基于机器视觉的断奶仔猪腹泻自动识别方法

[目的]断奶仔猪腹泻严重影响养猪业的经济效益,本试验基于机器视觉技术提出一种排泄姿态与异常粪便结合的断奶仔猪腹泻检测方法以实现断奶仔猪腹泻的快速、准确检测。[方法]以深层卷积神经网络(convolutional neural networks,CNN)为基础构建腹泻检测分类模型,实现仔猪身份、姿态与异常粪便的一体化识别,对比不同迭代次数对模型效果的影响,选取最优模型;提出时空信息融合判定法,从时间序列先后和空间距离远近两方面,关联最优模型识别出的目标姿态与病便,实现断奶仔猪腹泻的视频检测。[结果]在训练迭代25 000次时接近模型最优值,对姿态、病便等目标识别的平均精度均值和召回率分别为95.75%和89.13%;基于时空信息融合方法的断奶仔猪腹泻视频检测识别准确率和召回率分别为97.92%和95.92%。[结论]深层卷积神经网络分类模型结合时空信息融合判定法为断奶仔猪腹泻自动识别提供了有力的技术支撑。     

基于RFID与目标检测的种鹅个体产蛋信息监测方法

为解决群养种鹅个体产蛋信息监测难度大的问题，提出一种基于射频识别技术(radio frequency identification, RFID)与目标检测算法的种鹅个体产蛋信息监测方法。首先，使用134.2 kHz低频RFID实现无接触获取产蛋种鹅身份信息。其次，引入目标检测算法实时获取种鹅与鹅蛋的位置与数量信息，采用微调训练的方法分阶段训练目标检测模型，以增加模型在小数据集情况下的收敛速度与精度。利用种鹅定点产蛋的行为特点，将图像中每个独立产蛋区域提取为感兴趣区域，实现对每个产蛋区域的独立监测。最后，设计目标计数算法减小计数结果的误差，通过判断种鹅与鹅蛋的数量变化情况，获得种鹅个体开始产蛋时间、结束产蛋时间及产蛋结果。试验结果表明，YOLOv4目标检测模型检测种鹅与鹅蛋的平均精度均值(mAP)为93.59%,种鹅个体身份信息的监测准确率为98.5%,产蛋行为信息的监测准确率为91.3%,符合产蛋信息监测的要求。     

基于轻量化网络与注意力机制的育肥猪采食行为识别方法研究

[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题，提出一种具有轻量化结构的育肥猪采食行为检测模型，实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础，构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响，选取性能最优的模型；改进ShuffleNet V2网络结构基本单元，采用Mish激活函数提高模型泛化能力与推理速度，引入SE注意力机制给予目标特征更高的权重以提高目标识别精度；对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后，猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求，可在复杂养殖环境中全天候识别育肥猪采食行为。     

基于机器视觉的新生仔猪目标识别方法研究与实现

[目的]新生仔猪目标检测是母猪分娩监测的关键环节。[方法]通过自制图像采集器采集母猪分娩视频图像,机器视觉系统获取分娩图像信息,选取Canny算子对图像进行边缘检测,采用Otsu算法对图像进行二值变换,应用滑动平均算法和形态学开运算对二值图像滤波消噪,提取图像最大连通域,利用团序列检测算法对母猪目标进行分割,对分割后区域进行仔猪目标识别。[结果]试验结果表明,团序列检测算法能够准确分割出母猪目标,检测仔猪目标的正确率达到95.5%。[结论]提出一种能够有效识别新生仔猪目标的方法,为仔猪的出生预警提供了技术支撑。     

