摘要：入仓原料种类识别是饲料生产过程中的关键环节之一。目前,入仓原料主要通过人工取样的方式,依靠工人感官经验识别原料种类,以确保原料正确入仓。为了实现饲料原料种类在线自动取样和识别,提高饲料加工的自动化水平,该研究设计了一种多通道饲料原料自动取样装置,应用机器视觉技术,搭建了原料种类在线识别系统。该系统主要由取样单元、样品输送单元、图像采集单元等组成;采用Arduino Uno为系统控制核心,设计了控制流程和控制线路;在Arduino IDE开发环境下编写了控制程序;运用卷积神经网络的方法构建了饲料原料种类识别模型CAM-ResNet18;基于PyQt5环境开发了饲料原料种类在线识别系统软件,包括上位机人机交互软件系统和下位机自控控制系统。上位机系统软件通过串口与下位机控制器通讯,实现对饲料原料种类在线取样识别装置的自动控制。通过模型嵌入和系统集成,对系统的基本功能、识别准确率和识别时间进行测试。饲料原料种类在线识别系统运行正常可靠,实现了饲料原料入仓过程中的自动取样、图像采集、种类识别、结果反馈、一键报警的全环节智能操作。系统性能测试中,饲料原料种类识别准确率为98%,取样识别周期为10.13 s。研究结果表明开发的饲料原料种类在线识别系统可以实现入仓饲料原料在线取样和种类识别功能,可为饲料加工中饲料原料种类的自动识别提供方法和技术支撑。

摘要：为了解决饲料生产过程中入仓原料种类采用人工取样感官识别所存在的问题,实现原料种类自动识别,以玉米、麸皮、小麦、豆粕、鱼粉等大宗饲料原料为研究对象,自主设计搭建了多通道入仓原料种类自动识别装置,采集饲料原料图像数据集,并使用数据增强的方法增加样本多样性。基于ResNet18网络模型加入通道注意力机制、增加Dropout函数,并嵌入余弦退火法的Adam优化器,引入迁移学习机制训练模型,构建适用于饲料原料种类识别的CAM-ResNet18网络模型。CAM-ResNet18网络模型的原料种类验证准确率达99.1%,识别时间为2.58 ms。与ResNet18、ResNet34、AlexNet、VGG16等网络模型相比,模型验证集准确率分别提升0.6、0.2、3.7、1.1个百分点。针对混淆矩阵结果分析,测试集识别平均准确率达99.4%,具有较高的精确度和召回率。结果表明,构建的CAM-ResNet18网络模型在饲料原料种类识别方面具有较高的识别精度和较快检测速度,自主研发的多通道入仓原料种类自动识别装置具有实际应用价值。

摘要：为获取水产颗粒饲料的悬浮速度参数,采用自制悬浮速度测定试验台对膨化饲料与颗粒饲料的悬浮速度进行测定,并采用双因素等重复试验法和响应曲面法分析了粒径(1~4 mm)和含水率(5%~25%)对水产颗粒饲料悬浮速度的影响。结果表明:粒径和含水率对膨化饲料和颗粒饲料的悬浮速度均影响极显著,且粒径比含水率对悬浮速度的影响更显著,但粒径和含水率的交互作用对悬浮速度影响不显著;膨化饲料和颗粒饲料悬浮速度均随粒径和含水率的增加而增加;以决定系数和变异系数为评价指标进行比较,膨化饲料悬浮速度的三阶预测模型效果最佳,决定系数R2为0.993 1;颗粒饲料悬浮速度的双因素交互预测模型效果最佳,决定系数R2为0.959 1。经过试验验证,膨化饲料和颗粒饲料悬浮速度预测模型的相对误差范围分别为±5.4%和±6.1%,说明预测模型可靠。试验结果可为气动式投喂装置、气力输送装置和分选装置的设计提供参考和依据。