JPH07102057B2 - 家畜飼養管理システム - Google Patents
家畜飼養管理システムInfo
- Publication number
- JPH07102057B2 JPH07102057B2 JP17757193A JP17757193A JPH07102057B2 JP H07102057 B2 JPH07102057 B2 JP H07102057B2 JP 17757193 A JP17757193 A JP 17757193A JP 17757193 A JP17757193 A JP 17757193A JP H07102057 B2 JPH07102057 B2 JP H07102057B2
- Authority
- JP
- Japan
- Prior art keywords
- livestock
- age
- measurement
- weeks
- data
- 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.)
- Expired - Lifetime
Links
- 244000144972 livestock Species 0.000 title claims description 57
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000005259 measurement Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 26
- 238000009395 breeding Methods 0.000 claims description 19
- 230000001488 breeding effect Effects 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- KDXKERNSBIXSRK-UHFFFAOYSA-N Lysine Natural products NCCCCC(N)C(O)=O KDXKERNSBIXSRK-UHFFFAOYSA-N 0.000 claims description 3
- 239000004472 Lysine Substances 0.000 claims description 3
- 241001465754 Metazoa Species 0.000 claims description 3
- 102000004169 proteins and genes Human genes 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 21
- 230000007613 environmental effect Effects 0.000 description 9
- 241000282887 Suidae Species 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 210000004958 brain cell Anatomy 0.000 description 7
- 235000013372 meat Nutrition 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000384 rearing effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000019789 appetite Nutrition 0.000 description 2
- 230000036528 appetite Effects 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 239000003102 growth factor Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 241000519695 Ilex integra Species 0.000 description 1
- 230000008512 biological response Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000020595 eating behavior Effects 0.000 description 1
- 230000000459 effect on growth Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 235000003170 nutritional factors Nutrition 0.000 description 1
- 238000009304 pastoral farming Methods 0.000 description 1
- 235000021075 protein intake Nutrition 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 235000019786 weight gain Nutrition 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
Landscapes
- Housing For Livestock And Birds (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
を用いた畜産業の支援システムに関する。
飼料に含まれるタンパク質やエネルギー水準といった栄
養要因のみで決定されるものではなく、性別の違いや動
物自身の遺伝的要因、温度、湿度、風速等の環境要因、
飼育される畜舎構造、飼育密度、疾病の有無など、種々
の要因が複雑にかかわっている。
