下面是小编为大家整理的一种基于物联网优质种鹅选育种蛋识别编码系统（全文完整）,供大家参考。
一种基于物联网的优质种鹅选育种蛋识别编码系统
抽象
种鹅的选择需要记录产蛋信息，以对应种鹅的身份。然而，由于种鹅的特殊生理特性，人工记录在实践中会影响种鹅的产蛋性能，也会导致个体种鹅数据与鹅产卵数量缺失和混淆的问题。为实现优质种鹅的种鹅身份和产蛋信息的非接触式记录，提出一种基于物联网（IoT）的种蛋识别编码方法，用于选择优质种鹅。在传感层面，我们部署了基于射频识别（RFID）的传感器。每只种鹅的腿上都戴着足环 RFID 标签，个人信息由放置在设备底部的足环 RFID 阅读器读取。将个人信息上传到云服务器，通过结构化查询语言（MySQL）进行数据库管理。目标检测模块安装在设备顶部，通过改进的单发多箱探测器（SSD）目标检测算法在产房中检测种鹅和种蛋。仅在种蛋的情况下激活了蛋体极限传输装置和非接触式编码装置，并以快速响应码（QR 码）的形式将种鹅信息印在蛋体上，使种蛋信息与种鹅信息相对应。使用网络摄像头和云监控平台选择高质量种鹅的系统进行了评估实验。在监测开始之前，让繁殖鹅 14 天适应实验环境。评价实验结果表明，蛋体编码合格率达到 98.25%，改进后的 SSD 算法比传统 SSD 准确 8.65%，快 62.6 ms，种鹅个体信息和鹅蛋表面信息对应的准确率为 97.8%。试验结果满足了种雁个体信息准确标记的要求，可为选育优质种雁提供技术支持。
关键字：
选用优质种鹅; 物联网; 无线射频识别; 改进的固态硬盘; 信息通信 1. 引言
鹅的养殖在中国有着悠久的历史[1]。与其他蒲公英不同，种鹅具有应激反应。育种方法以人工选育为基础，对工作人员来说是劳动密集型的，人工记录种鹅的个体数据容易出现产卵数量和表征数据遗漏、混淆等问题[2，3]。这种特殊习性还将种鹅的选择限制在自由放养或平养，使得收集产蛋数据变得更加困难[4，5]。为了推进鹅智能育种进程，对种鹅进行非接触式数据采集成为选择优质种鹅的关键前提。因此，提出一种高效、准确的雁种非接触式数据采集装置尤为重要。
正如 Luis 等人[6]所提出的，随着 RFID 技术被引入研究动物的个体识别和可追溯性，RFID 已成为识别个体动物的最流行的技术之一，并已用于猪，鸡，牛和羊等动物的农业研究[7，8，9，10，11，12，13]。Siegford 等人[14]建议使用 RFID 和无线电信号强度（RSSI）技术在大规模家禽养殖过程中实现个体识别。鸡蛋采集是鸡蛋生产监控和育种的重要环节。Burel 等人[15]和 Icken 等人[16]设计了带有漏斗的产卵箱来收集卵子，增加缓冲并减少卵子瘀伤;他们使用 RFID 识别系统来实现数据和单个鸡标签之间的唯一对应关系，准确地从鸡那里收集单个产蛋数据。然而，鸡在没有产蛋的情况下进入产卵箱的存在使得产蛋监测数据不准确，从而导致不正确的鸡蛋配对。Chien 等人[17]还在此基础上为母鸡设计了一个智能产蛋盒，在盒子底部有一个特殊的倾斜表面，允许鸡蛋通过倾斜的托盘滚入盒子背面的鸡蛋收集管中。在鸡蛋收集管下安装了一个压力测量元件，作为鸡蛋检测传感器和鸡蛋重量传感器，从而将 RFID 识别技术和光电传感技术结合起来，以确定母鸡是否离开了产蛋室;然而，通过倾斜和滚动收集不可避免地导致卵子破裂。同时，该装置只能计算产蛋数量，无法实现家禽个体信息与产蛋信息的对应关系。
