台一红毛猩猩发情见人就追 游客狂奔求救

台湾高雄三桃山游乐区的一只红毛猩猩因疑似发情而扯断笼子栅栏逃出,并在游乐区内制造了一系列混乱,最终在保育人员的努力下被重新控制。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

 

台湾省高雄县三桃山游乐区一头百公斤重的红毛猩猩,23日突扯断栅栏逃出铁笼,不仅翻
倒大冰柜,还打凹救护车的引擎盖,游客被吓得四处逃窜。后经保育人员接连发射三剂,才将它制伏。

据台湾《联合报》报道,昨天下午一时三十分,三桃山游乐区突传游客尖叫声,夹杂着动物的吼声。一头雄性红毛大猩猩“小黑”疑因发情,强力扯断铁笼的两根钢条逃出笼外,见人就追,游客吓得四处逃窜。

小黑一路往游乐区大门口跑,冲进小卖部掀桌倒椅,翻掉数十公斤重的大冰柜,推倒小卖部外整排摩托车。游客赶紧躲进小房间避难,有人看见红毛猩猩转移阵地后,便夺门而出,往山下一路狂奔求救,颤抖地说:“太恐怖了!”

当地消防分队担心游客受伤,开救护车到现场,小黑先扯坏救护车后视镜,又打凹车头引擎盖。消防队员怕遭攻击,不敢下车。二十多名警察随后赶到,带来镇暴盾牌和防暴网,有的警察拔枪戒护游客。小饰品 上海到大连机票

三时左右,高雄县政府农业局人员赶到,他们连发三剂。第一枪小黑毫无畏色,第二枪脚步有些踉跄,但仍顽强拔掉背上针筒含在嘴里玩,挨了第三枪才不支倒地。警方用防暴网将红毛猩猩包住送回铁笼,大伙才松一口气。China fair 北戴河旅游

游乐区负责人陈昆山说,小黑十九岁,可能遇发情期,常躁动不安、不时吼叫,但没想到会扯断栅栏。县府农业局人员不久前来勘察,说红毛猩猩是保育类动物,他希望交给县府收容。这只红毛猩猩来自印度尼西亚,原属一名包商所有,十一年前送到三桃山收养至今。

### YOLOv10 牲畜发情检测实现与最佳实践 #### 实现方案概述 YOLO (You Only Look Once) 是一种流行的实时目标检测算法。然而,截至当前最新版本为YOLOv8,并不存在官方发布的YOLOv10模型[^1]。因此,在讨论基于YOLO架构的牲畜健康状态特别是发情期检测时,建议采用最新的YOLO系列模型。 #### 数据准备 为了训练一个能够识别牲畜发情行为的YOLO模型,数据集至关重要。这通常涉及收集大量标注图像或视频片段,其中包含处于不同生理阶段(包括发情期)的动物个体。这些图片应当尽可能覆盖各种环境条件下的场景,以提高泛化能力[^2]。 ```python import os from PIL import Image import torch from torchvision.transforms import ToTensor, Resize def load_images_from_folder(folder): images = [] for filename in os.listdir(folder): img_path = os.path.join(folder,filename) if img_path.endswith(".jpg") or img_path.endswith(".png"): with Image.open(img_path) as img: transform = ToTensor() resized_img = Resize((416, 416))(img) # Adjust size according to model input requirements tensor_image = transform(resized_img).unsqueeze(0) images.append(tensor_image) return torch.cat(images) train_data_dir = 'path/to/training/images' training_set = load_images_from_folder(train_data_dir) ``` #### 模型配置与训练 选择合适的预训练权重作为初始化参数可以加速收敛并改善最终性能。对于特定领域应用如牲畜监测,可能还需要调整网络结构中的某些超参数来适应具体需求。例如增加特征提取层的数量或者修改锚框尺寸等设置[^3]。 ```yaml # Example of a configuration file snippet for training on livestock dataset [net] batch=64 subdivisions=16 width=416 height=416 channels=3 momentum=0.949 decay=0.0005 angle=0 saturation = 1.5 exposure = 1.5 hue=.1 # ... other configurations ... [yolo] mask = 0,1,2 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 classes=80 num=9 jitter=.3 ignore_thresh = .7 truth_thresh = 1 random=1 ``` #### 部署优化技巧 当把经过良好调优后的YOLO模型部署到实际环境中用于持续监控时,考虑硬件资源限制非常重要。可以通过量化、剪枝等方式减少计算量;利用GPU加速推理过程;以及实施边缘计算策略降低延迟等问题都是值得探讨的方向[^4]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值