CN116019058B - 一种蛋鸡养殖的间歇性补光方法及间歇性补光终端 - Google Patents

Abstract

本发明公开了一种蛋鸡养殖的间歇性补光方法及间歇性补光终端，判断自然光照度是否大于临界自然光照度；若为“否”，则获取此时的第一时间；当到达第二时间t₂时，开启补光装置对蛋鸡进行补光，获取处于采食状态的蛋鸡占蛋鸡总数的比例，若小于设定值，则关闭补光装置；重复步骤至完成一个夜晚所需的补光；本发明通过提前设定补光间隔和补光总次数，并通过获取自然光照度来判断是否进行补光，在自然光照度小于设定值的情况下，开始夜晚补光，并在补光的同时进行喂食，最终使间歇补光达到与持续光照同样的效果，增加蛋鸡的产蛋率。

Description

一种蛋鸡养殖的间歇性补光方法及间歇性补光终端

技术领域

本发明涉及蛋鸡补光领域，具体涉及一种蛋鸡养殖的间歇性补光方法及间歇性补光终端。

背景技术

在蛋鸡养殖行业中，一般情况下，蛋鸡所需的光照时间从14小时到16小时不等，通常16个小时或者稍微超出16个小时是最适宜的光照时间。因为自然光照时间明显小于这个时长，因此蛋鸡养殖中均都需要人为补光。

传统补光方式是常是早晨早开灯直到天亮，晚上从天黑开始开灯，早晚加上白天正常日光的时间，补足16个小时即可。比如早上5点开灯，晚上9点关灯。

但是采用上述方法存在在自然光照强度足够的情况下也照常开灯的问题，导致能源浪费的问题。

发明内容

本发明所要解决的技术问题是蛋鸡补光过程的能源浪费问题，目的在于提供一种蛋鸡养殖的间歇性补光方法及间歇性补光终端，通过间歇性补光来实现节能补光的目的。

本发明通过下述技术方案实现：

一种蛋鸡养殖的间歇性补光方法，包括：

S10、根据蛋鸡的周龄确定补光间隔T和补光总次数Q；确定开启补光前的临界自然光照度；确定开启补光后的补光光照度；

S20、获取自然光照度，并判断自然光照度是否大于临界自然光照度；若判断结果为“是”，则重复步骤S20；若判断结果为“否”，则获取此时的第一时间t₁；

S30、当到达第二时间t₂时，开启补光装置对蛋鸡进行补光，同时开启喂食器和喂水器，其中t₂＝t₁+T，并令q＝0，q为已完成补光的次数；

S40、获取处于采食状态的蛋鸡占蛋鸡总数的比例，若大于设定值，则重复步骤S40；若小于设定值，则关闭补光装置、喂食器和喂水器；

S50、赋值t₁＝t₂，q＝q+1；

判断q是否等于Q，若q≠Q，则重复步骤S30-S50；若q＝Q，则进行步骤S60；

S60、完成一个夜晚所需的补光，并重置t₁和q；

S70、获取自然光照度，并判断自然光照度是否大于临界自然光照度；若判断结果为“是”，则重复步骤S20-S70；若判断结果为“否”，则重复步骤S70。

具体地，步骤S40中，获取处于采食状态的蛋鸡占蛋鸡总数的比例的方法具体包括：

将蛋鸡的状态进行分类，包括采食状态、饮水状态和其他状态；

实时采集蛋鸡喂食区域的图像，并经图像处理后获得处于采食状态的蛋鸡数量a；

计算获得处于采食状态的蛋鸡占蛋鸡总数A的比例为a/A。

具体地，步骤S40具体步骤包括：

S41、获取蛋鸡采食区域的原始图像，并对原始图像进行均衡化处理获得均衡化图像；

S42、通过规定化处理调整均衡化图像的对比度，获得规定化图像；

S43、对图形进行平滑处理，并进行特征提取；

S44、将提取的特征矢量输入至卷积神经网络模型，经卷积神经网络模型分类后，获得处于采食状态的蛋鸡的数量a；

S45、计算获得处于采食状态的蛋鸡占蛋鸡总数A的比例为a/A。

具体地，步骤S41中，进行均衡化处理的方法为：其中，N为均衡化图像中的灰度级数，E_H为灰度映射函数，u_j和v_j为原始图像和均衡化图像同一位置的灰度值，p_u(u_j)为u_j出现的概率估计；

