CN118130368B - 一种蛋鸡饲料营养成分检测方法及系统 - Google Patents
一种蛋鸡饲料营养成分检测方法及系统 Download PDFInfo
- Publication number
- CN118130368B CN118130368B CN202410547577.8A CN202410547577A CN118130368B CN 118130368 B CN118130368 B CN 118130368B CN 202410547577 A CN202410547577 A CN 202410547577A CN 118130368 B CN118130368 B CN 118130368B
- Authority
- CN
- China
- Prior art keywords
- data
- feed
- target
- particle
- parameters
- 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
- 239000004615 ingredient Substances 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 45
- 235000016709 nutrition Nutrition 0.000 title claims description 80
- 239000002245 particle Substances 0.000 claims abstract description 97
- 230000003287 optical effect Effects 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 239000013307 optical fiber Substances 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000009395 breeding Methods 0.000 claims abstract description 18
- 230000001488 breeding effect Effects 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000035764 nutrition Effects 0.000 claims description 38
- 238000006243 chemical reaction Methods 0.000 claims description 32
- 239000000654 additive Substances 0.000 claims description 29
- 230000000996 additive effect Effects 0.000 claims description 24
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 235000015097 nutrients Nutrition 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 229910021529 ammonia Inorganic materials 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 235000021050 feed intake Nutrition 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 235000012041 food component Nutrition 0.000 abstract description 6
- 239000000203 mixture Substances 0.000 description 31
- 238000009472 formulation Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 19
- 241000287828 Gallus gallus Species 0.000 description 12
- 235000013330 chicken meat Nutrition 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 102000004169 proteins and genes Human genes 0.000 description 11
- 108090000623 proteins and genes Proteins 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 235000018102 proteins Nutrition 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 229930003231 vitamin Natural products 0.000 description 8
- 235000013343 vitamin Nutrition 0.000 description 8
- 229940088594 vitamin Drugs 0.000 description 8
- 239000011782 vitamin Substances 0.000 description 8
- 239000003925 fat Substances 0.000 description 7
- 239000000835 fiber Substances 0.000 description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 7
- 239000011707 mineral Substances 0.000 description 7
- 235000010755 mineral Nutrition 0.000 description 7
- 238000010521 absorption reaction Methods 0.000 description 6
- 230000036541 health Effects 0.000 description 6
