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%。     

基于雷达图的蛋鸡舍综合环境舒适度评价及应用

环境是影响蛋鸡健康与生产性能的关键因素,为对蛋鸡舍环境进行综合性的舒适度评价,该研究将除湿热环境之外的空气环境质量也纳入评价指标体系中,采用模糊数学方法,研究了重要环境参数在规模化蛋鸡舍环境舒适度综合评价中的权重,对舍内温度、湿度、CO₂浓度、氨气(NH3)浓度、风速等关键环境参数进行归一化处理,建立了基于多元环境参数的鸡舍综合环境舒适度评价指数(Comprehensive Environmental Index, CEI),并基于LabVIEW软件开发了一套评价系统,可将上述环境参数在雷达图中进行可视化展示,以及对单因素环境参数和环境舒适度进行预警。通过实际使用中鸡舍环境监测数据的分析验证,CEI能够体现舍内整体环境舒适度的变化,对各个时段环境因素间的相互作用做出应答,尤其是温度降低导致空气环境质量影响上升的时段。该研究对于综合评价蛋鸡舍环境条件并进行精准控制,提高环境舒适度,提供了方法支撑。     

基于轻量级卷积神经网络的种鸡发声识别方法

在种鸡养殖和管理过程中,借助非接触式、连续的声音检测手段和智能化设备,饲养员可以全面了解蛋鸡的健康状况以及个体需求,为提高生产效率并同时改善种鸡福利化养殖,提出了一种基于轻量级卷积神经网络的种鸡发声分类识别方法,以海兰褐种鸡为研究对象,收集种鸡舍内常见的5类声音,再将其声音一维信号转换为二维图像信号,利用卷积神经网络建立轻量级的深度学习模型,80%数据进行训练,20%数据进行测试,该模型实现了动物声音信号从输入端到识别结果输出端的高效检测。对比已有研究,本文方法对种鸡舍内常见的5类声音识别整体准确率提高3.7个百分点。试验结果表明,该方法平均准确率为95.7%,模型对饮水声、风机噪声、产蛋叫声识别召回率均达到100%,其中风机噪声和产蛋叫声精确率和F1值也均达到100%,而应激叫声召回率最低,为88.3%。本研究可为规模化无人值守鸡舍的智能装备研发提供一定理论参考。     

深度学习在猪只饲养过程的应用研究进展

随着人工智能技术的兴起,深度学习技术发展迅猛,在图像及音频识别、自然语言处理、机器人技术、生物信息学、化学和金融等领域中应用广泛,也是目前发展精细畜牧业重要工具。养猪业是中国的重要农业产业,生猪的体况、行为及健康状况直接影响猪场的收入水平,通过深度学习技术可以快速、准确地了解猪只的相关信息并进行精确管理,提高猪只饲养效率及动物福利水平。该研究阐述了深度学习在目标猪只检测、猪只图像分割、猪只体况及异常监测、猪只行为识别上的应用现状,提出了深度学习技术在猪只饲养过程中的改进策略,以方便研究人员快速了解其研究进展。同时总结和分析了深度学习技术在猪只饲养过程中关于数据来源及数据集、应用范围、模型优化的不足与展望,提出应建立适用于猪只领域的公共数据集和统一的数据集标准,扩大深度学习的应用范围,优化DL（Deep Learning）模型以满足实际任务需求,将深度学习应用于猪场生产实践中。该研究旨为提高猪只福利化养殖和猪场经济效益提供依据,以推动深度学习在猪只饲养过程中应用的进一步发展。     

笼养和栖架养殖模式下蛋鸡的发声特征

为了分析不同饲养模式和阶段对蛋鸡发声的影响,并为构建基于蛋鸡声音信息的健康养殖评价系统提供参考,该研究对蛋鸡的发声进行了监测,通过声音预处理、特征提取、数据挖掘和统计分析等方法,研究笼养和栖架饲养模式下、育成期和产蛋期蛋鸡的声学特征.结果表明,典型蛋鸡声音可分为产蛋叫声、鸣唱声、鸣叫声和争斗尖叫声等四类.产蛋期蛋鸡发声...