步骤S42中，进行规定化处理的方法为：其中，M为均衡化图像中灰度级数，s_i和t_k为均衡化图像和规定化图像同一位置的灰度值，p_s(s_i)为s_i出现的概率估计；

步骤S43中，进行特征提取的方法包括：

S431、输入规定化图像，并获取其不同尺度和方向的特征图像；

S432、计算全部图像的Tamura纹理特征，包括特征图像原图像；

S433、获取3张相似图片，所述相似图片为两张特征图像原图像之间相似度最高的图像；

S434、对相似图片实行验证，判断各自的尺度和方向是否均呈现差异性；若为否，则进行步骤S432；若为是，则进行步骤S435；

S435、通过Tamura纹理特征获得每个通道的相似度，得到12位特征矢量。

具体地，步骤S431中获取特征图像的方法包括：

构建图像分类识别模型其中，G_i为四元数Gabor中由虚部构成的算子，I_i为由图像三基色构成的矩阵；

在3个通道内通过卷积操作对图像进行处理其中，G_r为四元数Gabor中由实部构成的算子；

求解图像中各个像素C₂＝g_i×p_i，其中g_i表示G_i中的最大值，p_i表示位于相同像素点内的属于三基色的三维向量；

获得特征图像F＝C*(C₁+C₂)。

具体地，卷积神经网络模型的获得方法包括：

根据蛋鸡的鸡头所处状态确定分类种类，鸡头所处状态包括采食状态、饮水状态、其他状态；

构建训练样本集，所述训练样本集中包括多个处于采食状态的鸡头图像、多个处于饮水状态的鸡头图像以及多个处于其他状态的鸡头图像；

经步骤S41-S43的方法处理训练样本集内的样本数据，并将样本数据输入至卷积神经网络模型进行训练，网络模型的基础代价函数为其中，W为用于连接各个层的权值，b为偏置项，h_W,b(x⁽ⁱ⁾)为输出结果，m为输入样本数量，x⁽ⁱ⁾为输入样本，j为样本x⁽ⁱ⁾对应的鸡头所处状态类别标签；

以获取的最小值为训练目标，以W和b为参照，通过梯度下降法优化目标函数，获得网络最后一层的残差求解公式为/>其中，/>为h_W,b(x⁽ⁱ⁾)通过通过向前传播算法获取的值与实际值的差距，nl为模型输出层，/>为第i单元的模型最后一层的加权和；

训练完成后获得卷积神经网络模型。

具体地，蛋鸡养殖场内设置有多列蛋鸡养殖架，以一列蛋鸡养殖架为例，将蛋鸡养殖架设置为n层，获得n个独立光照控制区；

所述补光装置包括：光线传感器、补光灯、调光玻璃板和控制电路；

n个光线传感器分别安装至各个独立光照控制区，补光灯对应安装蛋鸡养殖架的各段的斜上方；

调光玻璃板安装在补光灯与独立光照控制区之间，调光玻璃板通过控制电路控制透光率，光线传感器、补光灯和调光玻璃板均与控制电路电连接；

所述调光玻璃板由n层调光玻璃从下至上依次拼接，从下至上将n层调光玻璃命名为第1层调光玻璃、第2层调光玻璃、……、第n层调光玻璃；

从下至上将n层蛋鸡养殖架命名为第1层养殖架、第2层养殖架、……、第n层养殖架；

调整调光玻璃板、蛋鸡养殖架与补光灯的相对位置，使透过第1层调光玻璃的光线完全照射至第1层养殖架，透过第2层调光玻璃的光线完全照射至第2层养殖架，……，透过第n层调光玻璃的光线完全照射至第n层养殖架。