予測することは、最小コストで最大の利益を得るため
に、畜産営業では重要なことである。そのため、各所で
畜産の成長予測研究が進められている。
要因と家畜の成長との関係を回帰式で示し、最終的にそ
れらのモデルを要因法によって組み合わせてシミュレー
ションする方法が取られていた。
とした重回帰モデルを利用して予測する方法も検討され
ていた。しかし、家畜の成長には数多くの要因があり、
個体差による成長のばらつきが大きく、かつ相互に影響
しあっているために、これらの方法では予測精度が低く
なり、実用性の高いシステムを構築することができな
い。
精密な予測解析法を用いることが重要である。しかし、
それだけでは十分とはいえない。どんなに精密な解析法
を見い出しても、そのもととなるデータが正確でなかっ
たり、データ量が足りない場合には、やはり予測そのも
のが不正確なものとなってしまう。さらに、予測結果が
正確でも、迅速に現状に合わせて家畜の飼養に反映して
いくことができなければ、精密な解析結果も絵に描いた
餅となってしまう。
フィードバック等の処理を一貫して行える総合飼養管理
支援システムというものがない。このため、家畜の畜産
業界では近代的な手法による畜産経営ができないのが現
状である。
ムでは様々なシミュレーション方法が用いられている
が、従来のシステムは上記のように実用性という点では
難点がある。因果関係が複雑でモデルが作りにくい場合
のシミュレーション方法としてはニューラルネットワー
ク法は大きな効果を上げることがある。
いる方法は、どのような特徴量を選 べば学習効果が上が
るかは一般的には不明であり、適切な特徴量の選択は困
難な作業となる。したがって、単にニューラルネットワ
ークを使えば様々な問題が解決できるということはな
く、対象となる問題に適切な特徴量のセットが見つかっ
た場合のみ解決できるのである。
法ではなく、肉質や出荷時期の調整などが総合的に行え
る飼養管理支援システムを構築することを目的とする。
さらに詳細には、家畜飼養の予測に用いられるニューラ
ルネットワークシミュレーションシステムを有効に動か
すことのできる特徴量である成長予測因子を見いだすこ
とを目的とする。
ムは、飼養過程の特定の計測時の段階で成長予測を行う
場合、当該特定の計測時の週齢までの家畜の生育データ
および畜舎の環境データを集録・解析し、成長予測因子
として、系統、性別、生時体重、計測時週齢体重、満3
週齢から前記計測時週齢までの体重増分、満3週齢から
前記計測時週齢までに摂取した飼料の可消化エネルギ
ー、満3週齢から前記計測時週齢までに摂取した蛋白
量、満3週齢から前記計測時週齢までに摂取したリジン
量、満3週齢から前記計測時週齢までの飼育密度、満4
週齢から計測時週齢までを過ごした畜舎の舎内平均気
温、満4週齢から計測時週齢までを過ごした畜舎の舎内
平均湿度、および満4週齢から計測時週齢までを過ごし
た畜舎の舎内平均風速を含むデータをニューラルネット
ワークシミュレーションシステムに入力し、家畜の成長
や出荷時の肉質の予測を行って飼養するものである。
による家畜飼養管理支援システムの一例の構成図であ
る。ニューラルネットワーク飼養管理支援システムの概
要は以下の通りである。家畜の飼育舎1には、舎内の気
温、湿度および換気にともなう風速などを制御する飼養
環境フィードバック装置2が設備されている。飼養環境
フィードバック装置2はニューラルネットワークによっ
て解析された結果をもとに、温度、湿度、風速などの飼
育舎の環境を調整する。
舎内の温度、湿度、風速等の環境データを自動的に計測
する。この際、偏った箇所のデータを収集しないよう
に、何箇所かに設置する。センサー3はまた、飼育舎の
環境が一様になっていることを確認するとともに、ニュ
ーラルネットワーク解析のための環境データの集録も行
う。
データロガー4で集録されるとともに、必要に応じてプ
リンタに出力される。また、ICカード5に集録データ
を格納する。ICカードのデータはICカードリーダー
9により読みとられ、データ集録用コンピュータ10に
送られる。
3のほかに、家畜の体重計測用ロードセル6が設置され
ている。ロードセル6は家畜の成長を知るうえで欠かせ
ない装置である。
幅され、アナログ信号をデジタル信号に変換するAD変
換器8を通してデータ集録用コンピュータ10に送られ
る。データ集録用コンピュータ10には時系列の環境デ
ータ並びに生育データが入力され、集録、統合する。
フロッピイディスクを介して、あるいは通信回線を介し
て直接データをデータ解析用コンピュータ11に送る。
データ解析用コンピュータ10にはニューラルネットワ
ークプログラムが内蔵されている。ニューラルネットワ
ークシミュレーションシステムで解析された結果をもと
に、各装置を通して温度、湿度、風速などの飼育舎の環
境を調整する。図1に示す例では、飼育環境データのみ
のフィードバックしか記述されていないが、飼料の配合
なども自動的にフィードバックさせることが可能であ
る。ニューラルネットワークによって解析された結果を
もとに、なお、解析結果は必要に応じてプリンタバッフ
ァ12を経由してプリンタ13から出力される。
による家畜飼養管理支援システムの一例の構成である
が、この例では点線で囲まれた部分14は中央のコンピ
ュータセンターであり、各農場のコンピュータとはオン
ラインで結ばれている。また、図では一つの畜舎しか描
いてないが、実際には複数の畜舎が中央のコンピュータ
で管理できる。
トワークを使用している。その理由は、従来の重回帰分
析に比べて予測精度がよいこと、および同時に複数の予
測データを並列で扱えるためである。
援システムの、データを中心にした処理の流れを図2に
載せておく。処理はエンドエレス、すなわち24時間3
65日稼働である。図2では家畜の出荷は記してある
が、適時飼育舎への家畜の搬入もある。この点は図2の
流れ図では省略されている。
にニューラルネットワーク手法の一つであるバックプロ
パゲーション学習法による成長予測を立てる。図3はニ
