鱼类养殖智能投喂方法研究进展

在鱼类养殖过程中,饲料成本是主要养殖成本,如何做到合理投喂是减少养殖成本、提高养殖效益的关键。智能投喂是基于各类传感器获取环境和鱼群的各类信息,结合相关算法模型进行决策的投喂方式,是提高鱼类养殖投喂效率的重要手段。目前,鱼类的智能投喂已经取得了一些成果,但由于复杂多变的养殖环境和鱼类行为的不确定性,实现鱼类智能投喂仍面临挑战。该研究综述了鱼类养殖智能投喂的应用与进展,包括基于计算机视觉技术的鱼类摄食行为分析与饲料检测,声学技术、其他传感器技术和生物模型在智能投喂中的应用与发展。此外,分析了投饵机和投喂系统的研究现状,并总结了目前研究存在的问题。今后,要进一步加强水产、工学、信息等多学科的交叉融合,对鱼类图像、声音、生长规律与生物特征等多种信息进行综合分析应用,以提高投喂系统对多场景和多种养殖方式的适应性。     

基于水质-声音-视觉融合的循环水养殖鱼类摄食强度识别

在工厂化循环水养殖中，准确识别鱼类摄食强度是实现精准投喂的前提和关键。水质、视觉、声音等单模态数据均可用于评估摄食强度，但单一模态往往具有片面性，难以完全反映全局特征，存在识别精度低、可移植性差等问题。多模态方法通过融合不同模态的特征，可为摄食强度量化提供新的手段。基于此，为融合鱼类摄食中的“水质-声音-视觉”信息，实现高精度的鱼类摄食强度量化，该研究在多模态Transformer（multimodal transformer，MulT）的基础上，提出一种多模态融合的鱼类摄食强度识别算法Fish-MulT。首先，从输入的水质、声音和视觉数据中提取特征向量；其次，利用多模态转移模块（multimodal transfer module，MMTM）对输入的特征向量进行融合，得到3种融合向量；然后对融合向量添加自适应权重并相加，得到融合模态；最后，利用融合模态将MulT算法中各模态分支的跨模态Transformer（cross-modal transformer）从2个优化为1个。试验结果表明，与MulT算法相比，本文算法的鱼类摄食强度识别准确率由93.30%提高到95.36%，参数量减少38%。与水质、声音和视觉单模态相比，准确率分别提高68.56%、21.65%和3.61%。可用于制定精准投喂策略，并为开发智能投喂系统提供技术支持。     

基于功率谱和共振峰的母羊发声信号识别

内蒙古及周边西部地区正在发展规模化种草设施圈养,这种养殖模式要求较高的福利化饲养水平。母羊在不同的应激行为下会发出不同的声信号,可以通过识别母羊发声信号去评价其健康状况和福利化养殖水平。该研究以成年小尾寒羊为例,通过无线语音数据采集卡,平均采集80只母羊在寻羔、饥饿和惊吓3种应激行为下的发声,用Audacity软件共分割成1 200句叫声信号,并用带通滤波和小波消噪进行预处理。每种应激行为下再随机选取200句发声信号,共计600句进行AR(auto-regressive)功率谱估计和共振峰分析,提取第1、2和3共振峰频率和6个代表性的功率谱估计频域参数:功率谱密度的平均值、几何平均值、中值、切尾平均值、平均绝对偏差值和四位分极差,同时也提取叫声信号的最大值、持续时间和间隔时间时域参数,这些特征参数用于训练BP(back propagation)神经网络母羊发声信号识别模型,剩余的600句发声信号用于测试模型的识别效果。结果表明:母羊在不同应激行为下的发声信号具有明显差异的特征参数,采用共振峰参数训练的BP网络,其对母羊发声信号的正确识别率为85.3%,高于利用AR功率谱估计参数的81.0%,当2种参数进行组合训练BP网络后,其正确识别率可达93.8%,表明这种方法的识别效果更好,由于在同一种应激行为下,不同年龄和体质量的母羊发声信号具有一定的差异性,使得系统的误识别率达到6.2%。     

植物电信号的解析方法初探

近年来,计算机技术及信号处理方法广泛应用于揭示复杂及混沌生物系统的特征以及其对外部环境的适应性。这些方法包括时域(统计、灰色系统理论)、傅立叶变换可做频域变换、小波变换能进行时频域变换。使用这些方法对植物电信号进行解析,结果表明,这些方法比传统电生理分析方法更清楚地显示多种环境因子与植物电波间的关系。这对于采用电生理的方法监控环境对植物的影响并采取相应生产措施具有一定的指导意义     

