Research progress on robotic technology in the field of livestock and poultry farming
-
摘要:
随着现代畜禽养殖业面临的挑战日益增加,包括提高生产效率、降低成本、确保动物福利以及应对环境变化等,机器人技术的应用成为推动该行业转型的关键。文章综述了畜禽养殖机器人技术的研究进展,涵盖了饲喂机器人、清洁机器人、巡检机器人、挤奶机器人以及其他相关领域的研究现状和技术特点。机器人技术在提升畜禽养殖业自动化和智能化水平中具有重要作用。其中,饲喂机器人通过精准控制饲料投放,提高了饲喂效率和养殖动物健康水平;清洁机器人能有效地管理畜牧环境,提升养殖场卫生条件;巡检机器人通过实时监测环境和动物健康状况,优化了养殖管理;挤奶机器人则实现了奶牛养殖自动化,提高了生产效率。探讨了畜禽养殖机器人技术面临的挑战与机遇,并对未来的发展趋势进行了展望。
Abstract:As the modern livestock and poultry farming industry faces increasing challenges, including improving production efficiency, reducing costs, ensuring animal welfare, and responding to environmental changes, the application of robotic technology has become the key to driving the transformation of this industry. This article reviewed the research progress of robotic technology in the field of livestock and poultry farming, including the current status and technical characteristics of research on feeding robots, cleaning robots, inspection robots, milking robots, and other related areas. The robotic technology played an important role in enhancing the automation and intelligence level of the livestock and poultry farming industry. Among them, the feeding robots improved the feeding efficiency and the health level of farmed animals through precise control of feed delivery, the cleaning robots could effectively manage the farming environment and enhance the hygiene conditions of farms, the inspection robots optimized farming management through real-time monitoring of the environment and animal health condition, the milking robots achieved automation in dairy farming and improved the production efficiency. The challenge and opportunity of robotic technology in livestock and poultry farming were discussed, and the future development trend and prospect were proposed.
-
Keywords:
- Robot /
- Livestock and poultry farming /
- Intelligentization /
- Development prospect
-
水稻作为人类主要粮食之一,受众十分广泛,遍布亚、欧、非洲以及热带美洲,全球约一半的人口以稻米作为主食,因此水稻的产量问题一直备受关注,水稻产量预测也成为当前水稻生产中的一个重要研究方向。当前作物估产方面,主要有气象产量预测法、遥感技术和统计动力学模拟法[1],通常使用多元线性回归、决策树、神经网络等构建模型;水稻产量受多种因素影响,如气候、病虫害、农药化肥使用量等,导致产量数据呈现非线性分布,预测效果整体较差。
