生猪自动化养殖装备与技术研究进展与展望

生猪养殖业是我国畜牧业的重要组成部分,持续增长的养殖规模对养殖装备性能要求不断提升,目前我国生猪养殖业正处于智慧畜牧业初级阶段,自动化装备已得到广泛应用,智能化设备正在持续发展。本文分析了当前生猪养殖业中常用的自动化装备和技术,从其在栏体、饲喂、环境控制以及粪污处理方面的技术手段,不同装备的优缺点与适用场景进行对比分析;基于当前发展进程对生猪养殖新阶段的智能装备和技术进行阐述,结合智能感知、物联网、云计算等技术对已有的智能饲喂、环控装备进行分析,并阐述了人工智能技术在生猪养殖设备中的应用,包括机器视觉与语音处理技术在生猪养殖智能检测系统中的应用,以及机器人技术替代人工进行养殖作业的发展。最后总结了当前生猪自动化养殖装备发展的研究重点,并展望了生猪自动化、智能化装备研究的发展趋势。     

基于轻量化网络与注意力机制的育肥猪采食行为识别方法研究

[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题,提出一种具有轻量化结构的育肥猪采食行为检测模型,实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础,构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响,选取性能最优的模型;改进ShuffleNet V2网络结构基本单元,采用Mish激活函数提高模型泛化能力与推理速度,引入SE注意力机制给予目标特征更高的权重以提高目标识别精度;对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后,猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求,可在复杂养殖环境中全天候识别育肥猪采食行为。     

基于Jetson Nano+YOLO v5的哺乳期仔猪目标检测

针对仔猪个体小、易被遮挡且仔猪目标检测方法不易在嵌入式端部署等问题,提出一种适用于Jetson Nano端部署的哺乳期仔猪目标检测方法,在准确检测哺乳期仔猪目标的同时,使模型实地部署更加灵活。使用哺乳期仔猪图像建立数据集,数据量为14000幅,按8∶1∶1划分训练集、测试集和验证集。利用深度学习网络提取哺乳期仔猪特征,构建仔猪目标检测模型。融合推理网络中的Conv、BN、Activate Function层,合并相同维度张量,删除Concat层,实现网络结构量化,减少模型运行时的算力需求。将优化后模型迁移至Jetson Nano,在嵌入式平台进行测试。实验结果表明,在嵌入式端,量化后YOLO v5中4种模型的单帧图像平均运行时间分别为65、170、315、560ms,检测准确率分别为96.8%、97.0%、97.0%和96.6%,能够在Jetson Nano设备上对哺乳期仔猪目标实现精准检测,为仔猪目标检测的边缘计算模式奠定基础。     

基于YOLO v5与短时跟踪的鸡只呼吸道疾病早期检测

针对鸡只呼吸困难这一早期呼吸道疾病显著症状难以检测的问题,提出一种基于YOLO v5与短时跟踪的鸡只呼吸道疾病早期检测方法。对YOLO v5算法进行锚框自适应设置与CIoU Loss (Complete IoU Loss)应用等特定优化后,用于群鸡复杂环境中准确识别鸡头目标并检测是否为张口状态。根据鸡头坐标框交并比实现鸡头目标短时跟踪并获取不同鸡头的短时动作序列,再对动作序列进行分析,判断张口-闭口组合出现的频率,动态检测是否存在鸡只呼吸困难情况。实验结果表明,改进YOLO v5算法检测鸡头目标的mAP为80.1%,张口检测准确率为67.3%,闭口检测准确率为92.8%,基于时间序列的呼吸困难行为检测方法的识别准确率为91.8%,召回率为75%,精准率为67.9%,可为群鸡养殖环境中的鸡只早期呼吸道疾病检测提供参考。