排序方式： 共有6条查询结果，搜索用时 15 毫秒
1
1.
基于机器视觉的育肥猪分群系统设计与试验 总被引：3，自引：1，他引：2
为控制育肥猪出栏时的体质量差异,该研究开发了一套基于机器视觉技术的育肥猪分群系统,该系统通过机器视觉技术和卷积神经网络模型代替传统地磅对猪只体质量进行估测,可有效避免粪污对设备精度的影响及腐蚀;以前一天全部猪只体质量数据从小到大排列的第30%个数据作为当日的分群基准质量,将大于等于基准质量的视为长势较快的猪只,小于基准质量的视为长势较慢的猪只,每次采食按照猪只长势快慢分为2群进行饲喂;该系统依托于LabVIEW软件开发平台和物联网系统构建,平均每头猪只通过系统时间为6.2 s。为验证该系统的实际应用效果开展了为期30 d的现场试验,将饲喂于装有分群系统猪栏中的120头长白育肥猪作为试验组,由分群系统按猪只长势快慢分群饲喂;将饲喂于传统猪栏中的120头长白育肥猪作为对照组,按照传统人工调栏的方式进行饲喂。试验开始时试验组和对照组猪只平均体质量分别为32.21、31.76 kg,标准差分为别2.61和2.49 kg;结束时试验组和对照组猪只平均体质量分别为57.68、57.41 kg,标准差分为别5.26和5.51 kg,总料肉比分别为2.31和2.34,期间试验组猪只体质量的标准差小于对照组,但是2组猪只平均体质量、标准差、总料肉比均不存在显著差异,表明采用该系统对猪只进行分群饲喂控制猪只体质量差异效果等同于人工调栏,同时可以节省人力成本,缓解农业劳动力短缺的压力。该研究也可为母猪饲喂站、种猪测定站等智能化养猪设备的研发提供参考。 相似文献
2.
育肥猪生长过程中脸部变化对识别模型准确率的影响 总被引：2，自引：0，他引：2
为探究猪脸识别模型对育肥猪猪脸生长变化的识别效果,采用深度卷积网络,对大白育肥猪生长过程中脸部变化与识别模型准确率之间的关系进行研究。结果表明:1)在预训练的DenseNet201、MobileNetV3_small、SeNet154和Xception 4种模型中,SeNet154模型猪脸识别效果最好,对验证集的识别准确率可达98.80%,选其为猪脸识别模型;2)分别用试验期间第1～2、1～3、1～4和1～5天采集的猪脸图像数据训练该模型,并分别使用第3～8、4～9、5～10和6～11天的数据逐天测试模型的猪脸识别效果发现,使用第1～4与1～5天数据训练的模型猪脸识别效果相当且优于使用第1～2与1～3天数据训练的模型。使用第1～4天数据训练的模型对第5天数据的识别准确率最高,为96.74%,其后5天的识别准确率逐天下降,到第10天为84.17%。分析认为,造成识别准确率下降的原因是猪脸生长、光照变化以及污渍附着。3)使用第(n-4)～(n-1)天(5≤n≤10)的数据重新训练动态模型后,对第n天猪脸数据的识别准确率均在95.82%以上。深度卷积网络模型在猪脸识别方面有较高的识别准确率,可以用于育肥猪的脸部识别;建议在育肥猪的猪脸识别系统中每天都使用至少前4天,且≥10 800组图像数据重新更新猪脸识别模型。 相似文献
3.
