测、行为分析及体尺测量等领域。受奶牛表面污渍和遮挡等因素的影响,现有奶牛部位精准分割方法实用性较差。本研究在YOLO v8n-seg模型的基础上,加入多尺度融合模块与双向跨尺度加权特征金字塔结构,提出了YOLO v8n-seg-FCA-BiFPN奶牛身体部位分割模型。其中,多尺度融合模块使模型更好地提取小目标几何特征信息,双向跨尺度加权特征金字塔结构实现了更高层次的特征融合。首先在奶牛运动通道处采集奶牛侧面图像作为数据集,为保证数据集质量,采用结构相似性算法剔除相似图像,共得到1452幅图像。然后对目标奶牛的前肢、后肢、乳房、尾部、腹部、头部、颈部和躯干8个部位进行标注并输入模型训练。测试结果表明,模型精确率为96.6%,召回率为94.6%,平均精度均值为97.1%,参数量为3.3×106,检测速度为6.2f/s。各部位精确率在90.3%~98.2%之间,平均精度均值为96.3%。与原始YOLO v8n-seg相比,YOLO v8n-seg-FCA-BiFPN的精确率提高3.2个百分点,召回率提高2.6个百分点,平均精度均值提高3.1个百分点,改进后的模型在参数量基本保持不变的情况下具有更强的鲁棒性。遮挡情况下该模型检测结果表明,精确率为93.8%,召回率为91.67%,平均精度均值为93.15%。结果表明,YOLO v8n-seg-FCA-BiFPN网络可以准确、快速地实现奶牛身体部位精准分割。     

基于卷积神经网络的奶牛发情行为识别方法

对奶牛发情的及时监测在奶牛养殖中至关重要。针对现有人工监测奶牛发情行为费时费力、计步器接触式监测会产生奶牛应激行为等问题,根据奶牛发情的爬跨行为特征,提出一种基于卷积神经网络的奶牛发情行为识别方法。构建的卷积神经网络通过批量归一化方法提高网络训练速度,以Max-pooling为下采样,修正线性单元(Rectified linear units,Re LU)为激活函数,Softmax回归分类器为输出层,结合理论分析和试验验证,确定了32×32-20c-2s-50c-2s-200c-2的网络结构和参数。经过对奶牛活动区50头奶牛6个月的视频监控,筛选了具有发情行为爬跨特征的视频150段,随机选取网络训练数据23 000幅和测试数据7 000幅,对构建的网络进行了训练和测试。试验结果表明:本文方法对奶牛发情行为识别准确率为98. 25%,漏检率为5. 80%,误识别率为1. 75%,平均单幅图像识别时间为0. 257 s。该方法能够实现奶牛发情爬跨的无接触实时监测,对奶牛发情行为具有较高的识别率,可显著提高规模化奶牛养殖的管理效率。     

发动机支架结构拓扑优化设计

突破传统的零部件设计方法,将基于变密度法的连续体结构拓扑优化方法应用到发动机支架结构设计中,以结构刚度作为约束条件,重量最小化为目标函数,对三种工况载荷下的发动机支架进行了拓扑优化设计,在保证结构强度的前提下,获得优化模型中材料分布的最佳形式,结合工程实践设计出刚度高重量轻的发动机支架合理结构,避免了设计过程中的盲目性和主观性,提高了设计效率。     

算法在多目标优化问题中的仿真应用

综合了PSO算法应用于求解多目标问题的一些思想,引入罚函数对约束条件进行处理,并利用均值的概念来计算选取PSO算法更新方程中的全局最优值,从而使算法在最优解的引导下,跳出局部最小值,更快地向Pareto最优解前沿收敛。压缩弹簧多目标优化设计实例证明了所提出算法的有效性。     