ューラルネットワークモデルの概念図である。丸印がユ
ニットを表し、人間の脳細胞に例えるとユニットは人間
の脳細胞であり、ユニットとユニットを結ぶ線はニュー
ロン(神経細胞)に相当する。
も例外ではなく、刺激があると、その刺激の大きささに
比例した電流が流れる。ただし、脳細胞から脳細胞に電
流が伝わるためには、ある大きさ以上の電流でなければ
ならない。これをしきい値という。
なら電流は脳細胞から脳細胞に伝わるが、I<θなら電
流は伝わらない。このような電流の伝わり方が回路を作
り、記憶として残る。何度も同じ刺激を受けると、その
回路のしきい値は小さくなる。すなわち、以前は反応し
なかったような弱い刺激に対しても、回路が反応するこ
とができようになる。これが、学習である。
脳の学習とはすこし意味が違うが、繰り返し操作によっ
て正しい回路(正確には重み係数の確立)を形成してい
く。ユニットの一連の並びを層といい、元データの入力
となる最初の層を入力層といい、最終的な結果を出力と
する層を出力層という。入力層と出力層の間の層を中間
層という。
扱えるが、本発明のニューラルネットワークシステムで
のテストでは3層のときに一番よい結果が得られた。こ
のネットワークの組み方は、扱うアプリケーションによ
っても異なる。その意味では、かなり自由度のあるネッ
トワーク化が可能である。
トに対する入力データをyi (S)、(S−1)層のjユニ
ットからS層のiユニットに伝わるデータの重み係数を
wij (S)としよう。S層のiユニットに流れ込むデータ
の総和xi (S)は xi (S)=Σwij (S)yj (S-1)−θi (S) と表せる。ここでΣはj=1〜N(S-1)の総和、θi (S)
はS層iユニットのしきい値である(N(S-1)は(S−
1)層のユニット数)。上式は、数学的には xi (S)=Σ(wij (S)yj (S-1)) と書ける。
wi0 (S)=−θi (S)かつy0 (S-1)=1とする。このxi
(S)が即S層iユニットに伝えられるデータの大きさで
はなく、生体脳細胞に模して、出力データの大きさyi
(S)は非線形関数fによって、 yi=f(xi (S)) と関連付けられる。
関数にシグモイド関数、 f(z)=1/(1+e-z) を用いる。層の数をSmaxとすると、S0は入力層、S
maxは出力層である。図4に示すようなバックプロパゲ
ーション学習法では、まず実測データをもとに重み係数
wij (S)を決定する。それには、実測データyi (0)と教
師信号(期待出力)diを与える。まず、入力層から出
力層に向かって、前向きに yi (S)=f(xi (S))=f(Σwij (S)yj (S-1)) と求める(S=1→Smax)。
う。重み係数wij (S)の初期値は適当な値を設定する。
この例では乱数で−1〜1の範囲で与えた。
来ならyi (Smax)=diになるはずである。しかし重み係
数が適当な値であるから、出力データyi (Smax)は必ず
しも求める値にはならない。そこで、教師信号diとの
自乗誤差の総和Eを、 E=(Σ(yi (Smax)−di)2)/2 と定義し、Eを評価関数として、それを暫時小さくする
ように重み係数wij (Smax)および中間層のwij (S)を修
正していく。すなわち、 wij (S)(t+1)=wij (S)(t)−η・(δE/δw
ij (S)) …(1) として、順次、重み係数を更新していく。
を高める重み変更係数、δは偏微分記号とする。上式を
もとに、出力層から入力層に向かって重み係数を補正し
ていく(S=Smax→1)。
とよぶ)により、自乗誤差の総和Eをゼロ(プログラム
上ではある値以下)にする。その結果、求められた重み
係数を使って、入力層のデータを変えることによって予
測を行う。
予測を行うニューラルネットワークについて説明する。
とくに本発明では、ニューラルネットワークの一つの手
法であるバックプロパゲーション学習法を採用してデー
タ解析を行い、それをもとに飼料配合や飼育環境の調整
などをフィードバックし、飼養管理を行う。
ション学習法を説明する。豚は、飼育管理下では生後3
週ないしは4週で分娩豚舎より肥育舎に移す。図5は従
来の飼育環境下での体重面で見た豚の成長線の一例であ
る。豚が100Kgに達した時点で出荷するが、それは
生後約18週齢から24週齢である。豚は、春と秋に食
欲が旺盛で、夏や冬は食欲が落ちる。このために、従来
の管理方法では出荷時期が調整しにくく、また豚舎に移
した時点では、将来の予測、出荷調整が難しかった。
システムでは、プログラム上は、層数、各層のユニット
数は自由に変えられるようにしてある。入力層の入力デ
ータおよび教師信号(期待出力)は、すべて0〜1の間
で正規化して与える。
ューラルネットワーク解析のために過去の約1000頭
の飼育データを使って重み係数を求め、それを成長予測
に利用した。入力層の入力データ項目としては、図6に
示してあるように、系統、性別、生時体重、満3週齢以
降出荷までの期間の内、計測時週齢体重、満3週齢から
計測時週齢までの体重増分、計測時週齢までに摂取した
飼料の可消化エネルギー、摂取蛋白量、摂取リジン量、
飼育密度および満4週齢から計測時週齢までを過ごした
豚舎の舎内平均気温、平均湿度、平均風速などの値を入
力し、予測仕上がり日数を出力する。
として、満8週齢の時点で成長予測を行った場合の結果
を示す。7.5〜17.5日の予測精度において、ニュ
ーラルネットワークの学習サイクル数が増加するにとも
ない、図中の各横線で示した従来の予測技術である線形
重回帰モデルによる予測結果に対し、3〜10%程度高
い予測正答率を得ることができた。
のみにしてあるが、プログラム上は肉質など、他のユニ
ットも付け加えられる。したがって、これらのユニット
を加えて新たに重み係数を求め直せば、同時に複数の予
測が行える。
断機能による肥育豚の成長予測結果は、ニューラルネッ
