基于时序序列的猪舍环境综合评价方法研究

在集约化养猪生产中,猪舍环境是影响猪健康水平的重要因素。然而,多环境因子联合精准调控是制约猪舍环境控制的共性难题。因此,本文利用自适应高斯滤波(Adaptive Gaussian filtering,AGF)算法结合长短时记忆神经网络(Long short term memory networks,LSTM)进行舍内环境因子预测,为优化舍内环境调控策略提供支撑;结合组合赋权方式,确定猪舍内环境评价指标权重,构建基于未确知测度法评价方法,为猪舍环境调控提供参考。以实测猪舍数据对本文所提出方法进行验证,结果表明:相比LSTM预测模型,应用AGF优化算法后的LSTM预测模型(LSTM-AGF),其氨气质量浓度、温度、相对湿度、二氧化碳质量浓度的预测性能R^(2)分别提升0.33、0.03、0.05、0.12;提出的基于未确知测度法的预测评价方法敏感度SENS为0.215,比传统模糊综合评价方法高20.80%。因此,本文提出的环境质量评价方法可以为猪舍环境精准调控提供参考。

基于机器视觉的畜禽体质量评估研究进展

体质量(体重)是反映畜禽身体健康与生长状况、繁殖与生产性能的重要指标。对畜禽体质量精准快速地评估和监测是提升养殖生产管理水平、实现精准畜牧生产的重要手段。传统的直接称量方式耗时费力,易造成动物的应激反应。基于机器视觉技术的体质量评估,能够利用视觉检测技术获取体型特征建立其与体质量之间的智能评估模型,是目前畜禽养殖智能化技术研究的热点。首先对体质量的评估方法进行分类阐述;然后,详细分析了机器视觉体尺图像获取的传感器类型、畜禽体尺提取与处理方法及应用现状;重点开展基于机器学习方法的体尺、体征与体质量评估模型相关研究的分析,对比了各类机器学习算法在体质量评估方面的应用效果和最新研究成果,特别探讨和分析了深度学习算法在全自动畜禽体质量评估领域的发展潜力;最后,指出畜禽体质量评估研究面临的问题和未来研究的发展趋势。

基于深度强化学习的猪舍环境控制策略优化与能耗分析

在规模化的生猪养殖生产中,环境质量对于猪群的健康及生长发育至关重要。为实现猪舍环境精准调控,以STM32单片机为核心,构建了基于物联网的猪舍环境智能控制系统;同时提出了基于双深度Q网络(Double deep Q-Network,Double DQN)的猪舍环境优化控制策略。通过在实际猪舍中运行结果表明,舍内平均温度和相对湿度可控制在(20.53±1.72)℃和(74.16±7.84)%。与传统基于温度阈值的控制策略相比,基于Double DQN控制策略的舍内温度、相对湿度、NH3浓度和CO_(2)浓度更接近期望值(期望温度为19℃,相对湿度为75%,NH3浓度(体积比)为10μL/L,CO_(2)浓度(体积比)为800μL/L),舍内温度和相对湿度最大相对误差分别低于温度阈值控制策略3.7%和2.5%。此外,该系统传感器监测数据上传和控制指令下发的平均延迟时间分别为226 ms和140.4 ms,监测与控制延迟较小,稳定性较强。在Double DQN控制策略下,一天内3台风机总运行时长为28.01 h,总耗电量为11.4 kW·h,相较于传统温度阈值法可节省约7.39%。因此,本文构建的融合深度强化学习策略的控制系统有助于改善猪舍环境质量,提高养殖环境的自动化及智能化控制水平。

猪舍氨气与二氧化碳浓度变化时序预测模型优化

NH3质量浓度和CO_(2)质量浓度是猪舍环境精准控制的重要指标。由于畜禽舍气体浓度具有时变性、非线性耦合等特点,目前有害气体浓度预测模型存在预测精度低的问题。提出了基于门控制循环单元(Gated recurrent unit,GRU)、改进麻雀搜索算法(Improved sparrow search algorithm,ISSA)并融合差分整合移动平均自回归模型(Autoregressive integrated moving average model,ARIMA)的有害气体浓度时序数据预测模型ISSA-GRU-ARIMA。首先构建了GRU气体浓度时序预测模型,然后通过引入Tent混沌序列、混沌扰动和高斯变异增强ISSA算法的局部寻优能力,实现GRU模型超参数优化;然后利用统计学习ARIMA方法提取优化后的ISSA-GRU模型预测残差的线性特征,最终达到提升模型预测精度的目的。以采集的52 d猪舍环境的1248组数据对模型进行训练和测试。结果表明,ISSA-GRU-ARIMA模型NH3质量浓度预测的均方根误差(RMSE)、平均绝对百分比误差(MAPE)和决定系数R2分别为0.263 mg/m^(3)、8.171%和0.928,CO_(2)质量浓度预测的分别为55.361 mg/m^(3)、4.633%和0.985。本文构建的ISSA-GRU-ARIMA模型具有较高的预测精度,可为猪舍有害气体浓度精准控制提供科学依据。

融合统计学习与深度学习的猪舍环境预测模型

[目的]猪舍内温度、氨气与二氧化碳浓度是影响猪生长与健康的重要环境因子,对猪舍环境因子进行预测可以为舍内环境精准控制提供参考。但是,目前猪舍环境因子预测方法普遍针对单一环境因子,且存在预测精度低的问题。[方法]本文提出了基于整合移动平均自回归模型-门控制循环单元(ARIMA-GRU)混合模型的猪舍境因子预测优化模型,该模型融合了ARIMA处理线性序列和GRU处理非线性序列的能力,首先使用ARIMA对环境因子时间序列中的线性关系进行拟合和分析,然后GRU对ARIMA预测后产生的残差进行预测,最后将2模型预测结果结合起来以实现复杂的氨气浓度、二氧化碳浓度和温度时间序列预测优化。[结果]ARIMA-GRU预测模型在氨气浓度预测上具有最好的预测拟合效果,RMSE、MAPE和R2分别为0.432 7、0.023 3和0.913 8,二氧化碳预测效果次之,RMSE、MAPE和R2分别为182.912 8、0.038 6和0.874 8,在温度预测上具有最差的预测效果,RMSE、MAPE和R2分别为0.229 0、0.011 1和0.819 9;混合模型与GRU环境因子预测模型相比,RMSE和MAPE分别平均降低了11.35%和13%,R2平均提升了3.8%;与ARIMA环境因子预测模型相比,RMSE和MAPE分别平均降低56.42%和61.58%,R2平均提升了661.02%[结论]因此,本文提出的ARIMA-GRU环境因子预测模型优化了对环境因子时间序列的预测性能,可为猪舍环境控制提供一定的参考。