發(fā)布時間：2019-07-26 09:21

【摘要】：針對現(xiàn)階段肉雞稱重復雜、福利降低問題,提出了一種基于深度圖像的肉雞體質(zhì)量估測模型建立方法。該方法首先對深度圖像進行圖像預處理,再利用數(shù)值積分法提取出目標特征,并結(jié)合BP神經(jīng)網(wǎng)絡,實現(xiàn)群體肉雞的體質(zhì)量估測。估測結(jié)果與實際測量結(jié)果進行對比,研究結(jié)果表明兩者的均方根誤差為0.048,平均相對誤差為3.3%,絕對誤差在0.001 0~0.068 2 kg范圍內(nèi),最優(yōu)擬合度為0.994 3,具有較好的推廣應用價值。該方法較為準確的估測出肉雞體質(zhì)量,并為用機器視覺的方法估測肉雞生長發(fā)育規(guī)律提供了新的思路。
【圖文】：

戎?K、長度值L、最大內(nèi)切圓半徑R、周長C、目標體積V、后背寬W、日齡D共9個節(jié)點為預測模型輸入層，選取體質(zhì)量T一個節(jié)點為輸出層，隱含層神經(jīng)元個數(shù)q和輸入層神經(jīng)元個數(shù)M之間近似關(guān)系為q=2M+1，，因此確定隱含層共19個節(jié)點，BP結(jié)構(gòu)為9-19-1，建立起B(yǎng)P神經(jīng)網(wǎng)絡預測模型，網(wǎng)絡結(jié)構(gòu)圖如圖2所示。BP神經(jīng)網(wǎng)絡訓練前，為減弱各主控因素不同量綱的數(shù)據(jù)對網(wǎng)絡模型訓練與預測值的影響，對各輸入層的數(shù)據(jù)做歸一化處理。并按照圖3進行進一步建立體質(zhì)量模型。圖2BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig.2StructureofBPneuralnetwork圖3BP神經(jīng)網(wǎng)絡流程圖Fig.3FlowchartofBPneuralnetwork1.6建模評價指標為了衡量計算偏差以及檢驗模型，采用決定系數(shù)R2，均方根誤差RMSE以及平均相對誤差MRE這3種檢驗值對模型進行評價。以下是3種檢驗值公式：

晏?積V、后背寬W、日齡D共9個節(jié)點為預測模型輸入層，選取體質(zhì)量T一個節(jié)點為輸出層，隱含層神經(jīng)元個數(shù)q和輸入層神經(jīng)元個數(shù)M之間近似關(guān)系為q=2M+1，因此確定隱含層共19個節(jié)點，BP結(jié)構(gòu)為9-19-1，建立起B(yǎng)P神經(jīng)網(wǎng)絡預測模型，網(wǎng)絡結(jié)構(gòu)圖如圖2所示。BP神經(jīng)網(wǎng)絡訓練前，為減弱各主控因素不同量綱的數(shù)據(jù)對網(wǎng)絡模型訓練與預測值的影響，對各輸入層的數(shù)據(jù)做歸一化處理。并按照圖3進行進一步建立體質(zhì)量模型。圖2BP神經(jīng)網(wǎng)絡結(jié)構(gòu)圖Fig.2StructureofBPneuralnetwork圖3BP神經(jīng)網(wǎng)絡流程圖Fig.3FlowchartofBPneuralnetwork1.6建模評價指標為了衡量計算偏差以及檢驗模型，采用決定系數(shù)R2，均方根誤差RMSE以及平均相對誤差MRE這3種檢驗值對模型進行評價。以下是3種檢驗值公式：
【作者單位】： 國家農(nóng)業(yè)信息化工程技術(shù)研究中心/農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室/北京市農(nóng)業(yè)物聯(lián)網(wǎng)工程技術(shù)研究中心;天津科技大學電子信息與自動化學院;
【基金】：國家自然科學基金青年基金項目(61601034) 國家重點研發(fā)計劃課題(2016YFD0700202)
【分類號】：S831;TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 王開云;黃瑞森;鐘日開;鄒平;耿瑋;陳君梅;;雞采食和體重自動記錄設(shè)備設(shè)計和試驗[J];現(xiàn)代農(nóng)業(yè)裝備;2016年02期

2 李卓;杜曉冬;毛濤濤;滕光輝;;基于深度圖像的豬體尺檢測系統(tǒng)[J];農(nóng)業(yè)機械學報;2016年03期

3 曹姍姍;孫偉;劉鵬舉;唐小明;;基于GA-BP神經(jīng)網(wǎng)絡的灌木生物量估測模型[J];西北農(nóng)林科技大學學報(自然科學版);2015年12期

4 李卓;毛濤濤;劉同海;滕光輝;;基于機器視覺的豬體質(zhì)量估測模型比較與優(yōu)化[J];農(nóng)業(yè)工程學報;2015年02期

5 沈明霞;劉龍申;閆麗;陸明洲;姚文;楊曉靜;;畜禽養(yǎng)殖個體信息監(jiān)測技術(shù)研究進展[J];農(nóng)業(yè)機械學報;2014年10期

