光谱分析技术用于畜禽养殖粪污成分检测的研究进展

作为一种“放错了地方的资源”,养殖业所产生的粪污排放量大、成分复杂,借助先进理化分析手段开展成分分析,进而针对性地开展发酵处理,实现“变废为宝”具有重要意义。传统的粪污成分理化检测方法存在耗时长、前处理过程复杂等问题,近年来,光谱分析技术因具有检测速度快、成本低等优点,在养殖粪污成分检测研究领域已开展较多研究,并在未来应用中展示出良好前景。本文介绍了传统的粪污检测方法及存在不足;综述了基于光谱分析技术检测养殖粪污中碳氮元素、金属元素、干物质/有机物和磷元素等成分含量的研究进展;并对光谱分析技术用于养殖粪污检测在预测模型构建、样品制备方法和检测仪器研发等方面存在的问题和改进方向进行了总结,可为养殖粪污资源化高效利用提供理论支撑。

畜禽个体识别技术研究进展

畜禽个体识别是实现精细化管理、智慧化养殖的重要前提。耳切、耳纹和热铁烙印等是传统人工辨别畜禽个体的方法,存在效率低、个体应激性大等问题,基于无线射频技术的个体识别方法应激程度小,但存在价格昂贵、易脱落、续航时间短等问题。近年来,随着机器视觉与深度学习技术的快速发展,非接触式个体识别方法成为当前研究热点之一。本文在充分梳理现有畜禽个体识别方法的基础上,介绍了典型的接触式个体识别方法及存在的优缺点,并分别阐述了基于图像处理和基于深度学习的2种非接触式畜禽个体识别方法及优缺点,总结分析了在畜禽个体识别中关于深度学习模型、样本数据量及研究层面等存在的问题和改进策略,提出了相关建议,可为养殖管理人员提供理论依据和技术支撑。

一个无可信中心的动态(t,n)门限密钥共享方案

在很多实际情况下,一个被所有人都信任的可信中心并不存在,因此提出一种无可信中心的门限密钥共享方案。该方案基于Shamir秘密共享体制,利用拉格朗日插值法恢复秘密。在本方案中,如果有若干个托管代理不愿合作或无法合作时,监听机构仍能较容易地重构会话密钥;不但解决了"一次监听,永久监听"的问题,而且避免了监听机构权力过大的现象。除此之外,本方案中每个托管代理可以验证其所托管的子密钥的正确性。结论表明,本方案功能更加完善,安全性更高。

一种前向安全的定向代理签名方案

基于前向安全性和有限乘法群上离散对数的难解性,提出一种新的代理签名方案。该方案不仅具有前向安全性、不可伪造性、不可否认性、匿名性,而且还具有定向性,只有指定的验证人可以验证代理签名是否有效,并分离实际签名权和代理签名权。分析结果表明,该方案的安全性较高。

一个新的无可信中心门限代理签密方案

以往的代理签密方案多数需要可信中心,可信中心经常会变成被攻击的目标,一旦可信中心遭到攻破,则整个通信系统全部暴露并导致毁灭性的后果。为了克服这一缺陷,在新方案中,无须可信中心参与,避免了对可信中心的攻击,使得安全性级别更高。此外,把双重门限技术引入代理签密方案中,其它任意少于k个参与者合作也无法伪造其它代理签密人的签密密文,同时本方案也把门限技术应用于对主密钥的管理上,大大降低了密钥泄露的可能性。

一个新的两重门限代理签密方案

在签密理论中引入两重门限技术,构造一个新的基于双线性对的两重门限代理签密方案。在该方案中,把第一重(k,n)门限体制应用在密钥共享上,原始签密人把密钥委托给n个秘书来托管,至少k个秘书合作才能恢复此密钥,大大降低了密钥泄露的风险;将第二重(t,m)门限体制应用在代理签密过程中,把签密权委托给m个代签人共享,任何少于t个代理签密者勾结也不能得出正确的签密密文,在很大程度上增强了代理签密的安全性。理论分析表明,说明该方案是可证明安全的,适合实际应用。

基于VGG-ST模型的奶牛粪便形态分类方法研究

快速准确识别奶牛粪便形态,对于奶牛肠胃健康监测与精细管理具有重要意义。针对目前奶牛粪便识别人工依赖强、识别难度大等问题,提出了一种基于VGG-ST(VGG-Swin Transformer)模型的奶牛稀便、软便、硬便及正常粪便图像识别与分类方法。首先,以泌乳期荷斯坦奶牛粪便为研究对象,采集上述4种不同形态的粪便图像共879幅,利用翻转、旋转等图像增强操作扩充至5580幅作为本研究数据集;然后,分别选取Swin Transformer、AlexNet、ResNet-34、ShuffleNet和MobileNet 5种典型深度学习图像分类模型进行奶牛粪便形态分类研究,通过对比分析,确定Swin Transformer为最优基础分类模型;最后,融合VGG模型与Swin Transformer模型,构建了VGG-ST模型,其中,VGG模型获取奶牛粪便局部特征,同时Swin Transformer模型提取全局自注意力特征,特征融合后实现奶牛粪便图像分类。实验结果表明,Swin Transformer模型在测试集中分类准确率达85.9%,与ShuffleNet、ResNet-34、MobileNet、AlexNet模型相比分别提高1.8、4.0、12.8、23.4个百分点;VGG-ST模型分类准确率达89.5%,与原Swin Transformer模型相比提高3.6个百分点。该研究可为奶牛粪便形态自动筛查机器人研发提供方法参考。