现今我国的水稻主要有早、中、晚3种水稻,水稻的分布位置与气候条件密切相关,光照、温度、风向、水分等因素的变化会影响水稻的生长,进而影响水稻的产量。比如,气温变化会对水稻花器官分化、发育以及水稻同化物合成、累积、转运及分配过程产生影响;水稻在孕穗期和灌浆期对水分变化最为敏感,在这期间水稻缺水会阻碍分蘖穗的形成,并影响谷粒的灌浆充实程度;水稻从孕穗期到出穗期叶面积较大,蒸腾强度达到高峰,蒸发量过大会对水稻生长造成影响;水稻属喜阳短日照作物,光照强度直接影响水稻同化物的形成速率,进而影响产量[2-5]。当前,在气象估产方面,国内外学者已进行了相关的研究,比如,刘洪英等[6]利用四川省南充市1989—2018年气象数据和水稻单产数据,采用线性回归方法建立了基于气象因子的水稻产量预报模型;高俊杰等[7]利用1982—2020年广东省肇庆市高要区气象因子与早稻产量的数据,采用逐步线性回归方法建立了早稻产量预报模型;Chutia等[8]利用1990—2012年水稻作物产量数据和周天气数据,建立了阿萨姆邦13个地区的水稻产量预测模型;Kaeomuangmoon等[9]通过研究泰国77个区域的气候数据变化,利用Rice4cast平台预测季节性KDML 105水稻的产量;Traore等[10]使用决策分析针对萨赫勒地区气候条件进行水稻估产;Jha等[11]通过作物动态模型根据每日气象数据对尼泊尔水稻产量进行估产;Dhekale等[12]针对印度克勒格布尔市日降雨量数据,采用CERES-Rice(DSSATv4.5)模型进行水稻产量预测;Nain等[13]针对印度哈里亚纳邦卡尔纳尔地区的气象及水稻产量数据,使用多元线性回归等不同统计方法对该地区的水稻产量进行预测;Guo等[14]通过气象和水稻产量等农艺性状数据,分别使用反向传播神经网络和偏最小二乘法构建模型,预测华东地区的水稻产量;杨北萍等[15]通过长春市2个地区的气象、水稻遥感及产量数据,使用随机森林算法对2个地区的水稻产量进行预估;徐强强等[16]通过浙江省台州市椒江区的气象及水稻产量数据,使用指数平滑法对该地区早稻产量进行预测。其他作物方面,路智渊等[17]通过气象因子结合固原市小麦产量进行回归分析,进行小麦产量预测;马凡[18]基于气象数据及安徽省小麦产量,构建小麦产量预测模型。以上方法不同程度地存在模型精度低、预测区域级别过大、模型优化时间过长等缺陷,如模型的误差超过10%,预测区域的级别为国家或省市,使用群智能算法等优化神经网络时间过长等。为了解决上述问题,本文提出一种基于Spark的鲸鱼优化算法−反向传播神经网络 (Whale optimization algorithm-backpropagation,WOA-BP)水稻产量预测方法。首先,以县/市/区作为研究区域级别,避免研究区域范围过大和数据量太少的问题,可以很好地反映气象因素对县/市/区级别水稻产量的影响,在研究小区域水稻产量时更具有参考意义;此外,BP神经网络具有优良的非线性映射能力,利用其构建水稻产量模型能够提升模型的预测效果,同时利用WOA对BP网络的权值和偏置值进行优化,改善BP神经网络收敛慢、易局部收敛等缺陷,能够进一步提升模型的效果,避免误差较大等问题;最后,将现有的大数据技术与农业和人工智能进行结合,利用大数据Spark框架,搭建Spark集群,将改造后的WOA-BP算法在集群环境下实现并行化运算,减少算法优化过程的时间开销,充分发挥大数据技术的优势,实现对水稻产量与气象数据的快速建模以及县/市/区水稻产量的精准预测。
1. 材料与方法
1.1 试验环境
模型的训练在TensorFlow框架下完成,优化算法在Spark集群下运行,其中Spark集群由3台相同配置的联想台式电脑组成,硬件环境:联想3148主板、AMD Ryzen5 3600 6-Core双线程CPU、16 GB DDR4 3 000 MHz内存、TP-LINK路由器,软件环境:Ubuntu16.04系统、TensorFlow2.8、Spark3.2.0、Python3.7,编程语言为Python;通过路由器将3台电脑构成局域网,按照1主节点2子节点搭建Spark集群环境,Spark集群模式为Standalone模式。
1.2 数据来源与处理
本文以广东省西部地区4座城市(湛江、茂名、阳江、云浮)23个区县2000—2020年水稻的单产(每667 m2)数据及该地区的气象因素作为研究对象,其中,该区域的水稻单产数据共计482条,数据来源于广东省统计局历年的《广东农村统计年鉴》;气象因素选取2000—2020年每年3—10月的每月气温(最高、最低、平均),土温(最高、最低、平均),露点温度(最高、最低、平均),积温,降水量,蒸发量和太阳辐射量,来源于欧洲中期天气预报中心(ECMWF)的气象数据。为了降低后期BP神经网络模型结构的复杂程度,通过主成分分析 (Principal component analysis,PCA) 对影响因素进行降维,降维后累积方差贡献度保持在0.95以上;此外为了加快BP神经网络的收敛,需对数据进行归一化处理,归一化公式如下:
$$ \begin{array}{c}{X}'={\rm{MIN}}+\dfrac{X-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{{X}_{\mathrm{m}\mathrm{a}\mathrm{x}}-{X}_{\mathrm{m}\mathrm{i}\mathrm{n}}}\left(\mathrm{M}\mathrm{A}\mathrm{X}-\mathrm{M}\mathrm{I}\mathrm{N}\right)\text{,}\end{array} $$ (1) 式中,X为当前元素,
$ {X}' $ 为X归一化后的值,MIN、MAX分别为X整体数据集中所有元素的最小值和最大值,$ {X}_{\mathrm{m}\mathrm{i}\mathrm{n}} $ 与$ {X}_{\mathrm{m}\mathrm{a}\mathrm{x}} $ 为当前所在列的最小值与最大值。1.3 BP神经网络和WOA算法