具体地，在蛋鸡养殖架的轴线方向将蛋鸡养殖架分为m段，且设置m个补光灯、m个调光玻璃板与其对应；

将n个独立光照控制区分为n×m个独立喂食区，各个独立喂食区对应有光线传感器、调光玻璃。

具体地，步骤S30中，开启补光装置的补光方法包括：

当步骤S20判断为“否”后，启动光线传感器，并保持补光灯和调光玻璃板处于待机状态；

当到达第二时间t₂时，开启补光装置对蛋鸡进行补光，并通过光线传感器获取独立喂食区的实际光照度，将实际光照度与补光光照度对比；

若实际光照度＞补光光照度，则通过控制电路降低该独立喂食区对应的调光玻璃的透光率；

若实际光照度＜补光光照度，则通过控制电路增加该独立喂食区对应的调光玻璃的透光率；

当步骤S40判定某一个独立喂食区中采食比例小于设定值，则通过控制电路使对应的调光玻璃变更为不透光状态。

一种蛋鸡养殖的间歇性补光终端，包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的一种蛋鸡养殖的间歇性补光方法的步骤。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明通过提前设定补光间隔和补光总次数，并通过获取自然光照度来判断是否进行补光，在自然光照度小于设定值的情况下，开始夜晚补光，并在补光的同时进行喂食，最终使间歇补光达到与持续光照同样的效果，增加蛋鸡的产蛋率。

附图说明

附图示出了本发明的示例性实施方式，并与其说明一起用于解释本发明的原理，其中包括了这些附图以提供对本发明的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分，并不构成对本发明实施例的限定。

图1是根据本发明所述的一种蛋鸡养殖的间歇性补光方法的流程示意图。

图2是根据本发明所述的采食状态判定的流程示意图。

图3是根据本发明所述的补光装置的结构示意图。

图4是根据本发明所述的开启补光装置的补光方法流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本发明的限定。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分。

在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。

实施例一

如图1所示，一种蛋鸡养殖的间歇性补光方法，包括：

S10、根据蛋鸡的周龄确定补光间隔T和补光总次数Q；确定开启补光前的临界自然光照度；确定开启补光后的补光光照度；即补光间隔T一般为1～1.5小时，补光总次数一般为2～4次，具体根据蛋鸡的生长情况进行调节，在蛋鸡周龄较小的时候，补光时间不宜太长。

临界自然光照度根据需求进行设定，例如：日出日落时光照度约为300lux，月圆之夜的光照度约为0.2lux，则可以将临界自然光照度设定为10lux，当光照度低于10lux，即证明已经处于夜晚，可以进行补光操作。

同时，补光光照度也根据需求进行设定，例如：夜间路灯的光照度为5lux，室内日光灯的光照度为100lux，则可以将补光光照度设定为100lux。

S20、获取自然光照度，并判断自然光照度是否大于临界自然光照度；即通过光照度的对比，判断是否处于夜晚，是否需要进行补光操作。

若判断结果为“是”，则重复步骤S20；即处于白天的状态，不需要通过补光灯进行补光，则持续进行判断。

若判断结果为“否”，则获取此时的第一时间t₁；即处于夜晚的状态，需要进行补光操作，同一时刻计时器工作，确定此时的时间。

S30、当到达第二时间t₂时，其中t₂＝t₁+T，即经过的补光间隔，开启补光装置对蛋鸡进行补光，同时开启喂食器和喂水器，因为在夜晚开灯后，蛋鸡同时会进行采食，并且保证蛋鸡的采食才能有效的增加其产蛋率。

并令q＝0，q为已完成补光的次数，即对补光次数进行计数。

S40、获取处于采食状态的蛋鸡占蛋鸡总数的比例，在采食完成后进行关灯，并重复上述步骤可以增加产蛋率，因此为了控制补光时间，需要设定一个比例，例如：10只蛋鸡中8只已经完成采食，则可以将补光装置关闭；同理，若10只蛋鸡中还有4只未完成采食，则继续补光至8只完成。