基于PSO-DNN的平养鸡舍冬季氨气浓度预测模型研究

[目的]氨气是鸡舍内影响肉鸡生长发育的主要有害气体,由于冬季鸡舍低通风量会导致氨气浓度超标,使肉鸡的免疫功能下降,导致呼吸系统疾病发生。针对鸡舍氨气预测精度不高、效率不理想等问题,提出基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network,DNN)的预测模型,实现冬季氨气浓度预警并及时调控鸡舍内氨气的浓度。[方法]选取自建平养鸡舍环境参数数据(温度、相对湿度和氨气浓度)和鸡自身情况数据(鸡龄和鸡进入鸡舍时间)建立模型,对鸡舍内未来1 h氨气浓度进行预测。PSO-DNN预测模型首先采用PSO优化DNN中的batch_size参数,以平均绝对误差(mean absolute error,MAE)作为目标函数,经过多次迭代后,得到最佳的batch_size,再以此构建DNN模型,以数据集的前70%数据作为训练集进行DNN模型训练,经过DNN的线性运算和激活运算后,采用数据集的后30%数据对模型进行验证,并对模型进行评估。[结果]将PSO-DNN模型与DNN和随机森林模型对比,PSO-DNN模型氨气预测结果的MAE为1.886 mg·m~(-3),DNN和随机森林模型预测的MAE分别为4.297和2.855 mg·m~(-3)。[结论]PSO-DNN模型的预测精度最高,与DNN和随机森林模型预测结果相比,其MAE分别降低56.1%和33.9%,可为平养鸡舍内氨气浓度预测提供方法参考,有助于及时、准确地调控鸡舍内氨气浓度。     

断奶仔猪混群后的攻击行为与其个体生理和性格特征之间的典型相关分析

[目的]本试验旨在探讨猪攻击行为性状、生理性状和性格特征性状3组性状间的相互关系,分析与猪混群后攻击行为相关的性状因素,有望通过这些相关性状间接选育出低攻击性猪。[方法]使用硬盘录像系统记录500头断奶仔猪混群后36 h的攻击行为,并测定生理和性格特征性状数据,对3组性状间11个变量进行简单相关分析和典型相关分析。[结果]典型相关分析结果表明,攻击行为性状与个体生理性状间的第1、第2典型相关系数(r)分别为0.260、0.172,都达到极显著水平(P0.01),分别占2组性状间总相关信息量的69.10%、28.90%;性格特征性状包括Backtest测试和咬尾测试,但相关系数未达到显著水平(P0.05)。生理特征因素中初始体质量与攻击行为呈极显著正相关(P0.000 1),此外,性别和攻击行为存在显著相关关系(P=0.005),而胎次、咬尾测试、Backtest测试对攻击行为均没有显著影响。[结论]个体生理特征性状与攻击行为性状之间具有显著相关性。性别显著影响断奶仔猪混群后的攻击行为,去势公猪比母猪具有更多的对峙行为和更少的被欺凌行为;断奶仔猪混群前体质量与打架时长密切相关,体质量越大,打架时长越长。提示:将体质量相似的仔猪同栏饲养更有利于减少打斗行为。     

基于双目视觉与深度学习的番茄本体特征检测系统

[目的]设计基于双目视觉与深度学习的番茄本体特征检测系统,实现番茄本体特征的自动无损检测,为水肥一体化和智慧农业提供技术支持.[方法]采集4000张番茄图像作为研究样本,利用基于深度学习SSD_MobileNet卷积神经网络的番茄主要器官检测算法,对番茄植株、茎、花、果实和叶进行检测.基于双目视觉的图像测量算法对各器官目标区域中株高、茎直径、果径和叶面积进行特征提取.[结果]利用SSD_MobileNet网络模型对研究样本进行训练和测试,调用训练好的模型对番茄各器官进行识别和定位,对番茄植株、茎、花、果实和叶的检测准确率分别为98.5%、99.0%、99.5%、99.5%和98.0%.利用基于双目视觉的图像测量算法对番茄本体特征进行测量,通过实践证明该系统对株高、茎直径、果径和叶面积测量的相对误差可分别控制在1.5%、1.0%、1.2%和1.3%以内,可实现番茄本体特征的精确检测,较常见系统的鲁棒性和精度有了明显提升;整套系统在番茄大棚中已稳定运行半年,完成了对番茄全生命周期的本体特征检测,并可将数据保存于数据库,实现对番茄本体特征的自动、无损监测.[建议]优化番茄特征遮挡问题,丰富训练数据集,优化网络模型,提高识别率和鲁棒性;建立番茄特征数据共享云平台,实现番茄疫病的提前预警;确定本体特征与番茄长势的关系,以快速判断施肥量,实现大棚番茄自动精确施肥.     