RFID 用于质量选择的缺点是无法进行可追溯性工作。随着物联网的发展，物联网在农业中得到了多种应用，如农业环境监测、畜牧业和家禽养殖[18，19]。就家禽养殖业而言，物联网能够有效地收集鸡和鸭等笼养家禽的产蛋量和表征数据。Voulodimos 等人[20]使用 RFID 技术通过建立数据存储库来实现牲畜跟踪和管理，通过该存储库，除了与动物数据记录相关的RFID 标签编号外，还引入了可重写标签来存储信息，以便在丢失的情况下用于识别动物。Srbinovska 等人[21]设计了一种基于无线传感器网络技术的温室蔬菜监测系统，以便能够监测蔬菜温室中的温度，湿度和二氧化碳浓度等环境参数。Miso 等人[22]提出了一种将云计算与无线传感器网络相结合的环境监测方法，通过无线传感器网络将传感器数据传输到云端进行云计算;实验证明了无线传感器网络的可操作性。Rodrigo 等人[23]开发了一种集成的硬件和软件自动化系统，用于通过 ColoT 进行连续的种子监测和记录操作，作为一种架构，用于物联网中设备的感官处理，以在整个测试过程中监控和记录数据。上面提到的物联网技术仅用于农业监测，不用于可追溯性工作，以实现鸡蛋生产数据和表征数据之间的对应关系。
本文设计了一种基于物联网的种蛋识别编码系统，用于选择结合 RFID、目标检测和物联网技术的优质种鹅。设备中目标检测模块和 RFID 的结合帮助我们确定了进入产房的种鹅的身份和房间内的情况，并将种鹅身份信息传输到云服务。在产房中只有鸡蛋的情况下，激活了鸡蛋极限转移装置和非接触式编码设备，并将存储在云服务器中的信息以 QR 码的形式喷洒在鸡蛋上。我们提出的系统使雁的育种者能够使用单个种鹅的产卵量作为确定应该扑杀哪种种鹅的手段。这是为了选择高质量的种鹅。
2. 材料和方法
如图 1 所示，整个装置为开放式结构，长度为 500 mm，高度为 800 mm，宽度为 470 mm，允许鹅自由进出产房。通过调整产房空间，确保只有一只鹅可以舒适地产卵，避免了多只鹅占据巢穴造成的识别错误。草坪下的 RFID 阅读器读取种鹅脚环上的 RFID 信号，以确定种鹅的身份以及种鹅进出产房的时间。主控制器通过与云端的通信，将数据存储在已建立的 MySQL 数据库中，以存储种鹅的身份信息。在产房底部留有 75 毫米的间隙，用于将鹅卵从产房区域转移到编码区。同时，为了满足鹅在安静、黑暗、干燥的地方产卵的习惯[24、25、26、27]，在感应传送带表面缝制人造草坪，并用黑布包裹产房，为养殖鹅创造真正的产蛋环境，提高养殖鹅的舒适度和铺设效率。当目标检测模块检测到产房内只有鹅蛋时，启动了蛋体极限传输装置和非接触式编码装置，以二维码的形式将种鹅身份信息印在相应的蛋体上，实现产蛋信息与种鹅身份信息的一对一对应。
构建优质种鹅种蛋识别编码体系，并在江苏扬州大学鹅种基地进行实验。主控制器具有赛扬 J1800 CPU，graphics620核心显卡和 8 GB 内存。鹅种蛋识别编码系统的原型如图 2 所示。
无线射频识别模块
整个系统采用 RFID 模块识别种鹅，并将身份信息上传到云端。RFID 模块由一个 RFID 阅读器（工作频率：134.2 MHz;标签格式：FDX-B;标准：ISO11784/85;读取时间：<100 ms;读取距离：>25 厘米）和育种鹅佩戴的 RFID 脚环组成。RFID 阅读器获取 RFID 标签值，将标签信息上传到云端，识别并记录种鹅的个体身份信息。该系统将 RFID 标签值前后的时间序列组合在读卡器读取，以判断种鹅是进入产房还是产房。当种鹅进入繁殖室产卵时，戴在种鹅脚上的 RFID 标签进入了阅读器的天线磁场。读卡器通过电感耦合将能量传输到 RFID 标签。RFID 标签获得能量后，将标签中的种鹅身份信息传送给阅读器，阅读器解码并上传到云端，获取种鹅身份信息。