基于SOA的水轮机调速系统PID参数优化

针对现有优化方法复杂、易陷入局部最优等问题,为水轮机调速系统提出了一种基于人群搜索算法的比例-积分-微分控制参数优化方法.为验证该算法的可行性,建立了水轮机调速系统非线性模型,选取水轮发电机组转速偏差的积分时间绝对误差指标作为目标函数进行优化.为验证优化结果的有效性,将人群搜索算法的控制效果与参考文献中粒子群算法的控制效果进行了对比分析.仿真结果表明,在5%频率扰动下,人群搜索算法自第29次迭代起已收敛,经其优化的系统能在8秒内趋于稳定,此时系统的超调量为1.6%;在10%负荷扰动下,人群搜索算法自第25次迭代起已收敛,其优化效果与粒子群算法优化效果基本相同,两者均在10秒内让系统趋于稳定,但人群搜索算法优化的积分时间绝对误差指标比粒子群算法优化的积分时间绝对误差指标小,表明人群搜索算法具有更好的搜索功能,在一定程度上改善了孤网运行条件下机组的动态性能.     

柴油机运动机构多学科协同优化设计

研究多学科耦合作用下的结构快速设计优化技术,提出将多学科设计方法应用于柴油机结构设计,实现了柴油机运动机构综合性能优化.建立曲轴-连杆-活塞结构三维参数化模型,以结构轻量化为设计目标,结构静强度、振动性能和热性能等为约束,基于多学科协同优化设计思想建立设计优化模型,完成了柴油机运动机构的多学科性能综合优化并取得了良好的优化结果.     

基于双向渐进结构优化法的装载机动臂拓扑优化

利用双向渐进结构优化法研究了装载机动臂结构的拓扑优化问题。利用有限元软件ANSYS的APDL语言进行二次开发,实现了多工况下基于应力水平的双向渐进结构优化法(BESO)。对装载机工作装置的动臂进行多工况下的结构双向渐进拓扑优化,得到了动臂的最佳拓扑结构。结果表明了该方法的实用性和有效性,且比ESO方法具有更高的效率。     

基于OptiStruct的仪表板横梁模态分析及轻量化

利用OptiStruct的尺寸和形状优化方法,对某车型的仪表板横梁的厚度和管状横梁的形状进行优化设计,保证一阶垂向模态和一阶侧向模态性能的同时,进行最大化减重。结果表明,仪表板横梁总共横梁减重1.445 kg,减重百分比为19.3%,实现了轻量化设计。     

改进PSO算法在电力系统无功优化中的应用

介绍一种改进粒子群的无功优化方法。采用简化粒子群优化方程和添加极值扰动算子两种策略加以改进,提出简化粒子群优化（SPSO）算法、带极值扰动粒子群优化（DPSO）算法,并将二者结合起来提出带极值扰动的简化粒子群优化（DSPSO）算法。以IEEE6节点系统为例进行无功优化计算,并与其他算法进行比较,结果表明：该算法具有较快的收敛速度及较强的全局搜索能力,可较好地解决电力系统的无功优化问题。     

基于多目标粒子群算法的柔性作业车间调度优化方法

针对柔性作业车间的多目标调度问题,构建了以制造工期、加工成本及提前/拖期惩罚值为目标函数的柔性作业车间调度模型,提出基于密集距离排序的自适应多目标粒子群算法.采用精英策略保留进化过程中的优势个体,基于个体密集距离降序排列进行外部种群的缩减和全局最优值的更新,并引入小概率的变异机制以增强解的多样性和算法的全局寻优能力.最...     

改进微粒群算法及其在水库优化调

介绍了一种新的集群智能算法—微粒群算法（PSO），该算法具有实现简单、参数少且收敛快的特点。针对其易于陷入局部最优的缺陷，文中通过引入遗传算法中的“杂交”算子，并采用自适应的惯性权重，对原算法进行了改进，并将其应用于水库长期优化调度问题。文中用实际算例验证了该算法的有效性，从而为水库优化调度问题提供了一种新的求解途径。     

基于梯度寻优重型车辆悬架参数优化

为了提高某重型车辆的运行平顺性和道路友好性,保证悬架参数优化过程中约束的真实性和可行性,提出采用梯度寻优和ADAMS联合的方式对其悬架参数进行优化。依据行驶平顺性和道路友好性的评价指标,采用梯度寻优法研究悬架系统参数对司乘人员舒适性及车辆对道路破坏程度的影响,最后得到了有利于行驶平顺性和道路友好性综合优化的悬架参数。该...