黄瓜幼苗生长信息的无损监测系统的应用与验证

初步探讨了利用计算机视觉技术，在试验温室条件下，对单株黄瓜幼苗的生长实行无损监测。分别对叶面积和干鲜重的破坏性测量与计算机视觉无损测量结果相比较，通过相关性分析，计算机视觉测量的叶冠投影面积与激光叶面积仪测量的叶面积决定系数为0.976，与茎叶干、鲜重的决定系数分别为0.874和0.914。试验证实计算机视觉无损监测系统可以对植物的生长参数进行比较可靠的预测。     

种猪体重三维预估模型的研究

在利用图像处理技术实时预估活体猪体重中，选用的预估模型对能否获得较好精准性至关重要，同时也影响图像处理算法实现的复杂性、稳定性及高效性。该文在充分考虑猪的体形特点及其与猪体重影响因素的基础上，将猪体的头部和躯干分别近似为圆锥体和圆柱体，以此建立种猪体重的三维预估模型。经与实测数据比对，表明该预估模型具有较好的准确性，为实现猪体重的无损测量提供了一种新的方法。     

利用计算机视觉技术实现对温室植物生长的无损监测

利用计算机视觉技术对温室植物生长进行无损监测，获取植物生长状态信息，对于提高温室的智能化控制水平具有重要意义。在实验温室中设计了一套计算机视觉系统，对黄瓜幼苗生长进行无损监测，同时利用VC++6.0编制的图像分析处理软件，提取植物的外部形态特征：叶冠投影面积和株高。通过对两组无土栽培的黄瓜幼苗叶冠投影面积的连续监测，发现叶冠投影面积的变化趋势可以较好的反映植物的缺肥情况。用图像处理方法测量植株的平均株高与人工测量结果的相关系数可以达到0.927。研究表明，计算机视觉技术应用于温室植物生长的无损监测是可行的，具有广阔的应用前景。     

种猪体重三维预估模型的研究

在利用图像处理技术实时预估活体猪体重中,选用的预估模型对能否获得较好精准性至关重要,同时也影响图像处理算法实现的复杂性、稳定性及高效性。该文在充分考虑猪的体形特点及其与猪体重影响因素的基础上,将猪体的头部和躯干分别近似为圆锥体和圆柱体,以此建立种猪体重的三维预估模型。经与实测数据比对,表明该预估模型具有较好的准确性,为实现猪体重的无损测量提供了一种新的方法。     

基于机器视觉的白掌组培苗在线分级方法

白掌在观叶类花卉中占有很大比例,其育苗多采用组织栽培法,且组培苗生产具有规模化。为提高成苗出苗品质,需要在组培苗炼苗前对其分级,而目前常用分级法不能有效解决自然状态下水平放置的白掌组培苗存在的叶片扭曲和重叠问题,因此该文提出一种基于机器视觉实现白掌组培苗在线分级的方法,通过对自然状态下水平放置的白掌组培苗的叶片面积、苗高、地径以及投影面积的分析,得到其投影面积与叶片面积呈线性关系,相关度为0.9344;投影面积与地径呈多项式函数关系,相关性为0.9067,故确定组培苗投影面积和苗高为实际生产中的分级指标。该文采用基于颜色模板匹配算法测量组培苗投影面积,得到的叶片面积和地径与实际叶片面积和地径的变异系数相对误差分别为0.35%和7.95%;利用最小外接矩形法(MBR,minimum bounding rectangle)测量苗高,得到的苗高和实际苗高变异系数相对误差为1.44%。通过整机分级试验发现在输送间距为0.25 m,输送速度为0.5 m/s,分级级别为3级的条件下,该分级装置的分级成功率可达96%,对应生产率为7 200株/h。     

种猪数字化养殖平台的构建

目前,虽然中国规模化养猪业快速发展,但是饲养设施和技术手段与发达国家相比仍然相对落后。该文提出数字化种猪养殖平台,利用先进技术和管理方法提高养猪业效益。整个平台从种猪生产过程和个体信息的管理到数字化监管等方面作了详尽的阐述,并逐一给出平台中各组成子系统的构建方法,利用无线射频识别（RFID）、智能控制、网络传输等多项数字化技术和手段,完成平台的建设,包括饲料的自动输送和精细饲喂系统、猪舍环境智能化调控及数字化表达、猪只个体信息的数字化表达和猪舍实况的可视化监视、种猪养殖全过程的网络化监管。该平台作为内蒙古科技园区数字化养殖的具体示范实例,将数字化技术应用到种猪生产,体现了农牧业生产过程科技化的基本理念。     