2.2. 目标检测模块
在养殖过程中，为了避免种鹅因蛋体输送机而引起的应激反应，在输送机运行之前，非常有必要对产房中的目标进行检测。目前主流的目标检测算法主要分为两类。第一类基于候选区域。首先，识别区域由感兴趣区域（ROI）生成。然后，使用卷积神经网络进行特征提取和分类。最后，通过线性回归调整识别区域坐标系的大小和位置。基于区域的卷积神经网络（R-CNN）[28]和基于区域的快速卷积神经网络（fast R-CNN）[29]是代表性的算法。第二类基于回归。该算法直接从图像中回归待测对象的位置，并以快速的识别速度完成分类。代表性算法是“你只看一次”（YOLO）[30，31]和 SSD[32]。由于本研究旨在检测动态视频，且视频中鹅蛋分布位置不固定，从而影响 ROI 区域的设置，因此基于候选区域的目标检测算法不适合本研究。与 YOLO 相比，SSD 不仅结合了 YOLO 中的回归思想，还结合了快速 R-CNN 中的锚定机制，它兼顾了速度和准确性。因此，本文对 SSD 进行了改进，以满足本研究的目标检测要求。具体结构如图 3 所示。
如图 3 所示，我们使用 ResNet101 残差网络来替换原来的 VGG-16 基础网络。为了提高操作精度，降低模型的复杂度，本文采用了跨层连接方法，如图 4 所示。具体层数按 conv_2x、conv_3、conv_4 和 conv_5 计算。将残差单位相加并乘以三层连接，再加两个全连接层，实现分类和回归。
同时，为了实现高级图像特征和低级图像特征的融合，特征金字塔可以对图像的任何特征层实现预测。特征金字塔的网络结构如图 5 所示。蓝色框表示特征映射，框的厚度表示语义强度。较粗的框表示更强的语义。特征金字塔网络首先对影像进行自下而上的特征卷积运算，然后进行自上而下的采样过程，以丰富低级影像的特征信息，对每个要素层进行预测。由于本研究旨在检测两个不同尺度的目标对象，即养殖鹅蛋和鹅蛋，图 如图 6 所示，根据特征金字塔网络，在附加特征提取层后构建了网络结构，分为自下而上、自上而下、水平连接和预测输出四个部分。首先，自下而上的部分是卷积网络的前馈计算，计算由不同比例的映射组成的特征水平。本研究使用的卷积层为 conv3_x、conv6、conv7 和 conv8，自下而上的卷积后特征输出为{C3、C6、C7、C8}。其次，自上而下的部分是上采样过程，将高层次图像中饲养鹅鹅蛋较强的语义特征转移到低层次的高分辨率特
征图像上，然后水平连接自下而上的过程，以增强高层图像的特征信息。第三部分是自上而下过程特征图像与自下而上特征图像之间通过 1×1 卷积核进行水平连接，以减少特征图像的数量。在第四部分中，在迭代开始时，需要将 1×1 卷积核添加到 C8中以生成低分辨率图像 P8。为了减少上采样引起的混叠效应，每层的组合特征图像需要通过卷积核来生成最终的预测特征输出{P3，P6，P7，P8}。
为了评估构建的模型，本文使用了准确率（P 我 ），召回率（R n ），平均精度（AP）和平均平均精度（MAP）作为评估指标，它们的具体表达式在方程（1）–（4）中表示。
(1) (2) 哪里 R 四 是正确检测出的繁殖鹅和鹅蛋的情况，F 四 是没有检测到繁殖鹅和鹅蛋的情况，S 是类别的数量，并且 F Nn 是错误地划分为负样本的样本数。