- 235000019197 fats Nutrition 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- GVJHHUAWPYXKBD-UHFFFAOYSA-N (±)-α-Tocopherol Chemical compound OC1=C(C)C(C)=C2OC(CCCC(C)CCCC(C)CCCC(C)C)(C)CCC2=C1C GVJHHUAWPYXKBD-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000012948 formulation analysis Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000008188 pellet Substances 0.000 description 4
- 230000000704 physical effect Effects 0.000 description 4
- 150000001413 amino acids Chemical class 0.000 description 3
- 230000002180 anti-stress Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229930003316 Vitamin D Natural products 0.000 description 2
- QYSXJUFSXHHAJI-XFEUOLMDSA-N Vitamin D3 Natural products C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C/C=C1\C[C@@H](O)CCC1=C QYSXJUFSXHHAJI-XFEUOLMDSA-N 0.000 description 2
- 229930003427 Vitamin E Natural products 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013312 flour Nutrition 0.000 description 2
- WIGCFUFOHFEKBI-UHFFFAOYSA-N gamma-tocopherol Natural products CC(C)CCCC(C)CCCC(C)CCCC1CCC2C(C)C(O)C(C)C(C)C2O1 WIGCFUFOHFEKBI-UHFFFAOYSA-N 0.000 description 2
- 230000005802 health problem Effects 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 235000021049 nutrient content Nutrition 0.000 description 2
- 230000017448 oviposition Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 235000019166 vitamin D Nutrition 0.000 description 2
- 239000011710 vitamin D Substances 0.000 description 2
- 150000003710 vitamin D derivatives Chemical class 0.000 description 2
- 235000019165 vitamin E Nutrition 0.000 description 2
- 229940046009 vitamin E Drugs 0.000 description 2
- 239000011709 vitamin E Substances 0.000 description 2
- 229940046008 vitamin d Drugs 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 235000006708 antioxidants Nutrition 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 230000037118 bone strength Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 235000019577 caloric intake Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000018823 dietary intake Nutrition 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000036750 egg laying performance Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004858 feed analysis Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 235000006180 nutrition needs Nutrition 0.000 description 1
- 235000020939 nutritional additive Nutrition 0.000 description 1
- 235000004252 protein component Nutrition 0.000 description 1
- 238000002331 protein detection Methods 0.000 description 1
- 235000021075 protein intake Nutrition 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及成分检测技术领域,公开了一种蛋鸡饲料营养成分检测方法及系统,用于提高蛋鸡饲料营养成分检测的准确率。方法包括:通过光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据;通过光学信号数据对目标蛋鸡饲料进行成分分析,得到初始饲料成分数据;采集目标蛋鸡饲料的饲料颗粒参数,得到颗粒参数集,其中,颗粒参数集包括;颗粒直径、颗粒颜色以及颗粒硬度;通过颗粒参数集对初始饲料成分数据进行数据修正,得到目标饲料成分数据;采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集;通过生长环境数据集对目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案。
Description
技术领域
