结构相似子序列快速聚类算法及其在奶牛发情检测中的应用

准确高效的奶牛发情检测技术能够提高其受胎率、缩短胎间距,是改善奶牛繁殖效率和提高经济效益的重要手段。规模化、集约化养殖环境下,众多学术与科学研究证实奶牛行为方式和活动量是判断其是否发情的重要指标。目前常用奶牛行为决策方法主要是针对单点数据进行行为分类,而奶牛运动传感数据是按照时间顺序采集的多元时间序列数据,因此该文提出基于结构相似度的子序列段快速聚类算法(SC-SS,subsequence clustering based on structural similarity),首先利用加速度一阶差分值将奶牛运动动态时间序列传感数据划分成若干子序列段,然后计算子序列段加速度值、能量、标准方差等特征结构相似度;最后根据各个子序列的结构相似度进行快速聚类。试验数据分析对比表明,SC-SS较常用K-means算法具有更高的运行效率,可更有效地完成奶牛行为分类,提高奶牛发情检测的准确率。     

基于无线传感器网络的奶牛行为特征监测系统设计

奶牛等大型动物的疾病和发情状况目前主要依赖饲养员目测判断,大规模集约化养殖仍采用人工观测方法,这不仅带来繁重的人力负担,也容易误判。为了能自动准确地识别奶牛是否发情或生病,该文提出在奶牛颈部安装无线传感器节点,通过各种传感器获取奶牛的体温、呼吸频率和运动加速度等参数,采用K-均值聚类算法对提取的各种参数进行行为特征多级分类识别,以此建立的动物行为监测系统能准确区分奶牛静止、慢走、爬跨等行为特征,从而可以长时间监测奶牛的健康状态。而且,这种监测系统易于推广到对其他动物的监测,对促进养殖业和畜牧业的发展也具有指导意义。     

基于Arduino 的个性化智能盆栽系统

家养植物易被忽略照料,而市面现有自动浇灌系统是检测到缺水时才被动浇灌,且无法根据不同植物对水的需求进行浇水,容易造成过分浇水或浇水不足。提出设计智能盆栽在采集盆栽土壤的温湿度、光照等特性上,充分考虑植物不同的喜干湿和光照特性,并将植物特性存储到数据库中,通过模糊决策树算法计算,实现不同植物根据不同生长环境进行个性化浇灌。同时外出用户可以通过APP及时查看了解植物的生长,可以直接在APP控制浇水享受远程护养花草的乐趣,也可以一键式自动完成浇水处理。该系统帮助用户随时随地通过手机APP了解盆栽的实时信息,实现远程浇水。     

多视角深度相机的猪体三维点云重构及体尺测量

对活体牲畜三维重构,数据采集方式、快速配准融合方法、表型体尺测量方法缺乏成熟有效的方案,导致目前活体牲畜的自动体尺测量技术难以在养殖场中推广应用。该文以猪为研究对象运用消费级深度相机KinectV2从正上方和左右两侧3个不同角度同步获取在采集通道中自由行走猪的局部点云。局部点云采用邻域曲率变化法去噪,并运用基于轮廓连贯性点云配准融合,最后采用多体尺数据精确估算技术测定包括体长、体高、胸宽、腹围等数据。该文分别对比实验室中模型猪由传输带以5种不同速率经过通道和养殖场内25头猪逐一经过通道,2种情况下采集数据进行各项体尺测算结果。其结果显示模型猪在传输带上以0、0.3、0.6、0.9和1.2 m/s等5种不同速率下测量体长、体高、胸宽、腹围值与实测值的平均相对误差分别为1.77%、1.36%、2.74%和2.17%。养殖环境下对25头猪同样4种体尺值与实测值的平均相对误差分别为2.56%,2.32%,3.89%和4.51%。试验结果发现养殖场活体猪测量最小误差可以达到实验室环境下的效果,但是最大相对误差变化较大,其原因在于养殖场中猪自由行走采集数据时行为姿态发生很大变化。     

基于目标检测仔猪乳头计数及乳房形态评估方法

母猪乳头数量是生猪选育中重要参考指标之一,也是生猪繁殖表型数据的组成部分。成年母猪其腹部视频较难获取,且容易受污渍干扰,乳头自动点数实现难度较大,人工计数母猪乳头数工作量大、强度高、效率低、容易产生人为误差。鉴于猪仔从出生到成年乳头数量保持一致性,该研究提出了一种基于仔猪腹部视频的深度学习乳头计数及乳房形态评估方法。通过架设在仔猪初生护理平台上的相机拍摄仔猪腹部视频,根据清晰度筛选出细节清晰的帧序列图像集,经过数据预处理再使用改进Pignip-YOLOv5s目标检测网络对仔猪乳头进行自动计数。为提高计数准确率,帧序列图像集的乳头计数使用滑动窗口取众数得到最终计数结果。试验结果表明,改进的Pignip-YOLOv5s平均精度值（mean average precision, mAP）高达0.97,较YOLOv5原模型具备更高的鲁棒性。该研究方案在113段仔猪腹部视频数据集上测试得到仔猪乳头计数方法准确率达90.26%。同时该研究提出仔猪乳房形态评估参数乳头成对数、乳头间距,从而量化仔猪乳头形态表型特征,构建了母猪乳房外在形态指标,可为母猪选育和繁殖工作提供重要的参考依据。     

基于PAM-RF 的奶牛活动异常情况监测

奶牛生理状态信息化监测是实现现代化大规模奶牛养殖的重要工具。针对奶牛的行为模式监测问题,设计了一种利用无线传感器网络技术,基于PAM算法与随机森林算法相结合的奶牛活动异常情况监测模型。该监测模型使用三轴加速度传感器作为奶牛行为数字化采集手段,无监督PAM算法分类样本行为作为训练集,结合基于有监督的随机森林算法作为奶牛活动行为分类的数学模型,在分类奶牛行为基础上构建奶牛活动强度指数时间序列,进而监测奶牛活动异常情况的发生。结果表明,该模型可以高效地分辨高、中、低3类不同强度的奶牛活动行为,模型的平均分类正确率高于91%,其中高强度与低强度分类正确率均高于95%;运用奶牛活动强度指数时间序列能够有效监测奶牛发情异常情况的发生,监测奶牛发情的正确率为91.67%。     

基于人工神经网络的苹果可溶性固形物无损检测

采集了60个苹果在400～1 100nm范围内的可见-近红外漫反射光谱,然后使用连续投影算法将光谱变量进行压缩,最后采用BP神经网络建立了苹果糖度的预测模型。实验表明,连续投影算法从400～1 100nm范围提取出25个优选波长参与建模,有效简化了模型结构。BP神经网络模型对苹果糖度的预测相关系数达到0.853,预测均方根误差为1.303 0。结果表明,基于近红外光谱的苹果糖度无损检测是可行的。