トワークシミュレーションシステムのプリンタより出力
されるとともに、飼養管理計画と比較検討され、肥育豚
の成長速度に影響を与える飼育舎内の温度、湿度および
風速、さらに給与飼料の栄養成分、エネルギーおよび給
餌方法などの飼養条件がフィードバックし、コントロー
ルされる。これにより、家畜の成長速度の維持・制御が
可能となり、市場の需給の動きを見極めた適正出荷を図
ることができる。また、消費者の好みに合わせた肉質の
調整も可能である。
支援システムは、図8に示すように分析センターを中央
に置き、オンラインで各農家と結ぶことによって、全国
ネットで総合管理することができる。これにより、各畜
産農家ごとの飼養環境に合わせた解析・予測と、農家間
の需給コントロールを効果的に行うことができる。セン
ターにはデータベースを配置して各農家の情報を蓄えて
おき、個々の環境に合わせたデータ解析と予測を行う。
またこのような全国ネットを利用すれば、個々の農家で
は行えない情報がニューラルネットワーク予測の項目に
付加することもできる。
飼養管理支援システムを利用すると、種々の生育要因の
もと、家畜の成長および畜産物の品質を高精度に予測す
ることができ、以下のような効果が得られる。
格、発育への効果、畜産物の品質への影響、畜産物の販
売価格、市場の状況など、さまざまな要因を考慮にいれ
て、最大の利益を上げる飼料設計、飼育管理法を選択で
きる。
飼養管理で解決できる部分と、畜舎改善で解決できる部
分があるが、どちらを選択するかは費用対コストの面か
ら非常に難しいものとなっている。その点、本発明を用
いることによって、両者の投資コストと、それから得ら
れる効果の関係をシミュレーションし、数ある対策のな
かで最小のコストで最大の効果が得られる改善方法が容
易に選択できる。
に対する生体反応が変化することはすでに知られてい
る。本発明では家畜の成長に及ぼす季節の影響を予測す
ることができるから、それを加味した最適な飼料内容や
給与方法が設定できる。
することにより、新たな系統の素畜を導入する際、それ
にともなう自農場における発育成績、経営成績、畜産物
品質の変化を予測し、家畜導入計画を作成することがで
きる。
報、畜舎に設置した環境測定センサー、畜舎の環境制御
装置、農場の技術成績、経営成績等の情報を入手する各
農場の端末と、中央に設置したコンピュータとをオンラ
インで結ぶことで、リアルタイムに逐次成長予測を行
い、それをもとに畜舎の環境調整や最適飼料設定が行
え、より精密な飼養管理が可能となる。さらに、農場ご
とのデータを入力することにより、個別に各農場の条件
に合致したシミュレーションができ、より高い精度で予
測、管理が行える。
ステムの一例の構成図である。
の、情報を中心とした処理の流れの説明図である。
る。
計算処理の説明図である。
ーラルネットワークネットワークの一例の説明図であ
る。
重回帰分析との計算結果の比較を示す図表である。
国ネットワークした場合の概要図である。
Claims (1)
- 【請求項1】 家畜飼育場からのデータにもとづいて飼
育過程の特定計測時段階で成長予測を行うニューラルネ
ットワークを用いる家畜の飼養管理システムにおいて、
系統、性別、生時体重、計測時週齢体重、満3週齢から
前記計測時週齢までの体重増分、満3週齢から前記計測
時週齢までに摂取した飼料の可消化エネルギー、満3週
齢から前記計測時週齢までに摂取した蛋白量、満3週齢
から前記計測時週齢までに摂取したリジン量、満3週齢
から前記計測時週齢までの飼育密度、満4週齢から計測
時週齢までを過ごした畜舎の舎内平均気温、満4週齢か
ら計測時週齢までを過ごした畜舎の舎内平均湿度、およ
び満4週齢から計測時週齢までを過ごした畜舎の舎内平
均風速を含むデータを成長予測因子としてニューラルネ
ットワークシミュレーション解析をおこなうデータ解析
手段、前記データ解析手段による結果を前記飼育場へフ
ィードバックして家畜の飼養管理を行う飼養管理手段を
備えたことを特徴とする家畜飼養管理システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17757193A JPH07102057B2 (ja) | 1993-06-25 | 1993-06-25 | 家畜飼養管理システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17757193A JPH07102057B2 (ja) | 1993-06-25 | 1993-06-25 | 家畜飼養管理システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH078128A JPH078128A (ja) | 1995-01-13 |
JPH07102057B2 true JPH07102057B2 (ja) | 1995-11-08 |
Family
ID=16033301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP17757193A Expired - Lifetime JPH07102057B2 (ja) | 1993-06-25 | 1993-06-25 | 家畜飼養管理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH07102057B2 (ja) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003006276A (ja) * | 2001-06-26 | 2003-01-10 | Nisshin Seifun Group Inc | 畜産コンサルティングシステム |
JP2016146046A (ja) * | 2015-02-06 | 2016-08-12 | 株式会社Jsol | 予測装置、予測方法及びプログラム |