本发明涉及成分检测技术领域,尤其涉及一种蛋鸡饲料营养成分检测方法及系统。
背景技术
在蛋鸡养殖行业中,饲料的质量直接影响到鸡只的生长速度、健康状况和产蛋率,因此精确的饲料营养成分检测与优化是提高养殖效率和经济效益的关键。现有的技术中,常用的方法包括使用化学分析和各种生物测试来评估饲料的营养成分。然而,这些方法往往耗时较长、成本较高,且不易于实现实时监控和快速调整。此外,传统的饲料配方往往依赖于经验估计或标准化配方,缺乏对个体差异和环境变化的适应性。
现有技术的不足主要表现在两个方面:一是在饲料成分的快速检测和实时调整方面能力有限,这影响了饲料配方的及时优化和调整;二是缺乏一个综合的系统来同时考虑鸡只的实际生长数据和养殖环境因素,导致无法精确匹配鸡只的实际营养需求和环境条件。这些问题可能导致饲料利用率低下,增加养殖成本,同时降低蛋鸡的健康水平和生产效率。
发明内容
有鉴于此,本发明实施例提供了一种蛋鸡饲料营养成分检测方法及系统,用于提高蛋鸡饲料营养成分检测的准确率。
本发明提供了一种蛋鸡饲料营养成分检测方法,包括:通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据;通过所述光学信号数据对所述目标蛋鸡饲料进行成分分析,得到初始饲料成分数据;采集所述目标蛋鸡饲料的饲料颗粒参数,得到颗粒参数集,其中,所述颗粒参数集包括;颗粒直径、颗粒颜色以及颗粒硬度;通过所述颗粒参数集对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据;采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集;通过所述生长环境数据集对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案。
在本发明中,所述通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据步骤,包括:对所述光纤传感器进行波长参数设置,得到波长参数设置后的光纤传感器;通过经过波长参数设置后的光纤传感器对所述目标蛋鸡饲料发射预设波长的调制光,实时采集反射光信号,得到所述光学信号数据。
在本发明中,所述通过所述光学信号数据对所述目标蛋鸡饲料进行成分分析,得到初始饲料成分数据步骤,包括:将所述光学信号数据转换为电信号数据,并对所述电信号数据进行信号放大,得到放大信号数据;对所述放大信号数据进行滤波处理,得到滤波信号数据;对所述滤波信号数据进行模数转换,得到数字化信号数据;通过主成分分析算法对所述数字化信号数据进行特征分离,得到多个子特征;分别对每个子特征进行成分量化,得到所述初始饲料成分数据。
在本发明中,所述通过所述颗粒参数集对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据步骤,包括:通过所述颗粒颜色对所述初始饲料成分数据进行数据分类,得到饲料分类数据;对所述颗粒直径以及所述颗粒硬度进行数据融合,得到融合颗粒参数;对所述融合颗粒参数进行数值转换,得到融合颗粒数值参数;通过所述融合颗粒数值参数对所述饲料分类数据进行匹配,得到融合饲料分类数据;通过所述融合饲料分类数据对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据。
在本发明中,所述采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集步骤,包括:采集所述蛋鸡生长数据,其中,所述蛋鸡生长数据包括体重、饲料摄入量、水消耗量以及产蛋率;采集所述养殖环境数据,其中,所述养殖环境数据包括:温度、湿度、光照强度以及氨气浓度;将所述蛋鸡生长数据以及所述养殖环境数据合并为所述生长环境数据集。
在本发明中,所述通过所述生长环境数据集对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案步骤,包括:基于预置的营养参数数据库,所述生长环境数据集进行营养参数采集,得到初始营养参数;通过所述蛋鸡生长数据对所述初始营养参数进行数据修正,得到目标营养参数;对所述目标饲料成分数据进行成分营养参数分析,得到饲料营养参数;对所述目标营养参数以及所述饲料营养参数进行参数差异识别,得到差异参数数据;基于所述差异参数数据对所述饲料成分进行添加剂匹配,得到添加剂信息;基于所述添加剂信息对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案。
在本发明中,所述基于所述添加剂信息对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案步骤,包括:对所述添加剂信息进行生长率指标特征采集,得到生长率指标特征;对所述生长率指标特征进行去噪处理,得到去噪特征集;对所述去噪特征集进行反应指标提取,得到反应指标集;通过所述反应指标集对所述目标饲料成分数据进行饲料配比分析,得到目标配比数据;基于所述目标配比数据对所述目标饲料成分数据进行配方方案构建,得到目标饲料配方方案。
本发明还提供了一种蛋鸡饲料营养成分检测系统,包括:
第一采集模块,用于通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据;
第一分析模块,用于通过所述光学信号数据对所述目标蛋鸡饲料进行成分分析,得到初始饲料成分数据;
第二采集模块,用于采集所述目标蛋鸡饲料的饲料颗粒参数,得到颗粒参数集,其中,所述颗粒参数集包括;颗粒直径、颗粒颜色以及颗粒硬度;
修正模块,用于通过所述颗粒参数集对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据;
第三采集模块,用于采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集;
第二分析模块,用于通过所述生长环境数据集对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案。
本发明提供的技术方案中,通过使用光纤传感器对蛋鸡饲料进行实时光学信号采集,这种方法能够快速准确地检测饲料中的营养成分,如蛋白质、脂肪、维生素等,相较于传统的化学分析方法,这种光学检测技术不仅响应速度快,而且非侵入性,极大地减少了样品的处理时间和可能的污染。此外,通过将光学信号转换为电信号,进一步放大、滤波和数字化,这些处理步骤确保了信号的清晰度和准确性,使得后续的数据分析更为精确,从而能够细致地评估和调整饲料配方。其次,将蛋鸡的生长数据与养殖环境数据综合利用,这不仅提高了饲料配方的适应性,也使饲料配方能够更好地满足蛋鸡在不同生长阶段和不同环境条件下的具体需求。例如,通过监测和分析环境温度、湿度对蛋鸡生长的影响,饲料配方可以相应调整以提高其抗应激能力,提升整体生产效率,以进一步提升蛋鸡饲料营养成分检测的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种蛋鸡饲料营养成分检测方法的流程图;