基于改进SSD的广佛手病虫害检测方法

[目的]针对广佛手在田间真实环境下病虫害识别较为困难的问题,提出一种基于改进SSD(single shot MultiBox detector)算法——SSD-Res50-3C的广佛手病虫害检测方法。[方法]SSD-Res50-3C算法主干网络部分用ResNet50网络替换原有的VGG16网络,增加模型在田间真实环境下对广佛手病虫害特征的提取能力;在预测特征层之前加入一种轻量高效的特征融合模块提升SSD算法的多尺度特征融合能力,进一步提高SSD算法在田间真实环境下的抗干扰能力。[结果]SSD-Res50-3C算法平均精度均值达到92.86%,相较原始的SSD算法提升6.61%,FPS(frames per second)达到64.1。相比YOLO v3、YOLO v4、YOLO v5x6、Faster R-CNN和EfficientDet-D3模型,SSD-Res50-3C算法的平均精度均值分别高6.41%、2.01%、0.79%、0.58%和5.10%,FPS分别高16.20、40.280、24.40、36.20和54.84。[结论]基于改进SSD算法的广佛手病虫害检测方法能够弱化田...     

集约化养猪分胎次饲养管理分析

[目的]研究分胎次饲养提高繁殖母猪生产性能的可行性。[方法]将头胎、二胎、三胎母猪分开饲养后进行人工授精,并将一胎母猪后代猪群与二胎以上母猪后代猪群实行隔离饲养,记录每头母猪年产仔数和地方性肺炎病变等数据。[结果]分胎次饲养的头胎母猪平均年产断奶仔猪22.5头,二胎母猪平均年产断奶仔猪24.2头,三胎母猪平均年产断奶仔猪22.3头,不同胎次母猪平均年产断奶仔猪22.8头,头胎母猪的生产水平接近平均水平。头胎母猪后代的地方性肺炎病变率为31%,二胎以上母猪后代的地方性肺炎病变率是11%,为头胎母猪后代发病率的1/3,稳定了二胎以上母猪的健康水平。[结论]集约化分胎次饲养可提高猪场后备母猪的生产性能。     

河南省部分规模化养猪场猪圆环病毒2型的流行病学调查

[目的]了解河南省部分地区猪圆环病毒2型的感染情况,以便更好地掌握该病的流行现状。[方法]应用聚合酶链式反应技术(PCR)对来自河南省12个不同地区的250个疑似PCV2感染送检样品进行检测。[结果]总体阳性率为91.20%。河南东部、西部、南部、北部、中部地区部分养猪场PCV2的阳性率分别为81.82%、90.70%、89.66%、96.30%和93.75%。不同规模养猪场的PCV2阳性率也存在差异,大型养猪场、中型养猪场、小型养猪场的PCV2阳性率分别为94.19%、92.68%和86.59%。[结论]猪圆环病毒2型在河南省已经普遍流行,应引起足够的重视,各养猪场也应采取相应的防控措施:优化断奶仔猪的饲养环境;坚持自繁自养和全进全出的饲养模式;加强对猪群的饲养管理;认真落实防疫工作;感染较严重的病猪予以淘汰,感染较轻的病猪隔离饲养。     