若大于设定值，则重复步骤S40；即持续对采食状态进行监控。

若小于设定值，则关闭补光装置、喂食器和喂水器；完成一个循环的补光喂食操作。

S50、赋值t₁＝t₂，q＝q+1；

判断q是否等于Q，若q≠Q，则重复步骤S30-S50；即未完成Q次补光，则等待T时间后，再次进行补光喂食。

若q＝Q，则进行步骤S60；即完成了Q次补光。

S60、完成一个夜晚所需的补光，并重置t₁和q；等待天亮，且等待下一个越晚。

S70、获取自然光照度，并判断自然光照度是否大于临界自然光照度；即通过自然光照度判断是否处于白天。

若判断结果为“是”，证明处于白天，则重复步骤S20-S70；即等待夜晚的到来。

若判断结果为“否”，证明处于夜晚，则重复步骤S70，即等待白天的到来。

实施例二

从实施例一中可以看出，需要确定蛋鸡的采食状态，然后来关闭补光装置，如图2所示，因此本实施例对步骤S40中，获取处于采食状态的蛋鸡占蛋鸡总数的比例的方法具体包括：

在本实施例中，将蛋鸡的状态进行分类，包括采食状态、饮水状态和其他状态；

实时采集蛋鸡喂食区域的图像，并经图像处理后获得处于采食状态的蛋鸡数量a；计算获得处于采食状态的蛋鸡占蛋鸡总数A的比例为a/A。

图像处理方法包括：

S41、获取蛋鸡采食区域的原始图像，并对原始图像进行均衡化处理获得均衡化图像；

进行均衡化处理的方法为：其中，N为均衡化图像中的灰度级数，E_H为灰度映射函数，u_j和v_j为原始图像和均衡化图像同一位置的灰度值，p_u(u_j)为u_j出现的概率估计；

S42、完成均衡化处理后，通过规定化处理调整均衡化图像的对比度，获得规定化图像；可以是整体效果更佳。规定化之后的图像与原图相比全局效果得到改善，对比度的增加可以突出图像的轮廓从而使其更容易被识别，即处理后的图片可识别度更高。

进行规定化处理的方法为：其中，M为均衡化图像中灰度级数，s_i和t_k为均衡化图像和规定化图像同一位置的灰度值，p_s(s_i)为s_i出现的概率估计；

S43、对图形进行平滑处理，对图像进行平滑处理后可以提取图片中物体的轮廓信息，并且能够有效滤除高频噪声。中值滤波器设计简单且实用，主要依靠模板排序实现滤波。这里选择使用中值滤波的方式对图像进行处理。为了减少运算量，采用稀疏的模板处理图像。

然后进行特征提取，方法包括：

S431、输入规定化图像，并获取其不同尺度和方向的特征图像；具体采用四元数Gabor滤波卷积算法提取该图像特征，卷积算法包括两层，一层为特征提取层，一层为特征映射层。

构建图像分类识别模型其中，G_i为四元数Gabor中由虚部构成的算子，I_i为由图像三基色构成的矩阵；

在3个通道(RGB)内通过卷积操作对图像进行处理其中，G_r为四元数Gabor中由实部构成的算子；

求解图像中各个像素C₂＝g_i×p_i，其中g_i表示G_i中的最大值，p_i表示位于相同像素点内的属于三基色的三维向量；

获得特征图像F＝C*(C₁+C₂)。

S432、计算全部图像的Tamura纹理特征，包括特征图像原图像；

S433、获取3张相似图片，相似图片为两张特征图像原图像之间相似度最高的图像；

S434、对相似图片实行验证，判断各自的尺度和方向是否均呈现差异性；若为否，则进行步骤S432；若为是，则进行步骤S435；

S435、通过Tamura纹理特征获得每个通道的相似度，得到12位特征矢量。

S44、将提取的特征矢量输入至卷积神经网络模型，经卷积神经网络模型分类后，获得处于采食状态的蛋鸡的数量a；

S45、计算获得处于采食状态的蛋鸡占蛋鸡总数A的比例为a/A。

本实施例中通过神经网络来进行蛋鸡状态识别，卷积神经网络模型的获得方法包括：

根据蛋鸡的鸡头所处状态确定分类种类，鸡头所处状态包括采食状态、饮水状态、其他状态；

构建训练样本集，训练样本集中包括多个处于采食状态的鸡头图像、多个处于饮水状态的鸡头图像以及多个处于其他状态的鸡头图像；

经步骤S41-S43的方法处理训练样本集内的样本数据，并将样本数据输入至卷积神经网络模型进行训练，网络模型的基础代价函数为其中，W为用于连接各个层的权值，b为偏置项，h_W,b(x⁽ⁱ⁾)为输出结果，m为输入样本数量，x⁽ⁱ⁾为输入样本，j为样本x⁽ⁱ⁾对应的鸡头所处状态类别标签；

