利用二维数字图像估算种猪体重

为解决生产过程中种猪体重称量困难,难以对其生长进行实时监测的问题,提出利用二维数字图像对种猪体重进行估算的方法。利用数码摄像机获取种猪样本图像,采用域值分割法对图像进行分割,根据投影区域与参考系的比例关系估算得到种猪真实投影面积和体高,并建立了其与体重的回归方程。实验结果表明:用该方程估算得到的种猪体重与实际称量体重的平均相对误差为3.2%,精度较高,验证了本方法估算种猪体重的可行性。本方法可以避免传统称量方法可能导致的猪的应激反应给生产带来的损失,降低种猪生产成本,可用于种猪生长过程的监测和研究,为种猪的现代化饲养管理提供了一种有效的监测手段。     

植物组培设施环境调控系统的研究进展

植物组织培养是一项能获得大量同源母本基因幼苗的生物技术,又称植物克隆技术,具有其他育苗方法无法比拟的优点。但在传统的组培环境下组培苗生长缓慢、污染严重、存活率低,致使成品苗的成本过高,不利于组培苗的大规模商品化生产。目前其应用主要限于一些园艺植物,为扩大其在农业、森林等植物上的应用,必须发展一种新型的适用于离体培养小植株的自动化规模化繁殖体系。最近20年来许多学者开始重视培养环境对组培苗的生理影响并对组培微生态系统环境进行了研究。     

种猪体重测量新方法初探

本文简述了体重测量在种猪饲养生产管理中的必要性,通过分析种猪各个体尺与体重之间的关系,探讨了一种无接触式的新测量方法,即用计算机视觉技术无接触地来估算体尺和预测体重,这种方法可以解决了传统测量方法的弊端,减少人力物力,避免由于猪的应激反应而给生产带来的损失,在种猪的科学饲养管理中具有重要的现实意义。     

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。     

立体雾培墙定植角度对生菜生长的影响

在温室立体雾培墙系统中，研究了不同栽培角度对大速生生菜生长情况和品质的影响。在试验处理中，定植角度90°（与水平面夹角，以下相同）不利于生菜根系的生长和叶片数的增加，定植角度90°的生菜的硝态氮含量较低，同时，其叶绿素含量和可溶性蛋白含量与水平定植45°相比，也显著降低；水平定植60°有利于生菜根系的生长；水平定植45°的生菜的生长情况和品质较优，其中，与水平定植角度90°处理相比，叶绿素含量和可溶性蛋白含量显著提高。试验证明：选择合适的定植角度有利于生菜的栽培，其中，在墙面栽培中，定植角度45°优先考虑。     

基于嵌入式Web Server灌溉控制器

从节水灌溉与网络技术应用的角度提出了开发基于嵌入式Web Server的网络灌溉控制器，并详述了该网络控制器的优点，在分析了嵌入式网络灌溉控制器系统结构的基础上，研究了硬件组成与软件设计中网络通信的实现方法，并与传统的灌溉控制器进行了对比，突出了该控制器远程管理的功能。     

日光温室环境预测模型构建

在借鉴国内外温室环境模型成果的基础上，利用热平衡原理建立了日光温室环境预测模型，该模型综合考虑了自然通风、作物蒸腾、地面蒸发、土壤传热和后墙传热对日光温室室内温湿度的影响，利用室内外的环境参数、室内作物的生长状态和自然通风口开口大小等参数，可以预测日光温室内部温湿度的变化情况，对日光温室环境调控具有一定的指导意义。     

基于功率谱密度的蛋鸡声音检测方法

利用声音连续监测动物生长过程的缺点是无效声音数据量大。为了获得便于研究人员使用的小数据量并同时反映动物行为信息的声音,引入分类识别方法对原始声音进行处理。以栖架饲养环境中的含有海兰褐蛋鸡鸣叫声的声音片段和风机噪声片段为研究对象,基于不同类型声音在1 000~1 500 Hz频率范围内的功率谱密度存在差异,对2种声音片段进行了分类识别。试验结果表明,该方法的全面正确识别率为95%,其中蛋鸡声音片段正确识别率为93.3%。该方法将有助于实现风机噪声环境中动物声音实时检测与提取,从而减少无用声音数据的储存与传输。     

蛋鸡健康养殖网络化管理信息系统

该文阐述了基于.NET技术和ERP思想的蛋鸡健康养殖网络化管理信息系统的研发过程。该系统选用Windows 2003 Server平台、SQL Server 2000数据库、Visual Studio .NET 2003开发环境和C#开发语言。系统包括员工服务、人事管理、文档管理、饲料管理、蛋鸡管理、视频监控、鸡病查询、鸡蛋查询、系统维护等9个模块。借鉴“产前、产中和产后”的全程管理思想，利用“从车间到餐桌”的鸡蛋编码可追溯技术，采用了鸡舍环境预警模型，使得消费者可以从网上查询到具有Egg ID鸡蛋的相关信息(鸡蛋生产厂商、生产地点、生产时间、蛋鸡信息和生产环境等)。该系统在存栏120万羽蛋鸡的北京某蛋鸡场得以应用。     

育肥猪生长过程中脸部变化对识别模型准确率的影响

为探究猪脸识别模型对育肥猪猪脸生长变化的识别效果,采用深度卷积网络,对大白育肥猪生长过程中脸部变化与识别模型准确率之间的关系进行研究。结果表明:1)在预训练的DenseNet201、MobileNetV3_small、SeNet154和Xception 4种模型中,SeNet154模型猪脸识别效果最好,对验证集的识别准确率可达98.80%,选其为猪脸识别模型;2)分别用试验期间第1～2、1～3、1～4和1～5天采集的猪脸图像数据训练该模型,并分别使用第3～8、4～9、5～10和6～11天的数据逐天测试模型的猪脸识别效果发现,使用第1～4与1～5天数据训练的模型猪脸识别效果相当且优于使用第1～2与1～3天数据训练的模型。使用第1～4天数据训练的模型对第5天数据的识别准确率最高,为96.74%,其后5天的识别准确率逐天下降,到第10天为84.17%。分析认为,造成识别准确率下降的原因是猪脸生长、光照变化以及污渍附着。3)使用第(n-4)～(n-1)天(5≤n≤10)的数据重新训练动态模型后,对第n天猪脸数据的识别准确率均在95.82%以上。深度卷积网络模型在猪脸识别方面有较高的识别准确率,可以用于育肥猪的脸部识别;建议在育肥猪的猪脸识别系统中每天都使用至少前4天,且≥10 800组图像数据重新更新猪脸识别模型。