图2为本发明实施例中一种蛋鸡饲料营养成分检测系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,图1是本发明实施例的一种蛋鸡饲料营养成分检测方法的流程图,如图1所示,包括以下步骤:
S101、通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据;
S102、通过光学信号数据对目标蛋鸡饲料进行成分分析,得到初始饲料成分数据;
S103、采集目标蛋鸡饲料的饲料颗粒参数,得到颗粒参数集,其中,颗粒参数集包括;颗粒直径、颗粒颜色以及颗粒硬度;
S104、通过颗粒参数集对初始饲料成分数据进行数据修正,得到目标饲料成分数据;
S105、采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集;
S106、通过生长环境数据集对目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案。
需要说明的是,首先利用预置的光纤传感器对目标蛋鸡饲料进行光学信号采集是关键的第一步。光纤传感器通过发射特定波长的光到饲料样品中,并捕获由饲料成分如蛋白质、脂肪及矿物质所引起的光信号变化,如吸收、散射或反射的光。这些变化的光信号被传感器接收并转化为电信号,随后这些光学信号数据被用于进行成分分析。对于获得的光学信号数据,进而将这些数据转换成初始饲料成分数据。这一转换过程涉及对光学信号的进一步处理,包括使用算法如主成分分析(PCA)来区分不同成分的光谱特征,并量化各个成分的含量。例如,如果特定波长的光经历了显著的吸收,这可能表明饲料样本中蛋白质的含量较高。通过这种方式,可以初步确定饲料中的主要营养成分及其浓度,生成初始饲料成分数据。接下来,为了提高数据的准确性,采集饲料的颗粒参数是必不可少的。通过测量颗粒直径、颗粒颜色以及颗粒硬度,可以获得有助于进一步分析的颗粒参数集。例如,较大或较硬的颗粒可能影响光的散射和吸收,从而影响光纤传感器的信号读取。了解这些物理参数后,可以通过算法调整初始饲料成分数据,补偿由于物理形态变化引起的任何光学测量误差,从而得到更精确的目标饲料成分数据。同时,蛋鸡的生长数据和养殖环境数据的采集也是至关重要的。这包括记录蛋鸡的体重、饲料摄入量、水消耗量、产蛋率以及环境的温度、湿度、光照强度和氨气浓度等。这些数据不仅帮助评估饲料效果,还能提供调整饲料配方的必要信息。通过整合这些生长和环境数据,形成一个详尽的生长环境数据集,为饲料配方的优化提供了基础。最后,利用生长环境数据集,通过营养需求分析和当前饲料成分评估,可以对目标饲料成分数据进行进一步的饲料配方分析。这一过程中,可能会发现某些营养成分的比例需要调整以更好地符合蛋鸡的生长需求或适应特定的环境条件。例如,如果在高温条件下蛋鸡的水消耗量增加,可能需要增加饲料中的电解质含量以补充流失的矿物质。
通过执行上述步骤,通过使用光纤传感器对蛋鸡饲料进行实时光学信号采集,这种方法能够快速准确地检测饲料中的营养成分,如蛋白质、脂肪、维生素等,相较于传统的化学分析方法,这种光学检测技术不仅响应速度快,而且非侵入性,极大地减少了样品的处理时间和可能的污染。此外,通过将光学信号转换为电信号,进一步放大、滤波和数字化,这些处理步骤确保了信号的清晰度和准确性,使得后续的数据分析更为精确,从而能够细致地评估和调整饲料配方。其次,将蛋鸡的生长数据与养殖环境数据综合利用,这不仅提高了饲料配方的适应性,也使饲料配方能够更好地满足蛋鸡在不同生长阶段和不同环境条件下的具体需求。例如,通过监测和分析环境温度、湿度对蛋鸡生长的影响,饲料配方可以相应调整以提高其抗应激能力,提升整体生产效率,以进一步提升蛋鸡饲料营养成分检测的准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对光纤传感器进行波长参数设置,得到波长参数设置后的光纤传感器;
(2)通过经过波长参数设置后的光纤传感器对目标蛋鸡饲料发射预设波长的调制光,实时采集反射光信号,得到光学信号数据。
具体地,首先对光纤传感器进行精确的波长参数设置。这个设置过程涉及到选择合适的光源波长,这一选择基于目标饲料成分的特定吸收特性,因为不同的营养成分如蛋白质、脂肪、维生素等都有其特定的吸收光谱。通过设定光纤传感器以发射这些特定波长的光,可以最大限度地增强检测信号的特异性和灵敏度。例如,假设知道蛋鸡饲料中的某种蛋白质组分在红外光谱区域有强烈的吸收峰。在这种情况下,光纤传感器的波长参数将被设置为与该吸收峰相对应的波长,以确保发射的光能够被目标蛋白质有效吸收。波长的精确设置不仅依赖于光源本身的能力,还需要通过软件或硬件在光纤传感器中进行编程,使其能够在正确的波长下操作。
设置好波长参数后,光纤传感器就可以对目标蛋鸡饲料发射预设波长的调制光了。在实际操作中,这意味着传感器会将光束准确地照射到饲料样本上。由于饲料的成分和结构,部分光会被吸收,而其余的光则会被散射或反射回传感器。这些反射或散射的光是包含了饲料成分信息的光学信号,它们的强度和波长会根据饲料成分的不同而变化。接下来,传感器捕获这些反射光信号并将其转换成电信号,这一转换过程涉及光电转换技术。具体来说,传感器中的光电二极管或光电倍增管会对接收到的光信号进行响应,生成相应的电信号。这些电信号的强度和模式将直接反映出原始光信号的特性,从而间接反映出饲料样本中特定成分的含量和分布。例如,如果分析显示反射光信号在某个特定波长上的强度异常,这可能表明饲料样本中含有高浓度的某种特定营养成分,这种成分在该波长下有显著的光吸收或散射特性。通过这种方法,可以对蛋鸡饲料的营养成分进行快速、非破坏性的定性和定量分析,进而帮助养殖者优化饲料配方,确保蛋鸡的健康成长和高效生产。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)将光学信号数据转换为电信号数据,并对电信号数据进行信号放大,得到放大信号数据;
(2)对放大信号数据进行滤波处理,得到滤波信号数据;
(3)对滤波信号数据进行模数转换,得到数字化信号数据;
(4)通过主成分分析算法对数字化信号数据进行特征分离,得到多个子特征;
(5)分别对每个子特征进行成分量化,得到初始饲料成分数据。
