基于多特征融合的蛋鸡发声识别方法研究

为更好地利用音频进行畜禽发声分类,进一步提高识别准确率,提出了一种基于多特征融合的蛋鸡发声识别方法.以栖架式养殖模式下蛋鸡的产蛋声、鸣唱声、饲喂声、尖叫声典型音频为研究对象,提取梅尔频谱系数、短时过零率、共振峰及其一阶差分作为融合特征参量,构建基于遗传算法优化BP神经网络的蛋鸡发声分类识别模型.结果表明,本文方法对蛋鸡...     

基于声谱图纹理特征的蛋鸡发声分类识别

为有效地辨别蛋鸡不同类型声音,了解蛋鸡的健康状况以及个体需求,提高生产效率的同时改善蛋鸡福利化养殖,提出一种基于声谱图纹理特征的蛋鸡发声分类识别方法。以海兰褐蛋鸡的声音为研究对象,将图像处理和声音处理技术相结合,由一维声音信号转换为二维图像信号,二维声谱图中的纹理特征呈现了蛋鸡声音的更多细节信息。最后,利用2D-Gabor滤波器提取蛋鸡发声声谱图中的声纹信息,并采用人工神经网络模型进行训练和分类识别。试验结果表明,本文方法平均灵敏度和平均精确度不低于92. 0%,风机噪声识别灵敏度达99. 3%,鸣叫声识别灵敏度最低,为76. 0%。     

基于改进YOLO v6-tiny的蛋鸡啄羽行为识别与个体分类

针对目前蛋鸡啄羽异常行为（包括啄和被啄）识别精度比较低的问题,提出了一种基于改进YOLO v6-tiny模型进行啄羽异常行为识别的方法。该方法通过在YOLO v6-tiny模型中引入DenseBlock结构并融入CSP结构的SPP模块（SPPCSPC）的方式,增强了YOLO v6-tiny模型的特征提取能力,扩大了模型的感受野,提升了模型的检测精度。在识别出啄羽异常行为的基础上,对如何基于异常行为发生次数,进行蛋鸡个体分类进行了研究。提出了基于YOLO v6-tiny模型进行蛋鸡个体识别,并将啄羽异常行为识别结果输入个体识别网络,进行蛋鸡个体分类的方法。同时,本文还分别对2种不同的养殖密度、一天当中3个不同的时间段,异常行为发生次数的变化规律进行了分析。实验结果表明,优化后的模型对啄和被啄异常行为的识别平均精度（AP）分别为92.86%和92.93%,分别比YOLO v6-tiny模型高1.61、1.08个百分点,比Faster R-CNN模型高3.28、4.00个百分点,比YOLO v4-tiny模型高6.15、6.63个百分点,比YOLO v5s模型高2.04、4.27个百分点,比YOLO v7-tiny模型高5.39、3.92个百分点。本文方法可以识别出啄和被啄羽异常行为,为蛋鸡异常行为的智能检测提供了技术支撑。     

我国蛋鸡集约化无公害养殖发展趋势研究

随着食品消费需求与国际化进程的加快,国家大力推进集约化和标准化规模养殖。为此,就我国蛋鸡集约化养殖发展趋势和无公害标准做出论述;蛋鸡集约化标准化养殖支撑技术体系包括特定要求的环境、空气和水,蛋鸡养殖装备包括孵化设备、育雏设备、饲养装备、饲料加工设备、喂料设备、饮水设备、清粪设备、集蛋设备、无害化处理设备、鸡舍环境自动通风换气降温设备、控制设备及消毒设备等;未来我国蛋鸡饲养方式将趋于高密度大型化养殖。     

蛋鸡养殖过程中海量数据自动处理系统

采用分时变频的采集模式,应用Java媒体框架模型,设计并实现了蛋鸡养殖过程中海量数据自动处理系统。系统既可同步采集和保存关键的环境、图像及音频信息,又能减少存储空间、降低存储成本和加速查询速度。系统运行结果表明:依据采集设备及采集参数设置的不同,单采集点一天采集的音频及图像数据量为200～400 MB,一年采集的数据量为70～140 GB。系统同时提供了以采集时间戳为索引的多源信息同步查询及同步展示模块,可复原大部分生产过程场景。     

