【技术实现步骤摘要】
本专利技术涉及图像处理技术、深度学习技术、无线网络通信技术与传感器技术，具体的讲是一种基于采食行为的哺乳期母猪精准饲喂系统。
技术介绍
1、当前，我国养殖领域自动化、信息化水平不足，仍然处于发展阶段，受国内经济形势与国民需求的影响，畜禽养殖企业的养殖方式由半自动化向自动化、智能化加速转型。哺乳期母猪的生产管理是猪场管理工作的重要环节，其健康状况直接影响猪场的生产效益。哺乳期母猪的采食量很大程度的决定了仔猪的生长状况与健康水平。通过观察哺乳期母猪的采食行为，分析采食规律，及时准确地识别出采食异常的母猪，并实时调整饲喂量，可有效减少饲料浪费，提升养殖效益。
2、受体内激素水平、环境状况、饲喂工艺等因素影响，哺乳期母猪的采食量差异较大。在规模化养殖场中，其产房多采用自动料线的方式，实现自动喂料，采用人工定期巡检的方式监测母猪的采食情况。通常由管理人员在喂料前观察哺乳期母猪的姿态与料槽余料情况，并根据环境信息、猪只信息等综合判断哺乳期母猪是否存在异常采食行为，进而调节当前母猪投料量。管理人员的人工判别存在主观性强、准确率低、人力资源浪费等问题。
技术实现思路
1、本专利技术基于
技术介绍
中存在的问题，以哺乳期母猪为研究对象，以磁导航机器人为运动平台，通过搭载rgb相机获取哺乳期母猪采食行为数据，构建基于目标检测算法的哺乳期母猪异常采食行为模型，并对该模型进行优化，将优化后的模型部署至云服务器平台，实现对哺乳期母猪采食行为和料槽余料检测，最终形成精准饲喂策略。为猪只精准管理提供一种
2、技术方案：
3、一种基于采食行为的哺乳期母猪精准饲喂系统，它包括本地图像采集装置、本地控制装置和云服务器模型运算中心，其中：
4、本地图像采集装置包括：摄像头、巡检机器人和网络模块，摄像头和巡检机器人采集本地图像后通过网络模块发送至云服务器模型运算中心；
5、云服务器模型运算中心部署哺乳期母猪采食行为检测模型、料槽余料检测模型、哺乳期母猪饲喂系统模型，并分别连接本地图像采集装置和本地控制装置；本地图像作为哺乳期母猪采食行为检测模型的输入数据，哺乳期母猪采食行为检测模型的输出数据经过判断，余料信息输入料槽余料检测模型进行余料量化，哺乳期母猪采食行为检测模型和料槽余料检测模型的输出最终输入哺乳期母猪饲喂系统模型进行运算，将运算结果作为本地控制指令反馈于本地控制装置；
6、本地控制装置包括：接收指令模块、主控模块和电子阀门，接收指令模块接收云服务器模型运算中心发出的本地控制指令，接收指令模块的信号输出端连接主控模块，主控模块连接电子阀门执行具体控制命令。
7、具体的，所述本地图像采集装置还包括磁条轨道和伸缩式支架，所述磁条轨道用于巡检机器人行走；所述伸缩式支架安装在巡检机器人轨道上方1.7米处，摄像头固定在伸缩式支架上，通过调整伸缩式支架的位置使采集画面达到最佳采集效果。
8、具体的，所述电子阀门设置于自动料线下每个栏位，主控模块通过继电器的开关时间对电子阀门的旋转角度进行调节，以控制下料量。
9、具体的，所述哺乳期母猪采食行为检测模型的获取步骤为：
10、step1：建立数据采集系统采集数据，获取实际数据；
11、step2：数据清洗，对于采集的实际数据，人工剔除画面模糊、猪只进食的图片，删除以上实际运行中的无用、干扰数据，而部分仔猪进入食槽嬉戏、进食数据保留下来，提升实际运行状态下模型的鲁棒性；
12、step3：利用标签制作软件对图片中的哺乳期母猪姿态与料槽余料进行标签制作；
13、step4：数据集划分与制作；
14、step5：网络模型训练获取目标检测模型。
15、具体的，哺乳期母猪采食行为检测模型网络模型训练的具体步骤包括：
16、s5-1、设置网络超参数，根据数据集及硬件设备情况设置epoch、batchsize、初始学习率、初始冲量，权重衰减系数；
17、s5-2、将制作好的数据集投入设置好训练参数的yolov5s网络进行哺乳期母猪姿态与料槽余料检测模型的训练；
18、s5-3、训练完成后根据precision和recall的综合评价，选取检测效果最优的权重模型作为目标检测模型。
19、更优的，哺乳期母猪采食行为检测模型网络模型训练的具体步骤还包括：
20、s5-4、目标检测模型的优化，具体包括：
21、a、在添加通道注意力模块中，对于polling的使用avg&max的并行池化，比单一的池化丢失的信息更少；通道注意力机制模块表达式如下所示：
22、
23、式中，对于输入f，分别进行平均池化和最大值池化聚合空间信息，得到两个c维池化特征图，favg和fmax，将favg和fmax送入包含一个隐层的多层感知器mlp里，将经过mlp得到的两个通道注意力图进行对应元素相加，激活，得到最终的通道注意力图mc(f)；
