一、集约化养猪场各类猪栏数量的计算方法（论文文献综述）
靳敏[1]（2021）在《基于机器学习的猪只行为识别与分类方法研究》文中研究指明随着智能化、集约化养殖业的快速发展,以信息技术和人工智能为支撑的精准养猪是现代养猪业可持续发展的必然要求。其中,猪只个体行为感知与分析是精准养猪的关键,行为变化是猪对其生长环境变化做出的最直接反应。目前,多数养猪场中,智能化、自动化饲喂和环控设备已得到基本普及,但在判断猪对环境需求的变化以及猪只行为是否异常方面,主要还是依靠饲养员的直觉和经验,这种方法不仅耗费大量的时间和精力,还常常因人为因素造成猪只疾病加重甚至死亡的现象。因此,探索高效地、准确地采集和识别猪只行为的方法,研究猪舍环境温度对猪的影响,不仅具有较高的学术研究价值,对于提高猪的福利化水平、指导养猪场的环控策略、提高养猪场的经济效益以及促进中国精准养猪业的快速发展均具有重要作用。综合考虑精准养猪领域的研究现状和实际应用的迫切需求,本研究将智能传感器检测技术、信号降噪方法、数据预处理方法、数值模拟方法以及机器学习算法相结合,以不同育肥阶段的猪为研究对象。通过理论分析结合实地试验对试验猪在低温、中温和高温环境下的躺卧、站立、行走和探究行为进行数据采集、数据预处理以及分类识别,并研究环境温度对试验猪生长性能、生理指标和行为的影响。主要内容如下:（1）根据试验猪只体积大小,设计了一款集三轴加速度传感器和UWB定位模块于一体的可调节穿戴式猪只行为信息采集装置。在保证试验猪舒适度的前提下对比分析了三轴加速度传感器分别固定在试验猪身体不同部位时的数据采集效果,确定了传感器的最佳部署位置。同时,对比分析了UWB定位模块分别固定在试验猪腿部和背部时的定位精度以及试验猪行走速度对定位精度的影响,试验结果表明该系统的定位误差在合理范围内,能够满足本研究的定位需求。所采集到的试验猪只行为数据经无线传输传入上位机进行显示与存储。（2）根据猪只行为信号特点,选择适用于这类非线性、非平稳信号的小波降噪方法处理猪只行为信号。针对现有软、硬阈值函数的不足,引入指数函数对阈值函数进行改进。以信噪比和均方误差为评价指标,将几种常用小波基、阈值规则、分解层数和阈值函数一一组合,找到最适用于本研究的小波参数组合,并与传统EMD方法相比较。对试验猪只行为数据的分类识别结果表明:采用小波降噪后的数据训练模型,各类行为的分类识别效果均得到了显着提高。具体表现为:猪A的总体平均准确率从88.7%提高到92.5%;猪B的总体平均准确率从91.8%提高到93.6%;猪C的总体平均准确率从91.7%提高到95.4%;三头试验猪在三种环境温度下的总体平均准确率也从83.7%提高到了90.1%。（3）为了解决不平衡数据集分类识别结果具有偏倚性的问题,本文从特征提取、数据平衡化处理和分类算法改进三个层面着手研究。首先,从所采集到猪只行为数据的X、Y和Z三个方向上的加速度数据中分别提取它们的均值、中位数、峰值以及第一和第三四分位数,共同构成一个21维的数据集。考虑到该数据集的维数较高,易引发“维数灾难”问题,进而导致分类识别效果不佳。本研究选择适用于处理多分类问题的Relief F算法和随机森林算法分别分析了各个特征对分类识别结果的影响与所有特征的重要性排序,删除对分类结果影响甚微的特征,实现了对21维数据集的特征降维。结果表明:将采用随机森林算法降维后的数据集用于分类识别的效果更好。此外,为了进一步提高分类识别效果,参照试验猪各类行为持续时间的长短,对降维后的数据集进行基于三种时间滑动窗口长度（3s,4s和5s）的加窗处理。结果显示:当滑动窗口长度为5s时分类识别效果最好,相对于3s和4s的窗口长度,平均准确率有了显着的提升,最高提升了8.3%。（4）针对试验猪行为数据集的不平衡程度和现有数据过采样方法的不足,本文提出了自适应边界数据过采样（AD-BL-SMOTE）算法。该算法实现了对少数类中边界样本的区分,加大了对较难分类的、处于边界的少数类样本的数据增强力度,使得这类样本的数量增多,而对于易分类的、处于边界的少数类,其新合成样本的数量相对减少。该算法既能在合成新少数类样本的同时有效避免样本重叠的情况,又不会对多数类的数据分布造成任何影响,满足本研究中只希望扩充少数类数据而不改变多数类数量和分布的目的,并通过试验验证了该算法的优越性。