规模化蛋鸡养殖过程碳排放量核算与减排措施

畜禽养殖过程所产生的碳排放,在中国农业碳排放中占据很大比重,碳减排行动迫在眉睫。采用部分生命周期法评估规模化蛋鸡养殖企业在生产过程中产生的碳排放,结果表明温室气体主要来自于电力消耗、粪便处理和燃料燃烧环节。为减少养殖过程的碳排放,应当推行碳排放监测系统的建立、推动循环养殖的实践、注重发展清洁能源和节能技术,从根本上降低碳排放。     

变三段为两段饲养 提高蛋鸡养殖效益

蛋鸡养殖是我国畜牧业的主要产业,鸡蛋是人类摄取动物蛋白质的主要来源之一。然而,作为世界上蛋鸡存栏最多和鸡蛋产量第一的国家,近年来无论在养殖规模还是设备设施都有了很大程度提高和改善的情况下,作为产业下游的蛋鸡生产场的经济效益却忽高忽低,有时甚至发生整体性行业亏损。究其原因,除去市场波动、饲料涨价和疫病流行等因素外,传统的三段式饲养模式已经逐渐表现出不适应蛋鸡的产业化大生产,阻碍和束缚了蛋鸡生产的发展。     

复杂环境下蛋鸡个体识别与自动计数系统研究

鸡群计数是鸡场资产评估中一项非常重要的工作。目前鸡场采用的人工计数方法,存在效率低下且计数准确度不稳定的问题。针对此问题,本文提出了一种基于改进YOLO v5s的蛋鸡个体识别与计数的方法。该方法为了消除真实复杂环境下产蛋箱、食槽等设施对蛋鸡个体识别带来的干扰,在YOLO v5s模型的Neck部分引入了SimAM注意力机制;为了扩大模型感受野,解决蛋鸡个体较小、识别困难的问题,将YOLO v5s模型的SPPF(空间金字塔池化模块)改为了SPPCSPC模块;为了尽可能多地提取蛋鸡有效特征,通过在YOLO v5s的Neck结构添加自适应特征融合模块ASFF,将不同尺度的蛋鸡成像特征信息进行融合的方法,进一步提升了模型的检测精度。在此基础上,通过调用模型检测接口,在接口内部添加计数函数、统计目标数量的方法,实现了蛋鸡个体的计数和鸡舍饲养密度的计算。将改进后的模型通过PyQt工具包进行封装、打包,开发了蛋鸡个体识别与自动计数系统。实验结果表明,改进的YOLO v5s模型的精准率、召回率、平均精度均值分别为89.91%、79.24%、87.53%,较YOLO v5s模型分别提高2.37、2.55、...     

东台市蛋鸡规模养殖机械化装备与技术应用浅析

介绍了东台市蛋鸡规模养殖机械化技术路线及装备应用情况,分析现阶段蛋鸡规模养殖机械化发展中存在的短板,并有针对性地提出对策与建议。     

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。     

叠层笼养蛋鸡体温监测应用实践

现代化蛋鸡养殖中,体温是判断蛋鸡是否健康的一项重要指标。为了解笼养蛋鸡的体温变化规律,本试验利用蛋鸡可穿戴的无线体温传感监测系统,对笼养蛋鸡开展全天全时体温监控试验。试验结果表明：正常笼养蛋鸡体温在38.41℃ ~ 41.85℃范围内变化,全天体温最低点出现在21时 ~ 22时之间;笼养蛋鸡体温呈现出一定的昼夜节律特性;疫病蛋鸡的体温变化幅度更大且发生发热性疫病时鸡平均体温比正常情况升高0.21 ~ 1.3℃。叠层笼养蛋鸡的体温监测可为建立鸡体温健康判断模型提供重要的理论参考,对实现精准掌握蛋鸡规模化养殖群体健康状态,提高生产效益具有重要现实意义。     

基于ARM的蛋鸡养殖场网络视频监控系统设计

提出了一种基于嵌入式技术的蛋鸡养殖场网络视频监控系统设计方案。在嵌入式终端上搭建Linux操作系统环境,并行处理视频和图像:通过H.264编码对基于V4L采集的视频进行压缩,并通过RTP/RTCP和UDP协议将视频传输到监控平台上进行解码和显示;同时采用Ohta阈值对帧拼接的图像进行二值化,获取距离图像,以鸡蛋半径为阈值再次进行二值化并对鸡蛋计数,通过OSD技术将鸡蛋总数叠加到视频上。现场试验表明,监控平台上实时显示的视频清晰,鸡蛋计数平均准确率为96.07%。     

