期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到2篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进YOLOv8n-pose和BoTSORT的鱼苗应激行为监测
1
作者 冯国富 袁林婧 +1 位作者 王文娟 陈明 《渔业现代化》 北大核心 2025年第4期31-43,共13页
准确高效监测鱼苗应激行为不仅有助于在养殖过程中调控应激源以减少产量损失,同时也可为育种阶段的鱼苗活力评估提供有效手段。针对鱼苗体积小、养殖密度高和高速非线性运动的特点,提出一种改进YOLOv8n-pose和BoTSORT的鱼苗应激行为监... 准确高效监测鱼苗应激行为不仅有助于在养殖过程中调控应激源以减少产量损失,同时也可为育种阶段的鱼苗活力评估提供有效手段。针对鱼苗体积小、养殖密度高和高速非线性运动的特点,提出一种改进YOLOv8n-pose和BoTSORT的鱼苗应激行为监测方法。改进YOLOv8n-pose作为检测器,将BMS模块与C2f模块相结合,使模型充分学习不同尺度特征;使用SPPCSPC模块替换原模型的特征融合模块,优化鱼苗相互遮挡情形下的检测精度;最后用NEMASlideLoss替换原模型损失函数,增强模型的稳定性和对小目标的关注度。在跟踪器部分,基于检测器检测出的目标,结合BoTSORT多目标跟踪算法实现了更适合鱼苗应激时非线性运动监测的方法。最后,提取鱼苗的加速度、摆尾角度和聚集度3种特征进行加权融合,根据融合后的特征值判断鱼苗是否处于应激状态。结果显示,改进后的YOLOv8n-pose算法在目标检测和关键点检测的mAP比原模型分别提高了3.6%和4.5%;BoTSORT算法的MOTA为77.628%、MOTP为80.307%、IDF1为79.573%、IDSW为51,优于DeepSORT、ByteTrack、StrongSORT算法。该研究算法基于特征值的应激行为监测准确率为95.24%,为鱼类苗种培育中应激行为监测提供了新的思路和方法。 展开更多
关键词 鱼苗 YOLOv8n-pose botsort 应激行为监测
在线阅读 下载PDF
基于改进YOLO v8的牛只行为识别与跟踪方法 被引量：7
2
作者 付辰伏 任力生 王芳 《农业机械学报》 EI CAS CSCD 北大核心 2024年第5期290-301,共12页
随着我国畜牧业的快速发展,牛只养殖由分散性养殖逐渐向精准化养殖转变。针对分散养殖中农户无法对每头牛只健康状况给予足够关注的问题,通过分析牛只行为模式结合视觉方向特征,设计了综合管理方法来准确识别和跟踪牛只行为。首先,采用... 随着我国畜牧业的快速发展,牛只养殖由分散性养殖逐渐向精准化养殖转变。针对分散养殖中农户无法对每头牛只健康状况给予足够关注的问题,通过分析牛只行为模式结合视觉方向特征,设计了综合管理方法来准确识别和跟踪牛只行为。首先,采用改进YOLO v8算法对牛只进行目标监测,其中,在Backbone和Neck端使用C2f-faster结构,增强模型特征提取能力;引入上采样算子CARAFE,拓宽感受视野进行数据特征融合;针对牛只幼仔检测加入BiFormer注意力机制,以识别牛只小面积特征;更换动态目标检测头DyHead,融合尺度、空间和任务感知;然后,使用Focal SIoU函数,解决正负样本分配不均衡和CIoU局限性的问题。最后,将YOLO v8检测到的行为类别信息引入BoTSORT算法中,实现在复杂场景下牛只多目标行为识别跟踪。实验结果表明,提出的FBCD-YOLO v8n(FasterNet、BiFormer、CARAFE、DyHead)模型在牛只行为数据集上,相比较YOLO v5n、YOLO v7tiny和原YOLO v8n模型的mAP@0.5分别提升3.4、3.1、2.4个百分点,尤其牛只回舔行为识别平均精度提高7.4个百分点。跟踪方面,BoTSORT算法的MOTA为96.1%,MOTP为78.6%,IDF1为98.0%,HOTA为78.9%;与ByteTrack、StrongSORT算法比,MOTA和IDF1显著提升,跟踪效果良好。研究表明,在牛舍养殖环境下,本研究构建的多目标牛只行为识别跟踪系统,可有效帮助农户监测牛只行为,为牛只的自动化精准养殖提供技术支持。 展开更多
关键词 牛只 目标监测 行为识别 多目标跟踪 YOLO v8 botsort
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部