BP神经网络是1986年由Rumelhart等[19]提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络之一。BP神经网络学习过程分为输入信息正向传播和误差反向传播2个阶段[20]。
WOA算法是由澳大利亚学者Mirjalili等[21]于2016年提出的新型群智能寻优算法,该算法主要分为座头鲸识别并包围猎物、螺旋泡网攻击、鲸鱼根据同类位置随机搜索捕食3个阶段;WOA算法已经被运用到复杂函数优化、路径规划、图像分割和光伏模型等领域,并取得显著效果[22]。
1.4 基于Spark的WOA-BP算法并行化
Spark是一个基于内存运算的大数据计算框架,在时间性能上优于MapReduce,Spark为了能够实现高并发和高吞吐率的数据处理过程,封装了弹性分布式数据集(Resilient distributed datasets,RDD)、累加器、广播变量3大数据结构,应对不同场景下数据处理,其中,RDD是Spark中最基本的数据单元,同时也是1个不可变、可分区且支持并行计算的数据集合。RDD用于支持Spark框架的并行计算,而累加器以及广播变量则用于数据同步,其中累加器是1个只写变量,变量一旦被修改,该变量在所有节点的值将同步更新;广播变量是1个只读变量,当变量被广播后,成为该节点的局部变量,节点修改该变量不会影响其他节点[23-24]。
由于WOA算法优化BP神经网络时,存在大量迭代计算,除鲸鱼自身的信息不一样外,每头鲸鱼在寻找自身最优解以及更新自身位置信息的过程中,所有更新逻辑均相同,因此,结合Spark并行计算框架,实现基于Spark的WOA-BP算法并行化,减少算法的时间开销。图1为基于Spark的WOA-BP算法的并行化流程图,算法的具体步骤如下。
1)设置相关参数:设置种群规模,如鲸鱼数量n,参数维度d等,同时设置Spark广播变量。
2)初始化种群:创建含d个元素的一维零数组,通过该数组构建RDD,之后通过map算子进行种群的初始化,实现并行化初始化操作,减少时间开销。
3)更新鲸鱼位置和适应度:更新每头鲸鱼的位置信息,并进行越界检查,之后计算该鲸鱼的适应度(Fitness),以样本的均方根误差(Root mean square error,RMSE)作为适应度,计算公式如下:
$$ \begin{array}{c}{\rm{RMSE}}=\sqrt{\dfrac{1}{mn}\displaystyle\sum _{i=1}^{n}\displaystyle\sum _{j=1}^{m}{\left({y}_{ij}-{{y}'}_{ij}\right)}^{2}}\text{,}\end{array} $$ (2) 式中,n为样本数,m为网络输出层输出个数,
$ {y}_{ij} $ 为样本的实际值,$ {{y}'}_{ij} $ 为网络的实际输出值。4)更新全局最优解和最小适应度:通过sortBy算子获取最小适应度以及该适应度对应的鲸鱼位置信息,更新全局最优解。
5)终止条件判断:若不满足终止条件,则程序继续执行,否则,通过collect算子收集各个分区的数据,完成算法的优化阶段,得到全局最优解。
6)构建BP神经网络:利用全局最优解对网络的权值和偏置值进行初始化,构建模型。
2. 结果与分析
2.1 基于WOA-BP水稻产量预测
本文以广东省西部地区2000—2020年县/市/区水稻单产及气象数据为基础,按照3∶1∶1进行数据集划分:2000—2012年数据作为训练集,2013—2020年数据作为验证集(50%)和测试集(50%),通过BP神经网络建模,分别使用粒子群优化算法 (Particle swarm optimization,PSO) 和WOA对BP神经网络进行优化,得到BP、PSO-BP、WOA-BP 3种产量预测模型,之后对模型的预测结果进行反归一化。图2是3种模型预测值与真实值的绝对误差对比,由图2可以清晰看出,WOA-BP模型的曲线整体上更加贴近横坐标,即测试集样本的整体绝对误差小于另外2种模型的。表1为3种模型的预测精度对比,可以明显看出,与传统BP模型相比,经WOA优化后的产量预测模型的平均绝对百分比误差(Mean absolute percentage error,MAPE)减少了1.286个百分点,平均绝对误差(Mean absolute error,MAE)减少了4.338 kg,RMSE减少了7.462 kg。虽然PSO-BP模型相较传统BP模型在精度上有一定提升,但效果明显不如WOA-BP。此外,试验过程中发现,相同种群规模下,WOA与PSO 2种算法的优化时间相差较大,其中WOA为26 637 s,PSO为48 518 s,WOA比PSO少了约45%的时间开销,显然WOA的时间性能更优。因此,WOA在算法优化的时间开销以及模型效果上均优于PSO,故本文采用WOA-BP对广东省西部地区县/市/区的水稻产量进行最终建模。
表 1 3种模型精度对比Table 1. Precision comparison of the three models模型
Model平均绝对
百分比误差/%
MAPE平均绝对
误差/kg
MAE均方根
误差/kg