6 劉波;朱偉興;楊建軍;馬長華;;基于深度圖像和生豬骨架端點分析的生豬步頻特征提取[J];農(nóng)業(yè)工程學報;2014年10期

7 郭浩;馬欽;張勝利;蘇偉;朱德海;郜允兵;;基于三維重建的動物體尺獲取原型系統(tǒng)[J];農(nóng)業(yè)機械學報;2014年05期

8 郭浩;王鵬;馬欽;朱德海;張勝利;郜允兵;;基于深度圖像的奶牛體型評定指標獲取技術(shù)[J];農(nóng)業(yè)機械學報;2013年S1期

9 劉同海;李卓;滕光輝;羅城;;基于RBF神經(jīng)網(wǎng)絡的種豬體重預測[J];農(nóng)業(yè)機械學報;2013年08期

10 張潔;張登輝;;國內(nèi)外動物福利現(xiàn)狀比較及思考[J];畜牧獸醫(yī)雜志;2013年01期

相關(guān)博士學位論文 前3條

1 李卓;基于立體視覺技術(shù)的生豬體重估測研究[D];中國農(nóng)業(yè)大學;2016年

2 郭浩;動物體表三維數(shù)據(jù)獲取與處理算法研究[D];中國農(nóng)業(yè)大學;2015年

3 劉同海;基于雙目視覺的豬體體尺參數(shù)提取算法優(yōu)化及三維重構(gòu)[D];中國農(nóng)業(yè)大學;2014年

相關(guān)碩士學位論文 前4條

1 李璐一;基于Kinect的物體分割與識別算法研究[D];重慶大學;2014年

2 趙旭;Kinect深度圖像修復技術(shù)研究[D];大連理工大學;2013年

3 陳理;Kinect深度圖像增強算法研究[D];湖南大學;2013年

4 趙子光;飼養(yǎng)方式對肉雞福利狀況的影響[D];東北農(nóng)業(yè)大學;2011年

【共引文獻】

相關(guān)期刊論文 前10條

1 張光躍;劉龍申;沈明霞;張宏;OKINDA Cedrick Sean;陳光煒;;基于超聲波的母豬產(chǎn)前行為監(jiān)測系統(tǒng)設(shè)計[J];中國農(nóng)業(yè)大學學報;2017年08期

2 王丹;楊小艷;鄭劍;陳龍高;高衛(wèi)東;;基于主成分-BP神經(jīng)網(wǎng)絡的建設(shè)用地規(guī)模預測──以連云港市為例[J];中國農(nóng)學通報;2017年21期

3 王琳;孫傳恒;李文勇;吉增濤;張翔;王以忠;雷鵬;楊信廷;;基于深度圖像和BP神經(jīng)網(wǎng)絡的肉雞體質(zhì)量估測模型[J];農(nóng)業(yè)工程學報;2017年13期

4 王琳;吉增濤;李文勇;孫傳恒;楊信廷;;信息技術(shù)在家禽精細養(yǎng)殖應用中的研究進展[J];中國家禽;2017年12期

5 張萌;鐘南;劉瑩瑩;;基于生豬外形特征圖像的瘦肉率估測方法[J];農(nóng)業(yè)工程學報;2017年12期

6 顧靜秋;王志海;高榮華;吳華瑞;;基于融合圖像與運動量的奶牛行為識別方法[J];農(nóng)業(yè)機械學報;2017年06期

7 陳莉;錢同惠;張仕臻;章光旭;;基于無線傳感器網(wǎng)絡的生豬體征和養(yǎng)殖環(huán)境監(jiān)測系統(tǒng)設(shè)計[J];自動化技術(shù)與應用;2017年05期

8 于洪源;管雪梅;;基于改進的神經(jīng)網(wǎng)絡預測氣候因子對大青楊早材纖維壁厚度和生長速率的影響[J];西南林業(yè)大學學報(自然科學);2017年03期

9 張凱;王春光;劉濤;康飛龍;;基于計算機視覺技術(shù)育肥豬體重分析研究[J];農(nóng)機化研究;2017年05期

10 李頎;王志鵬;竇軒;季雨薇;;基于無線傳感器網(wǎng)絡的產(chǎn)前母豬行為監(jiān)測系統(tǒng)[J];家畜生態(tài)學報;2017年03期

相關(guān)博士學位論文 前2條

1 陳紅茜;基于物聯(lián)網(wǎng)和流式計算的蛋雞設(shè)施養(yǎng)殖數(shù)字化初探[D];中國農(nóng)業(yè)大學;2017年

2 李卓;基于立體視覺技術(shù)的生豬體重估測研究[D];中國農(nóng)業(yè)大學;2016年

相關(guān)碩士學位論文 前10條

1 何m榱

本文編號：2519478