采用多源信息融合的妊娠猪舍环境质量评价方法

妊娠猪舍作为养殖场猪只繁育的基础条件,其环境质量对母猪的生产性能有显著影响。为合理评价妊娠猪舍环境质量,该研究提出一种基于模拟退火的粒子群算法（Simulated Annealing-Particle Swarm Optimization,SA-PSO）、套索算法（Least Absolute Shrinkage and Selection Operator,LASSO）和反向传播（Back Propagation,BP）神经网络的环境质量评价模型。利用卡尔曼滤波和分批估计自适应加权融合算法,实现多节点环境数据的时间与空间数据融合;构建猪舍环境质量非线性评价模型,采用LASSO算法,筛选得出与环境质量强相关的特征参数,实现输入降维;融合SA-PSO算法实现网络初始权值和阈值的优化,形成SA-PSO-LASSO-BP神经网络评价模型。通过对数据采集系统获取的实际妊娠猪舍环境数据进行验证,结果表明：提出的环境质量模型决定系数为0.918、总准确率为95.85%,相比单纯使用BP神经网络,加入LASSO和SA-PSO算法后决定系数与总准确率分别提高了37.43%、11.09%,具有更高的评价精度和性能,可更好地拟合复杂环境参数与环境质量间的非线性关系,为妊娠猪舍环境质量评价提供参考。     

基于热红外图像的奶牛乳区温度分布与乳房炎识别方法

乳房炎是影响奶牛健康与牛奶品质的主要疾病之一，是健康养殖的监控重点，该研究提出了一种基于热红外图像的奶牛乳区温度分布测量与乳房炎识别方法。通过现场采集的健康与患病共189头荷斯坦奶牛挤奶前后的后乳区热红外图像样本，提出了左右后乳区自动识别方法，确定了后乳区的特征区域及识别乳房炎的数据最佳采集时间为挤奶前。通过线剖法获取奶牛特征区域内的温度值点，建立乳区温度分布拟合方程，经分析发现91.9%的健康奶牛乳区温度拟合线的斜率小于0，斜率范围为-0.083～-0.001；92.1%的患病奶牛乳区温度拟合线的斜率大于0，斜率范围为0.001～0.093，可根据温度拟合线斜率的正负实现奶牛乳房炎的自动识别。与加州乳房炎检测法（California Mastitis Test，CMT）对比试验，结果表明：健康奶牛左右后乳区的识别准确率均值为76%，患病奶牛的左右后乳区识别准确率均值为75%。该研究提出的方法为牧场奶牛健康管理与乳房炎的快速在线识别提供了参考。