在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先...在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。展开更多
该文提出一种解决光突发交换网络节点中突发数据包冲突的方法。发生冲突时,首先基于不同的优先级对突发数据包进行分割,然后根据这种分割方法提出了一种突发数据包的组合封装方式,最后利用计算机对其进行了模拟。可以看出这种方法对高...该文提出一种解决光突发交换网络节点中突发数据包冲突的方法。发生冲突时,首先基于不同的优先级对突发数据包进行分割,然后根据这种分割方法提出了一种突发数据包的组合封装方式,最后利用计算机对其进行了模拟。可以看出这种方法对高优先级的突发数据包以及IP数据包有很好的保护作用,可以很好地实现服务质量QoS(Quality of Service)机制。展开更多
文摘在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。
文摘该文提出一种解决光突发交换网络节点中突发数据包冲突的方法。发生冲突时,首先基于不同的优先级对突发数据包进行分割,然后根据这种分割方法提出了一种突发数据包的组合封装方式,最后利用计算机对其进行了模拟。可以看出这种方法对高优先级的突发数据包以及IP数据包有很好的保护作用,可以很好地实现服务质量QoS(Quality of Service)机制。