以获取的最小值为训练目标，以W和b为参照，通过梯度下降法优化目标函数，获得网络最后一层的残差求解公式为/>其中，/>为h_W,b(x⁽ⁱ⁾)通过通过向前传播算法获取的值与实际值的差距，nl为模型输出层，/>为第i单元的模型最后一层的加权和；

训练完成后获得卷积神经网络模型。

实施例三

在实际的蛋鸡养殖场中，蛋鸡养殖架1一般为多层结构，且成列分布在养殖房内，且一般情况下上层接受的补光光照度大于下层接受的补光光照度，这就导致位于下层的蛋鸡产蛋率不如上层。

如果通过增加补光灯3的光照度来增加下层补光光照度，又可能导致出现上层光照过强，影响蛋鸡的正常生长。

因此，为了解决上述问题，提供如图3所示的补光装置。

蛋鸡养殖场内设置有多列蛋鸡养殖架1，以一列蛋鸡养殖架1为例，将蛋鸡养殖架1设置为n层，本实施例中设定为3层，获得n个独立光照控制区；

补光装置包括：光线传感器、补光灯3、调光玻璃板2和控制电路。根据控制手段及原理的异同，调光玻璃可藉由电控、温控、光控、压控等等各种方式实现玻璃之透明与不透明状态的切换。

电控调光玻璃的原理比较容易理解：当电控产品关闭电源时，电控调光玻璃里面的液晶分子会呈现不规则的散布状态，使光线无法射入，让电控玻璃呈现不透明的外观。因此，可通过改变电压值等控制，实现对调光玻璃的透光度进行控制的目的。

n个光线传感器分别安装至各个独立光照控制区，补光灯3对应安装蛋鸡养殖架1的各段的斜上方；

调光玻璃板2安装在补光灯3与独立光照控制区之间，调光玻璃板2通过控制电路控制透光率，光线传感器、补光灯3和调光玻璃板2均与控制电路电连接；

调光玻璃板2由n层调光玻璃从下至上依次拼接，从下至上将n层调光玻璃命名为第1层调光玻璃、第2层调光玻璃、……、第n层调光玻璃；

从下至上将n层蛋鸡养殖架1命名为第1层养殖架、第2层养殖架、……、第n层养殖架；

调整调光玻璃板2、蛋鸡养殖架1与补光灯3的相对位置，使透过第1层调光玻璃的光线完全照射至第1层养殖架，透过第2层调光玻璃的光线完全照射至第2层养殖架，……，透过第n层调光玻璃的光线完全照射至第n层养殖架。

通过改变调光玻璃的宽度(高度)即可以保证第1层调光玻璃在不透明时，第1层养殖架不被补光灯3照射。

同时，又因为一个补光灯3无法完成一长列蛋鸡养殖架1的补光，因此在蛋鸡养殖架1的轴线方向将蛋鸡养殖架1分为m段，且设置m个补光灯3、m个调光玻璃板2与其对应；

将n个独立光照控制区分为n×m个独立喂食区，各个独立喂食区对应有光线传感器、调光玻璃。

基于上述具体的结构，如图4所示，步骤S30中，开启补光装置的补光方法包括：

S31、当步骤S20判断为“否”后，启动光线传感器，并保持补光灯和调光玻璃板处于待机状态；即需要进行补光。

光线传感器实施获得独立喂食区的光照度。

S32、当到达第二时间t₂时，开启补光装置对蛋鸡进行补光，并通过光线传感器获取独立喂食区的实际光照度，将实际光照度与补光光照度对比。

S33、若实际光照度＞补光光照度，则通过控制电路降低该独立喂食区对应的调光玻璃的透光率；则证明存在光照度过高，需要降低光照度，因此降低调光玻璃的透光率。

若实际光照度＜补光光照度，则通过控制电路增加该独立喂食区对应的调光玻璃的透光率；则证明存在光照度不足的问题，则需要增加透光率。

S34、当步骤S40判定某一个独立喂食区中采食比例小于设定值，即对应的独立喂食区中的蛋鸡已经完成了采食，则通过控制电路使对应的调光玻璃变更为不透光状态。

实施例四

一种蛋鸡养殖的间歇性补光终端，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述的一种蛋鸡养殖的间歇性补光方法的步骤。