基于AEA法的黄土高原矿区复垦农田土壤含水率特征研究

为了快速、有效的测定复垦区农田尺度上土壤含水率变化以及空间分布特征,评价探地雷达对土壤含水率的探测精度,通过研究雷达信号属性振幅与土壤含水率的关系,采用振幅包络平均值(AEA)法对复垦区农田地块土壤含水率进行反演,并与雷达测线上时域反射仪(TDR)法测量所得土壤含水率结果进行对比。结果表明:探地雷达振幅信号属性与土壤含水率有着显著的关系,在研究的四种关系模型中对数模型的拟合结果最好,R~2达到0.995,根据拟合的曲线得知,振幅越大,含水率越小,只要获取地下相应位置雷达信号的振幅值,就可通过本试验拟合的关系式计算出该位置的土壤含水率。通过对比发现,AEA法所得土壤含水率要高于TDR法所测土壤含水率,两者平均相对误差为0.023 cm~3cm~(-3),两种方法所得土壤含水率变化趋势基本一致,相关系数达到0.98。研究表明,使用探地雷达AEA法用于黄土高原矿区复垦农田浅部地层土壤含水率的探测,可以获得更加连续、准确的土壤含水率分布图。     

风轮典型振型动态频率的间接测试和识别方法

基于多种混合振动信号传递中各组成信号的频率保持特性,建立了风轮典型振型动态频率的间接测试和识别方法,并利用试验测试与数值仿真相结合的方法佐证了该方法的可靠性。具体方法是在电机前端部靠近风轮处布置加速度传感器捕获沿风轮轴向的加速度时域信号,通过快速傅里叶变换(fast fourier transformation,FFT)获得被测信号的频域特征,进而结合风轮模态振型及频谱特征识别其典型振型动态频率值。经与数值仿真结果比较,测试相对误差控制在5%以内,精度较好。同时,由于该方法无需在叶片表面大量布装传感器,故具有在不破坏叶片表面原有形态,完整保留风轮流场和结构场特征的前提下简捷获取风轮典型振型动频值的测试优势,有效解决了现今风轮典型振型在运行工况时动态频率值监测难、识别难的技术困境,同时可为风轮健康监测提供参考。     

蛋鸡发声音频数据库的构建与应用

蛋鸡发声含有丰富的机体信息,充分挖掘其声学特性,并利用其无接触、无应激的优点,为建立基于发声信息的蛋鸡养殖远程监测平台提供基础依据。该研究借助音频数字化处理技术和数据库管理平台,以海兰褐蛋鸡为例,搭建系统分别采集其在小规模(5只)饲养条件下的叫声信息及其体态行为。运用音频处理软件Adobe Auditionv1.0和音频分析软件Praat5.3提取蛋鸡发声特征参数,包括持续时间、基音频率、频谱质心、共振峰及其衍生的统计值,以此构建出蛋鸡发声音频数据库,在此基础上分别选取蛋鸡产蛋行为发声、鸣唱声和鸣叫声等典型发声行为对比分析。结果表明,蛋鸡产蛋行为发声与鸣唱声均为多次重复的、有节奏的、短促的音节所构成(称其为句子),前者先抑后扬、后者先扬后抑,句子的音节个数分别是7.8±2.0、15.2±7.7,但其时频域特征间存在着显著差异(P<0.05),与鸣叫声相比,其发声特征参数如频谱质心、共振峰等有着显著差异。研究表明,掌握蛋鸡发声的含义,有助于了解其行为特性、机体状态以及种群间的信息传递,并为蛋鸡行为特征识别与数字化监测平台的构建提供数据支持。     

