基于机器视觉的母猪哺乳行为监测方法研究

[目的]针对母猪哺乳行为及哺乳时长的自动化监测水平低、人工观测费时费力等问题,提出一种基于YOLOv5结合db4小波的方法,实现非接触式母猪哺乳行为的判定和哺乳时长的监测.[方法]利用YOLOv5对目标母猪和仔猪进行识别并输出母猪姿态,选择姿态为侧卧的母猪获取其预测框面积,根据哺乳特征的预测框面积变化与哺乳行为建立对应...     

分娩圈中长白、大白母猪分娩前后行为的观察

对分娩圈中长白、大白母猪产前、产后的卧位、卧姿和卧向进行了观察,并就母猪对分娩圈空间的利用进行了研究。结果表明,母猪几乎不在采食区趴卧;长白母猪在趴卧区中央趴卧的机率约为50％,大白母猪在趴卧区四周趴卧的机率为67．54％～79．28％。母猪侧卧的机率极显著超过立卧(P<0．01);长白母猪哺乳期侧卧的机率明显高于妊娠期(P<0．01);但是大白母猪哺乳期侧卧的机率与妊娠期差异不显著(P>0．05)。母猪更愿意选择头朝外趴卧,且长白母猪的机率高于大白母猪,妊娠期的机率高于哺乳期(P<0．01)。     

基于Kinect的母猪呼吸频率测定算法

[目的]呼吸频率是评价母猪健康的重要指标。针对目前畜牧业对母猪呼吸频率无接触测定的需求,提出一种基于Kinect的无接触测量算法。[方法]使用Kinect采集梅山母猪侧卧时的深度图像。通过动态区域检测算法确定腹部区域,采用DBSCAN密度聚类算法得到腹部区域质心进行局部深度图像提取。最后基于腹部区域局部深度图像的深度均值,使用离散傅里叶变换得到深度-时间拟合曲线,通过极值点确定1次呼吸过程的周期进而求出监测时间段内母猪的呼吸频次,最后转化成母猪的呼吸频率(RF)。[结果]将检测结果与人工计数结果做比较,呼吸频率正确率为85.3%,该呼吸频率测定算法是有效的。[结论]提出了一种呼吸频率测定方法,该方法实现无接触测量,准确率高,为定位饲养条件下的梅山母猪呼吸频率的测定提供了理论支撑。     

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能，在YOLOv4模型的基础上提出一种改进的Mini＿YOLOv4模型。首先，该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构，以降低模型参数量；其次，在检测网络的CBL＿block1、CBL＿block2模块中使用深度可分离卷积代替传统卷积，避免了复杂模型导致的内存不足和高延迟问题；最后，将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构，以提高模型在生猪姿态检测上的准确率。应用上述模型，对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示，Mini＿YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点，在检测速度上提升近1倍，在保证识别精度的同时提升了实时性，可为生猪行为识别提供技术参考。     

基于K-means-BP神经网络的舍饲环境母羊产前运动行为分类识别

为了探讨舍饲圈养方式对怀孕母羊生理及心理健康产生的影响,设计以三轴加速度传感器MPU6050为核心的母羊产前运动行为监测装置,并对37只成年小尾寒羊母羊产前的运动行为(站立、行走、趴卧及刨地)进行分类识别。针对母羊趴卧和站立2种静态行为识别难度大的问题,提出采用K-means聚类算法对趴卧行为进行识别。在此识别结果的基础上,通过MATLAB软件对其他3种行为数据进行校正、滤波、加窗分段处理,提取母羊产前运动行为数据的19维特征,通过主成分分析降维方法获取累积贡献率达到95%的6个分量作为新的特征集用于行为识别。利用BP神经网络算法对其他3种运动行为进行分类识别。结果表明:所设计的母羊产前运动行为识别算法对母羊产前趴卧行为的识别率达到99.2%,对站立、行走及刨地行为的识别率分别为85.7%、88.9%、80.0%,能够满足对母羊行为识别的要求;经PCA降维后算法的识别率提高了9.9%,识别效果得到了改善。     

待产梅山母猪咳嗽声识别算法的研究

[目的]目前对于母猪是否患有呼吸系统疾病的诊断主要依靠饲养员观察,存在由于疏忽未能及时发现并处理患病母猪而造成大量母猪死亡的情况。为解决这一问题,笔者以待产梅山母猪咳嗽声为对象,对其识别方法进行了研究,旨在将母猪咳嗽情况作为诊断早期呼吸系统疾病的依据,以达到自动监控的目的。[方法]基于无线多媒体传感器网络进行母猪声音数据的采集与传输,对采集到的声音信号进行滤波、分帧等预处理操作后,由于不同声音的功率谱密度曲线的波动性不同,依托曲线目标优化的思想提取声音功率谱密度特征,并以此特征作为聚类中心,运用改进的模糊C均值聚类算法对咳嗽声和尖叫声进行识别分类。[结果]训练出了母猪咳嗽声和尖叫声的功率谱密度特征,差异明显;忽略个体差异,咳嗽声和尖叫声的总体识别准确率分别约为83.4%和83.1%,识别算法是有效的。[结论]针对待产梅山母猪咳嗽声,创新性提出了一种声音识别算法,该方法简单,高效,识别率高,为母猪呼吸系统疾病的早期自动诊断提供了技术支持。     