RMSEBP 8.354 31.320 41.008 PSO-BP 7.890 29.999 38.786 WOA-BP 7.068 26.982 33.546 2.2 基于Spark的WOA-BP算法时间性能
由表1和图2的结果可知,经WOA-BP算法得到的预测模型效果最佳,但算法的优化时间仍旧较长,故在此基础之上,结合Spark并行计算框架,减少优化过程的时间开销。因此,使用3台台式主机按照1主节点2子节点的形式搭建Spark集群,同时改造WOA-BP算法实现并行化,并按照2倍物理核数的规则对RDD进行分区,提升集群整体的并行度,充分利用CPU性能。表2为不同节点性能对比及配置信息,图3为不同节点算法运行时间对比,由表2和图3可以清晰看出,随着节点数量的增加,算法的优化时间随之减少,其中3节点比2节点和1节点分别减少了21.4%和39.3%的时间开销,大幅度缩短算法的优化时间。同时与“2.1”中非Spark的WOA的优化时间相比,减少了44%的时间开销,充分体现算法与Spark框架结合后的优势,真正实现对水稻产量与气象数据的快速建模。
表 2 不同节点数量性能对比及配置信息Table 2. Performance comparison and configuration information under different node number节点数量
Node
number总内存/G
Total
memory总物理核数
Total physical
nuclei number分区数量
Partition
numbert/s 1 16 12 24 24 534 2 32 24 48 18 955 3 48 36 72 14 895 3. 结论
本文以广东省西部地区所有县/市/区作为研究区域,针对气象因素对水稻单产的影响,提出一种基于Spark框架的WOA-BP水稻县/市/区级别的单产预测方法。首先通过WOA对BP神经网络进行优化,避免BP神经网络收敛慢、易局部收敛等缺陷,提升BP模型的整体预测精度;其次,结合Spark并行计算框架,实现WOA-BP算法并行化,加快WOA-BP算法的运算速度,减少算法的时间开销;最后通过WOA-BP算法得到的最优解对网络进行初始化并构建网络模型,之后进行水稻单产的预测。测试集的预测结果表明,该模型的预测精度较高,预测结果较精确,论证了该方法的可行性及有效性;同时,该模型可以很好地反映气象因素对广东省西部地区县/市/区水稻单产的影响情况,对研究广东西部县/市/区乃至整个广东的水稻单产具有一定的借鉴意义。
-
图 5 平养鸡舍粪污清收装袋一体机
1:破碎机构;2:收拢机构;3:提升机构;4:清扫机构;5:汽油机;6:扶手;7:变速箱;8:行走轮;9:机架
Figure 5. The integrated machine of manure collection and bagging in flat chicken coop
1: Crushing mechanism; 2: Collecting mechanism; 3: Lifting mechanism; 4: Sweeping mechanism; 5: Gasoline engine; 6: Handrail; 7: Gear box; 8: Traveling wheel; 9: Frame
表 1 不同机器人在畜禽养殖领域的现状与不足
Table 1 The current status and insufficiency of different robots in the livestock farming industry
类型
Type研究现状
Research status存在不足
Insufficient发展趋势
Development trend饲喂机器人
Feeding robot已有部分畜禽养殖场采用商用的饲喂机器人,利用非接触式身份识别和物联网技术能够准确识别畜禽个体并实现定量饲喂 部分饲喂机器人系统精度尚需提高,特别是在复杂环境下的饲喂精度有待提升 未来发展将侧重于提高机器人的智能化水平,包括更精准的识别和更灵活的饲喂策略,以适应不同畜禽品种和生长阶段的需求 清洁机器人
Cleaning robot目前,在畜禽养殖场的清洁领域,尤其是禽舍清洁方面,尚处于研发和试验阶段,部分养殖场试验了移动式清洁机器人,但应用有限 移动清洁机器人在复杂的养殖场环境中可能遇到导航困难和清洁效率低下等问题;此外,机器人的清洁范围和适应性仍需改进 未来发展将注重提高机器人的机动性和自主性,包括更智能的导航系统和更高效的清洁装置,以实现全面自动化的清洁任务 巡检机器人
Inspection robot部分畜禽养殖场开始引入巡检机器人,这些机器人能够监测环境参数、畜禽健康状态和设备运行情况,提高了养殖管理的效率 目前,一些巡检机器人功能较为单一,监测精度和范围有待提高,特别是在大规模养殖场中的适应性较差 未来发展趋势将包括多传感器融合、机器学习等技术的应用,以实现更全面精准的监测和管理,提高养殖场智能化水平 挤奶机器人
Milk Robot挤奶机器人已在奶牛养殖场得到广泛应用,这些机器人能够自动完成挤奶任务,提高了挤奶效率和生产水平 挤奶机器人的维护和管理需要较高的技术水平和成本投入,有些养殖场可能难以承担 未来趋势将注重降低挤奶机器人的成本、提高可靠性,推动其在不同规模养殖场中的应用 剪毛、分拣等
其他机器人