WO2016132415A1 (ja) * | 2015-02-20 | 2016-08-25 | パナソニックIpマネジメント株式会社 | ニワトリの飼育方法 |
US10314293B2 (en) | 2015-05-12 | 2019-06-11 | Sony Corporation | Livestock management system, sensor apparatus, and estimation method for a state of a livestock animal |
JP6566499B2 (ja) * | 2015-09-30 | 2019-08-28 | Necソリューションイノベータ株式会社 | 出荷数量予測装置、出荷数量予測方法、及びプログラム |
WO2017145710A1 (ja) * | 2016-02-23 | 2017-08-31 | ソニー株式会社 | 情報処理装置、情報処理方法、及びプログラム |
EP3430896B1 (en) | 2016-03-15 | 2020-05-13 | Sony Corporation | Information processing device, information processing method, and program |
AU2017283867B2 (en) * | 2016-06-15 | 2020-07-02 | Sony Corporation | Information processing device, method, and program |
CN113543632A (zh) * | 2019-03-11 | 2021-10-22 | 艾酷帕克株式会社 | 畜产自动管理系统 |
JP6696650B1 (ja) * | 2019-04-01 | 2020-05-20 | Assest株式会社 | 飼育環境判別プログラム |
JP6736107B1 (ja) * | 2019-12-02 | 2020-08-05 | 株式会社Eco‐Pork | 畜産情報管理システム、畜産情報管理サーバ、畜産情報管理方法、及び畜産情報管理プログラム |
JP6716811B1 (ja) * | 2019-12-16 | 2020-07-01 | 株式会社Eco‐Pork | 食肉取引状況推定システム、食肉取引状況推定サーバ、食肉取引状況推定方法、及び食肉取引状況推定プログラム |
JP6847478B1 (ja) * | 2020-02-07 | 2021-03-24 | 株式会社Eco‐Pork | 畜産情報管理システム、畜産情報管理サーバ、畜産情報管理方法、畜産情報管理プログラム、畜産情報管理用データ構造 |
CN111696139B (zh) * | 2020-06-01 | 2024-02-02 | 南京农业大学 | 基于rgb图像的白羽种鸡群体体重估测系统和方法 |
JP6778453B1 (ja) * | 2020-06-02 | 2020-11-04 | 株式会社Eco‐Pork | 畜産制御システム、畜産制御サーバ、畜産制御方法、及び畜産制御プログラム |
JP2022014475A (ja) * | 2020-07-07 | 2022-01-20 | Assest株式会社 | 食肉の販売単価提案プログラム |
CN112596392A (zh) * | 2020-12-24 | 2021-04-02 | 青岛科创信达科技有限公司 | 基于大数据的猪舍环境控制器参数自动配置及优化方法 |
CN113281465A (zh) * | 2021-05-07 | 2021-08-20 | 淮阴工学院 | 一种畜禽舍养殖环境有害气体检测系统 |
CN114417242B (zh) * | 2021-12-20 | 2023-03-24 | 淮阴工学院 | 畜禽活动信息的大数据检测系统 |
CN114847168B (zh) * | 2022-05-17 | 2023-03-28 | 四川华能宝兴河水电有限责任公司 | 一种畜牧业智能化养殖系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0530875A (ja) * | 1991-07-26 | 1993-02-09 | Buzen Etsugu Farm:Kk | ウインドウレス鶏舎のfa化システム |
-
1993
- 1993-06-25 JP JP17757193A patent/JPH07102057B2/ja not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPH078128A (ja) | 1995-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH07102057B2 (ja) | 家畜飼養管理システム | |
National Academies of Sciences et al. | Science breakthroughs to advance food and agricultural research by 2030 | |
Ellis et al. | Synergy between mechanistic modelling and data-driven models for modern animal production systems in the era of big data | |
Olesen et al. | Definition of animal breeding goals for sustainable production systems | |
Murphy et al. | Comparison of modelling techniques for milk-production forecasting | |
Vásquez et al. | Expert system based on a fuzzy logic model for the analysis of the sustainable livestock production dynamic system | |