应用计算机图像处理技术识别玉米苗期田间杂草的研究

利用计算机图像处理技术分析了玉米苗期田间杂草的特征量，识别出田间杂草并确定了杂草的位置和生长状况。研究中采用双峰法滤除了土壤背景，根据投影面积、叶长、叶宽识别出了杂草，并且根据杂草投影面积确定出了杂草密度。实验结果表明，此方法可有效地识别出玉米苗期田间细长的单子叶杂草。     

猪的饲养管理自动化

就猪的饲养管理自动化进行了讨论，内容包括饲喂自动化系统、种猪性能测定自动化设备以及环境控制和废水管理自动化设施等。     

猪的饲养管理自动化

就猪的饲养管理自动化进行了讨论，内容包括饲喂自动化系统、种猪性能测定自动化设备以及环境控制和废水管理自动化设施等。     

种猪的繁殖障碍及防治

详细介绍种猪的繁殖障碍产生的原因和具体的防治措施,提出应做好种猪的选种育种、饲养管理和预防接种等工作,以减少种猪繁殖障碍的发生。     

基于机器视觉的育肥猪分群系统设计与试验

为控制育肥猪出栏时的体质量差异,该研究开发了一套基于机器视觉技术的育肥猪分群系统,该系统通过机器视觉技术和卷积神经网络模型代替传统地磅对猪只体质量进行估测,可有效避免粪污对设备精度的影响及腐蚀;以前一天全部猪只体质量数据从小到大排列的第30%个数据作为当日的分群基准质量,将大于等于基准质量的视为长势较快的猪只,小于基准质量的视为长势较慢的猪只,每次采食按照猪只长势快慢分为2群进行饲喂;该系统依托于LabVIEW软件开发平台和物联网系统构建,平均每头猪只通过系统时间为6.2 s。为验证该系统的实际应用效果开展了为期30 d的现场试验,将饲喂于装有分群系统猪栏中的120头长白育肥猪作为试验组,由分群系统按猪只长势快慢分群饲喂;将饲喂于传统猪栏中的120头长白育肥猪作为对照组,按照传统人工调栏的方式进行饲喂。试验开始时试验组和对照组猪只平均体质量分别为32.21、31.76 kg,标准差分为别2.61和2.49 kg;结束时试验组和对照组猪只平均体质量分别为57.68、57.41 kg,标准差分为别5.26和5.51 kg,总料肉比分别为2.31和2.34,期间试验组猪只体质量的标准差小于对照组,但是2组猪只平均体质量、标准差、总料肉比均不存在显著差异,表明采用该系统对猪只进行分群饲喂控制猪只体质量差异效果等同于人工调栏,同时可以节省人力成本,缓解农业劳动力短缺的压力。该研究也可为母猪饲喂站、种猪测定站等智能化养猪设备的研发提供参考。     

基于机器视觉的猪体质量估测模型比较与优化

基于机器视觉的猪体质量估测模型较多,但模型缺乏在实用性、准确性的对比,最佳模型没有定论。该文总结了已有的估测算法,基于79组背部图像面积、实际面积、体长、体宽、体高、臀宽、臀高数据,使用线性回归、幂回归、二次回归、主成分线性回归、RBF(radial basis function,径向基函数)神经网络等方法,重建了13种体质量估测模型,并比较了13种模型的估测精度。结果表明,基于体长、体宽、体高、臀宽和臀高的线性回归模型具有较好的估测精度,估测值与真值的相关系数达到了0.996。利用主成分法去掉体尺的共线性,利用曲线回归解决残差不均匀问题,更加符合猪体质量增长趋势,结果表明基于主成分的幂回归模型具有较高的相关系数和较低的标准估计误差,对于97组数据的估测平均相对误差为2.02%。使用猪场实测24组数据验证模型,估测质量与测量值相关系数为0.97,估测平均相对误差为2.26%,标准差为1.78%,优于基于面积和面积体高结合的估测模型,平均绝对误差为2.08 kg,优于面积体高结合方法的平均绝对误差。试验证明使用多个体尺的主成分幂回归体质量估测模型较为精确,可用于机器视觉估测猪体质量的应用中。     

