CN114128673B - 基于混合深度神经网络的肉鸽精准饲喂方法 - Google Patents
基于混合深度神经网络的肉鸽精准饲喂方法 Download PDFInfo
- Publication number
- CN114128673B CN114128673B CN202111527914.XA CN202111527914A CN114128673B CN 114128673 B CN114128673 B CN 114128673B CN 202111527914 A CN202111527914 A CN 202111527914A CN 114128673 B CN114128673 B CN 114128673B
- Authority
- CN
- China
- Prior art keywords
- feeding
- blanking
- module
- mechanical arm
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000272201 Columbiformes Species 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 38
- 235000013372 meat Nutrition 0.000 title claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000000007 visual effect Effects 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 7
- 240000007651 Rubus glaucus Species 0.000 claims description 6
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 6
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000032258 transport Effects 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 238000009395 breeding Methods 0.000 abstract description 22
- 230000001488 breeding effect Effects 0.000 abstract description 22
- 238000012840 feeding operation Methods 0.000 abstract description 4
- 235000012054 meals Nutrition 0.000 abstract description 2
- 235000013305 food Nutrition 0.000 abstract 1
- 244000144972 livestock Species 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004634 feeding behavior Effects 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000009751 slip forming Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K67/00—Rearing or breeding animals, not otherwise provided for; New or modified breeds of animals
- A01K67/02—Breeding vertebrates
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K39/00—Feeding or drinking appliances for poultry or other birds
- A01K39/01—Feeding devices, e.g. chainfeeders
- A01K39/012—Feeding devices, e.g. chainfeeders filling automatically, e.g. by gravity from a reserve
- A01K39/0125—Panfeeding systems; Feeding pans therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Birds (AREA)
- Animal Behavior & Ethology (AREA)
- Zoology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了基于混合深度神经网络的肉鸽精准饲喂方法，由搭载底盘车导航模块、机械臂喂料模块、落料模块、运算控制模块组成的饲喂机器人实现，其可以混合多个深度神经网络进行运算控制，实现智能化、机械化作业，依靠视觉识别系统进行路径分割、鸽子的生长状态识别，采用闭环控制系统，实现底盘自主导航、机械臂喂料作业、落料单元精量控制落料环节之间的闭环控制，不需要大量的人力劳动，能够实现智能化、机械化的自主作业，同时可以依据鸽子的数量、大小，当前的活动状态来控制饲喂量，实现鸽子的少吃多餐，避免鸽子的挑食行为，提高肉鸽养殖的料肉比，进而实现鸽子的科学养殖。
