简介：[目的/意义]随着自动化、数智化技术的快速发展及其相关技术在肉牛养殖上的逐步推广利用,肉牛智能化养殖技术研究也取得了一定进步.肉牛的生理指标如运动量、体温、心率、呼吸频率,以及反刍量等变化反映了肉牛的健康或亚健康状态.基于多种传感器采集到的数据以及机器学习、数据挖掘及模型化分析等技术的利用,肉牛的生理指标可由智能感知装备尤其接触式设备自动获取并用于发情、产犊、健康和应激的监测.[进展]针对肉牛养殖过程生理指标的智能监测技术及其利用价值进行了系统分析,分析了生理指标监测技术在实际生产中的应用现状,总结了肉牛生理指标监测的难点和挑战,并提出了未来发展方向.[结论/展望]肉牛生理指标的智能监测与利用既提高数据采集的时效性和准确性,有利于提高一线人员工作效率,促进肉牛养殖的智能化水平及健康养殖水平.结合当前中国肉牛实际饲养..

简介：摘要 : 水肥一体化自动装备的使用能够有效提高水肥资源利用率，但需要在作业前获知作物的营养状况及水肥需求量，而通过人工手持测量仪器来获取这些信息，存在着时效性差和劳动强度大等缺点。针对以上问题，本研究以常见的作物玉米为研究对象，使用大疆精灵Ⅲ无人机携带 RedEdge-M多光谱相机在田间上空采集玉米多光谱图像，同时使用 YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息，根据这些信息将采集的图像分为 3个等级（每个等级共包含 530幅五通道图像，其中 480幅作为训练集， 50幅作为验证集），提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于 TensorFlow深度学习框架搭建了 ResNet18卷积神经网络模型，通过向模型输入彩色图像数据和五通道多光谱图像数据，分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像，能够输出玉米的营养状况等级和 GPS 信息，识别彩色图像模型在验证集的正确率为 84.7%，识别多光谱图像模型在验证集的正确率为 90.5%，模型训练平均时间为 4.5h，五通道图像识别平均用时为 3.56s。该识别方法可快速无损地获取玉米作物的营养状况，为有效提高水肥资源利用率提供了方法和依据。