需要说明的是,在蛋鸡饲料营养成分检测的过程中,将光学信号数据转换成电信号数据是关键的第一步。这一过程涉及使用光电传感器,如光电二极管或光电倍增管,这些设备能够捕获由光纤传感器接收到的反射或散射光信号,并将这些光信号转化为电信号。这种转换是必要的,因为电信号比光学信号更易于通过电子设备进行处理和分析。一旦光信号被转换成电信号,下一步就是对这些电信号进行放大。放大是必需的,因为原始的电信号强度可能非常微弱,不足以进行有效的分析。使用放大器,如运算放大器,可以增强这些信号的幅度,使其强度达到足够的水平,以便进一步处理。例如,如果分析蛋白质含量,那么特定波长的光信号可能非常微弱,经过放大后,这些信号的特征就会变得更加明显,从而便于后续的处理和解析。放大后的信号随后需要进行滤波处理。滤波是处理信号的一个重要步骤,它能够去除信号中的噪声和干扰,这些噪声和干扰可能来自电子设备本身或外部环境。通过应用低通、高通或带通滤波器,可以保留信号中有用的频率部分,而去除那些不相关或是干扰性的频率部分。在蛋鸡饲料成分检测的场景中,例如,滤除由机械振动或电气干扰产生的高频噪声是至关重要的,因为这些干扰可能会掩盖或扭曲关键的营养成分信号。之后,将滤波后的信号进行模数转换,即将模拟信号转换为数字信号。这一步通常由模数转换器(ADC)完成,它允许信号在数字计算机系统中被进一步分析和处理。数字化是现代信号处理的一个重要部分,它使得应用高级算法和进行复杂计算成为可能。转换成数字信号后,可以利用计算技术来处理更多的数据,执行更复杂的分析,比如在蛋鸡饲料分析中,可以更精确地识别和量化各种营养成分。接下来,使用主成分分析(PCA)算法对这些数字化信号数据进行特征分离。PCA是一种强大的统计工具,用于从复杂数据集中提取关键特征,并降低数据的维度而不丢失重要信息。在本例中,PCA可以帮助识别哪些信号特征与特定营养成分最相关,从而将这些特征与蛋鸡饲料的特定成分如蛋白质、脂肪和矿物质联系起来。最后,每个通过PCA分离出的子特征都将被量化以形成初始饲料成分数据。量化的过程涉及到计算每个成分的浓度或比例,这些数据是基于特征信号的强度和已知的校准曲线。这些量化数据提供了蛋鸡饲料中每种营养成分的精确度量,这对于评估饲料的质量和营养价值至关重要,确保饲料配方能够满足蛋鸡的健康和生产需求。例如,在实际应用中,如果发现某批饲料的蛋白质含量低于标准要求,相关信息可以用于调整饲料配方,确保未来批次的饲料能够满足蛋鸡的营养需要。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)通过颗粒颜色对初始饲料成分数据进行数据分类,得到饲料分类数据;
(2)对颗粒直径以及颗粒硬度进行数据融合,得到融合颗粒参数;
(3)对融合颗粒参数进行数值转换,得到融合颗粒数值参数;
(4)通过融合颗粒数值参数对饲料分类数据进行匹配,得到融合饲料分类数据;
(5)通过融合饲料分类数据对初始饲料成分数据进行数据修正,得到目标饲料成分数据。
具体地,颗粒的颜色可以提供初步的视觉信息,有助于分类饲料成分。例如,颗粒颜色的不同往往反映了其成分的不同,如玉米粉的颗粒通常呈黄色,而大豆粉则可能呈更深的棕色。通过使用高分辨率的图像捕捉设备对饲料样本进行扫描,可以收集到颗粒的颜色数据,并通过图像分析软件对这些颗粒的颜色进行分类,从而得到饲料分类数据。这一数据不仅反映了颗粒的种类,还可能暗示了其营养成分的差异。接着,颗粒直径和硬度的数据融合则是为了更全面地理解饲料的物理属性,这对分析饲料的处理和消化吸收特性至关重要。通过粒度分析器和硬度测试仪来测量每个颗粒的直径和硬度,并将这些数据整合,可以获得一个综合的物理参数表征,即融合颗粒参数。这些参数经过数值转换后,可以形成统一的格式和量级,便于后续的数据处理和分析。当得到数值化的融合颗粒参数后,这些数据将与前面通过颗粒颜色得到的饲料分类数据进行匹配。这一匹配过程是通过数据分析软件实现的,它根据颗粒的物理属性与已分类的颜色数据对照,确保每一类颜色所对应的物理特性得到正确关联。例如,如果黄色颗粒的直径普遍小于棕色颗粒,而硬度则相对较低,这样的关联信息可以进一步帮助识别和确认饲料成分的种类和质量。最后,通过上述精细的数据融合和匹配,形成的融合饲料分类数据将用于对初始的饲料成分数据进行修正。这一修正考虑到了颗粒的物理属性如大小和硬度可能对光学或化学成分分析造成的影响,如大颗粒可能导致光散射增加,从而影响光学传感器的读数。修正后的目标饲料成分数据因此更加精确,能够真实反映出饲料的营养价值和适用性。例如,在一个具体案例中,如果初步分析显示某批饲料的蛋白质含量低于期望值,但进一步的物理参数分析揭示颗粒硬度异常可能影响了蛋白质的检测结果,修正后的数据将更准确地指导饲料的配方调整。
在一具体实施例中,执行步骤S105步骤的过程可以具体包括如下步骤:
(1)采集蛋鸡生长数据,其中,蛋鸡生长数据包括体重、饲料摄入量、水消耗量以及产蛋率;
(2)采集养殖环境数据,其中,养殖环境数据包括:温度、湿度、光照强度以及氨气浓度;
(3)将蛋鸡生长数据以及养殖环境数据合并为生长环境数据集。
具体地,采集蛋鸡的生长数据,涵盖体重、饲料摄入量、水消耗量以及产蛋率,是为了获取关于每只鸡健康状态和生长效率的实时信息。例如,通过定期称量蛋鸡的体重,可以监测其成长速度和健康状况;饲料摄入量的数据则帮助评估饲料的吸引力和营养效果;水消耗量的监测反映了鸡群的水分需求和可能的健康问题;而产蛋率的数据直接关联到经济效益,同时也是评估饲料配方效果的直接指标。同时,养殖环境数据的收集也同样重要,包括温度、湿度、光照强度以及氨气浓度等因素,这些因素都直接影响蛋鸡的舒适度和生产性能。例如,环境温度和湿度的适宜性是保证蛋鸡健康的基本条件,不适宜的温湿度会增加疾病发生率,降低生长速度和产蛋率;光照强度影响蛋鸡的生理周期和产蛋周期,不合适的光照会导致产蛋率下降;氨气浓度过高则会对鸡只的呼吸系统造成伤害,影响其生长发育。将这些生长数据和环境数据合并为一个生长环境数据集的过程涉及到数据的整合和分析,以确保信息的完整性和可用性。具体来说,可以通过在养殖场安装传感器和自动记录设备来实时收集这些数据。例如,安装在鸡舍中的电子秤可以自动记录通过的每只鸡的体重,饲料和水的自动计量系统可以准确记录每日的摄入量,环境传感器则不间断地监测和记录温湿度和氨气浓度等数据。收集到的所有数据通过无线网络传输到中央数据库,由数据处理软件进行整合和分析,生成综合的生长环境数据集。这个数据集不仅提供了单个数据点,而是通过数据融合提供了关于蛋鸡健康和生产效率的全面视图,使得饲料配方师可以基于这些数据进行科学的分析和决策。例如,如果发现某个时间段内产蛋率下降,同时水消耗量增加,结合环境数据显示温度和氨气浓度均高于正常值,则推断是环境压力导致的健康问题,进而调整管理措施或饲料配方以改善环境条件和饲料质量。
在一具体实施例中,执行步骤S106步骤的过程可以具体包括如下步骤:
(1)基于预置的营养参数数据库,生长环境数据集进行营养参数采集,得到初始营养参数;
(2)通过蛋鸡生长数据对初始营养参数进行数据修正,得到目标营养参数;
(3)对目标饲料成分数据进行成分营养参数分析,得到饲料营养参数;
(4)对目标营养参数以及饲料营养参数进行参数差异识别,得到差异参数数据;