存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行终端的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的执行程序等。

存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件,闪存器件、或其他易失性固态存储器件。

一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现一种蛋鸡养殖的间歇性补光方法的步骤。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。

在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本发明，而并非是对本发明的范围进行限定。对于所属领域的技术人员而言，在上述发明的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本发明的范围内。

Claims (6)

1.一种蛋鸡养殖的间歇性补光方法，其特征在于，包括：

S10、根据蛋鸡的周龄确定补光间隔T和补光总次数Q；确定开启补光前的临界自然光照度；确定开启补光后的补光光照度；

S20、获取自然光照度，并判断自然光照度是否大于临界自然光照度；若判断结果为“是”，则重复步骤S20；若判断结果为“否”，则获取此时的第一时间t₁；

S30、当到达第二时间t₂时，开启补光装置对蛋鸡进行补光，同时开启喂食器和喂水器，其中t₂＝t₁+T，并令q＝0，q为已完成补光的次数；

S40、获取处于采食状态的蛋鸡占蛋鸡总数的比例，若大于设定值，则重复步骤S40；若小于设定值，则关闭补光装置、喂食器和喂水器；

S50、赋值t₁＝t₂，q＝q+1；

判断q是否等于Q，若q≠Q，则重复步骤S30-S50；若q＝Q，则进行步骤S60；

S60、完成一个夜晚所需的补光，并重置t₁和q；

S70、获取自然光照度，并判断自然光照度是否大于临界自然光照度；若判断结果为“是”，则重复步骤S20-S70；若判断结果为“否”，则重复步骤S70；

其中，在步骤S40中，获取处于采食状态的蛋鸡占蛋鸡总数的比例的方法为：将蛋鸡的状态进行分类，包括采食状态、饮水状态和其他状态；实时采集蛋鸡喂食区域的图像，并经图像处理后获得处于采食状态的蛋鸡数量a，计算获得处于采食状态的蛋鸡占蛋鸡总数A的比例为a/A；具体包括：

S41、获取蛋鸡采食区域的原始图像，并对原始图像进行均衡化处理获得均衡化图像；其中，进行均衡化处理的方法为：其中，N为均衡化图像中的灰度级数，E_H为灰度映射函数，u_j和v_j为原始图像和均衡化图像同一位置的灰度值，p_u(u_j)为u_j出现的概率估计；

S42、通过规定化处理调整均衡化图像的对比度，获得规定化图像；进行规定化处理的方法为：其中，M为均衡化图像中灰度级数，s_i和t_k为均衡化图像和规定化图像同一位置的灰度值，p_s(s_i)为s_i出现的概率估计；

S43、对图形进行平滑处理，并进行特征提取；进行特征提取的方法包括：

S431、输入规定化图像，并获取其不同尺度和方向的特征图像；

S432、计算全部图像的Tamura纹理特征，包括特征图像原图像；

S433、获取3张相似图片，所述相似图片为两张特征图像原图像之间相似度最高的图像；

S434、对相似图片实行验证，判断各自的尺度和方向是否均呈现差异性；若为否，则进行步骤S432；若为是，则进行步骤S435；

S435、通过Tamura纹理特征获得每个通道的相似度，得到12位特征矢量；

S44、将提取的特征矢量输入至卷积神经网络模型，经卷积神经网络模型分类后，获得处于采食状态的蛋鸡的数量a；卷积神经网络模型的获得方法包括：

S441、根据蛋鸡的鸡头所处状态确定分类种类，鸡头所处状态包括采食状态、饮水状态、其他状态；

S442、构建训练样本集，所述训练样本集中包括多个处于采食状态的鸡头图像、多个处于饮水状态的鸡头图像以及多个处于其他状态的鸡头图像；

S443、经步骤S41-S43的方法处理训练样本集内的样本数据，并将样本数据输入至卷积神经网络模型进行训练，网络模型的基础代价函数为其中，W为用于连接各个层的权值，b为偏置项，h_W,b(x⁽ⁱ⁾)为输出结果，m为输入样本数量，x⁽ⁱ⁾为输入样本，j为样本x⁽ⁱ⁾对应的鸡头所处状态类别标签；