Description
技术领域
本发明涉及肉鸽养殖技术领域，具体为基于混合深度神经网络的肉鸽精准饲喂方法。
背景技术
我国肉鸽的规模化养殖初见于20世纪80年代初，并在发展的同时引进国外优秀的肉鸽品种加以改进。基于此，我国肉鸽的规模化养殖不断形成，自南而北，自沿海至内地，越来越多的畜牧人加入了肉鸽养殖大军。截至目前，我国共有30多种肉鸽品种，2020年底，我国种鸽的存栏量约为134万对，同比增长10％，是自2017年以来的最大存栏量，从历史数据看，自2018 年9月以来，除个别月份外，肉鸽的产能基本都是增长态势。
肉鸽养殖仍然以人工饲养为主，在养殖过程中，饲喂环节是占据劳动成本的大头，根据广东梅州金绿现代农业有限公司的养殖数据，一位养殖户每天需要花费超过一半的工作时间在饲喂环节，饲喂时，需要人工背着一桶近 30斤重的料桶，边走边投喂，劳动强度大，作业过程单一枯燥。目前，机器人在养殖行业的研发应用越来越受到重视，尤其是用于饲喂环节的饲喂机器人。饲喂机器人主要着眼于眼，手，脚的研究，主要由底盘车驱动行走，实现在养殖大棚里自主导航；底盘搭载作业机械臂实现机器人在空间上的作业以达到饲喂的任务，并搭载相机三维感知视觉输入系统，自主识别作业目标区域并监视作业过程。
现有的畜禽类饲喂机器人大都是在固定区域饲喂，不是移动式的饲喂机器人，缺乏便捷性；畜类饲喂机器人往往在大型畜类身上喷涂标记或装上传感器，再将牲畜赶至饲喂区域，通过传感器数据，或图像处理的数据进而实现精量饲喂，该方法便捷性不足，且需要在牲畜身上装传感器或定期喷涂标记，成本较大，而禽类饲喂机器人大都针对散养的养殖环境，没有精量饲喂，通常都是定时定量饲喂，缺乏精量性，容易造成饲料的浪费。综上，目前，在禽类的笼养环境下，尤其是肉鸽的规模笼养环境下，饲喂任务仍然以人工为主，劳动强度大，作业枯燥乏味。
发明内容
本发明的目的在于提供基于混合深度神经网络的肉鸽精准饲喂方法，通过机器人可以实现智能化、机械化作业，依靠视觉识别系统进行路径分割、鸽子的生长状态识别，采用闭环控制系统，实现底盘自主导航、机械臂喂料作业、落料单元精量控制落料环节之间的闭环控制，不需要大量的人力劳动，能够实现智能化、机械化的自主作业，同时可以依据鸽子的数量、大小，当前的活动状态来控制饲喂量，实现鸽子的少吃多餐，避免鸽子的挑食行为，提高肉鸽养殖的料肉比，进而实现鸽子的科学养殖，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于混合深度神经网络的肉鸽精准饲喂方法，由搭载底盘车导航模块、机械臂喂料模块、落料模块、运算控制模块组成的饲喂机器人实现，其具体方法如下：
S1：饲喂机器人进入鸽子棚，上电，各系统初始化；
S2：饲喂机器人机械臂由初始化点运行到接料点；
S3：运算控制模块打开料槽识别神经网络、打开底盘车语义分割网络，并打开两者对应的深度相机；
S4：底盘车根据语义分割开始自主导航运动，料槽相机开始检测定位，当检测料槽中心点，获得其中心点坐标时，传递信号给底盘车停止运动，并将中心点位置传递给运算控制模块；
S5：运算控制模块接受到中心点坐标，开始解算三个落料点的坐标与机械臂末端的姿态；同时通过数据管理系统动态获取当前鸽笼里鸽子的数量与生长阶段，并开启即时喂食量神经网络，检测当前鸽笼的鸽子活动状态，把鸽子数量与生长阶段数据同时喂入网络，得出即时喂食量；
S6：将解算得到的喂料坐标与即时喂食量信息传递给机械臂控制模块与落料模块，落料模块控制落料量，机械臂控制模块将对应的饲料运到落料点并执行落料动作；
S7：落料完毕，落料模块停止落料，机械臂控制模块传输底盘车启动信号，并运动到接料点，回到S2，循环执行。
更进一步地，底盘车导航模块的实现方法如下：
S101：搭建基于深度学习的Unet语义分割网络，使用深度相机采集 640*480的鸽棚道路图片7500张，经过图片预处理之后制作数据集，放进神经网络进行模型迭代训练，训练后的模型可以分割道路，非道路部分全部默认为背景；
S102：根据分割出来的道路图片进行二值化，采用像素逐行扫描方式寻找道路边缘点信息，由边缘点可得到拟中点，采用最小二乘法拟合中点从而得到导航线；
S103：搭建基于树莓派的ROS底盘控制环境，在所提取的导航线上确定预瞄点坐标，通过串口把预瞄点信息传输给下位机，结合运动学模型，底盘可实现实时自主导航。
更进一步地，机械臂喂料模块的实现方法如下：
S201：搭建卷积神经网络，采集640*480的料槽图片5000张，喂入神经网络进行模型迭代训练，训练的模型可以识别料槽中心点的位置；
S202：搭建基于树莓派的ROS机械臂控制环境，开发机械臂运动实时反馈ROS节点与机械臂实时运动可视化界面；
S203：开发基于moveit的机械臂运动轨迹规划技术，并开启多线程技术，实现机械臂同时与边缘服务器、落料模块之间通信。
更进一步地，落料模块的实现方法如下：
S301：搭建基于Ardunio控制板的落料模块，绘制Ardunio电路图，并焊制电路板；
S302：采用步进电机控制星状落料阀，控制电机的转动时间进而控制落料量。
更进一步地，运算控制模块的实现方法如下：
S401：部署底盘车语义分割模型、料槽定位与检测神经网络模型、鸽子即时活动状态预测神经网络模型，将三个神经网络混合部署，互相之间进行网络信号交互；
S402：部署机械臂正反解模型，采用牛顿高斯迭代法进行反解；
S403：部署底盘语义分割算法，采用基于最小二乘法的边缘特征点迭代法进行拟合导航线；
