基于加权集成的深度投票模型大豆灰斑病分级研究

大豆作为重要经济作物,近年受灰斑病影响愈发严重,导致产量下降,为减少病害造成的经济损失,相关从业人员需针对灰斑病等级采取不同措施。因病害等级之间具有相似性,传统卷积神经网络（Convolutional Neural Network,CNN）识别准确率有待提高。依据国家标准,针对大豆灰斑病高抗、抗、中抗、感和易感5个等级开展基于传统卷积神经网络分级研究,识别准确率为88.7%,在此基础上,构建加权深度投票模型,该模型利用遗传算法自动学习机制优化基于传统卷积神经网络分级效果。结果表明,该模型在7 500张测试集上识别准确率达到93.0%,比传统卷积神经网络模型准确率提高4.3%,为大豆病害分级提供新思路。     

基于两阶段关键点定位算法的奶牛体型评定指标自动测量

为解决传统奶牛体型评定指标测量方法受主观影响大、自动化程度以及体型关键点定位存在误差等问题,提出一种基于两阶段关键点定位算法的奶牛体型评定指标自动测量方法。对采集的奶牛背部深度图像序列,首先基于滤波方法进行边缘平滑与缺失区域修补;之后基于YOLO v5体型关键区域检测算法确定体型关键区域并重建相关区域三维点云;进而计算区域点云曲率与z轴最值定位体型关键点;最后依据关键点间相对位置自动测得体型评定指标。结果表明,该方法可完成俯视视角下奶牛体长、肩宽、胸宽、腹宽和腰宽指标的精准测量。对15头奶牛5个体型评定指标,算法测量值与实测值平均绝对误差为1.55 cm,均方根误差为1.78 cm,决定系数R2最大为0.9394。该方法可在实际养殖环境下实现奶牛体型评定指标的精准测量,对生产实际具有一定现实意义。     

采用改进CenterNet模型检测群养生猪目标

为实现对群养环境下生猪个体目标快速精准的检测,该研究提出了一种针对群养生猪的改进型目标检测网络MF-CenterNet（MobileNet-FPN-CenterNet）模型,为确保目标检测的精确度,该模型首先以无锚式的CenterNet为基础结构,通过引入轻量级的MobileNet网络作为模型特征提取网络,以降低模型大小和提高检测速度,同时加入特征金字塔结构FPN（Feature Pyramid Networks）以提高模型特征提取能力,在保证模型轻量化、实时性的同时,提高遮挡目标和小目标的检测精度。该研究以某商业猪场群养生猪录制视频作为数据源,采集视频帧1 683张,经图像增强后共得到6 732张图像。试验结果表明,MF-CenterNet模型大小仅为21 MB,满足边缘计算端的部署,同时对生猪目标检测平均精确度达到94.30%,检测速度达到69 帧/s,相较于Faster-RCNN、SSD、YOLOv3、YOLOv4目标检测网络模型,检测精度分别提高了6.39%、4.46%、6.01%、2.74%,检测速度分别提高了54、47、45、43 帧/s,相关结果表明了该研究所提出的改进型的轻量级MF-CenterNet模型,能够在满足目标检测实时性的同时提高了对群养生猪的检测精度,为生产现场端的群养生猪行为实时检测与分析提供了有效方法。     

猪舍自动清粪控制系统设计与实现

本文设计了一种猪舍自动清粪控制系统,主要包括刮粪板和保温隔热门、猪舍内外环境数据采集、清粪设备运行状态监测、主控制单元、自动清粪控制APP五个主要部分,并在云服务器的模型对接上传数据以及下达控制指令。通过传感器采集环境数据定时上传云服务器,经模型计算后得到控制指令,发送给舍内主控制单元,进而控制刮粪板及保温门的协同工作,清粪运行状态监测装置反馈运行状态至云服务器,同时APP可以后台监控数据及下达控制指令,最终实现猪舍内粪污的动态化清理。     

基于加速度传感器的猪舍刮粪板运行状态监测装置设计与仿真

猪舍刮粪板在运行过程中可能存在清理不彻底、粪道内异物阻碍刮粪板运行、刮粪板损毁等工作人员难以监测的问题,因此设计一种基于加速度传感器的刮粪板运行状态监测装置,并通过MATLAB进行仿真。通过MPU6050传感器获得当前状态下刮粪板的姿态角,采集正常状态下运行数据并运用中值滤波算法消除异常角度波动,由此确定阈值,根据不同角度阈值将刮粪板状态不同故障类型和等级,通过判断运行时刮粪板各与其对应阈值的关系完成对故障的识别和警报。依据预定义的刮粪板运行状态进行MATLAB仿真测试,获得了96. 1%的平均准确率。仿真实验表明本装置可用于实际作业状态下对猪舍刮粪板状态的监测。     

基于Cow-DETR与深度图像的非接触式奶牛体质量评估

针对当前牧场奶牛体质量（体重）称量效率低,人工参与容易引发奶牛应激等问题,提出了一种基于改进DETR（Detection transformer）网络的端到端式奶牛体质量评估方法（Cow-DETR）,实现利用奶牛背部深度图像进行非接触式奶牛体质量评估。首先设计并搭建实验数据采集装置,利用Intel RealSense D435深度相机和体重秤采集奶牛背部深度图像和体质量数据;然后,通过边缘平滑滤波器和孔洞填充滤波器对深度图像进行补全处理,减少深度数据缺失对体质量评估的影响;最后,以DETR网络为基础建立奶牛体质量评估模型,通过在预测模块中添加含有交替全连接层的体质量预测单元,提升奶牛体质量相关的特征信息提取能力,实现端到端式奶牛背部定位的同时进行奶牛体质量非接触式评估。结果表明,本文方法可以实现较高精度的奶牛体质量评估,通过5倍交叉验证,在含有139头奶牛数据的数据集中,平均绝对误差不超过17.21kg,平均相对误差不超过3.71%,单幅图像平均识别时间为0.026s。通过与现有体质量评估方法相对比,本文方法比其他6种方法在更多的奶牛头数的数据集中取得了更低的平均绝对误差和平均相对误差,同时本文方法对奶牛站立姿势要求较低,更符合牧场实际生产需要,为奶牛体质量评估提供了新的解决思路。     

叫声在生猪福利监测中的研究进展与挑战

叫声是评估生猪福利水平的重要方式之一。本文首先分析了生猪叫声与福利之间的相互关系。其中，与生猪福利密切相关的三种生猪叫声包括咳嗽声、尖叫声和呼噜声。基于这三种声音进一步分析声音与环境，声音与身体状况，以及声音与健康之间的关系。随后，对当下的生猪福利监测所采用的传感器，包括穿戴式与非接触式两大类进行分析，并简述不同方式的优劣势。基于非接触式的优势及麦克风传感器技术的可行性，从声音的获取和标记、特征提取以及声音分类三个方面对现有的生猪声音处理技术进行了阐述和评估。最后，从声音监测技术、生猪个体福利监测、商业应用以及养猪从业者四个角度讨论了叫声在生猪福利监测中面临的研究困境以及发展趋势。研究发现，目前关于生猪声音分析的研究大多集中在分类器的选择和识别算法的改进上，而对端点检测和特征选择的研究较少。同时，当下面临的主要挑战还包括不同生长阶段的音频数据获取难度较高，缺乏公共的猪舍内音频数据库以及缺少完善的声音指标与动物福利监测评价体系。总体来说，建议进一步对声音识别过程中涉及的各部分技术进行深入探索，同时加强跨学科专家之间的合作，共同推动声音监测在生猪实际生产中的应用，从而加快精准畜牧业的实现。