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。     

基于音频技术的白羽肉鸡咳嗽识别算法研究

[目的]咳嗽是肉鸡呼吸道发病初期的主要症状,为实现肉鸡呼吸道疾病非接触式监测,本研究提出一种肉鸡咳嗽声识别算法。[方法]利用网络拾音器采集白羽肉鸡咳嗽及其他声音数据,选用最小均方误差(MMSE)谱减法对其进行滤波去噪;经预处理后人工截取肉鸡咳嗽样本与噪声样本;提取样本基于小波变换的梅尔频率倒谱系数(WMFCC)特征,构建高斯混合模型-隐马尔科夫模型(GMM-HMM)识别算法,训练并调整优化咳嗽识别模型。[结果]试验表明,在隐状态数为3,高斯元个数为3时,该模型在测试集上达到最优识别效果,正确率为98.7%。将算法识别结果与人工分类结果比较,肉鸡咳嗽识别算法的平均准确率为95%。[结论]本文提出的肉鸡咳嗽算法模型能较好地检测肉鸡咳嗽,为肉鸡呼吸道疾病的早期自动预警提供技术支持。     

基于轮廓特征的猪行为识别方法研究

[目的]提出一种基于轮廓特征的目标识别方法对猪的行为进行分类和识别。[方法]先采用背景减除法提取运动目标的轮廓,并利用HSV彩色空间模型的色度和饱和度信息消除阴影对目标检测的影响,再运用其轮廓的边界矩特征构建一个轮廓特征向量模型,分析比较待测行为姿态轮廓特征向量与每类标准模板之间的欧氏距离,对猪的4种行为即正常行走、低头站立、抬头站立和躺卧进行分类。[结果]该方法能够有效对猪的4种行为进行分类,准确率达80%以上。[结论]该项研究对养殖场中猪的精神状态和异常行为识别进行了有益的探索。     

哺乳母猪乳房炎的发生与防治探究

乳房炎是母猪在哺乳期较为常见的一种疾病,会给母猪的正常哺乳带来严重的影响,如果情况较为严重的话会让母猪彻底丧失哺乳能力,从而导致猪仔不能正常发育,这将给养殖户带来极大的经济损失。基于此,对造成哺乳母猪乳房炎的原因进行了分析,同时对哺乳期母猪乳房炎的预防及治疗进行了探讨。     

中草药制剂对哺乳母猪繁殖性能的影响

[目的]研究中草药饲料制剂对哺乳母猪繁殖性能的影响,为其在哺乳母猪生产中的应用提供理论依据。[方法]选择60头经产母猪,随机分为5组,每组12头母猪,对照组饲喂玉米-豆粕型基础饲料,试验Ⅰ组基础日粮+0.5%中草药添加剂,试验Ⅱ组基础日粮+1.0%中草药添加剂,试验Ⅲ组基础日粮+1.5%中草药添加剂,试验Ⅳ组为基础日粮+0.04%强力霉素,研究中草药饲料制剂对哺乳母猪繁殖性能的影响。[结果]试验Ⅰ组、Ⅱ组、Ⅲ组、Ⅳ组母猪的窝产仔数、健仔率和10日龄仔猪日增重显著提高,母猪恶露的排出率显著提高。在基础日粮中添加中草药制剂能促进母猪的子宫恢复。试验Ⅰ组、Ⅱ组、Ⅲ组、Ⅳ组初生猪黄白痢的发生率显著降低,各试验组间差异不显著。[结论]中药制剂能增强新生仔猪及母猪的抗病力,提高母猪的繁殖力,以添加1%中草药制剂的效果最佳。     

饲用复合酶对母猪生产性能的影响

选取年龄、胎次、品种基本一致的哺乳母猪42头,随机分为对照组和试验组,在相同的环境条件下,对照组饲喂基础日粮,试验组饲喂加入0.1%的复合酶的基础日粮,结果显示:两组的仔猪21日龄断奶窝重和母猪哺乳失重等差异均极显著(P<0.01)。试验结果表明:在妊娠和哺乳母猪日粮中添加0.1%的饲用复合酶,可显著增加仔猪的出生重、断奶窝重和日增重,对减少母猪哺乳期失重效果显著。     