(3) 其中 T 是数据集中的图像总数，K 是阈值数。
(4) 2.3. 传输编码模块
当目标检测模块检测到产房内只有一只种蛋时，启动蛋体限位传输装置，将育种蛋传送到编码处。非接触式编码装置在不接触蛋表面的情况下，以 QR 码的形式将养殖鹅信息打印在蛋表面。鹅种鸡通过扫描鸡蛋上的二维码，获得匹配的种鹅信息，从而实现优质种鹅的繁殖。在鹅蛋生产过程中，鹅蛋可以以不同的姿态在产房里展示，具有一定的随机性。为了实现鹅蛋表面编码的完整性，必须保证蛋体的长轴方向基本平行于感应输送带的输送方向。因此，在鹅蛋传播过程中，有必要限制和调整鹅蛋的姿态，以便在鹅蛋表面达到最佳的喷墨效果。蛋体限位传动装置对称安装在感应输送带上方，避免与感应输送带接触对草坪造成损坏。正确姿态调整的标准是鹅蛋体长轴方向与感应输送带输送方向的偏差，本研究设定为±5°。限位装置的总长度、限位管的宽度、鹅蛋的偏转角度都会影响鹅蛋最终姿势调整的精度。为此，建立了鹅蛋姿态调整成功率的二次多项式回归模型，以确定极限输送机的具体尺寸。具体等式如公式（5）所示。
(5) 其中 A 是鹅蛋的偏转角度，B 是极限管的宽度，C 是极限装置的总长度，以及 是鹅蛋姿态调整的成功率。
种蛋通过种蛋限位传输装置到达非接触式编码装置，光电传感器将电信号传送到主控制器。主控制器使用 RS485 串口通信将种鹅的标签信息和产卵日期传输给编码员。编码人员汇编了信息，并通过喷墨以 QR 码的形式将其应用于鹅蛋的表面。通过喷嘴在鹅蛋表面标注 QR 码，为识别和筛选优质高产鹅个体提供数据支持。打印机喷嘴的质量为 2.4 千克，打印机的重量为2.1 千克。由于总负载低，因此选择了步进电机进行驱动。本研究选取了两相直流 42 mm 步进电机和 PMC006B4 小型步进电机驱动器。打印机的运动通过主控制器向电机驱动器发送脉冲信号，导轨通过电机的旋转带动移动，从而实现打印机的横向运动。
3. 结果和讨论
3.1. 传输编码模块 的表征测试
蛋体极限传输装置是实现鹅蛋完整编码的前提。鹅蛋的长轴方向与感应输送带的输送方向之间的偏差越小，编码成功率越高。因此，为了确定极限方案的最优方案，通过正交旋转试验，随机选取 50 个鹅蛋进行姿态调整。试验结果示于表 表 1 中。对姿态调整成功率模型进行了方差分析。各种因素相互作用效应的 3D 响应面图如图 7 所示。姿态调整的成功率随着偏转角的增加而
降低。鹅蛋姿势调整正确，并随着极限宽度的增加而增加。达到极点后，鹅蛋姿势调整成功，并随着极限宽度的增加而减小;成功的姿态调整随着限位装置总长度的增加而增加。
本研究选取了 90°的鹅蛋最大偏转角作为条件，求解了鹅蛋姿态调整成功率的回归模型。得到以下最优参数：极限宽度为82.5 mm，限位装置总长度为 600 mm，姿态调整成功率为 98.25%。
目标检测算法的比较
本研究中的目标检测模块使用海康威视 DS-IPC-T12H2-I/POE 摄像机，这些摄像机安装在产房顶部进行拍摄。在产房拍摄的视频被采样并分成几帧，分割的图像被用作实验所需的数据集。总共将 5600 张图像分为训练集（4800 张图像），验证集（300 张图像）和测试集（500 张图像）。Labimg 用于标记图像中的繁殖鹅和鹅蛋，并以“.XML”格式保存标记信息。计算机配置如下：Intel i7-8750 CPU，Ubuntu 16.04 操作系统和 NVIDI...
推荐访问:一种基于物联网优质种鹅选育种蛋识别编码系统 种蛋 选育 联网