24、b、空间注意力机制通过将通道注意力模块输出的特征图作为输入，然后进行池化、通道拼接，最后进行卷积运算，最终得到生成的特征图；空间注意力机制模块表达式如下所示：
25、
26、式中，对于f首先沿着通道方向进行最大池化和平均池化，得到两个二维的f，favg和fmax，属性都是1×h×w，将得到的两个f进行维度拼接，得到拼接后的和利用size为7x7的卷积层生成空间注意力图ms(f)。
27、具体的，所述料槽余料检测模型建立的步骤包括：
28、step1：对哺乳期母猪采食行为检测系统输出结果进行分类，结果分别为站立有料，站立无料，躺卧有料，躺卧无料，剔除无料数据，保留余料数据进行进一步处理；
29、step2：将有余料图像挑出，根据检测结果获取料槽检测框坐标[xmin,ymin],[xmax,ymax]，提取检测框坐标截取框内图像，得到余料料槽标准化图像；
30、step3：将余料料槽标准化图像通过限定rgb范围显示像素将余料割出，rgb范围为[95,150]，[40,90]，[40,110]；
31、step4：使用形态学操作膨胀和腐蚀连接相邻的黑色像素点；
32、step5：将处理之后得图像进行颜色增强，将除白色像素点都变为黑色像素点；
33、step6：现在图像被处理成了只有黑色余料区域和白色背景区域，通过计算黑色像素点的数量与总数量的比值得到的就是面积占比，式子如下：
34、
35、式中，s代表面积占比用于量化料槽余料，nb代表黑色像素的数量，nw代表白色像素的数量。
36、具体的，所述哺乳期母猪精准饲喂系统建立的步骤包括：
37、step1：根据实地考察养殖舍，将哺乳期母猪采食行为检测系统分为由高到低四级采食行为，设为变量n，分别对应为站立无本文档来自技高网...
【技术保护点】
1.一种基于采食行为的哺乳期母猪精准饲喂系统，其特征在于它包括本地图像采集装置、本地控制装置和云服务器模型运算中心，其中：
2.根据权利要求1所述的系统，其特征在于所述本地图像采集装置还包括磁条轨道和伸缩式支架，所述磁条轨道用于巡检机器人行走；所述伸缩式支架安装在巡检机器人轨道上方1.7米处，摄像头固定在伸缩式支架上，通过调整伸缩式支架的位置使采集画面达到最佳采集效果。
3.根据权利要求1所述的系统，其特征在于所述电子阀门设置于自动料线下每个栏位，主控模块通过继电器的开关时间对电子阀门的旋转角度进行调节，以控制下料量。
4.根据权利要求1所述的系统，其特征在于所述哺乳期母猪采食行为检测模型的获取步骤为：
5.根据权利要求4所述的系统，其特征在于哺乳期母猪采食行为检测模型网络模型训练的具体步骤包括：
6.根据权利要求5所述的系统，其特征在于哺乳期母猪采食行为检测模型网络模型训练的具体步骤还包括：
7.根据权利要求1所述的系统，其特征在于所述料槽余料检测模型建立的步骤包括：
8.根据权利要求1所述的系
9.根据权利要求8所述的系统，其特征在于Step3中，通过不断迭代权重和优化激活函数的参数，神经网络通过训练数据学习如何从输入到输出映射；这个学习过程包括前向传播和反向传播：前向传播用于计算网络输出，而反向传播则用于更新权重以减小网络预测与实际值之间的误差；并引入遗传算法进行优化；根据输出的值向本地控制装置发送不同的指令，通过控制电子阀门的开闭达到增加或减少饲喂量的目的，以实现精准饲喂；最终，将实际喂料量通过网络发送给本地控制装置；本地控制装置通过喂料量指令，通过控制电子阀门开闭时间、开口旋转角度即可控制下料量。
10.根据权利要求8所述的系统，其特征在于Step3中对于任意输入，需要将输入值的范围缩放至(0,1)之间，具体计算式如下所示：
...【技术特征摘要】
1.一种基于采食行为的哺乳期母猪精准饲喂系统，其特征在于它包括本地图像采集装置、本地控制装置和云服务器模型运算中心，其中：
2.根据权利要求1所述的系统，其特征在于所述本地图像采集装置还包括磁条轨道和伸缩式支架，所述磁条轨道用于巡检机器人行走；所述伸缩式支架安装在巡检机器人轨道上方1.7米处，摄像头固定在伸缩式支架上，通过调整伸缩式支架的位置使采集画面达到最佳采集效果。
3.根据权利要求1所述的系统，其特征在于所述电子阀门设置于自动料线下每个栏位，主控模块通过继电器的开关时间对电子阀门的旋转角度进行调节，以控制下料量。
4.根据权利要求1所述的系统，其特征在于所述哺乳期母猪采食行为检测模型的获取步骤为：
5.根据权利要求4所述的系统，其特征在于哺乳期母猪采食行为检测模型网络模型训练的具体步骤包括：
6.根据权利要求5所述的系统，其特征在于哺乳期母猪采食行为检测模型网络模型训练的具体步骤还包括...
【专利技术属性】
技术研发人员：姚文，徐善鹏，陈金鑫，薛鸿翔，沈明霞，刘龙申，赵茹茜，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。