深度学习在猪只饲养过程的应用研究进展

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(Deep Learning)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。

基于饮水行为参数的育肥猪个体饮水量量化方法

为解决传统猪只个体饮水量预测方法精度不高和特征输入单一的问题,以包括饮水次数、饮水时长、水温、日龄及体重在内的猪只饮水行为参数为特征输入,分别构建基于线性回归、K最近邻回归、随机森林回归、支持向量回归、极限梯度提升及BP神经网络的单因素与多因素回归预测模型,并以经过标准分数预处理的育肥期猪只饮水数据为样本,对个体饮水量量化方法进行研究。结果表明:1)相比机器学习回归模型预测结果,线性回归模型能更好地揭示饮水时长与饮水量之间的线性相关性,尽管其模拟精度有限;2)相较于单一特征输入的回归模型,多特征输入的模型纳入更多影响因素,在预测饮水量上更为精准,且机器学习回归模型能更有效地捕捉饮水行为参数与饮水量之间的非线性关系;3)BP神经网络在模型适应度和模拟精度方面表现出明显优势,更适用于育肥猪个体饮水量量化。在智能化养殖环境中,根据饮水量建立的完整反馈数据可用于创建每只猪当天的评价指标数据库,为进一步分析猪只健康状况提供关键数据。

基于深度卷积网络的育肥猪体重估测

为快速、无应激、准确地获取育肥猪体重数据,采用深度卷积网络对育肥猪体重进行了估测。结果表明:1)在改造后的Xception、MobileNetV2、DenseNet201和ResNet152V24种模型中,DenseNet201模型体重估测效果最好,在验证集上估测的相关系数为0.9939,均方根误差为1.85kg,平均绝对误差为1.10kg,平均相对误差1.57%,被选为本研究所用的育肥猪体重估测模型;2)在测试数据上考察了该模型的泛化效果,其估测的相关系数为0.9767,均方根误差为2.75kg,平均绝对误差为2.10kg,平均相对误差3.03%,效果良好;3)该模型的平均估测时间为0.16s,其处理速度远快于传统方法,更适合用于育肥猪分群系统、母猪饲喂站等对猪只体重获取速度要求严格的场合。综上,深度卷积网络模型可用于快速估测育肥猪体重,为猪场的自动化、智能化和无人化管理提供依据。