进风口高度与导流板角度对猪舍空气龄和CO2分布的影响 总被引：1，自引：0，他引：1
为了研究进风口形式对猪舍空气龄和CO2分布的影响，利用计算流体力学（CFD）技术对某实验猪舍的风速、空气龄、CO2浓度以及生猪的对流换热量进行了模拟研究。原猪舍模型（方案A）进风口导流板角度为50°，进风口高度为1.8m。本研究设计了6种通风方案与原猪舍模型进行比较，方案B：进风口导流板角度为90°，进风口高度为1.8m；方案C：进风口导流板角度为120°，进风口高度为1.8m；方案D：进风口导流板角度为150°，进风口高度为1.8m；方案E：进风口导流板角度为50°，进风口高度为1.6m；方案F：进风口导流板角度为50°，进风口高度为1.4m；方案G：进风口导流板角度为50°，进风口高度为1.2m。研究结果表明：风速模拟值与测量值的决定系数R2为0.9162，平均相对误差为26.7%，所构建的模型可以准确地预测猪舍内风速形态。通过比较各通风模拟方案发现：进风口高度和导流板角度会影响猪舍内空气龄和CO2的分布，其中方案C与方案F可显著降低舍内生猪活动区域平均空气龄以及平均CO2浓度，并具备较好的猪舍保温效果。研究同时发现，生猪生活区域的CO2浓度会受到生活区域的平均空气龄和整舍空气龄分布均匀性的影响。 相似文献
4.
基于卷积神经网络的大白母猪发情行为识别方法研究 总被引：2，自引：0，他引：2
针对现有发情检测方法灵敏度低、识别时间长、易受外界干扰等缺点，根据大白母猪试情时双耳竖立的特征，提出一种基于卷积神经网络（Convolutional neural network, CNN）的大白母猪发情行为识别方法。首先通过采集公猪试情时发情大白母猪与未发情大白母猪的耳部图像，划分训练集样本（80%）与验证集样本（20%）用于后期训练。随后，基于AlexNet卷积神经网络构建分类模型（AlexNet_Sow），并对该模型的网络结构进行简化，简化后的模型包含2个卷积模块和2个全连接模块，选择修正线性单元(Rectified linear units, ReLU)作为激活函数，用自适应矩估计(Adaptive moment estimation, Adam)方法优化梯度下降，选择Softmax作为网络分类器，通过结合增强学习的方法对模型进行训练，得到模型应用于验证集的准确率达到99%。此外，设定了发情鉴定的时间阈值，并结合LabVIEW的Python节点用于模型应用。当公猪试情时，大白母猪双耳竖立时长达到76s时，则可判定其为发情。该方法对大白母猪发情识别的精确率、召回率与准确率分别为100%、83.33%、93.33%，平均单幅图像的检测时间为26.28ms。该方法能够实现大白母猪发情的无接触自动快速检测，准确率高，大大降低了猪只应激情况和人工成本。 相似文献
5.
深度学习在猪只饲养过程的应用研究进展 总被引：1，自引：1，他引：0
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。 相似文献
6.
近郊集约化养猪场排出污风时产生的臭味、细菌和颗粒物会对周边环境造成一定影响。试验旨在探讨次氯酸洗涤器对猪舍污风减排的效果及运行成本。选取楼房猪场底层1个妊娠猪舍单元排风端的次氯酸洗涤器为研究对象，舍内饲养猪只406头，饲养密度为2.71 m2/头。监测过滤前后的氨气（NH3）、挥发性有机化合物（VOCs）、臭气、颗粒物和细菌浓度；同时监测每日耗水量、耗酸量和耗电量；试验期15 d。结果表明：试验条件下，次氯酸洗涤器对NH3、VOCs和臭气的平均去除效率（ARE）分别为39.4%、30.6%和50.1%，对细菌、总悬浮颗粒物（TSP）和PM10的ARE分别为50.1%、30.1%和7.8%，对PM1、PM2.5和PM4的ARE分别为-79.8%、-57.3%和-60.6%；试验过程中，单层猪舍（可饲养2 000头妊娠猪，饲养密度为2.22 m2/头）的洗涤器平均日耗水量为11.81 m3，每月排污量为77.21 m3，猪只的平均过滤除臭成本为0.117元/（头·d）。可见，次氯酸洗涤器对猪舍的排风除臭及抑菌具有一定效果，但对于小粒径的颗粒物去除效果较为不理想。 相似文献
1