用于牛乳头图像健康状况分类的自注意残差卷积神经网络

Sep, 2024

用于牛乳头图像健康状况分类的自注意残差卷积神经网络

A Self-attention Residual Convolutional Neural Network for Health Condition Classification of Cow Teat Images

Minghao Wang

TL;DR本研究解决了传统兽医在牛乳头健康评估中所面临的时间限制和准确性不足的问题。提出了一种结合残差连接和自注意机制的牛乳头自注意残差卷积神经网络（CTSAR-CNN）模型，以改善对乳头末端角质增生程度的分类。研究结果表明，CTSAR-CNN 的准确性得到了提升，能更快速适应兽医的需求，从而促进乳业的发展。

Abstract

Milk is a highly important consumer for Americans and the health of the cows' teats directly affects the quality of the milk. Traditionally, veterinarians manually assessed teat health by visually inspecting teat-end hyperkeratosis during the milking process which is limited in time, usually only tens of seconds, and weakens the accuracy of the →

发现论文，激发创造

基于 RGB 和深度视频的乳牛跛瘤检测中的分割增强

本文介绍了针对奶牛行走状态数据采集和分析的一种方法，基于神经网络和计算机视觉技术，能够对奶牛精准识别和判断是否患有跛行症。

Jun, 2022

基于卷积神经网络的红外图像稻叶病害识别

使用卷积神经网络实现了关于稻谷疾病的分类识别，正确率为88.28%。

Jul, 2022

利用深度视频数据和阈值分割及Mask R-CNN算法预测奶牛体重变化

本研究旨在采用视频数据并比较不同深度学习方法，从而提高重复实测牛体重的预测性能，同时释出相关源代码，结果显示，Mask-RCNN方法提高了牛体重预测的性能。

Jul, 2023

深度学习在牲畜行为识别中的应用：系统文献综述

家畜健康和福利监测在过去通常是一项手动的、消耗大量人力的任务。近年来，人工智能和计算机视觉技术，特别是深度学习模型，已经被广泛应用于家畜行业作为决策工具。本文旨在通过系统文献综述，研究深度学习在家畜行为识别方面的应用和研究进展，分析了44个高质量的原始研究，讨论了性能评估、挑战以及发展自动化家畜行为识别系统的潜在解决方案与研究方向。

Oct, 2023

基于机器学习的茶叶病害检测综述

茶叶疾病的机器学习诊断方法的系统综述，评估了多种图像分类方法，包括Inception卷积视觉变压器、GreenViT、PlantXViT、PlantViT、MSCVT、迁移学习模型和视觉变压器、IterationViT和IEM-ViT，以及DenseNet、ResNet-50V2、YOLOv5、YOLOv7、CNN、Deep CNN、NSGA-II、MobileNetv2和Lesion-Aware Visual Transformer模型的优势和限制，提供了茶叶疾病检测和分类机器学习方向的有价值的见解。

Nov, 2023

基于图像的西红柿和玉米叶病害检测：一项深度对比实验

本研究基于卷积神经网络(CNN)引入一种新颖的植物病害检测模型，用于植物图像分类，对图像分类做出了重要的贡献。创新的训练方法使系统实施变得简化高效。该模型将两种不同的植物病害分类为四个类别，提出了一种新颖的植物病害识别技术。实验结果表明，Xception模型优于其他三个模型，在番茄数据集和玉米数据集上分别获得了95.08%和92.21%的准确率，对应的损失函数值分别为0.3108和0.4204。CNN结合批归一化实现了大约99.89%的训练集病害检测率和超过97.52%的验证准确率，伴随着0.103的验证损失。在模型的基础上引入额外层、跳跃连接和正则化，分别对应实验2、实验3和实验4的CNN架构。综合应用各种模型，包括MobileNet、EfficientNetB0、Xception、InceptionResNetV2和CNN，实现了对所有玉米和番茄图像的检测，其中模型的验证准确率为84.42%。

Dec, 2023

基于深度学习的猪形态分类，重点关注卫生监测

评估使用D-CNN算法对猪体条件进行分类的研究，主要关注卫生监测中观察到的特征，包括尾部咬食、耳血肿、身体擦伤、发红和自然污渍（棕色或黑色）。研究结果表明，D-CNN对与皮肤特征相关的猪体形态偏差具有有效分类能力，并通过分析Precision、Recall、F-score、ANOVA和Scott-Knott测试等性能指标进行评估。该研究的贡献在于提出了在猪类形态学分类中使用D-CNN网络的方法，并创建了一个新的图像数据库，可用于未来研究。

Mar, 2024

在稻瘟病分类中利用预训练的卷积神经网络进行高效特征提取

将特征提取方法与预训练的卷积神经网络相结合对稻瘟病进行分类，研究发现用Histogram of Oriented Gradients对模型进行增强可显著提高精确度至97%，为农业中基于图像的病害分类系统的精确性和有效性提供了有前景的方法。

Feb, 2024

神经网络架构搜索促进的宽深学习（NAS-WD）用于空间异质性属性感知的鸡肉 woody breast 分类与硬度回归

本研究解决了全球禽类产业中，由于快速生长选育导致的 woody breast 问题，该问题造成每年高达2亿美元的经济损失。通过采用神经网络架构搜索（NAS）优化的宽深学习模型（NAS-WD），该研究实现了85% 的 woody breast 分类准确率，并建立了与样本硬度数据相关的回归模型，显著提高了传统方法的效能。

Sep, 2024

基于监督学习的牛奶头视频关键帧识别模型

本文研究了利用神经网络和视频分析提高牛乳腺炎风险评估准确性的问题。提出的方法通过识别记录的牛奶头视频中的关键帧，帮助兽医在时间上具有更大的灵活性，从而提升评估效率和准确性。研究结果表明，融合距离和集成模型显著提高了关键帧识别的性能。

Sep, 2024