利用图像识别技术检测受精鸡蛋早期的性别
该研究集中在利用图像重建算法进行高光谱图像的重建,以实现对鸡胚胎死亡的早期预测,从而提高畜禽养殖的健康与效率。同时,该研究认为整合智能传感器和数据分析的成像技术有助于改进自动化、增强生物安全性,并实现可持续农业 4.0 的资源管理优化。
May, 2024
这篇论文介绍了一种自动陷阱调查方法,通过设计的装置对蛾子产卵地进行自动扫描,然后利用 Mask-RCNN 神经网络对图像进行分割和分类来分析鸟蛋是否孵化。
May, 2024
通过对 200 个鸡蛋图像进行训练和评估(应用了增强图像技术),本研究探索了 CNN - 迁移学习在精密禽类孵化场中非破坏性鸡蛋受精率检测的应用。结果表明,InceptionNet 模型在区分有受精和无受精鸡蛋方面表现最佳,通过独特的架构捕捉了不同尺度的特征,从而提高了准确性和稳健性。然而,对其他模型在准确检测鸡蛋受精率方面存在的局限性,需要进一步优化和微调模型以提高性能。该研究突出了 CNN - 迁移学习在非破坏性受精率检测中的潜力,并强调了进一步研究以提升模型能力和保证准确分类的必要性。
Sep, 2023
通过构建视频数据集以及使用深度学习方法进行精子鉴定,研究提出了 RoSTFine 网络,在提高精子鉴定性能的同时,强调了重要的精子部位(即头部和颈部)的注意力。
Nov, 2023
本文提出了一种基于卷积神经网络的自动化测试 icular 组织组织病理图像处理方法,使用深度学习技术实现对睾丸上皮层的自动分割,并取得了较好的结果。
Jan, 2023
癌症早期诊断是制定有效治疗计划并确保病人健康安全的必要步骤,本研究通过深度学习构建了一个潜在的肿瘤预后分类模型,利用组织病理学图像中有价值的信息,选择了 PatchCamelyon 基准数据集,训练了多层感知器和卷积模型,并评估了其精确度、召回率、F1 得分、准确度和 AUC 得分,结果显示基准卷积模型表现优于基准多层感知器模型。此外,本文还引入了 ResNet50 和 InceptionNet 模型,并使用数据增强,其中 ResNet50 能够超越最先进的模型,最后还通过多数投票和连接集成的方法探索了将迁移学习和分割应用于理解特定特征的未来方向。
Nov, 2023
介绍一个新数据集,其中包含被确认为沟螺卵的粉色蛋的图像及其边界框注释,旨在帮助研究者利用深度学习技术分析沟螺卵物种的扩散,并支持其他需要有关沟螺卵卵的视觉数据的调查工作。重要的是,由于该类相关分类学家家族中的其他物种也在美洲某些地区产卵,因此尚未明确确定这些蛋的身份,并且是否可以仅归因于侵入性沟螺卵,还是其他物种也参与其中,对于任何关于消灭这些蛋的决策,确定它们的身份是至关重要的。
May, 2023
本文介绍了一种新的数据集 VISEM-Tracking,其中包含有 20 个视频录像的精子制备的 30 秒湿样中所观察到的使用手动标记的边界框坐标和专家分析的精子特征的数据集,同时还提供了未经标注的视频片段,可通过自我或无监督学习等方法进行易于使用的访问和数据分析。文章还介绍了使用在 VISEM-Tracking 数据集上训练的 YOLOv5 深度学习模型的基线精子检测性能,从而表明该数据集可用于训练复杂的深度学习模型来分析精子。
Dec, 2022
通过声音分析识别下蛋鸡叫声类型,建立了基于循环神经网络的多标签分类模型,结合时间和频域特征,有效监测下蛋鸡行为,取得了较高的 F1 得分(F1=92.75)。
Jan, 2024