基于改进YOLO v5复杂场景下肉鹅姿态的检测算法研究

[目的]肉鹅姿态是预警肉鹅异常行为、评判肉鹅健康状态的重要指标,针对传统养殖场人工观察肉鹅姿态耗时费力且有很大主观性等问题,提出了一种基于深度学习模型自动识别肉鹅姿态的检测算法。[方法]利用YOLO v5模型对扬州鹅4种姿态(站立、休憩、饮水和梳羽)进行识别;对YOLO v5模型加入SENet、CBAM、ECA三种注意力模块改进网络结构,提高模型的识别能力;设计明暗试验和密集场景试验进一步验证模型在复杂场景下的鲁棒性。[结果]YOLO v5+ECA模型的平均检测精度(mAP)为88.93%,相比YOLO v5提升了2.27%。在识别精度(AP)上,站立姿态为91.85%,休憩姿态为93.42%,饮水姿态为90.02%,梳羽姿态为80.42%。在明暗试验和密集场景试验中,YOLO v5+ECA模型性能表现稳定,漏检现象和误检现象相对较少。[结论]该模型可以实现养殖场复杂场景下肉鹅姿态准确快速检测,为后续肉鹅行为监控和健康防疫提供数据支撑。     

基于深度神经网络的粮仓储粮数量检测模型

[目的]为满足国家对全国储粮数量在线检测的迫切需求,提出了一种基于深度神经网络的粮仓储粮数量检测方法。[方法]通过在粮仓底部布置若干压力传感器的方法获取粮仓底部所受压强值,并以分次进粮方法,分别记录所受压强值。通过R语言平台构建不同层次的深度神经网络结构并利用对数据集的学习得出检测模型,根据检测精度选择出最佳检测模型结构。通过最佳检测模型分别对试验仓及通州、齐河实仓进行检测实验。[结果]试验仓检测平均误差约为1.88%,通州实仓检测平均误差约为0.02%,齐河实仓检测平均误差约为0.08%。[结论]基于深度神经网络的粮仓储粮数量检测模型精度高,可用性强,为粮仓储粮数量的检测提供了一种新方法。     

基因检测技术在小尾寒羊高繁品系建立中的应用

[目的]检测小尾寒羊多胎基因,探索按照基因型选种,为建立小尾寒羊高繁品系开辟新途径。[方法]以BMPR-IB基因作为候选基因,采用PCR-RFLP方法检测其在基础群小尾寒羊和育种群小尾寒羊中的多态性分布,分析其与产羔数的相关性。[结果]在基础群中B＋和BB基因型比例分别为77.78%和14.81%,每胎次平均产羔数分别为1.77只和2.40只;在育种群中B＋和BB基因型比例分别为51.79%和40.18%,每胎次平均产羔数分别为2.54只和3.02只。从基础群与育种群对比看,无论纯合个体还是杂合个体,育种群平均产羔数均高于基础群。[结论]BMPR-IB基因可以作为小尾寒羊多胎性的分子遗传标记,并用于建立小尾寒羊的高繁品系。     

基于YOLOv4网络的棉花顶芽精准识别方法

为实现非接触、低成本、精准识别棉花顶芽,提出一种基于YOLOv4网络在复杂环境下对棉花顶芽进行精准识别的方法。利用K-means算法对棉花顶芽数据集进行聚类,优化先验框改善网络检测精度和速度,得到最优权值模型。对聚类前后模型以及与其他目标检测模型在棉花顶芽检测性能上进行了对比试验,并探究了顶芽在逆光和遮挡环境下,不同模型的检测性能。结果表明：该模型在测试集的平均检测精度（AP）、精确率（P）、召回率（R）、调和平均值（F₁）比原模型分别提高0.36%、1.73%、0.52%、1.16%,单张图像平均检测时间缩短0.28 s;对比SSD、YOLOv3、Tiny-YOLOV4模型,该模型检测精确率和F₁值最高,性能均衡;在自然场景处于逆光状态下,YOLOv4模型检测顶芽效果好于其他模型,且逆光环境对检测影响小;在遮挡条件下各个模型检测精度均有不同程度下降。     

基于粒子群的支持向量机SVR冰情预报研究

[目的]研究基于粒子群算法优化支持向量机SVR的黄河宁蒙段封河、开河日期预报模型。[方法]采用相关分析和成因分析相结合的方法选取合适的冰情预报因子组合,并运用粒子群算优化方法确定最优参数构建预报模型,将其运用到黄河宁蒙段封开河日期预报中。[结果]该模型预报精度高、运行时间短,预报平均误差为3.51 d,平均运行时间为10.464 s,预报效果明显优于遗传算法优化的支持向量回归与反向传播式神经网络,能够较准确地对封开河日期做出预报。[结论]基于粒子群算法优化支持向量回归的方法可以用于冰情预报。     