S404：采用CH340串口连接底盘车导航模块、机械臂喂料模块。
与现有技术相比，本发明的有益效果是：
本发明提供的基于混合深度神经网络的肉鸽精准饲喂方法，通过在饲喂机器人上搭载的底盘车导航模块、机械臂喂料模块、落料模块和运算控制模块，可以实现智能化、机械化作业，依靠视觉识别系统进行路径分割、鸽子的生长状态识别，采用闭环控制系统，实现底盘自主导航、机械臂喂料作业、落料单元精量控制落料环节之间的闭环控制，不需要大量的人力劳动，能够实现智能化、机械化的自主作业，同时可以依据鸽子的数量、大小，当前的活动状态来控制饲喂量，实现鸽子的少吃多餐，避免鸽子的挑食行为，提高肉鸽养殖的料肉比，进而实现鸽子的科学养殖。
附图说明
图1为本发明的四个模块工作流程图；
图2为本发明的饲喂机器人工作实物图；
图3为本发明的饲喂方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中：基于混合深度神经网络的肉鸽精准饲喂方法，由搭载底盘车导航模块、机械臂喂料模块、落料模块、运算控制模块组成的饲喂机器人实现，其中，底盘车导航模块的实现方法如下：
步骤一：搭建基于深度学习的Unet语义分割网络，使用深度相机采集 640*480的鸽棚道路图片7500张，经过图片预处理之后制作数据集，放进神经网络进行模型迭代训练，训练后的模型可以分割道路，非道路部分全部默认为背景；
步骤二：根据分割出来的道路图片进行二值化，采用像素逐行扫描方式寻找道路边缘点信息，由边缘点可得到拟中点，采用最小二乘法拟合中点从而得到导航线；
步骤三：搭建基于树莓派的ROS底盘控制环境，在所提取的导航线上确定预瞄点坐标，通过串口把预瞄点信息传输给下位机，结合运动学模型，底盘可实现实时自主导航。
机械臂喂料模块的实现方法如下：
步骤一：搭建卷积神经网络，采集640*480的料槽图片5000张，喂入神经网络进行模型迭代训练，训练的模型可以识别料槽中心点的位置；
步骤二：搭建基于树莓派的ROS机械臂控制环境，开发机械臂运动实时反馈ROS节点与机械臂实时运动可视化界面；
步骤三：开发基于moveit的机械臂运动轨迹规划技术，并开启多线程技术，实现机械臂同时与边缘服务器、落料模块之间通信。
落料模块的实现方法如下：
步骤一：搭建基于Ardunio控制板的落料模块，绘制Ardunio电路图，并焊制电路板；
步骤二：采用步进电机控制星状落料阀，控制电机的转动时间进而控制落料量。
运算控制模块的实现方法如下：
步骤一：部署底盘车语义分割模型、料槽定位与检测神经网络模型、鸽子即时活动状态预测神经网络模型，将三个神经网络混合部署，互相之间进行网络信号交互；
步骤二：部署机械臂正反解模型，采用牛顿高斯迭代法进行反解；
步骤三：部署底盘语义分割算法，采用基于最小二乘法的边缘特征点迭代法进行拟合导航线；
步骤四：采用CH340串口连接底盘车导航模块、机械臂喂料模块。
为了进一步更好的解释说明本发明，还提供如下具体的实施例：
请参阅图2，基于混合深度神经网络的肉鸽精准饲喂方法如下：
第一步：饲喂机器人进入鸽子棚，上电，各系统初始化；
第二步：饲喂机器人机械臂由初始化点运行到接料点；
第三步：运算控制模块打开料槽识别神经网络、打开底盘车语义分割网络，并打开两者对应的深度相机；
第四步：底盘车根据语义分割开始自主导航运动，料槽相机开始检测定位，当检测料槽中心点，获得其中心点坐标时，传递信号给底盘车停止运动，并将中心点位置传递给运算控制模块；
第五步：运算控制模块接受到中心点坐标，开始解算三个落料点的坐标与机械臂末端的姿态；同时通过数据管理系统动态获取当前鸽笼里鸽子的数量与生长阶段，并开启即时喂食量神经网络，检测当前鸽笼的鸽子活动状态，把鸽子数量与生长阶段数据同时喂入网络，得出即时喂食量；
第六步：将解算得到的喂料坐标与即时喂食量信息传递给机械臂控制模块与落料模块，落料模块控制落料量，机械臂控制模块将对应的饲料运到落料点并执行落料动作；
第七步：落料完毕，落料模块停止落料，机械臂控制模块传输底盘车启动信号，并运动到接料点，回到第二步，循环执行。
更为具体地，请参阅图3,饲喂机器人初始化至落料位置，其内部的视觉系统启动，底盘小车运动并获取料槽相机坐标，当槽中心处于相机视野中心，一方面，饲喂机器人将料槽相机坐标转换至机械臂基座标，反解得出关节坐标，将关节坐标位置传送至机器人控制单元，进一步传送到机械臂控制单元；同时，另一方面，通过饲喂机器人的数据管理系统获取鸽子数量、生长阶段数据与视觉系统识别视野范围内鸽子的活动状态，通过神经网络得出即时喂食量，将即时喂食量信息传送至落料控制单元，落料控制单元接受信息并落料，饲喂机器人执行倒料动作。
综上所述：本发明提供的基于混合深度神经网络的肉鸽精准饲喂方法，通过在饲喂机器人上搭载的底盘车导航模块、机械臂喂料模块、落料模块和运算控制模块，可以实现智能化、机械化作业，依靠视觉识别系统进行路径分割、鸽子的生长状态识别，采用闭环控制系统，实现底盘自主导航、机械臂喂料作业、落料单元精量控制落料环节之间的闭环控制，不需要大量的人力劳动，能够实现智能化、机械化的自主作业，同时可以依据鸽子的数量、大小，当前的活动状态来控制饲喂量，实现鸽子的少吃多餐，避免鸽子的挑食行为，提高肉鸽养殖的料肉比，进而实现鸽子的科学养殖。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，由搭载底盘车导航模块、机械臂喂料模块、落料模块、运算控制模块组成的饲喂机器人实现，其具体方法如下：
S1：饲喂机器人进入鸽子棚，上电，各系统初始化；