S444、以获取的最小值为训练目标，以W和b为参照，通过梯度下降法优化目标函数，获得网络最后一层的残差求解公式为/>其中，/>为h_W,b(x⁽ⁱ⁾)通过通过向前传播算法获取的值与实际值的差距，nl为模型输出层，/>为第i单元的模型最后一层的加权和；

S445、训练完成后获得卷积神经网络模型；

S45、计算获得处于采食状态的蛋鸡占蛋鸡总数A的比例为a/A。

2.根据权利要求1所述的一种蛋鸡养殖的间歇性补光方法，其特征在于，步骤S431中获取特征图像的方法包括：

构建图像分类识别模型其中，G_i为四元数Gabor中由虚部构成的算子，I_i为由图像三基色构成的矩阵；

在3个通道内通过卷积操作对图像进行处理其中，G_r为四元数Gabor中由实部构成的算子；

求解图像中各个像素C₂＝g_i×p_i，其中g_i表示G_i中的最大值，p_i表示位于相同像素点内的属于三基色的三维向量；

获得特征图像F＝C*(C₁+C₂)。

3.根据权利要求1所述的一种蛋鸡养殖的间歇性补光方法，其特征在于，蛋鸡养殖场内设置有多列蛋鸡养殖架，以一列蛋鸡养殖架为例，将蛋鸡养殖架设置为n层，获得n个独立光照控制区；

所述补光装置包括：光线传感器、补光灯、调光玻璃板和控制电路；

n个光线传感器分别安装至各个独立光照控制区，补光灯对应安装蛋鸡养殖架的各段的斜上方；

调光玻璃板安装在补光灯与独立光照控制区之间，调光玻璃板通过控制电路控制透光率，光线传感器、补光灯和调光玻璃板均与控制电路电连接；

所述调光玻璃板由n层调光玻璃从下至上依次拼接，从下至上将n层调光玻璃命名为第1层调光玻璃、第2层调光玻璃、……、第n层调光玻璃；

从下至上将n层蛋鸡养殖架命名为第1层养殖架、第2层养殖架、……、第n层养殖架；

调整调光玻璃板、蛋鸡养殖架与补光灯的相对位置，使透过第1层调光玻璃的光线完全照射至第1层养殖架，透过第2层调光玻璃的光线完全照射至第2层养殖架，……，透过第n层调光玻璃的光线完全照射至第n层养殖架。

4.根据权利要求3所述的一种蛋鸡养殖的间歇性补光方法，其特征在于，在蛋鸡养殖架的轴线方向将蛋鸡养殖架分为m段，且设置m个补光灯、m个调光玻璃板与其对应；

将n个独立光照控制区分为n×m个独立喂食区，各个独立喂食区对应有光线传感器、调光玻璃。

5.根据权利要求4所述的一种蛋鸡养殖的间歇性补光方法，其特征在于，步骤S30中，开启补光装置的补光方法包括：

当步骤S20判断为“否”后，启动光线传感器，并保持补光灯和调光玻璃板处于待机状态；

当到达第二时间t₂时，开启补光装置对蛋鸡进行补光，并通过光线传感器获取独立喂食区的实际光照度，将实际光照度与补光光照度对比；

若实际光照度＞补光光照度，则通过控制电路降低该独立喂食区对应的调光玻璃的透光率；

若实际光照度＜补光光照度，则通过控制电路增加该独立喂食区对应的调光玻璃的透光率；

当步骤S40判定某一个独立喂食区中采食比例小于设定值，则通过控制电路使对应的调光玻璃变更为不透光状态。

6.一种蛋鸡养殖的间歇性补光终端，包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1、2、5中任一项所述的一种蛋鸡养殖的间歇性补光方法的步骤。