Other robots such as shearing and sorting尚未有大规模商业应用,但在剪毛、分拣等领域有研究机构和公司进行相关研究和试验 机器人在剪毛、分拣等领域的适应性和通用性尚待提高,尤其是针对不同畜禽品种和养殖场景的需求 未来发展将聚焦于加强与养殖场实际需求的对接,提升机器人的智能化水平和适应性,拓展其在畜禽养殖中的应用场景 表 2 国内外养殖机器人企业
Table 2 The breeding robot enterprises at home and abroad
机器人
Robot外国相关企业
Foreign related enterprise中国相关企业
Chinese related enterprise饲喂机器人 Feeding robot 荷兰Lely、芬兰PELLON 国科农牧、泰安意美特 清洁机器人 Cleaning robot 德国 GEA、瑞典 Delaval 泰安意美特、青岛睿吉盛工贸 日常巡检机器人 Daily inspection robot 瑞典 Delaval、加拿大 Rovibec 北京小龙潜行、牧原集团 挤奶机器人 Milking robot 德国 GEA、奥地利 Hetwin 特斯勒设备、农垦畜牧工程 健康巡检机器人 Health inspection robot 无 华大智农、牧原集团 蛋品分拣机器人 Egg sorting robot 荷兰 Moba、荷兰 SANOVO 华大智农、振野 -
[1] HUANG Y, XIAO D, LIU J, et al. Analysis of pig activity level and body temperature variation based on ear tag data[J]. Computers and Electronics in Agriculture, 2024, 219: 108768. doi: 10.1016/j.compag.2024.108768
[2] 肖荣浩, 马旭, 李宏伟, 等. 基于UWB定位的农业机械辅助导航系统设计与试验[J]. 华南农业大学学报, 2022, 43(3): 116-123. doi: 10.7671/j.issn.1001-411X.202107049 [3] 吕恩利, 何欣源, 罗毅智, 等. 哺乳母猪智能饲喂物联网系统设计[J]. 华南农业大学学报, 2023, 44(1): 57-64. [4] 朱军, 麻硕士, 慕厚春, 等. 种猪自动精细饲喂系统设计与试验[J]. 农业机械学报, 2010, 41(12): 174-177. doi: 10.3969/j.issn.1000-1298.2010.12.036 [5] 王泽程. 睿保乐: 与科技创新一同见证猪场的未来: 访睿保乐(上海)贸易有限公司[J]. 猪业科学, 2018, 35(11): 56-59. [6] 胡圣杰, 王树才. RFID技术在养猪业中的应用[J]. 湖北农机化, 2007(5): 24-25. [7] 郭伟豪, 李海军, 郝文博, 等. 羊只饲喂机器人控制系统设计与出料试验[J]. 黑龙江畜牧兽医, 2024(5): 55-60. [8] 倪志江, 高振江, 蒙贺伟, 等. 智能化个体奶牛精确饲喂机设计与实验[J]. 农业机械学报, 2009, 40(12): 205-209. [9] 赵清来, 邹正东, 李文彪, 等. 智能化双侧奶牛个体精量饲喂装置的设计与试验[J]. 吉林农业大学学报, 2019, 41(1): 115-119. [10] 杨存志, 李源源, 杨旭, 等. FR-200型奶牛智能化精确饲喂机器人的研制[J]. 农机化研究, 2014, 36(2): 120-122. doi: 10.3969/j.issn.1003-188X.2014.02.030 [11] 耿丽微, 钱东平, 赵春辉. 基于射频技术的奶牛身份识别系统[J]. 农业工程学报, 2009, 25(5): 137-141. doi: 10.3969/j.issn.1002-6819.2009.05.26 [12] 谢艳, 张子龙, 龚荣虎, 等. 基于TRIZ理论的奶牛饲喂机器人创新设计[J]. 机械设计与研究, 2021, 37(5): 31-34. [13] 孙芊芊, 李海军, 宣传忠, 等. 基于羊只应激反应的智能饲喂机器人功能与造型研究[J]. 内蒙古农业大学学报(自然科学版), 2019, 40(5): 60-64. [14] 贺刚, 翟改霞, 祝天宇, 等. 犊牛饲喂信息系统设计与给奶量预测研究[J]. 农业机械学报, 2022, 53(S2): 241-248. [15] 朱立学, 官金炫, 张世昂, 等. 基于深度学习的肉鸽精准饲喂机器人的研制与试验[J]. 机电产品开发与创新, 2022, 35(5): 6-10. [16] 张帆, 李海军, 雷禾雨, 等. 羊只饲喂机器人行走控制系统的设计[J]. 农业装备技术, 2020, 46(1): 35-39. doi: 10.3969/j.issn.1671-6337.2020.01.014 [17] 杨亮, 王辉, 陈睿鹏, 等. 智能养猪工厂的研究进展与展望[J]. 华南农业大学学报, 2023, 44(1): 13-23. doi: 10.7671/j.issn.1001-411X.202209050 [18] VINYARD O. Rear-mounted manure gathering machine and method of handling manure: 5297745 [P]. 1994-03-29.
