基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果:1)针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2)使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3)引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87%的识别准确率。该研究证实基于偏振光条件获取的黄羽鸡表皮层黑色素图像分级效果优于自然光条件,提出的ConvNeXt-WPCA黄羽鸡表皮层黑色素分级方法识别准确率高,同时模型参数量及浮点计算量均有降低,为黄羽鸡表皮层黑色素智能分级实际应用提供了理论基础及技术支持。

畜禽机器人技术研究进展与未来展望

随着现代畜禽养殖业面临的挑战日益增加,包括提高生产效率、降低成本、确保动物福利以及应对环境变化等,机器人技术的应用成为推动该行业转型的关键。文章综述了畜禽养殖机器人技术的研究进展,涵盖了饲喂机器人、清洁机器人、巡检机器人、挤奶机器人以及其他相关领域的研究现状和技术特点。机器人技术在提升畜禽养殖业自动化和智能化水平中具有重要作用。其中,饲喂机器人通过精准控制饲料投放,提高了饲喂效率和养殖动物健康水平;清洁机器人能有效地管理畜牧环境,提升养殖场卫生条件;巡检机器人通过实时监测环境和动物健康状况,优化了养殖管理;挤奶机器人则实现了奶牛养殖自动化,提高了生产效率。探讨了畜禽养殖机器人技术面临的挑战与机遇,并对未来的发展趋势进行了展望。

改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究提出基于改进YOLOv5s检测复杂病理学图像下猪只小肠绒毛的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后引入一种基于注意力机制的网络模块(simpleattentionmechanism,SimAM)与Bottleneck中的残差连接相结合,使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度(average precision)和每秒传输帧数(frame per second,FPS)达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较改进前提高2.49和4.62个百分点,在不增加模型参数量的情况下,每帧图片的推理时间缩短1.04 ms。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该方法能够实现病理学图像中猪只小肠绒毛自动化检测,保证复杂图像检测速度的同时,提高了小肠绒毛的检测精度。

基于改进YOLOv5l的轻量化鸭蛋裂纹检测算法

鸭蛋裂纹检测技术对于禽蛋加工工厂实现智能化蛋品检测、分级具有重要意义。该研究针对鸭蛋裂纹检测流程复杂、计算量大、模型尺寸大等问题,提出了一种基于改进YOLOv5l(you only look once version5 large)的轻量裂纹检测算法,通过在黑暗条件下使用LED灯照射鸭蛋,根据裂纹蛋壳与完好蛋壳透光性不同产生的图像差异进行检测。通过在YOLOv5中引入Ghost_conv模块,大大减少了模型的浮点计算量和参数量,并在模型的骨干网络中加入ECA(efficient channel attention)注意力机制以及使用多尺度特征融合方法 BIFPN(bi-directional feature pyramid network),增加模型对有效信息的关注度,以提高算法检测精度。同时使用CIoU与α-IoU损失函数融合后替代YOLOv5原始GIoU函数加速回归预测。利用自建的鸭蛋裂纹数据集验证改进后模型的性能,结果表明,本研究提出的改进YOLOv5l网络模型检测精准率为93.8%,与原始YOLOv5l模型相比,检测精度提高了6.3个百分点,参数量和浮点计算量分别减少了30.6%、39.4%。检测帧速率为28.954帧/s,较原始YOLOv5l模型仅下降3.824帧/s。与其他的目标检测常用网络SSD(single shot multibox detector)、YOLOv4、Faster-RCNN(faster region convolutional neural networks)相比,精度分别提高了13.1、12.5、8.2个百分点。本研究提出的方法能够在低硬件资源条件下进行高精度检测,可为实际场景应用提供解决方案和技术支持。

