摘要：为实时监测违法用地现象,对作业挖掘机等施工机械进行实时监测至关重要。针对自然场景下由于背景复杂、光照不均匀及遮挡等导致作业挖掘机难以准确检测出的问题,该文采用类似SSD(Single Shot Detector)方法的网络结构,提出一种自然场景下的挖掘机实时监测方法。该方法采用堆叠DDB(Depthwise Dense Block)模块组成基础网络,实现浅层特征提取,并与高层特征融合,提高网络模型的特征表达能力;在MobileNetV2网络的基础上进行改进,设计BDM(Bottleneck Down-Sampling Module)模块构成多尺度特征提取网络,使模型参数数量和计算量减少为SSD的68.4%。构建不同视角和场景下的挖掘机目标数据集,共计18537张,其中15009张作为训练集,3528张作为测试集,并在主流Jetson TX1嵌入式硬件平台进行网络模型移植和验证。试验表明,该文方法的m AP(Mean Average Precision)为90.6%,其检测精度优于SSD和Mobile Net V2SSD的90.2%;模型大小为4.2 MB,分别减小为SSD和Mobile Net V2SSD的1/25和1/4,每帧检测耗时145.2 ms,相比SSD和MobileNetV2SSD分别提高了122.7%和28.2%,可以较好地部署在嵌入式硬件平台上,为现场及时发现违法用地作业提供有效手段。

摘要：猪舍场景下,光照变化、母猪体表颜色不均及与环境颜色对比度不大、母猪与仔猪的粘连等,均给目标分割带来很大的困难。该文提出了基于全卷积网络(FCN,fully convolutional networks)的哺乳母猪图像分割算法。以VGG16为基础网络,采用融合深层抽象特征与浅层细节特征并将融合的特征图上采样8倍的跳跃式结构,设计哺乳母猪分割的FCN。利用Caffe深度学习框架,以7栏伴有不同日龄仔猪的3811幅哺乳母猪训练样本进行母猪分割FCN训练,在另外21栏的523幅哺乳母猪测试集上的分割结果表明:该算法可有效避免光线变化、母猪颜色不均、小猪遮挡与粘连等影响,实现完整的哺乳母猪区域分割;分割的平均准确率达到99.28%,平均区域重合度达到95.16%,平均速度达到0.22 s/幅。与深度卷积网络的SDS(simultaneous detection and segmentation)及传统的基于图论的图像分割、基于水平集的图像分割方法做了对比试验,该文分割方法平均区域重合度分别比这3种方法高出9.99、31.96和26.44个百分点,有较好的泛化性和鲁棒性,实现了猪舍场景下哺乳母猪准确、快速分割,可为猪只图像分割提供了技术参考。

摘要：猪舍场景下,昼夜交替光线变化、热灯光照影响,及仔猪与母猪的粘连等因素,给全天候哺乳母猪姿态自动识别带来很大困难。该文以深度视频图像为数据源,提出基于改进Faster R-CNN的哺乳母猪姿态识别算法。将残差结构引入ZF网络,设计ZF-D2R网络,以提高识别精度并保持实时性;将Center Loss监督信号引入Faster R-CNN训练中,以增强类内特征的内聚性,提升识别精度。对28栏猪的视频图像抽取站立、坐立、俯卧、腹卧和侧卧5类姿态共计7 541张图像作为训练集,另取5类姿态的5 000张图像作为测试集。该文提出的改进模型在测试集上对哺乳母猪的站立、坐立、俯卧、腹卧和侧卧5类姿态的识别平均准确率分别达到96.73%、94.62%、86.28%、89.57%和99.04%,5类姿态的平均准确率均值达到93.25%。在识别精度上,比ZF网络和层数更深的VGG16网络的平均准确率均值分别提高了3.86和1.24个百分点。识别速度为0.058 s/帧,比VGG16网络速度提高了0.034 s。该文方法在提高识别精度的同时保证了实时性,可为全天候母猪行为识别提供技术参考。