关于我国养猪环境工程发展的几个认识问题

根据我国人口多、土地少的基本国情,我国养猪环境工程的发展,不能照搬外国经验,而应走自己的道路。作者认为:以高投入、高能耗为特点的全封闭,高密度养猪方式不符合我国国情;强调城市猪肉生产自给对城市环境具有潜在的危险性;走农牧结合之路,充分利用猪适应环境的本能就是我国养猪环境工程发展的主要方向。任何时候衡量养猪生产水平的指标只能是猪的生产效率,即母猪的产仔率、仔猪成活率、日增重、饲料转化率、发病率与死亡率等,而不应是机械化程度或劳动生产率。     

2个猪品种的背最长肌组织中兰尼定受体（RYR1）基因表达的发育性变化

本研究采用实时荧光定量PCR方法检测了长白猪和梅山猪背最长肌组织中RYR1基因mRNA表达量在初生（0月龄）、1月龄、2月龄、3月龄、4月龄和5月龄间的变化及其与体重、肌纤维面积（CSA）和肌内脂肪含量（IMF）之间的相关性。结果表明：长白猪的体重、CSA在多数月龄均高于梅山猪,而梅山猪的IMF在多数月龄均高于长白猪。两品种RYR1基因表达量的发育性表达模式极为相似,均表现为波动起伏中逐渐上升的趋势。相同月龄时,梅山猪RYR1基因的表达量均高于长白猪。本文初步揭示了两猪种生长发育过程中RYR1基因表达的发育性变化模式和品种差异,为进一步研究RYR1基因对猪肉质性状的影响提供了基础数据。     

基于边界脊线识别的群养猪黏连图像分割方法

猪体图像的前景分割和黏连猪体的分离是实现群养猪数量自动盘点和猪只个体行为智能识别的关键。为实现群养猪黏连图像的自动分割,该文采用决策树分割算法提取视频图像帧的猪体前景区域,计算各连通区域的复杂度,根据复杂度确定黏连猪体区域,利用标记符控制的分水岭分割算法处理黏连猪体图像,检测待选的边界脊线,通过检验待选边界脊线的分割效果和形状特征(包括线性度和Harris拐点数目),识别出猪体黏连分割线,实现黏连猪体的分离。结果表明,决策树分割算法(decision-tree-based segmentation model,DTSM)能够有效地去除复杂背景,前景分割效果良好。黏连猪体分离结果显示,基于边界脊线识别的黏连猪体分离准确率达到了89.4%,并较好地保留了猪体轮廓。通过计算分割后猪体连通区域的中心点,并对中心点进行德洛内剖分,初步实现了猪只的定位和栏内分布的可视化。6 min的监控视频处理结果显示,该文方法各帧图像的盘点平均误差为0.58,盘点准确率为98.33%,能够正确统计出栏内猪只数量。该研究可为实现基于监控视频的群养猪自动盘点和个体行为识别提供新的技术手段。     

深度学习在猪只饲养过程的应用研究进展

随着人工智能技术的兴起,深度学习技术发展迅猛,在图像及音频识别、自然语言处理、机器人技术、生物信息学、化学和金融等领域中应用广泛,也是目前发展精细畜牧业重要工具。养猪业是中国的重要农业产业,生猪的体况、行为及健康状况直接影响猪场的收入水平,通过深度学习技术可以快速、准确地了解猪只的相关信息并进行精确管理,提高猪只饲养效率及动物福利水平。该研究阐述了深度学习在目标猪只检测、猪只图像分割、猪只体况及异常监测、猪只行为识别上的应用现状,提出了深度学习技术在猪只饲养过程中的改进策略,以方便研究人员快速了解其研究进展。同时总结和分析了深度学习技术在猪只饲养过程中关于数据来源及数据集、应用范围、模型优化的不足与展望,提出应建立适用于猪只领域的公共数据集和统一的数据集标准,扩大深度学习的应用范围,优化DL模型以满足实际任务需求,将深度学习应用于猪场生产实践中。该研究旨为提高猪只福利化养殖和猪场经济效益提供依据,以推动深度学习在猪只饲养过程中应用的进一步发展。     