基于超声波的母猪产前行为监测系统设计

针对目前养殖业对母猪分娩时间的判断主要通过人工观察,不仅工作繁杂,而且易受饲养员主观经验影响等问题,设计一种基于超声波传感器和无线传感网络的母猪产前行为监测系统。该系统通过节点采集母猪产前头部、背部、尾部活动量的距离信息,将采集到的距离数据实时发送到网关节点,网关节点将距离信息转发到服务器。服务器端采用K-means聚类算法进行行为识别与分类。试验结果表明:系统能够快速采集母猪身体活动量的距离信息并对母猪行为进行分类,能够检测出母猪筑窝、站立、躺卧等行为,正确率为90.47%,系统工作稳定。提出了一种非接触式监测母猪产前行为的方法,为母猪分娩时间的预测提供基础。     

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。     

野牡丹粉对仔猪黄痢的防治效果研究

[目的]探索野牡丹粉对仔猪黄痢的防治效果。[方法]用野牡丹粉和氟哌酸饲喂母猪,对哺乳仔猪黄痢进行预防治疗试验。[结果]用40 g/头、50 g/头野牡丹粉拌料和西药氟哌酸拌料饲喂母猪对哺乳仔猪黄痢的治疗效果,差异不显著(P0.05)。45 g/头野牡丹粉拌料和西药氟哌酸拌料饲喂母猪对哺乳仔猪黄痢的预防效果,差异极显著(P0.01)。用野牡丹粉拌料饲喂母猪对哺乳仔猪黄痢的预防效果比治疗效果要好。[结论]该研究为用野牡丹粉拌料饲喂母猪对哺乳仔猪黄痢进行预防和治疗提供参考。     

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。     

减少母猪非生产天数提高繁殖率

一、母猪非生产天数的概念和计算方法1头生产母猪1年中既没有怀孕,又没有哺乳的天数,称为母猪的非生产天数。1头生产母猪非生产天数常用公式NPD=365-[L/F.Y×（LL＋GL）]来计算,其中NPD表示非生产天数;L／F·Y表示每头母猪每年所产窝数（即胎指数）;LL表示母猪哺乳期天数;GL表示母猪怀孕天数（平均为114天）。例如,     

母猪饲养环境管理要点

母猪饲养管理要点要根据母猪不同的生理阶段,将其饲养阶段分为生长阶段、后备阶段、配种阶段、妊娠阶段、哺乳期阶段、断奶空怀阶段进行分段管理,根据各阶段不同的身体需要和营养需要进行科学饲养管理,提高其生产能力,增加养殖经济收入。母猪饲养环境作为母猪生长、妊娠、哺乳的地方,其好坏直接决定母猪养殖质量与效果。     

中链脂肪酸甘油酯对热应激下哺乳母猪生产性能的影响

本试验旨在评估中链脂肪酸甘油酯(Medium-chain triglyceride,MCT)对哺乳母猪生产性能的影响。本试验选取体重、背膘厚、胎次(第二或三)相近的妊娠110天的长大二元母猪40头,随机分为试验组和对照组2个处理组,每个处理组20个重复,每个处理组1头母猪。对照组饲喂商品哺乳母猪日粮,试验组在商品哺乳母猪日粮基础上,添加6g/kg中链脂肪酸甘油酯。试验结果：与对照组相比,添加MCT提高了仔猪平均日增重12.6%(P=0.08)和断奶重8.7%(P=0.13),对仔猪成活率、母猪采食量、母猪产程、母猪背膘损失、断奶发情间隔等指标影响不显著(P>0.1)。结论分娩前和哺乳期母猪日粮中添加中链脂肪酸甘油酯能提高产房仔猪的平均日增重。     

基于改进SVM算法的植物叶片分类研究

[目的]为了有效的对植物物种进行识别,[方法]本文提出了基于布谷鸟(CS)算法改进的支持向量机(SVM)方法对植物叶片分类从而识别植物物种。本文用两种数据集验证改进的CS-SVM算法对植物叶片的分类效果:UCI公开数据集和自主采集叶片图像。在自主采集的叶片图像数据集中,首先对叶片图像预处理,提取6个特征值,然后再使用CS-SVM算法建立分类模型。[结果]结果表明,在UCI公开数据集每种叶片样本量较少的情况下,CS-SVM算法对叶片分类的准确率可以达到87%以上;在采集的叶片图像数据集上以鹅耳草榆属、槭属等8种植物叶片和红柳、杨属等15种植物叶片样本分别试验,前者叶片分类准确率达95%,后者则大于84%。最后,将CS-SVM算法与PSO-SVM算法对植物叶片的分类效果进行对比,结果表明两种方法在叶片分类准确率上无显著差异,但CS-SVM方法在速度上领先10 s以上。[结论]改进的CS-SVM算法在样本量少或者样本特征属性少的情况下,对植物叶片的分类具有良好的效果。