基于深度学习的苹果树侧视图果实识别

【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。     

基于OpenCV的母猪体重评估的研究

为解决生产过程中母猪体重、腱围测量困难,难以对其生长进行实时监测的问题。本文设计了一套基于OpenCV计算机开源视觉库的猪畜体积评估系统。系统通过改进的PBAS前景检测算法和Canny边缘检测算法来满足运动目标且检测环境相对复杂的猪舍情况,通过建立评估模型完成母猪体重评估。试验选取60头成年母猪测试,试验结果表明,评估系统的识别准确率达95.5%以上,数据误差控制±5%以下,并且改进后的算法具有较高的检测精度且连续性更好。该文从机器视觉角度探索了母猪个体识别,有别于传统的RFID猪个体识别,该研究为无应激的母猪个体识别提供了新方法,也为进一步探索群养猪个体等奠定了基础。     

基于深度学习的群养鸡只行为监测方法研究

畜禽的行为能够反映其健康状况、环境舒适度等福利信息,是评价畜禽福利状况的重要指标。为了实时自动监测鸡舍中鸡群的行为状况,提出了1种基于深度学习的鸡群行为监测方法。用摄像头连续4个月每天7:00—17:30记录散养鸡群在鸡舍内的活动,筛选7988幅图片对鸡只的采食、站立、趴卧、梳羽、啄羽和打架行为进行标注,利用YOLO v4目标检测模型识别,各行为平均精确率分别为采食96.67%、站立90.34%、趴卧78.46%、梳羽82.01%、啄羽63.38%、打架67.14%,模型总体平均精确率为79.69%。为进一步提高啄羽行为检测结果,采用了时间序列分析方法提取持续时间大于30 s的啄羽行为。实验结果表明,该方法可以实现群养鸡只行为的实时自动监测,解决人工不能全天实时监测的问题,为精准化养殖提供了可能。     

基于Transformer与自适应空间特征融合的群猪目标检测算法研究

针对深度学习群猪目标检测算法精确度低和模型占用内存大等问题，提出基于Transformer与自适应空间特征融合的群猪目标检测算法。搭建群猪图像采集设备，以视频帧作为数据源，提取关键帧并剔除模糊图像，采用Labelme标注图像中猪只，建立群猪图像数据集；将Swin Transformer网络作为主干网络，在FPN后引入自适应空间特征融合方法作为特征融合网络；提出RIoU作为预测框回归损失计算方法。结果表明，该算法在精确率、召回率、F1值和平均精确率指标方面分别达到93.6%、97.2%、0.953、96.5%，检测速度为34.9 Hz且模型大小仅为20.6 MB，与YOLOv4相比上述指标分别提高1.5%、1.7%、1.6%、2.4%，模型占用内存量缩小12.5倍，检测速度提高13 Hz。研究有助于智能化猪场建设，为养殖场动物计数和行为识别等方面提供技术支持。     

融合注意力机制的安全帽检测算法

针对工业施工场所背景复杂导致安全帽检测精度低及漏检等问题,提出一种融合注意力机制的安全帽检测算法。该算法在YOLOv5s网络模型的基础上,在主干网络中加入坐标注意力模块,使得网络可以有效关注目标信息的特征,提升远距离目标的检测能力。在网络训练过程中优化损失函数,将原有的CIoU损失函数更换为EIoU损失函数,优化了目标边界框回归的收敛速度,可以生成定位更精准的边界框,提高了模型检测精度。实验结果表明,改进后的算法平均精度达到94.5%,相较于原始模型提高了1.9个百分点,相较于YOLOv3算法提高了12.3个百分点。提出的算法有效地改善了原算法中安全帽漏检、误检的情况,同时提高了检测精度。