相关实验视频
Updated: May 10, 2025

06:30
Noninvasive, In-pen Approach Test for Laboratory-housed Pigs
Published on: June 5, 2019
8.3K
一个轻量级的猪通过有效整合时空特征来识别攻击性行为模型
Ying Pu1, Yaqin Zhao1, Hao Ma1
1College of Mechanical and Electronic Engineering, Nanjing Forestry University, Nanjing 210037, China.
Animals : an open access journal from MDPI
|April 26, 2025
概括
一个新的深度学习模型在智能农业中准确地识别了猪的攻击行为. 这种先进的系统通过克服生猪养殖中的环境挑战,提高了群体健康和农业效率.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 动物行为分析 动物行为分析
背景情况:
- 智能农业和养猪扩张需要有效的方法来监测群体健康.
- 环境变化,如灯光和后台在谷仓挑战现有的猪攻击性行为识别系统,导致检测错误.
研究的目的:
- 开发一种可适应的深度学习模型,用于在复杂的养殖环境中识别猪的攻击性行为.
- 提高猪中攻击性行为的自动检测的准确性和效率.
主要方法:
- 一个新的模型,集成MobileNetV2和Autoformer用于特征提取和时间分析.
- 将卷积块注意模块 (CBAM) 和高级过功能融合金字塔网络 (HS-FPN) 纳入MobileNetV2以改进功能捕获和小目标检测.
- 采用改进的Autoformer与Gate Attention Unit (GAU) 进行高效的时间相关性分析,并专注于关键特征.
主要成果:
- 拟议的模型实现了高性能指标:98.08%的回忆,94.44%的精度,96.23%的准确性和96.23%的F1-score.
- 将参数数量优化为10.41M,证明了计算效率.
- 在准确度方面,其表现优于MobileNetV2-LSTM和MobileNetV2-GRU等现有模型,分别为3.5%和3.0%.
结论:
- 开发的模型为实际的养猪业提供了识别精度和计算复杂性之间的稳健平衡.
- 这项技术为自动化养猪场的科学养和管理策略提供了必要的数据支持.
- 该模型对复杂环境的适应性使其适用于现实世界智能农业应用.