(5)基于差异参数数据对饲料成分进行添加剂匹配,得到添加剂信息;
(6)基于添加剂信息对目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案。
具体地,基于预置的营养参数数据库,这通常包含了蛋鸡不同生长阶段所需的各种营养素标准,包括蛋白质、脂肪、维生素、矿物质等详细信息,进行生长环境数据集的营养参数采集。这个数据库是根据历史数据、科学研究和实际饲养经验建立的,能够提供一个全面的营养参考框架。随后,采集到的生长环境数据集,如鸡只的体重增长、饲料消耗率、水消耗量和产蛋性能等,被用来调整这些预设的营养参数。例如,如果数据显示在特定的生长阶段鸡只的体重增长慢于预期,这可能意味着它们的营养摄入不足,尤其是在蛋白质或能量的摄入上。因此,这些实际的生长数据被用来修正初始的营养参数,形成更贴合实际情况的目标营养参数。接下来,目标饲料成分数据,即通过光纤传感器等设备实际测得的饲料成分数据,进行详细的营养参数分析。这一步骤包括对饲料中的各种成分如蛋白质、矿物质、维生素等进行定量分析,以确保每种成分都符合蛋鸡生长所需的营养标准。通过这种分析,得到的饲料营养参数可以直观显示出饲料的营养构成。然后,通过对比目标营养参数和饲料营养参数,可以识别出两者之间的任何差异。这些差异参数数据是关键,它们直接指示了饲料配方中可能存在的营养缺陷或过量。例如,如果饲料营养参数显示的蛋白质水平低于目标营养参数所需的水平,这就表明需要调整饲料配方以增加蛋白质成分。基于这些差异参数数据,接下来的步骤是对饲料成分进行添加剂匹配。这可能涉及增加特定的营养添加剂,如氨基酸、矿物质或维生素混合物,以确保饲料满足蛋鸡的营养需求。添加剂信息包括添加剂的类型、使用量和混合比例,这些都是基于差异参数数据精确计算得出的。最后,将这些调整后的添加剂信息融入饲料配方中,进行最终的饲料配方分析。这个分析确保新的饲料配方在营养上能够满足所有的目标营养参数,从而得到目标饲料配方方案。这个方案不仅优化了营养成分的比例,而且考虑了成本效益和饲料的生产可行性,例如,如果原始的饲料配方在维生素E的含量上不足以满足蛋鸡的抗氧化需求,添加剂匹配过程将确保通过调整配方增加维生素E的含量,从而提高蛋鸡的整体健康状况和产蛋率。
在一具体实施例中,执行基于添加剂信息对目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案步骤的过程可以具体包括如下步骤:
(1)对添加剂信息进行生长率指标特征采集,得到生长率指标特征;
(2)对生长率指标特征进行去噪处理,得到去噪特征集;
(3)对去噪特征集进行反应指标提取,得到反应指标集;
(4)通过反应指标集对目标饲料成分数据进行饲料配比分析,得到目标配比数据;
(5)基于目标配比数据对目标饲料成分数据进行配方方案构建,得到目标饲料配方方案。
需要说明的是,从各种添加剂中收集有关其对生长率的影响的数据,这包括了解不同添加剂如氨基酸、矿物质、维生素等对蛋鸡生长速度、健康状况和产蛋率的具体影响。这种数据收集工作是通过分析历史数据、实验研究和现场试验的结果来完成的。例如,如果先前的研究表明增加某种特定的氨基酸能显著提高生长速度,这一信息将被记录为生长率指标特征。一旦收集到这些生长率指标特征,下一步是进行去噪处理,这是因为原始数据往往包含各种噪声,比如数据录入错误、测量误差或背景环境干扰。去噪处理通常涉及使用统计方法或数据清洗技术,如滤波器或数据平滑算法,来优化数据质量,从而确保后续分析的准确性。在蛋鸡饲料的场景中,去噪后的数据更能真实反映添加剂对生长的实际影响,去除那些可能因环境波动或偶发事件引入的数据偏差。随后,从这些经过去噪处理的特征集中,进一步提取出与饲料成分反应最为关键的指标,形成一个精细的反应指标集。这一步通常涉及到高级的数据分析技术,比如机器学习中的特征选择算法,这些算法能够评估哪些指标与饲料成分的效果最为相关。例如,通过分析数据可能发现某些特定的添加剂与高产蛋率强相关,而这些指标就被选为关键的反应指标。有了这些关键的反应指标后,接下来的步骤是利用这些信息进行饲料配比分析,这涉及到计算各种添加剂在饲料中的最优配比。这种配比分析基于目标饲料成分数据和反应指标集,通过优化算法如线性规划或非线性规划来确定每种添加剂的理想量,以达到最佳的营养效果和成本效益。例如,如果发现增加维生素D的比例能够提高鸡的骨骼强度并减少破损蛋的发生,那么在配比分析中就会调高维生素D的比例。最后,基于这些目标配比数据,构建最终的饲料配方方案。这包括不仅仅是营养成分的调整,还涉及到生产工艺和成本管理的考虑,确保所设计的配方既科学又经济。这个方案将直接影响到蛋鸡的生长表现和养殖场的经济效益,因此,每一步都需要严谨的计算和深思熟虑。
本发明实施例还提供了一种蛋鸡饲料营养成分检测系统,如图2所示,该一种蛋鸡饲料营养成分检测系统具体包括:
第一采集模块201,用于通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据;
第一分析模块202,用于通过所述光学信号数据对所述目标蛋鸡饲料进行成分分析,得到初始饲料成分数据;
第二采集模块203,用于采集所述目标蛋鸡饲料的饲料颗粒参数,得到颗粒参数集,其中,所述颗粒参数集包括;颗粒直径、颗粒颜色以及颗粒硬度;
修正模块204,用于通过所述颗粒参数集对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据;
第三采集模块205,用于采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集;
第二分析模块206,用于通过所述生长环境数据集对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案。
通过上述各个模块的协同工作,通过使用光纤传感器对蛋鸡饲料进行实时光学信号采集,这种方法能够快速准确地检测饲料中的营养成分,如蛋白质、脂肪、维生素等,相较于传统的化学分析方法,这种光学检测技术不仅响应速度快,而且非侵入性,极大地减少了样品的处理时间和可能的污染。此外,通过将光学信号转换为电信号,进一步放大、滤波和数字化,这些处理步骤确保了信号的清晰度和准确性,使得后续的数据分析更为精确,从而能够细致地评估和调整饲料配方。其次,将蛋鸡的生长数据与养殖环境数据综合利用,这不仅提高了饲料配方的适应性,也使饲料配方能够更好地满足蛋鸡在不同生长阶段和不同环境条件下的具体需求。例如,通过监测和分析环境温度、湿度对蛋鸡生长的影响,饲料配方可以相应调整以提高其抗应激能力,提升整体生产效率,以进一步提升蛋鸡饲料营养成分检测的准确率。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种蛋鸡饲料营养成分检测方法,其特征在于,包括:
通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据;
通过所述光学信号数据对所述目标蛋鸡饲料进行成分分析,得到初始饲料成分数据;
采集所述目标蛋鸡饲料的饲料颗粒参数,得到颗粒参数集,其中,所述颗粒参数集包括;颗粒直径、颗粒颜色以及颗粒硬度;
通过所述颗粒参数集对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据,具体包括:通过所述颗粒颜色对所述初始饲料成分数据进行数据分类,得到饲料分类数据;对所述颗粒直径以及所述颗粒硬度进行数据融合,得到融合颗粒参数;对所述融合颗粒参数进行数值转换,得到融合颗粒数值参数;通过所述融合颗粒数值参数对所述饲料分类数据进行匹配,得到融合饲料分类数据;通过所述融合饲料分类数据对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据;
采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集,具体包括:采集所述蛋鸡生长数据,其中,所述蛋鸡生长数据包括体重、饲料摄入量、水消耗量以及产蛋率;采集所述养殖环境数据,其中,所述养殖环境数据包括:温度、湿度、光照强度以及氨气浓度;将所述蛋鸡生长数据以及所述养殖环境数据合并为所述生长环境数据集;
通过所述生长环境数据集对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案,具体包括:基于预置的营养参数数据库,所述生长环境数据集进行营养参数采集,得到初始营养参数;通过所述蛋鸡生长数据对所述初始营养参数进行数据修正,得到目标营养参数;对所述目标饲料成分数据进行成分营养参数分析,得到饲料营养参数;对所述目标营养参数以及所述饲料营养参数进行参数差异识别,得到差异参数数据;基于所述差异参数数据对所述饲料成分进行添加剂匹配,得到添加剂信息;
基于所述添加剂信息对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案,具体包括:对所述添加剂信息进行生长率指标特征采集,得到生长率指标特征;对所述生长率指标特征进行去噪处理,得到去噪特征集;对所述去噪特征集进行反应指标提取,得到反应指标集;通过所述反应指标集对所述目标饲料成分数据进行饲料配比分析,得到目标配比数据;基于所述目标配比数据对所述目标饲料成分数据进行配方方案构建,得到目标饲料配方方案。
2.根据权利要求1所述的蛋鸡饲料营养成分检测方法,其特征在于,所述通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据步骤,包括:
对所述光纤传感器进行波长参数设置,得到波长参数设置后的光纤传感器;
通过经过波长参数设置后的光纤传感器对所述目标蛋鸡饲料发射预设波长的调制光,实时采集反射光信号,得到所述光学信号数据。
3.根据权利要求1所述的蛋鸡饲料营养成分检测方法,其特征在于,所述通过所述光学信号数据对所述目标蛋鸡饲料进行成分分析,得到初始饲料成分数据步骤,包括:
将所述光学信号数据转换为电信号数据,并对所述电信号数据进行信号放大,得到放大信号数据;
对所述放大信号数据进行滤波处理,得到滤波信号数据;
对所述滤波信号数据进行模数转换,得到数字化信号数据;
通过主成分分析算法对所述数字化信号数据进行特征分离,得到多个子特征;
分别对每个子特征进行成分量化,得到所述初始饲料成分数据。
4.一种蛋鸡饲料营养成分检测系统,用以执行如权利要求1至3任一项所述的蛋鸡饲料营养成分检测方法,其特征在于,包括:
第一采集模块,用于通过预置的光纤传感器对目标蛋鸡饲料进行光学信号采集,得到光学信号数据;
第一分析模块,用于通过所述光学信号数据对所述目标蛋鸡饲料进行成分分析,得到初始饲料成分数据;
第二采集模块,用于采集所述目标蛋鸡饲料的饲料颗粒参数,得到颗粒参数集,其中,所述颗粒参数集包括;颗粒直径、颗粒颜色以及颗粒硬度;
修正模块,用于通过所述颗粒参数集对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据,具体包括:通过所述颗粒颜色对所述初始饲料成分数据进行数据分类,得到饲料分类数据;对所述颗粒直径以及所述颗粒硬度进行数据融合,得到融合颗粒参数;对所述融合颗粒参数进行数值转换,得到融合颗粒数值参数;通过所述融合颗粒数值参数对所述饲料分类数据进行匹配,得到融合饲料分类数据;通过所述融合饲料分类数据对所述初始饲料成分数据进行数据修正,得到目标饲料成分数据;
第三采集模块,用于采集蛋鸡生长数据以及养殖环境数据,得到生长环境数据集,具体包括:采集所述蛋鸡生长数据,其中,所述蛋鸡生长数据包括体重、饲料摄入量、水消耗量以及产蛋率;采集所述养殖环境数据,其中,所述养殖环境数据包括:温度、湿度、光照强度以及氨气浓度;将所述蛋鸡生长数据以及所述养殖环境数据合并为所述生长环境数据集;
第二分析模块,用于通过所述生长环境数据集对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案,具体包括:基于预置的营养参数数据库,所述生长环境数据集进行营养参数采集,得到初始营养参数;通过所述蛋鸡生长数据对所述初始营养参数进行数据修正,得到目标营养参数;对所述目标饲料成分数据进行成分营养参数分析,得到饲料营养参数;对所述目标营养参数以及所述饲料营养参数进行参数差异识别,得到差异参数数据;基于所述差异参数数据对所述饲料成分进行添加剂匹配,得到添加剂信息;
基于所述添加剂信息对所述目标饲料成分数据进行饲料配方分析,得到目标饲料配方方案,具体包括:对所述添加剂信息进行生长率指标特征采集,得到生长率指标特征;对所述生长率指标特征进行去噪处理,得到去噪特征集;对所述去噪特征集进行反应指标提取,得到反应指标集;通过所述反应指标集对所述目标饲料成分数据进行饲料配比分析,得到目标配比数据;基于所述目标配比数据对所述目标饲料成分数据进行配方方案构建,得到目标饲料配方方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410547577.8A CN118130368B (zh) | 2024-05-06 | 2024-05-06 | 一种蛋鸡饲料营养成分检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410547577.8A CN118130368B (zh) | 2024-05-06 | 2024-05-06 | 一种蛋鸡饲料营养成分检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118130368A CN118130368A (zh) | 2024-06-04 |