[19] 李许杰, 闫锋欣, 胡凯, 等. 肉鸡平养鸡舍自走式粪污清收装袋一体机研制[J]. 农业工程学报, 2024, 40(3): 251-261. [20] CUBERO S N, BADI M, ALI M A, et al. A High-speed camel dung collection machine[J]. Mechatronics and Machine Vision in Practice, 2021(4): 87-103.
[21] 刘磊. 猪舍清洁机器人设计及路径规划研究[J]. 价值工程, 2022, 41(1): 137-139. [22] 李保明, 王阳, 郑炜超, 等. 畜禽养殖智能装备与信息化技术研究进展[J]. 华南农业大学学报, 2021, 42(6): 18-26. [23] 罗土玉, 高彦玉, 周昆乐, 等. 猪舍清粪机器人控制系统的设计与试验[J]. 黑龙江畜牧兽医(下半月), 2022(12): 30-34. [24] 王士涛, 刘林保, 谈仁斌. 一种高压吹气清洁机器人: CN220361723U[P]. 2024-01-19. [25] 尧李慧, 蔡晓华, 田雷, 等. 牛舍清洁机器人结构设计与避障设计[J]. 农机化研究, 2018, 40(2): 70-74. [26] 杨存志, 贺刚, 尧李慧, 等. 全自走牛舍清洁机器人的设计[J]. 农机化研究, 2017, 39(5): 90-94. doi: 10.3969/j.issn.1003-188X.2017.05.016 [27] 侯云涛, 尧李慧, 蔡晓华, 等. 自动清粪机器人路径规划方法的研究与实现[J]. 农机化研究, 2017, 39(6): 23-26. doi: 10.3969/j.issn.1003-188X.2017.06.005 [28] 胡振楠, 孙红敏, 李晓明, 等. 基于加速度传感器的猪舍刮粪板运行状态监测装置设计与仿真[J]. 农业与技术, 2019, 39(17): 18-22. [29] QI F, ZHAO X, SHI Z, et al. Environmental factor detection and analysis technologies in livestock and poultry houses: A review[J]. Agriculture, 2023, 13(8): 1489. doi: 10.3390/agriculture13081489
[30] 赵文文, 王海峰, 朱君, 等. 猪舍消杀巡检机器人系统设计与试验[J]. 农业机械学报, 2022, 53(S2): 270-277. doi: 10.6041/j.issn.1000-1298.2022.S2.031 [31] 刁亚萍. 基于WSN的集约化猪舍多环境因子监测及CFD模拟的研究[D]. 武汉: 华中农业大学, 2018. [32] 龙长江, 谭鹤群, 朱明, 等. 畜禽舍移动式智能监测平台研制[J]. 农业工程学报, 2021, 37(7): 68-75. doi: 10.11975/j.issn.1002-6819.2021.07.009 [33] CHANG C, XIE B, WANG C. Visual guidance and egg collection scheme for a smart poultry robot for free-range farms[J]. Sensors, 2020, 20(22): 6624. doi: 10.3390/s20226624
[34] 赵春江, 梁雪文, 于合龙, 等. 基于改进YOLO v7的笼养鸡/蛋自动识别与计数方法[J]. 农业机械学报, 2023, 54(7): 300-312. [35] GEFFEN O, YITZHAKY Y, BARCHILON N, et al. A machine vision system to detect and count laying hens in battery cages[J]. Animal, 2020, 14(12): 2628-2634. doi: 10.1017/S1751731120001676
[36] JIANG K, XIE T, YAN R, et al. An attention mechanism-improved YOLO v7 object detection algorithm for hemp duck count estimation[J]. Agriculture, 2022, 12(10): 1659. doi: 10.3390/agriculture12101659