基于mRMR-XGBoost的水稻关键生育期识别

针对目前使用无人机识别水稻关键生育期时光谱数据特征维度高和冗余,导致模型准确率和泛化能力不足的问题,该研究提出一种基于最优特征组合的水稻关键生育期(分蘖期、拔节期、抽穗期、乳熟期、完熟期)识别方法。首先使用无人机采集田间光谱图像,基于相对植被指数和迭代自组织数据分析算法对光谱图像进行分割,以有效提取水稻冠层区域。然后对水稻生育期的关键特征进行表达,采用最小冗余特征选择算法对特征进行重要性排序,并通过增量分组法确定最优特征组合。最后基于极度梯度提升算法构建水稻生育期的识别模型。对比试验结果显示,本文模型对5个关键生育期的识别较好,混淆情况少,对水稻分蘖期、拔节期、抽穗期、乳熟期和完熟期识别精确率分别为98.08%、100.00%、99.68%、97.50%和99.29%,整体识别精确率达到98.77%,F1值为0.9891,Kappa系数为0.984,相比于SVM(支持向量机)分别提高了1.59个百分点、0.0146和0.02,相比于RF(随机森林)分别提升了1.23个百分点、0.011和0.015。研究结果可为田间作物的精准管理和决策提供重要依据。

基于模糊控制的设施菜心生产环境管控模型及系统

【目的】为实现设施菜心生产环境的实时监控和精准调控,设计一种基于模糊控制的设施菜心生产环境管控模型及系统。【方法】采用物联网设备实时监测菜心各生长阶段(种子发芽期、叶片生长期、菜薹形成期)的环境因子(空气温度、土壤温度、土壤湿度和土壤电导率),将参数的监测值与适宜范围进行对比,获得各环境因子的偏差及变化率。管控模型利用模糊推理与定性分析结合的方法优化环境因子控制量,确定环境调控设备的调控决策,达到对环境因子的精准调控。【结果】管理模式对比试验表明:在菜心3个生长阶段,管控系统模式的平均调控实时性指标分别为0.10、0.17和0.18,平均准确性指标分别为0.78、0.68和0.74;人工管理模式的平均调控实时性指标分别为0.37、0.41和0.43,平均准确性指标分别为0.31、0.34和0.30。管控系统的平均实时性和准确性与人工管理模式相比分别有62.50%和1.34倍的提升。【结论】管控系统模式实现了菜心生产环境信息的实时获取与精准调控,能帮助用户更好地进行设施菜心的生产管理。

基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类

害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提取能力有限,元学习算法没有提供较好的权重初始化策略,可能导致网络出现梯度消失或者梯度爆炸的情况。为了解决这一问题,该研究提出一种基于空间注意力增强ResNeSt-101和迁移元学习算法的小样本害虫分类器。首先,通过一个空间注意力模块增强ResNeSt-101以更好地提取害虫图像特征,即在ResNeSt-101的第1阶段的最大池化层之前以及在第2~4阶段的末尾分别附加集成空间注意力模块,并通过数值仿真确定空间注意力增强模块的最佳放置位置为第1阶段的最大池化层之前。随后,通过迁移学习策略初始化网络权重,进而通过元学习进行优化。为了避免网络出现梯度消失或者梯度爆炸的情况,在元学习算法中选择归一化的温度缩放交叉熵损失函数代替三元组损失函数。最后,通过计算查询图像和支持图像深度特征之间的相似度实现害虫分类。所提出方法在自建的害虫图像数据集AD0和MIP50上使用N-类K-例准确率和每张图像处理时间(the time of per image processing,TPIP)进行评估。害虫图像数据集的构建方式如下:首先对公共害虫图像数据集IP102和D0进行清洗,以消除由于英文害虫名称导致的歧义类别;然后移除卵、幼虫和蛹阶段的害虫图像,仅保留成虫阶段的图像。考虑到人工和时间成本,从清理后的IP102害虫数据集中选择50个类别构建MIP50害虫图像数据集。随后,通过害虫的拉丁名称从互联网搜索更多的害虫图像,生成AD0害虫图像数据集。自建的MIP50数据集包括来自IP102的50个类别的16424张成虫图像,AD0包含来自D0的所有40个类别的17112张成虫图像。试验结果表明,当测试集中只有少数未知类别的害虫图像时,本文方法在AD0数据集上的5-类10-例评估准确率达到了96.37%,在MIP50数据集上达到了76.91%。当测试集中同时存在几个未知和已知类别的害虫图像时,所提方法在AD0数据集上的5-类10-例设置下的识别准确率达到了93.73%,在MIP50数据集上达到90.60%。同时,本文方法的TPIP大约为0.44 ms,满足大多数场景下的实时害虫识别要求。此外,消融试验结果表明,基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类方法在AD0、MIP50数据集上对未知类别害虫图像的5-类10-例的识别准确率分别提升了5和3个百分点以上,具有良好应用前景。但未来研究中还需进一步研究本方法中存在的问题,如通过采用更好地表征支持集样本与查询集样本之间复杂关系的度量优化本工作中用到的度量以解决增加类别数可能导致分类准确率降低的问题,以及将所提方法应用于现实农业场景进行优化改进以更好提升本文方法的实用性。

