蛋鸡笼结构及其参数的优化设计

蛋鸡笼结构及其参数的优化设计张凯，高曙红，高靖华，郝静（黑龙江省农业机械工程科学研究院）（哈尔滨制氧机厂）１前言随着养鸡事业的不断发展，鸡笼的应用也越来越广泛．其原因就在于笼养具有传统饲养方法所难以比拟的优越性，主要有：①合理地选择鸡笼的结构，不仅能...     

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。     

层叠式蛋鸡笼养设备的研发应用与保养维护

层叠式蛋鸡笼养模式具有提高房屋、土地利用率、降低饲养成本、有效提高劳动生产率等优点,结合全封闭环境控制模式开发,形成一套蛋鸡集约化、高效益型饲养管理模式。层叠式蛋鸡笼养成套设备基本满足了鸡群的生物习性要求(健康和生产),是当前我国同类笼养机械设备中科技含量、机电一体化程度最高的养鸡设备,它代表了我国家禽养殖机械化的发展方向。     

层叠式蛋鸡笼养设备的研发应用与保养维护

指出了层叠式蛋鸡笼养模式的优点,介绍了层叠式蛋鸡笼养的设备构成、适用范围及性能特点,阐述了维护保养方法以及常见故障的排除.     

多层鸡笼全自动收蛋装置设计与试验

针对养鸡场鸡蛋拾取强度大、效率低、破损率高和成本高等问题,结合目前我国相关装置的全自动化和机械化程度相对较低的现状,设计研发了一种针对多层式鸡笼的全自动收蛋装置,可实现多层式鸡笼鸡蛋采集、转移和装盒的全自动化。阐述了自动收蛋机的设计思路、整体结构和各部分的工作原理,对蛋槽输出门装置和阶梯式鸡蛋降落装置等关键结构进行试验;利用UG软件建模分析自动收蛋机整体结构尺寸的合理性;通过制作样机进行多指标正交试验。试验结果确定该机关键装置最佳设计参数为小车车速9 cm/s、升降门间距15 cm、阶梯式降落装置水平夹角60°。在最佳设计参数下,多层鸡笼的全自动收蛋一体化装置的收蛋效率2 250个/h,鸡蛋无破损率99.7%,相较于人工拾取鸡蛋效率提高50%。      

基于工业4.0的智能制造生产线实训设备设计

工业4.0主要是以智能制造为主导,对传统工业制造技术进行创新,与新时期互联网技术进行融合,通过智能化技术应用对设备产品进行生产制造。本文概述了工业4.0的基本内涵,分析了工业4.0的智能制造生产线实训设备设计,供相关人员参考。     

大型蛋鸡场蛋库的设计及管理

随着我国社会主义市场经济体制建设的进一步深入,市场竞争将会更加激烈。对于大型蛋鸡场来说,鲜蛋在某一时期内不能顺利销售出去的情况可能会经常出现。“蛋库贮存”这一环节在整个蛋鸡场再生产过程中的特殊作用将日益突出,因此,蛋库的科学设计至关重要。     

基于机器视觉的工业机器人智能分拣系统设计研究

随着我国工业发展脚步的不断加快,机器人在工业智能化中发挥的作用日益突出,将其应用到机械零件分拣工作中,可以利用机器人的智能化特点,代替传统模式下的人工操作.基于此,本文主要从机器视觉技术出发,探讨基于机器视觉的工业机器人智能分拣系统设计,以此来为日后工业生产效率及质量的提升提供参考.     

基于Hadoop的蛋鸡设施养殖智能监测管理系统研究

为实现对蛋鸡生产过程中长期积累的海量数据进行高效存储和实时查询,利用Hadoop生态系统,设计了规模化蛋鸡设施养殖智能监测管理系统。针对环境数据的实时监测及大规模数据查询,用My SQL数据库存储近期数据、HBase存储历史数据,有效提升了检索速度;针对海量异构视频数据的统一管理,设计实现了基于MapReduce并行处理框架的分布式转码模块,将1.5 GB的视频分割为多个128 MB分段后进行转码,转码效率提高了50%。该系统实现了规模化蛋鸡场生产养殖中对实时信息、历史信息、基础设施信息、生产过程信息的统一管理,并提供了统计分析模块对采集获取的数据进行整合分析,开发了Web端网页版本及移动端APP版本的智能监测管理系统,便于用户进行实时访问,提高了生产养殖的工作效率。     

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。     

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。     

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。     

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%。     

基于深度图像的蛋鸡行为识别方法

基于深度图像分析技术研究了一种针对蛋鸡群体行为(分布指数、水平活跃度和垂直活跃度)和群体中个体行为(采食、躺、站和坐)经济简单的自动识别方法。系统由1台3D照相机同步采集数字和深度图像数据,并开发软件进行蛋鸡行为的自动识别,系统5 s采集1次图像数据,共进行10 d的数据采集。描述了行为识别算法并进行了行为识别结果分析。算法对蛋鸡的采食、躺、站和坐的识别准确率分别为90.3%、91.5%、87.5%和56.2%。坐行为识别率较低的原因主要是有时蛋鸡站着探索地面会被误判为坐,这可能与两者之间的分割阈值不够精确有关。     

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、...     

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℃。     

基于分布式对象的蛋鸡舍设施养殖数字化智能监测系统

为了在非人为干扰条件下,可实时监测预警蛋鸡生产环境和生产过程,保障动物福利,本文基于可被远程调用的分布式对象的3Tiers物联网软件体系结构,将传感器技术和云技术结合在一起,设计了蛋鸡舍设施养殖数字化智能监测系统。3Tiers物联网软件架构考虑了大量的异构数据集成和对传感器设备的监测、远程交互性能的需求,满足了本研究中对规模化蛋鸡生产过程的研究要求。系统实现了规模化蛋鸡舍的实时生产环境参数采集和视频监控、生产资料管理、生产过程管理、基础信息管理、统计管理、预警设置管理、系统管理和推送管理功能。考虑到温热环境对蛋鸡健康福利和生产性能有着重要的影响,利用系统中的大量环境数据,对中国农业大学上庄实验站大鸡舍内的小气候环境舒适度进行评价,并结合产蛋率、死淘率和耗料,在黄山养殖场对环境舒适度评价进行了验证。通过对上庄鸡舍24 h周期内和2016年11月—2017年4月的环境情况进行分析,结果表明实验蛋鸡舍内的小气候环境温湿指数始终小于70,蛋鸡群始终处于舒适区;而通过对养殖场鸡舍2016年7—10月份的环境数据和生产数据进行分析,验证了当蛋鸡处于舒适区时,产蛋率提升,死淘率下降,耗料更接近标准。