检索结果-南通市图书馆

基于YOLO v8n-seg和改进strongsort的多目标小鼠跟踪方法

农业机械学报 2024年第2期55卷 295-305,345页

作者：梁秀英贾学镇何磊王翔宇刘岩杨万能华中农业大学工学院武汉430070 华中农业大学作物遗传改良国家重点实验室武汉430070

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongs... 详细信息

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足strongsort多目标跟踪算法的检测要求。针对strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。

关键词：小鼠行为多目标跟踪 YOLO v8n-seg strongsort

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOV7与strongsort算法的列车司机手比行为检测

引用

广西科学院学报 2023年第4期39卷 471-478页

作者：宋吉超黄伟陈振棠周成才柳州铁道职业技术学院动力技术学院广西柳州545000

列车司机驾驶行为的规范性直接影响到列车行车安全与状态,但当前对列车司机手比行为的检测仍存在不足。为了对列车司机手比行为进行有效检测,本文利用动车组模拟驾驶系统所采集的司机乘务作业影像,结合采用融合注意力机制的You Only Loo... 详细信息

列车司机驾驶行为的规范性直接影响到列车行车安全与状态,但当前对列车司机手比行为的检测仍存在不足。为了对列车司机手比行为进行有效检测,本文利用动车组模拟驾驶系统所采集的司机乘务作业影像,结合采用融合注意力机制的You Only Look Once Version 7 (YOLOV7)神经网络模型与Strong Simple Online and Realtime Tracking (strongsort)算法,对动车组司机驾驶过程中的5种手比行为进行检测。实验结果表明:本文算法可以有效提升对列车司机乘务作业时不同类型手比行为的检测效果,其中检测精确率平均提升1.2%,检测召回率平均提升1.9%。本文提出的算法将有助于改进铁路院校、机务部门对列车司机日常训练、工作考评的效果,提高列车行车过程中的安全性。

关键词：列车司机乘务作业行为检测 YOLOV7 strongsort 注意力机制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的羊只运动轨迹追踪方法及系统研究

基于深度学习的羊只运动轨迹追踪方法及系统研究

引用

作者：赵晓霞河北农业大学

学位级别：硕士

羊只的运动状态能够反映其健康状况,自动跟踪养殖场环境下的目标羊只是统计并分析其运动状态的前提。随着深度学习的发展,多目标跟踪算法取得了巨大进步。但是在实际应用中仍然存在许多问题,比如在目标被物体遮挡、多目标之间相互遮挡... 详细信息

羊只的运动状态能够反映其健康状况,自动跟踪养殖场环境下的目标羊只是统计并分析其运动状态的前提。随着深度学习的发展,多目标跟踪算法取得了巨大进步。但是在实际应用中仍然存在许多问题,比如在目标被物体遮挡、多目标之间相互遮挡以及目标脱离监控范围内再次出现等情况下容易丢失跟踪信息。针对这些问题,本文设计了一种改进的YOLOv5-CBAM+strongsort目标跟踪算法,即首先在目标跟踪算法的检测器部分采用改进的YOLOv5-CBAM算法实时检测视频图像中的羊只目标,其次将检测结果输入strongsort网络中,最后通过数据匹配实现多目标羊只的轨迹追踪。此外,还开发了相应的软件系统。本文主要工作如下:首先,提出了一种融合注意力机制和YOLOv5的羊只目标检测网络。在YOLOv5原始网络结构中添加CBAM注意力机制,以捕获重要特征以及特征之间的时空相关性,从而进一步提高网络的特征提取能力;使用CIOU Loss代替GIOU Loss作为目标边界框回归损失函数,加快边界框回归速度,提高定位精度;将非极大值抑制函数从NMS替换为DIOU-NMS,降低了目标之间存在遮挡时发生漏检的几率。试验结果表明,在对少目标的检测中,YOLOv5-CBAM的检测精确率、召回率和平均精度均值分别达到了 99.1%、99.4%和92.7%;在对多目标的检测中,这三项评价指标的数值分别达到了 93.0%、99.1%和 90.3%。其次,设计了一种羊只多目标轨迹跟踪深度学习方法。将YOLOv5-CBAM作为前端检测器,采用strongsort作为后端跟踪器,实现了多个羊只目标运动轨迹的跟踪。试验结果表明,在短视频追踪中,对于10只羊的运动轨迹进行跟踪时,多目标跟踪准确度、多目标跟踪精确度、身份切换次数、IDF1值(IDF1 Score,IDF1)和处理速度分别达到了 91.6%、0.269、52、70.7%和26FPS;在长视频追踪中,以上评价指标分别为57.3%、0.244、21、47.9%和29FPS,跟踪结果优于目前常用的YOLOv5+DeepSORT、YOLOv5+OCSORT 和 YOLOv5+ByteTrack 三种算法。最后,以YOLOv5-CBAM+strongsort为基础,利用Python语言开发了羊只运动轨迹跟踪软件程序。

关键词：羊只改进YOLOv5 目标检测 strongsort 多目标跟踪

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：