家禽疫病智能化检测技术研究进展

家禽是我国养殖业的重要组成部分,但在养殖过程中易感染病原导致死亡,给养禽业造成严重的经济损失。对家禽疫病的人工检测常伴有耗时长、劳动力大、不够准确等问题,新兴检测技术的研究和使用十分必要。文章对红外热成像技术、生物传感器、可穿戴传感器、发声分析技术、视觉分析技术、免疫传感器等家禽常见疾病的新兴智能化检测技术进行综述,建议通过智能化手段与监测方法相结合,对家禽的行为动态与生理信息进行分析,为疫病防控技术的研发提供参考。

我国家禽工厂化养殖技术发展现状与趋势

我国的家禽养殖正在向精准养殖、自动化养殖、绿色养殖等方向逐步迈进。工厂化家禽养殖技术和信息化技术的协同研发和应用是促进家禽养殖行业健康可持续发展的关键,对提升家禽养殖规模化、标准化和智能化水平,提高整体产量与经济效益,促进现代化家禽养殖业的转型升级具有重要意义。本文重点围绕家禽养殖智能装备、智能算法和管控平台3个技术领域,分析了智能养殖舍、环境监测调控、智能饲喂、防疫、巡检以及无害化粪污处理等装备,家禽行为检测、盘点技术、体质量预估和健康状态评估算法,工厂化家禽养殖管控平台的最新研究应用进展以及存在的问题;指出了家禽养殖技术的薄弱环节与发展趋势,并对工厂化家禽养殖的发展和改进提出了建议,为我国现代家禽养殖业绿色高质量转型升级与健康可持续发展提供参考。

基于DH-YoloX的群养马岗鹅关键行为监测

马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法(Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX),该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。

智能养猪工厂的研究进展与展望

工厂化养猪是畜牧业现代化的重要组成部分,是中国养猪业发展的必然趋势。中国养猪业面临着能繁母猪生产力水平低、健康管理水平低、智能设备利用率低、养殖成本高等产业突出问题。本文从猪群福利化健康养殖工艺、猪舍空气净化技术、猪只生长与健康状态感知技术、以及猪只精准饲喂和养殖机器人等智能作业装备4个方面,分析了智能养猪工厂建设中工艺、技术、装备的研究和发展现状,并对今后智能养猪工厂建设的重点方向进行了展望,以期为中国智能养猪工厂的创制提供参考。

基于改进YOLO v5n的猪只盘点算法

猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.257、1.497和1.567。在时间性能上,单幅图像的平均识别时间仅为0.056 s,符合实际猪场生产的实时性要求。

