摘要：【目的】针对猪舍环境控制中场景复杂、多参数控制难以及系统呈现耦合特性的问题,基于无模型自适应控制(Model-free adaptive control,MFAC)算法,设计了适用于猪舍的多参数无模型自适应控制(Multi-parameter model-free adaptive control,MMFAC)算法。【方法】通过将MFAC算法与用于尺度伸缩变换的权值矩阵相融合,设计MMFAC算法。该算法利用紧格式动态线性化(Compact form dynamic linearization,CFDL)技术和最优化数学方法,进行伪雅可比矩阵(Pseudo-jacobian matrix,PJM)的参数辨识和调控装置的控制量计算。【结果】仿真试验结果表明,MMFAC算法具备对多参数进行自适应控制的能力,并可通过调整权重矩阵来降低关键参数的误差。真实猪舍环境控制试验结果表明,该算法可根据实时环境参数测量值计算风机控制量,并根据该控制量驱动风机,以保持环境参数在舒适区间范围内的稳定控制。【结论】MMFAC算法展现出良好的多参数自适应控制能力,能够适应复杂的猪舍环境,有效解决多参数控制难以及系统耦合的问题,在猪舍环境控制中具有较好的应用前景。

摘要：【目的】减少猪场人工测量猪只体尺的工作量,提高测量精度和工作效率。【方法】本研究提出基于关键点检测和多目标跟踪的猪只体尺自动估计方法,该方法使用Yolov8-Pose模型识别各猪只关键点和目标检测框,利用ByteTrack算法对猪群实时跟踪,引入感兴趣区域规避图像畸变,提高识别速度,同时设计姿态和异常检测过滤算法减少因运动模糊、姿态不正等因素造成的误差。【结果】5个猪栏中24头猪只体长、肩宽、臀宽的平均绝对误差均小于3 cm,平均绝对百分比误差分别维持在4%、6%和7%以内。数据处理速度提升为19.3帧/s。【结论】本研究提出的基于关键点检测和多目标跟踪的猪只体尺估计方法为猪场生产场景提供了一个轻量化、易部署的自动体尺测量解决方案。

摘要：群养圈栏内猪只的位置分布是反映其健康福利的重要指标。为解决传统人工观察方式存在的人力耗费大、观察时间长和主观性强等问题,实现群养猪只圈内位置的高效准确获取,该研究以三原色(Red Green Blue,RGB)图像为数据源,提出了改进的快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)的群养猪只圈内位置识别算法,将时间序列引入候选框区域算法,设计Faster R-CNN和轻量化CNN网络的混合体,将残差网络(Residual Network,ResNet)作为特征提取卷积层,引入PNPoly算法判断猪只在圈内的所处区域。对育成和育肥2个饲养阶段的3个猪圈进行24 h连续98 d的视频录像,从中随机提取图像25000张作为训练集、验证集和测试集,经测试该算法识别准确率可达96.7%,识别速度为每帧0.064s。通过该算法获得了不同猪圈和日龄的猪群位置分布热力图、分布比例和昼夜节律,猪圈饲养面积的增加可使猪群在实体地面的分布比例显著提高(P<0.05)。该方法可为猪只群体行为实时监测提供技术参考。

摘要：从养猪科研、生产及用户需求角度，阐述了种猪场信息管理系统应具备的基本功能，分析了系统在数据录入、运算分析、数据通讯、查询打印、常用报表、计划管理及功能扩充上的基本要求。