光谱分析技术用于畜禽养殖粪污成分检测的研究进展

作为一种“放错了地方的资源”,养殖业所产生的粪污排放量大、成分复杂,借助先进理化分析手段开展成分分析,进而针对性地开展发酵处理,实现“变废为宝”具有重要意义。传统的粪污成分理化检测方法存在耗时长、前处理过程复杂等问题,近年来,光谱分析技术因具有检测速度快、成本低等优点,在养殖粪污成分检测研究领域已开展较多研究,并在未来应用中展示出良好前景。本文介绍了传统的粪污检测方法及存在不足;综述了基于光谱分析技术检测养殖粪污中碳氮元素、金属元素、干物质/有机物和磷元素等成分含量的研究进展;并对光谱分析技术用于养殖粪污检测在预测模型构建、样品制备方法和检测仪器研发等方面存在的问题和改进方向进行了总结,可为养殖粪污资源化高效利用提供理论支撑。     

基于VGG-ST模型的奶牛粪便形态分类方法研究

快速准确识别奶牛粪便形态,对于奶牛肠胃健康监测与精细管理具有重要意义。针对目前奶牛粪便识别人工依赖强、识别难度大等问题,提出了一种基于VGG-ST（VGG-Swin Transformer）模型的奶牛稀便、软便、硬便及正常粪便图像识别与分类方法。首先,以泌乳期荷斯坦奶牛粪便为研究对象,采集上述4种不同形态的粪便图像共879幅,利用翻转、旋转等图像增强操作扩充至5580幅作为本研究数据集;然后,分别选取Swin Transformer、AlexNet、ResNet-34、ShuffleNet和MobileNet 5种典型深度学习图像分类模型进行奶牛粪便形态分类研究,通过对比分析,确定Swin Transformer为最优基础分类模型;最后,融合VGG模型与Swin Transformer模型,构建了VGG-ST模型,其中,VGG模型获取奶牛粪便局部特征,同时Swin Transformer模型提取全局自注意力特征,特征融合后实〖JP3〗现奶牛粪便图像分类。实验结果表明,Swin Transformer模型在测试集中分类准确率达859%,与ShuffleNet、ResNet-34、MobileNet、AlexNet模型相比分别提高1.8、4.0、12.8、23.4个百分点;VGG-ST模型分类准确率达89.5%,与原Swin Transformer模型相比提高3.6个百分点。该研究可为奶牛粪便形态自动筛查机器人研发提供方法参考。