农业害虫智能视觉检测研究综述

农业害虫智能视觉检测是实现虫情自动实时监测的重要技术,首先介绍经典机器学习技术在国内外害虫智能视觉检测中的应用,然后整理以R-CNN、Fast R-CNN、Faster R-CNN、SSD和YOLO等深度学习技术为核心的新一代害虫智能视觉检测方法的研究进展。接着,剖析农业害虫智能视觉检测方法在研究及实际应用中存在的问题,其中基于经典机器学习的方法存在特征捕获能力和检测精度较低、资源消耗较大以及鲁棒性较弱等问题;基于深度学习的方法比基于经典机器学习的方法拥有更高检测性能,但存在数据分布不同和目标较小时识别效果较差、检测精度低和速度慢等问题。最后,针对基于深度学习的方法在农业昆虫数据库的制作、数据分布偏移的鲁棒性处理、深度特征学习、多场景应用4个方面对未来研究方向进行展望。

基于叶片匹配的作物植株图像分离与计数方法

构建了从连续采集的田间图像中提取作物植株的算法,为图像采集植株微观生长信息提供算法支撑.首先,从图像中分割出叶片,根据叶片距离分离出单个植株;将连续相邻的两幅图像进行拼接获得拼接变换,并将两幅图像中各植株图像与空图像按照获得的拼接变换计算出植株拼接变换图;其次,求出各株拼接变换图的叶片图像质心,采用距离门限的方法判断两植株图像是否为同株作物;在此基础上,采用传递闭包获得各株作物在不同图像中的集合,并用距离中心最小的方法从各株集合中选择出最佳图像,用5种作物对该算法进行验证,结果表明:株数检测准确率达到了100%,提出的方法也成功地将各植株图像精确地提取出来,同时算法显示出高效的计算效率.

水禽智能化养殖研究现状及发展趋势

水禽养殖在向规模化、标准化与智能化方向迅速发展。智能养殖装备和信息化技术的研究与应用是促进水禽养殖业健康持续发展的关键,对提高水禽养殖的产出效率、降低生产过程对劳动力的依赖、契合绿色环保的发展理念以及实现高质量转型发展具有重要意义。本文重点介绍了智能化水禽棚舍的发展、水禽棚舍环境智能调控技术,以及智能化水禽饲喂、饮水、加药消杀和自动粪污处理等智能化设备的最新研究进展。此外,还介绍了可应用于水禽的信息采集技术现状,包括视觉成像系统、声音捕获系统和穿戴式传感器,以及智能管理技术的最新应用进展。最后指出了水禽产业的智能化养殖所面临的困难,并对未来水禽的智能化养殖的发展和改进提出了建议。

基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法

针对鸭蛋裂纹人工检测受主观性影响造成精度波动大等问题,利用ResNet34网络模型,提出1种基于梅尔谱图的鸭蛋裂纹识别算法。首先利用敲蛋装置收集敲蛋声音数据,再将音频转化成梅尔谱图,构建梅尔谱图数据集,然后搭建ResNet34模型,引入迁移学习机制训练模型,再通过Adam优化算法更新梯度,增加注意力机制模块并将卷积结构替换为深度可分离卷积以对网络模型进行改进,并调整参数进行优化,最后利用模型对鸭蛋裂纹进行识别。结果显示:改进的ResNet34DP_CA网络模型检测的平均准确率为92.4%,对比原始ResNet34网络模型,平均准确率提高5.5个百分点,参数量减少32%;对比其他网络模型VGG16、MobileNetv2和EfficientNet,平均准确率分别提高10.9、13.7、16.3个百分点,识别时间为21.5 ms。结果表明,所提出的基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法,能够有效地对鸭蛋裂纹进行检测识别。