CN118130368B true CN118130368B (zh) | 2024-07-05 |
Family
ID=91237975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410547577.8A Active CN118130368B (zh) | 2024-05-06 | 2024-05-06 | 一种蛋鸡饲料营养成分检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118130368B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117752023A (zh) * | 2024-01-26 | 2024-03-26 | 仁怀兴康农养殖有限责任公司 | 一种可提高蛋鸡免疫力的鸡饲料配方 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT403054B (de) * | 1996-03-04 | 1997-11-25 | Stauffer Elisaweta Mag | Verfahren und vorrichtung zum bestimmen coliformer und fäkalcoliformer keime in wasser |
US6745131B2 (en) * | 1999-08-31 | 2004-06-01 | Adisseo France S.A.S. | Feedstuffs and methods for obtaining them |
WO2008013939A1 (en) * | 2006-07-27 | 2008-01-31 | Beck James F | Method and feed for enhancing ruminant animal nutrition |
CN108669467A (zh) * | 2018-04-28 | 2018-10-19 | 孟连华盛农牧科技发展有限公司 | 酸皮加工工艺 |
EP3890492A4 (en) * | 2018-12-03 | 2022-11-09 | Newleaf Symbiotics, Inc. | METHODS FOR OBTAINING AND USING PLANTS AND PARTS OF PLANTS WITH INCREASED NUTRIENT, OIL AND/OR PROTEIN CONTENT |
BR112021012742A2 (pt) * | 2018-12-31 | 2021-09-08 | OmniGen Research, L.L.C. | Suplementos alimentares |
CN117589929A (zh) * | 2023-11-01 | 2024-02-23 | 江苏绿佳生态农业科技有限公司 | 一种矮小型蛋鸡富硒生物发酵饲料的研究方法 |
-
2024
- 2024-05-06 CN CN202410547577.8A patent/CN118130368B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117752023A (zh) * | 2024-01-26 | 2024-03-26 | 仁怀兴康农养殖有限责任公司 | 一种可提高蛋鸡免疫力的鸡饲料配方 |
Also Published As
Publication number | Publication date |
---|---|
CN118130368A (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101718683B (zh) | 快速检测叶片叶绿素含量的建模方法及检测方法 | |
CN100480680C (zh) | 多光谱肉类新鲜度人工智能测量方法及系统 | |
CN107185850B (zh) | 一种基于高光谱成像及电阻抗的玉米种子活力检测装置 | |
CN101382488B (zh) | 利用可见-近红外漫反射光谱技术检测茶鲜叶氮含量的方法 | |
CN102081039A (zh) | 一种环境可控的作物营养水分高光谱图像检测装置 | |
CN103257109A (zh) | 畜肉细菌总数检测系统及方法 | |
CN101339117B (zh) | 稻米参数自动测量装置及方法 | |
CN111380813B (zh) | 一种便携式小麦种子多品质无损检测装置及检测方法 | |
CN109069008A (zh) | 光学设备和信息处理方法 | |
Marcon et al. | Estimation of total leaf area in perennial plants using image analysis | |
CN104155264A (zh) | 一种用近红外光谱技术预测火炬松松脂中松节油含量的方法 | |
CN201041553Y (zh) | 基于多光谱成像技术的水果品质无损检测系统 | |
CN118130368B (zh) | 一种蛋鸡饲料营养成分检测方法及系统 | |
CN102788796A (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
CN101911877B (zh) | 基于激光漫反射图像技术的种子生命力鉴别装置和方法 | |
CN109342378A (zh) | 基于多模态成像技术的菌落生长状态检测装置及方法 | |
CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
Aronne et al. | Classification and counting of fluorescent pollen using an image analysis system | |
CN114720421B (zh) | 一种基于近红外光谱的燕麦相对饲用价值的检测方法 | |
Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
KR100859131B1 (ko) | 우유의 신선도 판별용 근적외선 분광 분석 시스템 | |
Wang et al. | Research on application of smart agriculture in cotton production management | |
KR20190071204A (ko) | 통합 식물체 재배환경 분석시스템 |
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 |