[37] 连京华, 李惠敏, 祝伟, 等. 家禽生产智能巡检机器人的设计[J]. 中国家禽, 2019(18): 72-75. [38] 白云港, 祝忠钲, 侯英勇, 等. 养鸡场巡检机器人无线充电模块设计与试验[J]. 智能化农业装备学报(中英文), 2022, 3(2): 45-52. [39] 肖德琴, 刘勤, 陈丽, 等. 设施猪场生猪体温红外巡检系统设计与试验[J]. 农业机械学报, 2019, 50(7): 194-200. doi: 10.6041/j.issn.1000-1298.2019.07.020 [40] 肖德琴, 林思聪, 刘勤, 等. 基于红外热成像的生猪耳温自动提取算法[J]. 农业机械学报, 2021, 52(8): 255-262. doi: 10.6041/j.issn.1000-1298.2021.08.026 [41] 杨柳, 陈肯, 罗金生, 等. 基于物联网的山猪体温测量系统设计[J]. 信息系统工程, 2021(8): 86-88. doi: 10.3969/j.issn.1001-2362.2021.08.030 [42] 岳学军, 蔡雨霖, 王林惠, 等. 农情信息智能感知及解析的研究进展[J]. 华南农业大学学报, 2020, 41(6): 14-28. doi: 10.7671/j.issn.1001-411X.202008044 [43] 兰玉彬, 王天伟, 陈盛德, 等. 农业人工智能技术: 现代农业科技的翅膀[J]. 华南农业大学学报, 2020, 41(6): 1-13. [44] SPENCER S. Robotic milkmaids to become a commercial reality[J]. Industrial Robot: An International Journal, 1999, 26(2): 112-114. doi: 10.1108/01439919910260240
[45] SHARIPOV D R, YAKIMOV O A, GAINULLINA M K, et al. Development of automatic milking systems and their classification[J]. IOP Conference Series: Earth and Environmental Science, 2021, 659(1): 12080. doi: 10.1088/1755-1315/659/1/012080
[46] JOHN A J, CLARK C E, FREEMAN M J, et al. Review: Milking robot utilization, a successful precision livestock farming evolution[J]. Animal, 2016, 10(9): 1484-1492. doi: 10.1017/S1751731116000495
[47] 马为红, 薛向龙, 李奇峰, 等. 智能养殖机器人技术与应用进展[J]. 中国农业信息, 2021, 33(3): 24-34. doi: 10.12105/j.issn.1672-0423.20210303 [48] 刘俊杰, 杨存志, 杨旭, 等. 智能挤奶机器人总体设计方案研究[J]. 农业科技与装备, 2015(12): 16-19. doi: 10.3969/j.issn.1674-1161.2015.12.007 [49] 杨存志, 吴泽全, 郭洋. 挤奶机器人的结构设计[J]. 农机化研究, 2018, 40(4): 98-103. doi: 10.3969/j.issn.1003-188X.2018.04.019 [50] 王成军, 李少强. 基于TRIZ理论的转盘式挤奶机器人结构设计[J]. 科学技术与工程, 2022, 22(7): 2770-2775. doi: 10.3969/j.issn.1671-1815.2022.07.029 [51] 李硕, 王成军. 基于TRIZ理论的挤奶机器人设计[J]. 安徽科技, 2023(3): 34-36. [52] 郭洋, 吴泽全, 蔡晓华, 等. 挤奶机器人机械臂控制方法研究[J]. 农业科技与装备, 2017(4): 18-20. [53] TREVELYAN J P. Sensing and control for sheep shearing robots[J]. IEEE Transactions on Robotics and Automation, 1989, 5(6): 716-727. doi: 10.1109/70.88094
[54] 张唯诚. 初显身手的五款农业机器人[J]. 百科知识, 2019(16): 24-25. doi: 10.3969/j.issn.1002-9567.2019.16.012 [55] 刘景喜, 彭传文, 王丽学. 牛群导航系统在荷兰奶牛场的应用考察[J]. 天津农业科学, 2015, 21(11): 34-36. doi: 10.3969/j.issn.1006-6500.2015.11.009 [56] VROEGINDEWEIJ B A, IJSSELMUIDEN J, VAN HENTEN E J. Probabilistic localisation in repetitive environments: Estimating a robot’s position in an aviary poultry house[J]. Computers and Electronics in Agriculture, 2016, 124: 303-317. doi: 10.1016/j.compag.2016.04.019