基于VMD的谷物清选筛振动分析与结构优化

针对谷物清选筛运转时转子系统不平衡引起的振动问题,该研究以上筛为鱼鳞筛、下筛为编织筛的曲柄滑块式清选系统为研究对象,测试了其振动特性,并进行结构优化以减小系统的不平衡振动。首先,分析了系统的传动方式与工作原理;其次,使用DH5902动态信号采集仪对系统展开振动测试,采集了驱动机构转子系统轴承座处的振动信号,然后对其进行时、频域分析,计算均方根、功率谱密度来衡量振动强度和主要的频率成分,在此基础上,基于变分模态分解(variational mode decomposition, VMD)和模糊熵与峭度构建的综合指标对信号进行特征提取与分析,以综合指标最小的特征分量为原始信号的敏感分量,计算并分析其包络谱,提取系统的不平衡振动;最后,采用惩罚函数法,以配重块质量和安装位置为优化变量构建优化函数对驱动机构进行优化。结果表明,清选筛不平衡振动主要分布在30.13 Hz处,振动强度为0.24～0.29 dB,优化后的配重块质量为3650 g,距离轮盘中心的偏心距为136.7 mm,在30.13 Hz处振动强度为0.11～0.12 dB,最大下降了58.62%。研究结果可为谷物联合收获机的减振分析与结构优化设计提供参考。     

蛋壳破损自动检测模型研究

为了建立蛋壳破损检测模型,试验采用敲蛋装置与声检测控制器组成的计算机蛋破损检测系统获取被检蛋声音信号数据。通过对蛋声音信号的功率谱分析而得到反映蛋壳破损特征的参数：功率谱面积的平均值x₁,最大功率谱面积与最小功率谱面积的差值x₂,X轴方向上质心的平均值x₃,X轴方向上质心最大值与其最小值的差x₄,Y轴方向上质心的平均值x₅,Y轴方向上质心最大值与其最小值的差x₆,共振峰频率的最大值x₇和共振峰频率的最大值与其最小值间的差值x₈;再通过Bayes原理建立与蛋壳破损特征参数相关的蛋壳破损模型。检验结果表明模型准确率达到92%。     

玉米收获机割台振动特性及其主要影响因素分析

针对收获机械割台振动剧烈、故障率较高等问题,研究了割台动态振动特性及其影响规律。以4YZP-3XH-1型玉米联合收获机割台为研究对象,首先建立了割台机架有限元模型并计算其自由模态,研究了割台模态试验方法,利用特征实现算法识别其模态参数;其次,利用模态试验验证了有限元模型的准确性和可靠性,在此基础上,计算获取割台机架的约束模态;再次,利用时域和频域方法分析振动时域信号,获得怠速、运输和田间收获工况割台的振幅分布特征、主振方向和频率分布规律;最后,研究了割台振动的影响因素及其振动主频与模态参数之间的对应关系,指出了振动频率激起模态振型的规律。研究结果表明,割台机架第1阶试验模态频率为27.260 Hz,第2~10阶模态频率范围为34.311~126.035 Hz,模态振型以弯曲振型和扭转振型为主,割台主轴(28.77 Hz)、切碎刀(29.63 Hz)、还田机(43 Hz)等工作频率均落入其前10阶约束模态频率内;在怠速、运输和田间收获作业工况下,工作部件运行工况相较于仅发动机工作,2种模式下割台振幅相差1个数量级;引起割台振动的主要因素为:发动机的2阶发火频率(76.25 Hz),割台主轴、切碎刀、搅龙、拨禾链、还田机等工作部件的耦合振动,以及道路激励(1.5、2.5 Hz)。对比割台约束模态与振动频率,发动机2阶发火频率引起割台弯扭组合振型,道路激励引起整体振动,割台主轴(28.77 Hz)和切碎刀(29.63 Hz)振动频率激起割台机架的一阶弯曲振型,还田机(43 Hz)振动频率激起割台的扭转振型。研究结果可为收获机械割台模态试验与振动特性分析、对标设计和优化提供参考。     

车削刀具磨损声发射信号的云特征分析

针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,该文提出了基于云理论的信号特征提取方法。首先,采用小波包分析对声发射信号进行信号分解和重构,滤除噪声对提取特征参数的影响;其次根据重构信号的统计分布特性,利用逆向云算法提取信号敏感频带的期望值、熵及超熵云特征参数,定量分析刀具在不同切削条件下3种云特征参数随磨损量增大所呈现的变化规律;最后,通过散点图分析3种特征参数表征刀具磨损声发射信号的有效性。结果表明:刀具磨损声发射信号具有明显的云特性,3种云特征参数与刀具磨损状态具有明显的对应关系,可作为刀具磨损状态监测、磨损量预测的特征参数;云理论在刀具磨损监测领域的应用,扩大了知识的表示范围。     