Ribeiro et al. | Generating action plans for poultry management using artificial neural networks | |
Danner et al. | Simulated heat waves reduce cognitive and motor performance of an endotherm | |
CN112116145A (zh) | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 | |
Plà | Review of mathematical models for sow herd management | |
Zhang et al. | Effect of introducing weather parameters on the accuracy of milk production forecast models | |
Gerra | The demand, supply, and price structure for eggs | |
Zhang et al. | Daily milk yield prediction of dairy cows based on the GA-LSTM algorithm | |
Yakubu et al. | Modelling egg production in Sasso dual-purpose birds using linear, quadratic, artificial neural network and classification regression tree methods in the tropics | |
Hogeveen et al. | Development of an integrated knowledge-based system for management support on dairy farms | |
Sugiono et al. | Analysis the relationship of physiological, environmental, and cow milk productivity using AI | |
Smith | Realism, generality, or testability: The ecological modeler's dilemma | |
Stygar et al. | Application of mathematical modelling in beef herd management–a review | |
Wilton | The use of production systems analysis in developing mating plans and selection goals | |
Klotz et al. | Estimating and tuning adaptive action plans for the control of smart interconnected poultry condominiums | |
Van der Waaij et al. | Cow feed intake prediction with machine learning | |
Zhang et al. | A Review of Milk Production Forecasting Models: Past & Future Methods | |
Dougherty | Mechanistic modeling & life cycle assessment of environmental impacts of beef cattle & sheep production | |
HURWITZ et al. | The use of simulation in the evaluation of economics and management of turkey production: dietary nutrient density, marketing age, and environmental temperature | |
Pratiwy et al. | Application of IoT-based Technology in Vaname Shrimp Cultivation: A Systematic Literature |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081108 Year of fee payment: 13 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091108 Year of fee payment: 14 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101108 Year of fee payment: 15 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111108 Year of fee payment: 16 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121108 Year of fee payment: 17 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131108 Year of fee payment: 18 |
|
EXPY | Cancellation because of completion of term |