轨道式自动投饲系统设计与试验

针对工厂化养殖中人工投饲劳动强度大、投饲误差大、不均匀等问题,研究并设计了一种轨道式自动投饲系统。该系统由上料装置、行走装置、投饲装置和控制装置4个部分组成。控制部分以可编程辑控制器(PLC)为核心、触摸屏为人机界面,采用低压气力输送的方式上料,驱动行走小车运行的方式进行饵料输送,控制螺旋下料装置和旋转抛撒盘的方式进行定量、均匀的饵料抛撒。结果显示:可以实现4个养殖池的饵料投喂,6次投喂等待时间设定,行走速度达18.75 m/min,投饲量精度在0.5%~2.2%,投饲速度1 kg/min左右,定位精度110 mm左右。该投饵系统具有投饲精度高、均匀、高效率等特点,可有效提高饲料利用率和降低劳动强度,从而减少工厂化养殖成本。     

工厂化养殖自动投饵系统研究进展

工厂化养殖是当前集约化水产养殖主要的生产模式,可以实现精准投饵的自动投饵系统不仅能降低饵料浪费和劳动强度,还能减少环境污染,是集约化工厂化水产养殖模式最重要的配套装备之一。本文介绍了自动投饵系统的结构组成,从上料输送系统和下料抛撒系统两个方面分析了自动投饵系统的研究现状,重点阐述了气力远程输送与轨道式行走输送这两类应用最多的集中式自动投饵系统的特点、存在的问题及解决方法。研究认为这一集水质监测、自动投饵装置和投喂决策系统于一体的闭环远程管理控制系统符合未来的发展趋势。     

沼气干式发酵装置与技术的研究进展

简述了沼气干式发酵装置类型中的车库型发酵装置、机械式搅拌装置和推流式发酵装置等各装置的特点,并结合沼气工程相关数据采集元件与方法,分析了基于不同监控系统的上下位机在沼气工程中的应用特点,指出其广泛的研究前景,并提出了沼气工程未来网络化、智能化的趋势。     

水产养殖中鱼类投喂策略研究综述

水产养殖中的饲料成本占养殖总成本的比例较大,有效的投喂策略是减少水产养殖生产成本的重要途径,投饲装备投喂过程中,既要满足鱼群生长的营养需求,也要避免过多投饲,从而降低对环境的污染。当前国内水产养殖投饲装备智能化水平较低,投饲策略主要依据人工经验定量投饲,每一次喂料的偏差累积影响整期渔获经济效益。因此,科学的投喂策略能有效减少养殖成本,提高养殖效益。重点介绍了基于人工经验及生物能流的鱼群生长摄食模型、基于机器视觉及机器声学感知鱼群摄食活动的技术手段和智能投喂控制系统的发展状况,并提出投喂策略的具体实现方法。本研究可为水产养殖投饲装备从自动化升级到智能化提供参考。     

双通道养殖池流态模拟及验证

养殖池是循环水养殖中的关键设施,养殖池内水体的流态则是研究养殖池两相流的基础,并直接决定了养殖池的性能优劣.借助计算流体动力学软件包Fluent,采用标准模型和RNG模型分别对Cornell-type 双通道养殖池进行数值模拟,得到养殖池内水体流场的速度分布.模拟结果表明,水体回转速度大小与养殖池中心的径向距离呈线性增长关系,池中心处速度最小,越远离池中心回转速度越大,靠近池壁处速度达到最大;同时通过实验数据对模拟结果进行了验证,对比结果分析表明,RNG模型比标准模型模拟效果相对较好,模拟结果也基本符合Cornell-type双通道养殖池的运行规律,这为养殖池的优化设计及结构改进提供了新的研究方法和手段.     

两种双通道圆形养殖池水动力特性的数值模拟与研究

为给养殖池的池型选择与设计提供理论依据,在相同的池体尺寸、进水速度和池底出水比例条件下,针对Cornell和Waterline两种经典双通道圆形养殖池,对其速度流场进行了计算流体动力学(CFD)仿真分析。仿真应用Ansys 15.0软件中的Fluent模块,采用RNG k-ε湍流模型对两种池型的内部速度流场进行了数值模拟,分析其流场特性并进行对比。结果显示:两种池型的水流速度向池中心方向在很短距离内随着径向距离的减少而急速增大,当达到某一径向距离时,速度达到最大值,然后速度随着径向距离的减小而减小,在池子中心轴线或附近处速度降到最小;在纵向上,与池心相同水平距离处的水体流转速度则随着高度增加而减小;在池底出水分流比小于10%时,Cornell池池底自清洁能力、池子整体流场均匀性均比Waterline池差。仿真结果从理论上验证了两种池型底流比例的经验设计值在10%以上。     

沼气工程集中供气系统的综述

在介绍沼气工程集中供气系统的基础上,从供气模式、自动控制以及输配系统3个方面分析了沼气集中供气系统的发展现状,并对所面临的问题进行了总结,最后对其发展趋势作了预测.     

基于改进YOLOv7的网箱网衣破损识别方法

网箱网衣极易破损，一旦破损未及时修补，会给养殖户造成巨大的经济损失。为实现智能化网箱网衣破损检测，本研究提出一种基于改进YOLOv7的网箱网衣破损识别方法。该方法通过在Backbone网络使用gnConv结构、Neck网络引入SimAM模块来提升模型表达能力更好聚焦网衣破损处的特征，提高模型的检测精度。Backbone网络使用深度可分离卷积，并减少激活函数和改变卷积步长，同时在Neck网络利用Bottleneck模块使用1×1卷积核的特点和使用性能更佳的Mish激活函数重构模型，以减少参数量和运算成本，实现模型检测速度的提升及尺寸的压缩。通过消融试验和对比试验结果显示，YOLOv7-C3NeHX比原YOLOv7算法的平均精度提高了3.1个百分点，精确率、召回率与F₁值分别提升了0.5、4.2与3个百分点，检测速度达到了232.56FPS,GFLOPs和模型尺寸分别占原YOLOv7的38.2%和94.3%。研究表明，改进模型能有效提高识别效率和部署的灵活性，为智能网衣修补机器人的研发提供技术支持。