基于工业设计的智能蛋鸡笼设计

针对蛋鸡的生产性能参数测定中容易出现的人工观察主观性强、劳动强度大以及对蛋鸡造成应激等问题,设计开发了一种建立在信息化基础上的新型蛋鸡生产性能参数采集模式。智能蛋鸡笼能自动记录蛋鸡采食量、饮水量、排泄量、产蛋时间和蛋重等生产性能,并从形式美学与色彩等方面研究了现代工业设计理念在智能蛋鸡笼设计中的应用。其结构设计合理,思路新颖,造型美观,为我国蛋鸡笼具设计提供了新思路。     

基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统

针对鸡只个体较小、个体间存在遮挡,对蛋鸡日常行为识别造成干扰的问题,提出了一种基于SEEC-YOLO v5s的蛋鸡日常行为识别方法。通过在YOLO v5s模型输出部分添加SEAM注意力模块、在特征融合部分引入显式视觉中心模块(EVCBlock),扩大了模型的感受野,提高了模型对小个体遮挡情况下的目标识别能力,提升了模型对蛋鸡站立、采食、饮水、探索、啄羽和梳羽6种行为的识别精度。提出了一种基于视频帧数与视频帧率比值计算蛋鸡日常行为持续时间的统计方法,并对蛋鸡群体一天之中不同时间段及全天各行为变化规律进行了分析。将改进后的模型进行封装、打包,设计了蛋鸡日常行为智能识别与统计系统。试验结果表明,SEEC-YOLO v5s模型对6种行为识别的平均精度均值为84.65%,比YOLO v5s模型高2.34个百分点,对比Faster R-CNN、YOLO X-s、YOLO v4-tiny和YOLO v7-tiny模型,平均精度均值分别提高4.30、3.06、7.11、2.99个百分点。本文方法对蛋鸡的日常行为监测及健康状况分析提供了有效的支持,为智慧养殖提供了借鉴。     

蛋鸡羽毛覆盖度计算及其与体温关系研究

为解决通过人工及温度阈值分割评估蛋鸡羽毛覆盖度准确度不够的问题,提出基于热红外图像和彩色图像计算羽毛覆盖度的方法。利用Otsu算法结合不同的颜色模型提取鸡体目标及背部羽毛覆盖完好区域,通过计算面积比值,获取背部羽毛覆盖度。针对热红外图像目标鸡体边缘模糊导致分割效果较差的问题,提出基于分量R、B灰度直方图的自适应性热红外图像增强方法,该方法突出了前景与背景的差异,增强了边缘的清晰度。实验结果表明,热红外图像鸡体目标及羽毛覆盖完好区域的分割准确度达到97.18%和96.86%,彩色图像分割准确度达到99.58%和97.86%。对于羽毛覆盖度,热红外图像的计算结果接近羽毛覆盖度真实值。对同一批蛋鸡计算羽毛覆盖度,热红外图像比彩色图像的计算结果最少时高2.01个百分点,最大时高30.29个百分点。通过分析原因,发现蛋鸡剐蹭鸡笼等行为露出的白色羽毛根部,是彩色图像计算覆盖度结果出现偏差的主要因素。羽毛覆盖度会影响鸡体体表温度。通过实验发现,鸡体羽毛覆盖度与体表温度呈极显著负相关（P<0.01）,依据羽毛覆盖度对蛋鸡进行分级,对比相同级别、不同区域的蛋鸡体表温度,发现相同级别的羽毛严重损伤区域平均温度比背部平均温度高10℃以上,对比相同区域、不同级别的蛋鸡体表温度,发现背部平均温度最高相差3.89℃,损伤区域平均温度最高相差5.36℃。     

基于物联网的新型鸡笼设计与实现

随着我国农业现代化发展的不断深入,将物联网等先进技术应用于家禽养殖已成为必然趋势,借助物联网等信息技术可实现家禽个体和群体行为、生产和环境因素等参数的长期实时在线监测和控制。为此,以新型蛋鸡笼为研究对象,重点分析了新型鸡笼的机械结构设计、传感器通信原理及数据采集与分析利用等问题。