苜蓿蛋白对仔猪和肉仔鸡生产性能的影响

研究比较苜蓿蛋白（ＡＪＰＣ）对仔猪和肉仔鸡的生产性能的影响。结果表明,苜蓿蛋白对仔猪和肉仔鸡的影响存在显著差异。在肉仔鸡日粮中用苜蓿蛋白替代豆粕和棉粕蛋白１０％以下时,苜蓿蛋白对肉仔鸡生长和采食量没有不良影响;替代５０％以上时,对采食量和生长都有显著的抑制作用（Ｐ＜０．０５）。苜蓿蛋白替代仔猪日粮中的棉粕和菜粕蛋白１００％时,对生长有显著改善（Ｐ＜０．０１）,生长速度分别提高１０．２％和４．８％。     

基于头尾定位的群养猪运动轨迹追踪

猪的头/尾位置直观反映了猪的进食、饮水、争斗、追逐等日常活动。从群养猪俯视视频中有效分割粘连的猪个体,找出猪的头/尾部,并以头/尾坐标实现较精准的运动轨迹追踪有着较大的难度。该研究采用改进分水岭分割算法分割视频图像帧中的粘连猪个体;对分割后的猪体提取头/尾轮廓,分别用类Hough聚类和圆度识别算法识别每头猪的头/尾,用运动趋势算法修正头/尾识别的误差,生成以头/尾部为定位坐标的运动轨迹。运算结果和人工标记对比证明类Hough聚类和圆度识别算法的头尾识别正确率分别为71.79%和79.67%;经过运动趋势修正后,以头部为定位坐标生成的运动轨迹与人工标记生成运动轨迹吻合良好;对比头/尾轨迹和质心轨迹可以发现,头/尾轨迹能够更多获取猪个体和群体活动、运动信息。该研究对于实现自动记录和分析猪个体和群体的活动行为提供新的思路和方法。     

基于机器视觉的猪体体尺测点提取算法与应用

无应激获取猪体的体尺、体质量,是猪福利养殖中的一个重要任务,为解决机器视觉提取自然站立姿态下猪体的体尺测点识别率低的问题,该文通过在线摄像机获取120d龄长白猪的彩色图像,以猪体体尺传统的测量位置为研究基础,结合猪舍现场实际情况,提出了复杂背景下猪体个体信息提取的算法、基于包络分析的猪体头部和尾部的去除算法以及具有一定弯曲姿态的复杂猪体体尺测点坐标提取的算法,并利用Matlab2010软件实现了其算法。验证试验结果表明:通过背景减法和去除噪声算法可去除背景干扰,有效识别猪体信息;测点提取算法可准确提取自然姿态下猪的个体轮廓,识别其体尺测点,实现了猪体的体长、体宽等体尺量算的9个体尺测点的坐标提取,经验证,对猪体体长的实测值平均相对误差最小,其平均相对误差仅为0.92%;其次为腹部体宽,其平均相对误差为1.39%;而对猪体肩宽和臀宽的检测误差较大,平均相对误差分别为2.75%和3.03%。本研究可应用于猪体无应激量算体尺、估算猪体体质量,为开展福利养殖提供了一种新方法。     

基于Isomap和支持向量机算法的俯视群养猪个体识别

针对俯视群养猪视频序列,提出了一种利用机器视觉技术对猪个体进行识别的方法。首先对采集的俯视群养猪视频序列进行前景检测与目标提取,获得各单只猪个体,其后建立训练样本,提取猪个体颜色、纹理及形状特征,组合构建表征猪个体的特征向量,接着对组合特征利用Isomap算法做特征融合,在最大程度保留有效识别信息的基础上降低特征维数,最后利用优化核函数的支持向量机分类器进行训练与识别。试验选取了900帧图像,试验结果表明该文所提方法切实有效,猪个体最高识别率为92.88%。该文从机器视觉角度探索了俯视群养猪的个体识别,有别于传统的RFID猪个体识别,该研究为无应激的猪个体识别提供了新思路,也为进一步探索群养猪个体行为分析等奠定了基础。