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。     

分布式网络控制——实现温室环境调控自动化的一种新方案

针对传统计算机控制技术在温室环境调控中呈现的控制复杂、维修不便和价格昂贵的缺点,该文分析了温室环境调控自动化的现状,提出了一种全新的实现方案。采用分布式网络控制技术并使用国际先进的微型单片机技术和国外高精度、高稳定性的湿敏及温敏器件,研制出全数字化“智能温湿度传感器”和“双回路智能温湿度控制器”。目前研制的温室环境调控自动化系统已在国内数家现代化智能温室推广应用。还对温室环境调控自动化的发展提出了几点看法     

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。     

温室覆盖材料传热系数测试台的研究开发

研究开发了基于热箱法原理的园艺设施覆盖材料传热系数测试台，这是适应于园艺设施覆盖材料传热方式和工作环境特点的专用实验设备。该测试台依靠制冷、加热、风机、整流和除湿等调控装置，可全面稳定地模拟实现接近园艺设施覆盖材料实际工作的环境，包括设施内外气温、室外风速和天空辐射背景等条件，可以真实地反映各因素对覆盖材料传热的影响。测试台的测试条件可方便地调节，同时具有较高的测试精度。     

大型蛋鸡养殖场数字化应用平台设计

针对我国大型蛋鸡养殖场在生产管理信息化方面存在的不足,构建了大型蛋鸡养殖场的数字化平台。该平台包含了基于以太网的信息获取模块、基于音视频的远程交互式诊断系统和基于B／S架构的生产信息管理模块,通过对信息的整合,为生产管理与决策提供了更多的数据和技术支持。将该系统应用于大型养殖场,有利于提高管理效率和生产效益,为解决家禽规模化养殖在信息技术应用方面的瓶颈提供一个解决方案。     

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。     

蛋鸡发声与机械噪声特征提取及分类识别

规模化蛋鸡舍中不同机械设备运行所产生的噪声会干扰蛋鸡声音提取。为了分析分类识别蛋鸡发声与机械噪声的可行性,该研究以蛋鸡产蛋发声、鸣唱声和规模化蛋鸡舍中通风系统、饲喂系统、清粪系统、集蛋系统单独运行时的噪声为研究对象,运用LabVIEW软件提取了蛋鸡发声和机械噪声的功率谱密度,以子带功率比为特征向量,在数据挖掘平台Weka上应用J48决策树算法构建声音分类识别器。结果表明,蛋鸡产蛋发声和鸣唱声的最大功率比位于频率范围689~1 378 Hz内,通风系统噪声和饲喂系统噪声的最大功率比位于频率范围0~689 Hz内,清粪系统噪声和集蛋系统噪声的最大功率比位于频率范围1 378~2 756 Hz内;该声音分类识别模型的平均识别率为93.4%,其中蛋鸡鸣唱声和产蛋发声的识别率分别为85.9%和92.5%,机械噪声的分类识别率更高,说明基于子带功率比的声音识别方法具有较好的识别效果,该结果为规模化蛋鸡养殖舍复杂声音环境中检测蛋鸡声音提供了参考。     

基于改进MFCC的家禽发声特征提取方法

动物的发声包含丰富的信息,能够在一定程度上反馈其自身机体状况及对环境的应激情况,因此发声已成为评价动物福利的一个重要参考指标。为了实现对动物发声信息的自动采集与分析,该研究针对蛋鸡,探索采用不同特征提取算法用于识别蛋鸡叫声。在分析线性预测倒谱参数(LPCC)与梅尔频标倒谱系数法(MFCC)的基础上,结合识别的目标,提出了改进的平均梅尔频标倒谱系数法(AMFCC),并针对三种不同的特征提取算法采用支持向量机分类模型进行了正确识别效率验证,结果表明改进的AMFCC方法比前两种算法正识效率有显著提高。     

典型猪舍光环境下机器视觉图像量化评价及筛选

随着数字化农业进程的发展,利用机器视觉技术进行生猪养殖方面研究已成为许多研究人员关注的热点之一。机器视觉中外界光环境对采集图像的质量具有较大影响,但是较多猪体质量监测方面研究的焦点集中在图像算法方面,忽视外界光环境的重要性,缺乏量化评价机器视觉光环境优劣的方法。该文基于猪体质量检测平台,利用LabVIEW软件编程分析实际光环境条件下拍摄图像质量。经现场试验分析,理想图像、曝光过度图像、自然光图像、阴阳图像4类图像在曝光参数和照度均匀度参数有明显区别:理想图像和曝光过度图像的照度均匀度参数均满足照明工程标准要求,理想图像曝光正常比率较高;自然光图像和阴影图像的照度均匀度参数不满足照明工程标准要求,且曝光正常率偏低。该文采用曝光正常,最小照度与最大照度比值U10.7和最小照度与平均照度比值U20.8判断实现理想图像筛选,便于研究者前期图像预处理工作。     

基于LabVIEW平台的蛋鸡栖架分布监测系统设计与实现

蛋鸡栖架系统是一种用于提高蛋鸡福利水平的新型立体散养系统,其中系统中栖架设置的位置、数量及栖杆尺寸是否符合蛋鸡需求,仍需要进一步观察。研究中发现,目前还没有好的实时统计栖杆上蛋鸡数量的方法,而常用的人工统计不仅效率低,而且易造成蛋鸡应激。为此,该文基于实时采集蛋鸡在饲养过程中上栖架的频次、所处位置等数据的需求,利用LabVIEW平台开发了一套蛋鸡栖架分布实时监测系统。针对该系统平台结构设计、系统校准原理与方法、栖杆分布数据采集与分析等问题进行了相关研究。结果表明:系统运行稳定,系统提供的蛋鸡分布数据与人工识别现场蛋鸡分布的数据相比,平均准确率为99%,可为新型栖架离地立体散养系统设计中的蛋鸡栖架布置形式、栖架优化等提供数据支持。