基于MF-DFA特征和LS-SVM算法的刀具磨损状态识别

鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA(multifractal detrended fluctuations analysis)方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数:分形维数最大值点对应的奇异指数α_0,多重分形谱谱宽△α和广义Hurst指数波动均值△h(q)作为特征量;最后,利用LS-SVM(least square support vector machine)算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相近的磨损状态,为刀具状态监测提供一种参考方法。     

基于多特征融合的电子鼻鉴别玉米霉变程度

为了提高电子鼻检测玉米霉变程度的正确率,该文探究了电子鼻信号不同特征组合的表征对霉变玉米鉴别结果的影响。首先,运用电子鼻对霉变玉米的5组样本训练集与测试集进行测试,获得测试信号。其次,分别提取测试信号的积分值(integral value,INV)、平均微分值(average differential value,ADV)、相对稳态平均值(relative steady-state average value,RSAV)作为特征值,5组训练集与测试集均分别采用3种单一的特征值或其组合特征值来表征。然后,运用Fisher判别分析(fisher discriminant analysis,FDA)分别对5组训练集进行判别分析,并用对应的测试集进行检验。FDA分析结果指出,电子鼻测试信息分别在单一特征和2个特征组合表征下,不同霉变程度玉米是不能有效分开的,但在2个特征组合表征下的鉴别正确率比单一特征有所提高;当用3个特征组合来表征测试信息时,FDA鉴别能力得到提高,鉴别正确率在96%以上。另外,借助于WilksΛ统计量考察了电子鼻中每个传感器测试信号表征的差异性,对3个特征组合的表征情况进行了表征变量筛选。FDA分析结果显示,筛选前后的鉴别结果非常相近,最低鉴别正确率均在96%以上,这说明不同传感器需要不同的特征表征,以体现其差异性,由此也减少了计算的复杂性。研究结果表明,用多特征融合模式可更有效地表征电子鼻对霉变玉米的响应信息,有利于提高霉变玉米的鉴别正确率。同时,该研究成果也不失一般性,为电子鼻信号表征提供了一种新思路。     

基于力声信号锯齿化多特征融合的香梨脆度评价

为了实现香梨脆度更符合感官评价的检测,该研究采用质构仪与麦克风同步采集香梨果肉破裂时的力声响应信号,然后采用峰值法、傅里叶功率谱法和表观分形维数法对力声响应曲线的锯齿化特征进行度量,分别提取了29个力学锯齿度参数和14个声学锯齿度参数用于香梨果肉感官脆度预测。研究结果表明,在43个锯齿度特征参数中,35个特征参数与香梨果肉感官脆度存在显著相关性（P<0.05）,可反映香梨脆度变化。通过主成分分析提取了前8个主成分解释原变量85.58%的信息,以这8个主成分构建预测感官脆度的多元线性回归模型,模型校正集相关系数为0.862,均方根误差为0.588,表明该模型具有较高的预测精度和稳定性,可为香梨脆度的仪器准确检测提供研究基础。     

采用改进CNN对生猪异常状态声音识别

猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络（Convolutional Neural Network,CNN）的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G通讯技术将声音信息上传至云服务器,基于专业人员指导制作猪只异常声音（生病、打架、饥饿等）数据集,提取猪只异常声音的梅尔谱图特征信息;其次引入多种注意力机制对CNN进行改进,并对CBAM（Convolutional Block Attention Module）注意力机制进行优化,提出_CBAM-CNN网络模型;最后将_CBAM-CNN网络模型分别与引入SE_NET（Squeeze and Excitation Network）、ECA_NET（Efficient Channel Attention Networks）和CBAM注意力机制的CNN神经网络进行对比,试验结果表明该文提出的_CBAM-CNN网络模型在最优参数为128维梅尔频率、2 048点FFT（Fast Fourier Transform）点数、512点窗移下的梅尔谱图特征下相较于其他模型对猪只异常声音识别效果最佳,识别率达到94.46%,验证了算法的有效性。该研究有助于生猪养殖过程中对猪只异常行为的监测,并对智能化、现代化猪场的建设具有重要意义。     