S2：饲喂机器人机械臂由初始化点运行到接料点；
S3：运算控制模块打开料槽识别神经网络、打开底盘车语义分割网络，并打开两者对应的相机；
S4：底盘车根据语义分割开始自主导航运动，料槽相机开始检测定位，当检测料槽中心点，获得其中心点坐标时，传递信号给底盘车停止运动，并将中心点位置传递给运算控制模块；
S5：运算控制模块接受到中心点坐标，开始解算三个落料点的坐标与机械臂末端的姿态；同时通过数据管理系统动态获取当前鸽笼里鸽子的数量与生长阶段，并开启即时喂食量神经网络，检测当前鸽笼的鸽子活动状态，把鸽子数量与生长阶段数据同时喂入网络，得出即时喂食量；
S6：将解算得到的喂料坐标与即时喂食量信息传递给机械臂控制模块与落料模块，落料模块控制落料量，机械臂控制模块将对应的饲料运到落料点并执行落料动作；
S7：落料完毕，落料模块停止落料，机械臂控制模块传输底盘车启动信号，并运动到接料点，回到S2，循环执行。
2.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，底盘车导航模块的实现方法如下：
S101：搭建基于深度学习的Unet语义分割网络，使用相机采集640*480的鸽棚道路图片7500张，经过图片预处理之后制作数据集，放进神经网络进行模型迭代训练，训练后的模型可以分割道路，非道路部分全部默认为背景；
S102：根据分割出来的道路图片进行二值化，采用像素逐行扫描方式寻找道路边缘点信息，由边缘点可得到拟中点，采用最小二乘法拟合中点从而得到导航线；
S103：搭建基于树莓派的ROS底盘控制环境，在所提取的导航线上确定预瞄点坐标，通过串口把预瞄点信息传输给下位机，结合运动学模型，底盘可实现实时自主导航。
3.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，机械臂喂料模块的实现方法如下：
S201：搭建卷积神经网络，采集640*480的料槽图片5000张，喂入神经网络进行模型迭代训练，训练的模型可以识别料槽中心点的位置；
S202：搭建基于树莓派的ROS机械臂控制环境，开发机械臂运动实时反馈ROS节点与机械臂实时运动可视化界面；
S203：开发基于moveit的机械臂运动轨迹规划技术，并开启多线程技术，实现机械臂同时与边缘服务器、落料模块之间通信。
4.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，落料模块的实现方法如下：
S301：搭建基于Ardunio控制板的落料模块，绘制Ardunio电路图，并焊制电路板；
S302：采用步进电机控制星状落料阀，控制电机的转动时间进而控制落料量。
5.如权利要求1所述的基于混合深度神经网络的肉鸽精准饲喂方法，其特征在于，运算控制模块的实现方法如下：
S401：部署底盘车语义分割模型、料槽定位与检测神经网络模型、鸽子即时活动状态预测神经网络模型，将三个神经网络混合部署，互相之间进行网络信号交互；
S402：部署机械臂正反解模型，采用牛顿高斯迭代法进行反解；
S403：部署底盘语义分割算法，采用基于最小二乘法的边缘特征点迭代法进行拟合导航线；
S404：采用CH340串口连接底盘车导航模块、机械臂喂料模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111527914.XA CN114128673B (zh) | 2021-12-14 | 2021-12-14 | 基于混合深度神经网络的肉鸽精准饲喂方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111527914.XA CN114128673B (zh) | 2021-12-14 | 2021-12-14 | 基于混合深度神经网络的肉鸽精准饲喂方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114128673A CN114128673A (zh) | 2022-03-04 |
| CN114128673B true CN114128673B (zh) | 2022-09-23 |
Family
ID=80382527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111527914.XA Active CN114128673B (zh) | 2021-12-14 | 2021-12-14 | 基于混合深度神经网络的肉鸽精准饲喂方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114128673B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114586704B (zh) * | 2022-04-18 | 2022-11-22 | 仲恺农业工程学院 | 基于多传感器融合的肉鸽饲喂供料系统 |
| CN115530092B (zh) * | 2022-10-17 | 2023-08-18 | 仲恺农业工程学院 | 基于深度神经网络的双机械臂肉鸽饲喂系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103314878A (zh) * | 2012-03-22 | 2013-09-25 | 陈卫彬 | 肉鸽喂食车的自动行走系统 |