基于Faster R-CNN和时序统计的肉鸭行为节律分析

为实现自动化笼养肉鸭的行为识别及行为节律分析,文章提出了一种基于Fast⁃er R-CNN和时序统计的笼养肉鸭行为节律分析方法(Temporal statistical behavior recognition algorithm for caged meat ducks,TSBR算法)。该算法利用Faster R-CNN检测出常态化监控视频关键帧中的鸭头和乳头式饮水器,形式化定义并识别笼养肉鸭的饮水、进食、站立和趴卧四种关键行为,采用时序统计方法分析各行为的发生时间与时长,得到肉鸭行为节律。对连续3 d采集肉鸭视频进行试验分析,结果显示:算法检测的平均精度为0.93,肉鸭站立、趴卧、进食和饮水行为占比分别为:30.52%、28.05%、1.16%和40.27%,肉鸭在2∶00~3∶00和19∶00~20∶00较为活跃,6∶00~10∶00和20∶00~21∶00较为安静。综上,在相同试验条件下,文章提出算法的精度能够支撑肉鸭的日常行为识别;为保证肉鸭正常休息,饲料投喂应当避免6∶00~10∶00以及20∶00~21∶00两个时间段。研究结果可为笼养肉鸭精准管理及健康状况分析提供技术支撑,具有较好的应用前景。

基于物联网的桔小实蝇诱捕监测装备设计及试验

为了实现对桔小实蝇诱捕的实时监测和快速诊断,设计了一个基于物联网的桔小实蝇诱捕监测装备。该装备包括诱捕监测装置、太阳能供电装置和监测控制装置3个主要部分,其中诱捕装置包括顶盖、透明的连通件和诱捕瓶;太阳能装置包括太阳能板、蓄电池以及太阳能板支架;控制装置包括Fit-pc控制器、3G通讯模块和自主研发的桔小实蝇监测计数系统软件。该装备结合了机器视觉技术、远程通讯技术以及太阳能供电等技术,实现了集病虫害信息采集、处理、传输与自供电为一体的桔小实蝇诱捕监测装备,可长期的、实时的、远程的监控桔小实蝇诱捕过程和精确的计算桔小实蝇数量,且可自动传输到远程服务器并保存在本地存储卡中。在实验室环境下采用该装备测试,在830 s内有138头桔小实蝇进入该装备,系统检测出的结果是131头,检测成功率为94.9%。采用该装备在杨桃公园从2013年11月到2014年12月进行了一年多测试,系统软硬件可以稳定地协同工作,仅在光照严重不足太阳能供电不力的情况下出现过系统停止运行。基于物联网的桔小实蝇诱捕监测装备能自动跟踪计算桔小实蝇数量,从而向区域监控人员提供简洁有效的监控信息,在农业上有着广泛的应用前景。

稻田水分监测无线传感器网络优化设计与试验

传感器网络技术为大范围稻田水分信息采集提供了一种新技术手段。利用测量稻田水分含量和水层深度测量的无线传感器WFDMS,探讨了构建稻田水分传感器网络PMSN的关键技术:设计了大面积、大范围应用体系结构模型;提出了一种满足稻田水分采样频率和数据业务需求的低功耗传输控制协议LPTP-PMSN;开发了水分信息监测信息管理系统,实现了完整运行的稻田水分传感器网络整套系统。试验表明,PMSN网络在稻田中的可靠通信距离达60 m,在3.6 V/2 100 mAh电池供电下,4 h周期采样试验中,在传输协议LPTP-PMSN控制下,传感器、簇首、基站、短信网关、计算机间能够协同工作,整个稻田水分传感器网络可以较可靠运行,节点生命期超过190 d。该研究可为农用信息监控无线传输网络的其他应用提供参考。

基于嵌入式应用的高分辨率农业图像采集节点设计

针对现有农业图像采集设备分辨率低且无法调节图像效果的现状,提出一种基于ARM、CMOS图像传感器和嵌入式Linux操作系统的高分辨农业图像采集节点的设计方案。设计了采集节点的硬、软件体系结构,实现了图像传感器驱动控制,可进行5种白平衡、7级亮度、5级对比度、5级饱和度的图像采集效果控制。试验结果表明,本采集节点能进行2 048像素×1 536像素的图像采集,并能较好地控制图像的白平衡、亮度、对比度、饱和度等像素效果。所设计节点具有体积小、成本较低等特点,可广泛应用于农业图像采集。