基于音频和近红外光谱融合技术的西瓜成熟度判别

为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。     

抽水蓄能机组甩负荷试验时尾水锥管压力

抽水蓄能机组水力调节过渡过程计算控制核心要求之一是尾水锥管压力不超过设计值。设计值是根据水力过渡过程理论的一维数值模拟"计算值"加上一定"压力脉动修正"量和 "计算误差"后计算获得。长期以来，尾水锥管压力计算值与尾水锥管压力测量值之间仍存在一定偏差，导致采用实测数据对计算结果进行评判时不能得到合理的解释与评价。为解决调节保证计算与试验验证之间的分歧，该研究对调节保证计算时尾水锥管压力最小值含义进行了阐释，梳理了调节保证计算与试验中涉及尾水锥管压力的相关国内标准。在此基础上，以洪屏抽水蓄能电站调试阶段四台机组甩额定负荷时的实测尾水锥管压力为研究对象，首先分析了压力测点的测量条件，采用短时傅里叶变换进行频率特性分析，验证了测试数据的有效性；其次采用Savitzky-Golay滤波器分离出了表征一维数值模拟断面平均压力计算值的压力趋势与表征流动复杂性的压力脉动，针对压力脉动项研究了峰峰值与时长的关系并获得了压力脉动项最大峰峰值，验证了趋势项与一维数值模拟之间的一致性；随后采用压力脉动项最大峰峰值对数值模拟和实测压力趋势项极值进行修正；最后总结形成了尾水锥管压力调节保证设计值的修正流程。案例研究表明：采用截止频率为0.1～0.2倍转频的低通滤波器可以有效分离出与一维数值模拟一致的尾水锥管压力趋势项；采用3～4个旋转周期数对应的压力脉动数据进行分析可以获得压力脉动项的最大峰峰值；利用压力脉动最大峰峰值对一维数值模拟极值进行修正能够实现调节保证的有效设计与验证。该研究为抽水蓄能机组调节保证设计与验证提供了有效支撑。     

基于连续语音识别技术的猪连续咳嗽声识别

针对现有基于孤立词识别技术的猪咳嗽声识别存在识别声音种类有限,无法反映实际患病猪连续咳嗽的问题,该文提出了基于双向长短时记忆网络-连接时序分类模型(birectional long short-termmemory-connectionist temporal classification,BLSTM-CTC)构建猪声音声学模型,进行猪场环境猪连续咳嗽声识别的方法,以此进行猪早期呼吸道疾病的预警和判断。研究了体质量为75 kg左右长白猪单个咳嗽声样本的持续时间长度和能量大小的时域特征,构建了声音样本持续时间在0.24～0.74 s和能量大于40.15 V~2·s的阈值范围。在此阈值范围内,利用单参数双门限端点检测算法对基于多窗谱的心理声学语音增强算法处理后的30 h猪场声音进行检测,得到222段试验语料。将猪场环境下的声音分为猪咳嗽声和非猪咳嗽声,并以此作为声学模型建模单元,进行语料的标注。提取26维梅尔频率倒谱系数(Mel frequency cepstral coefficients,MFCC)作为试验语段特征参数。通过BLSTM网络学习猪连续声音的变化规律,并利用CTC实现了端到端的猪连续声音识别系统。5折交叉验证试验平均猪咳嗽声识别率达到92.40%,误识别率为3.55%,总识别率达到93.77%。同时,以数据集外1 h语料进行了算法应用测试,得到猪咳嗽声识别率为94.23%,误识别率为9.09%,总识别率为93.24%。表明基于连续语音识别技术的BLSTM-CTC猪咳嗽声识别模型是稳定可靠的。该研究可为生猪健康养殖过程中猪连续咳嗽声的识别和疾病判断提参考。     

基于虚拟仪器的发动机断缸故障振动诊断

为了达到发动机不解体故障诊断的目的,进而提高诊断效率,该文通过采集发动机缸盖的振动信号实现发动机状态监测与故障诊断。借助加速度传感器BZ1185、数据采集卡PCI8210及计算机等硬件,构建了发动机振动信号采集系统;基于LabVIEW软件平台开发了虚拟仪器分析软件,对振动信号进行时域分析、相关域分析(自相关分析、互相关分析)、频域分析(傅里叶变换、自功率谱分析、互功率谱分析、倒频谱分析)、联合时频分析(短时傅里叶变换、小波分析)实现离线故障诊断。以4G65发动机为研究对象,在不同转速下,应用自功率谱和小波分析法对发动机断缸故障进行了试验研究,结果表明该系统用于4G65发动机的实时状态监测与故障诊断是可行的。该研究也可为其他发动机的故障诊断研究及推广应用提供参考。