| US10209089B2 (en) * | 2017-04-03 | 2019-02-19 | Robert Bosch Gmbh | Automated image labeling for vehicles based on maps |
| CN108182423A (zh) * | 2018-01-26 | 2018-06-19 | 山东科技大学 | 一种基于深度卷积神经网络的禽类动物行为识别方法 |
| CN109359624B (zh) * | 2018-11-14 | 2021-10-08 | 浙江农林大学 | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 |
| CN110263685A (zh) * | 2019-06-06 | 2019-09-20 | 北京迈格威科技有限公司 | 一种基于视频监控的动物喂养方法及装置 |
| CN110226561B (zh) * | 2019-06-14 | 2021-03-05 | 江苏财经职业技术学院 | 基于大数据的低成本养殖蛋鸡的方法 |
| CN213383894U (zh) * | 2020-05-29 | 2021-06-08 | 西北民族大学 | 一种基于计算机视觉的养殖厂自动送料无人车 |
| CN113569769A (zh) * | 2021-07-30 | 2021-10-29 | 仲恺农业工程学院 | 基于深度神经网络的红火蚁蚁巢远程识别与定位方法 |
-
2021
- 2021-12-14 CN CN202111527914.XA patent/CN114128673B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114128673A (zh) | 2022-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114128673B (zh) | 基于混合深度神经网络的肉鸽精准饲喂方法 | |
| CN109328973B (zh) | 一种橡胶树智能割胶系统及其控制方法 | |
| CN111348161B (zh) | 一种应用于海洋牧场的资源环境监测系统及其操作方法 | |
| CN111897350A (zh) | 一种水下机器人装置、水下调控管理最优化系统及方法 | |
| CN111830984B (zh) | 基于无人洗车设备的多机器协同洗车系统及方法 | |
| CN110844402B (zh) | 一种智能召唤垃圾桶系统 | |
| CN116755474A (zh) | 一种无人机用电力巡线方法及系统 | |
| CN117355210A (zh) | 一种水下机器人装置.水下调控管理最优化系统及方法 | |
| CN113920474A (zh) | 一种智能监管柑橘种植态势的物联网系统及方法 | |
| CN111610733A (zh) | 一种基于机器鱼的渔场养殖监控系统及方法 | |
| CN114080905A (zh) | 基于数字双胞胎的采摘方法及云采摘机器人系统 | |
| CN107444644A (zh) | 一种用于果园作业的无人机移动补给平台及无人机 | |
| Dharmasena et al. | Autonomous cloud robotic system for smart agriculture | |
| CN115568332A (zh) | 一种面向大田环境的自动跟随运输平台及其控制方法 | |
| CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
| CN211293749U (zh) | 一种用于育种小区测产的田间自行走机器人 | |
| Li et al. | Design of multifunctional seedbed planting robot based on MobileNetV2-SSD | |
| CN115589845A (zh) | 一种智能采棉机器人及其采棉作业路径规划方法 | |
| CN115890677A (zh) | 一种用于标准化笼养鸡舍的捡死鸡机器人及其方法 | |
| CN113405547B (zh) | 一种基于语义vslam的无人机导航方法 | |
| Tian et al. | Smart and autonomous farm field scouting service robot as an edge device under $1000: Challenges and opportunities | |
| CN114586704B (zh) | 基于多传感器融合的肉鸽饲喂供料系统 | |
| Chiu et al. | A wireless communication system for automated greenhouse operations | |
| Hameed et al. | Task and motion planning for selective weed conrol using a team of autonomous vehicles | |
| Shamshiri et al. | An overview of visual servoing for robotic manipulators in digital agriculture |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |