排序方式: 共有3条查询结果,搜索用时 203 毫秒
1
1.
2.
多环境参数控制的猪养殖箱设计及箱内气流场分析 总被引:6,自引:6,他引:0
在规模化养殖中猪舍环境日益重要的背景下,为了便于研究猪舍内不同环境对猪健康的影响,该文设计了基于多环境参数控制的猪养殖箱。养殖箱采用气流自循环的通风模式,通过ANSYS对该养殖试验箱的气流场走向、模式以及风速适宜性进行模拟仿真。该养殖箱利用环境因子检测模块中的传感器集成节点和激光NH_3传感器实时获取养殖箱内的温度、相对湿度、NH_3浓度、CO_2浓度、风速等环境数据,并通过通信中转节点STM32发送至主控制器可编程逻辑控制器(programmable logical controller,PLC),PLC对环境数据进行处理,并根据已处理的环境数据进行环境调控,实现箱内环境的自动控制。与此同时,PLC将环境数据上发至上位机PC,通过WinCC监控软件实现了环境数据动态显示,通过VB脚本实现了历史数据自动定时导出至Excel文件功能。养殖箱气流烟雾试验、空箱试验以及保育猪养殖试验结果表明:养殖箱内气流走向形成大循环,且通风无死角,养殖箱环境控制系统的温度控制精度为±1℃,相对湿度可以控制在50%~80%的适宜范围内,NH_3浓度控制精度小于±3í10-6,CO_2浓度可以控制在1540í10-6以下,养殖箱能够在较长时间稳定运行的同时,实现了箱内温度、相对湿度、NH_3浓度、CO_2浓度等环境因子精确控制,为不同环境的养殖试验提供试验平台。 相似文献
3.
基于深度学习的群猪图像实例分割方法 总被引:9,自引:0,他引:9
群养饲喂模式下猪群有聚集在一起的习性,特别是躺卧时,当使用机器视觉跟踪监测猪只时,图像中存在猪体粘连,导致分割困难,成为实现群猪视觉追踪和监测的瓶颈。根据实例分割原理,把猪群中的猪只看作一个实例,在深度卷积神经网络基础上建立Pig Net网络,对群猪图像尤其是对粘连猪体进行实例分割,实现独立猪体的分辨和定位。Pig Net网络采用44层卷积层作为主干网络,经区域候选网络(Region proposal networks,RPN)提取感兴趣区域(ROI),并和主干网络前向传播的特征图共享给感兴趣区域对齐层(Region of interest align,ROIAlign),分支通过双线性插值计算目标空间,三分支并行输出ROI目标的类别、回归框和掩模。Mask分支采用平均二值交叉熵损失函数计算独立猪体的目标掩模损失。连续28 d采集6头9. 6 kg左右大白仔猪图像,抽取前7 d内各不同时段、不同行为模式群养猪图像2 500幅作为训练集和验证集,训练集和验证集的比例为4∶1。结果表明,Pig Net网络模型在训练集上总分割准确率达86. 15%,在验证集上准确率达85. 40%。本文算法对不同形态、粘连严重的群猪图像能够准确分割出独立的猪个体目标。将本文算法与Mask R-CNN模型及其改进模型进行对比,准确率比Mask RCNN模型高11. 40个百分点,单幅图像处理时间为2. 12 s,比Mask R-CNN模型短30 ms。 相似文献
1