[57] 王树才, 任奕林, 文友先. 禽蛋检测与分级智能机器人系统的软件实现[J]. 华中农业大学学报, 2008, 27(2): 335-339. doi: 10.3321/j.issn:1000-2421.2008.02.036 [58] 王树才, 文友先, 苏工兵. 禽蛋检测与分级智能机器人系统的设计[J]. 机械工程学报, 2008, 44(2): 182-188. doi: 10.3321/j.issn:0577-6686.2008.02.031 [59] 张世庆, 涂佳, 孙力, 等. 鸡蛋质量与长短轴在线检测方法[J]. 农业机械学报, 2014, 45(2): 204-209. doi: 10.6041/j.issn.1000-1298.2014.02.034 [60] 郭建军, 杨霖, 张恩威, 等. 基于机器视觉的裂纹鸡蛋分拣系统设计[J]. 现代农业装备, 2024, 45(1): 45-52. [61] 徐彦伟, 徐爱军, 颉潭成, 等. 基于多信息融合的疫苗制备中鸡蛋胚体分拣系统[J]. 农业机械学报, 2015, 46(2): 20-26. doi: 10.6041/j.issn.1000-1298.2015.02.004 [62] 赵祚喜, 魏洪飞, 黄渊, 等. 基于改进YOLOv7的破壳鸡蛋在线实时检测系统[J]. 农业工程学报, 2023, 39(20): 255-265. doi: 10.11975/j.issn.1002-6819.202305228 [63] 肖德琴, 王佳涛, 毛远洋, 等. 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统: CN116530438A[P]. 2023-08-04. [64] 肖德琴, 陈芳玲, 刘又夫, 等. 基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法[J]. 农业工程学报, 2024, 40(3): 165-174. [65] 杨秋妹, 陈淼彬, 黄一桂, 等. 基于改进YOLO v5n的猪只盘点算法[J]. 农业机械学报, 2023, 54(1): 251-262. doi: 10.6041/j.issn.1000-1298.2023.01.025 [66] 殷建军, 康俊琪, 肖德琴. 基于改进YOLO v5l的轻量化鸭蛋裂纹检测算法[J]. 农业工程学报, 2024, 40(5): 216-223. [67] 赵静娟, 郑怀国, 董瑜, 等. 全球农业机器人研发趋势预测及对我国的启示[J]. 中国农机化学报, 2021, 42(4): 157-162. [68] 肖德琴, 毛远洋, 刘又夫, 等. 我国家禽工厂化养殖技术发展现状与趋势[J]. 华南农业大学学报, 2023, 44(1): 1-12. [69] BIN Z, DEQIN X, JUNBIN L, et al. Pig eye area temperature extraction algorithm based on registered images[J]. Computers and Electronics in Agriculture, 2024, 217: 108549. doi: 10.1016/j.compag.2023.108549
[70] 肖德琴, 曾瑞麟, 周敏, 等. 基于DH-YoloX的群养马岗鹅关键行为监测[J]. 农业工程学报, 2023, 39(2): 142-149. doi: 10.11975/j.issn.1002-6819.202210079 [71] 肖德琴, 刘俊彬, 刘又夫, 等. 常态养殖下妊娠母猪体质量智能测定模型[J]. 农业工程学报, 2022, 38(S1): 161-169. doi: 10.11975/j.issn.1002-6819.2022.z.018 [72] YIGUI H, DEQIN X, JUNBIN L, et al. An improved pig counting algorithm based on YOLO v5 and DeepSORT model.[J]. Sensors, 2023, 23(14): 6309. doi: 10.3390/s23146309
[73] 刘成良, 贡亮, 苑进, 等. 农业机器人关键技术研究现状与发展趋势[J]. 农业机械学报, 2022, 53(7): 1-22. doi: 10.6041/j.issn.1000-1298.2022.07.001 [74] 唐瑜嵘, 沈明霞, 薛鸿翔, 等. 人工智能技术在畜禽养殖业的发展现状与展望[J]. 智能化农业装备学报(中英文), 2023, 4(1): 1-16. [75] 卞智逸, 肖德琴, 殷建军, 等. 基于PLC技术的火龙果智能补光调控器设计与应用[J]. 华南农业大学学报, 2022, 43(5): 124-132. doi: 10.7671/j.issn.1001-411X.202112041 -
期刊类型引用(2)
1. 廖娟,曹佳雯,田泽丰,刘晓丽,杨玉青,邹禹,王玉伟,朱德泉. 基于近红外光谱的稻种秕谷含量等级快速判别. 光谱学与光谱分析. 2025(03): 692-699 . 百度学术
2. 罗永泽,张广泽,林木宋,刘骏,刘旭,欧阳咏霁,徐振江,刘洪. 基于OpenCV图像处理的水稻谷粒考种软件的设计. 电脑知识与技术. 2023(35): 23-26 . 百度学术
其他类型引用(1)