（5）在小波降噪的基础上分别采用机器学习算法中的BP神经网络和基于灰狼优化算法的支持向量机方法（GWO-SVM）对平衡化后的试验猪只行为数据进行分类识别,并通过交叉验证找到每种算法的最优参数组合。其中,采用BP神经网络的识别效果相对更好。猪A、猪B和猪C分类识别的总体平均准确率分别可达到92.5%、93.6%和95.4%;对于三头试验猪在不同温度下分类识别的总体平均准确率也达到90.1%。另一方面,本文引入加权损失函数（Weighted Loss Function）和惩罚因子分别对神经网络中的Soft Max函数以及GWO-SVM算法进行改进。使用上述两种改进算法对试验猪只行为数据进行分类识别时,原始不平衡数据集无需经过平衡化处理,可直接用于模型训练和验证。结果显示:猪A、猪B和猪C分类识别的总体平均准确率依次为91.1%、92.3%和94.1%;三头试验猪在不同环境温度下分类识别的总体平均准确率为87.6%。总体来看,先进行平衡化处理再采用BP神经网络进行分类识别得到的准确率更高,效果更好,更能满足本研究对猪躺卧、站立、行走及探究这四类行为的识别需求。（6）研究了环境温度对试验猪生长性能、生理指标和行为方面的影响。首先分析了低温、中温和高温环境下各试验猪平均日采食量、日增重和饲料转化率的变化;各试验猪体核温度、体表温度和呼吸速率的变化,以及环境温度与试验猪加权体表温度的相关性。此外,采用CFD数值模拟方法模拟了低温、中温和高温三种环境温度下,试验猪栏内温度场的时空分布。结合UWB定位系统采集试验猪在猪栏内的实时位置,得到猪A、猪B和猪C在不同环境温度下的活动范围、轨迹以及一天内试验猪的运动速度变化和因运动所消耗的能量,以此分析了环境温度对试验猪运动量、躺卧位置和行为时间分配的影响。
张苏楠[2]（2020）在《生猪异常行为多源监测及其信息融合方法的研究与应用》文中研究表明畜牧业作为农业的重要组成部分,在国民经济发展中的基础地位不可动摇。综合考量养殖环境、品质及效率等因素,生猪集约化养殖意义重大。目前,现代集约化养猪场已经逐步实现无人值守,对无人值守养猪场中生猪异常行为进行智能监测,是实现安全养殖、高品质养殖和高效养殖的现实需求。本论文运用机器视觉技术、声音识别技术和超声波技术三种监测手段,从多角度对生猪异常行为进行数字化综合监测,最后采用多源信息融合方法对生猪多源多时段异常行为进行融合评价。主要研究内容如下:（1）基于机器视觉的生猪动作异常监测生猪聚散程度与生猪疾病预防、热舒适性密切相关,生猪打斗行为会影响生猪健康状况与福利水平。为了检测复杂环境下圈养生猪的聚散程度与打斗行为,采用机器视觉技术识别生猪过度聚集与打斗行为。针对复杂养殖环境下,传统目标检测方法在生猪个体检测过程中的局限性,提高对紧密接触生猪的检测精度,提出了结合改进多视窗检测方法和单点多盒检测器（Single Shot Multi Box Detector,SSD）的生猪目标检测方法,并定义了生猪离散度以表征生猪聚散程度,通过实验比较,设定合适的离散度阈值,实现生猪过度聚集检测。在生猪打斗行为识别过程中,针对生猪打斗行为特征,提出了结合帧间差分法（Frame Difference,FD）和SSD的运动生猪个体检测方法,可以有效排除环境因素与静止生猪对打斗行为识别的干扰,确定运动生猪位置,最后根据检测到的运动生猪位置信息与运动持续时间,设计了生猪打斗行为判别方法,该方法可以有效地识别圈养生猪的打斗行为,为饲养员判断生猪异常行为提供依据。（2）生猪异常声音的改进多重支持向量数据描述识别方法生猪在身体状况发生变化或外界环境刺激下会发出不同的声音,本论文选择常见的惊骇声与咳嗽声作为生猪异常声音。为了检测并分类生猪惊骇声和咳嗽声,提出了生猪异常声音的多重支持向量数据描述（Multiple Support Vector Data Description,Multi-SVDD）识别方法。针对训练样本标记错误容易导致Multi-SVDD在训练中出现欠拟合,影响识别精度的问题,根据每个训练样本的重要性赋予相应的权重,对Multi-SVDD进行改进,提高模型的容错能力。实验结果表明,改进Multi-SVDD可以有效地识别生猪异常声音,且具有较强的适用性。（3）生猪饮食异常的改进PSO-SVDD判断方法生猪饮食在一定程度上可以表征生猪的健康状况,本论文采用课题组设计的基于超声波的生猪饮食数据采集装置采集生猪饮食数据,以生猪每天的饮食次数与饮食时间数据为基础,提出采用SVDD对生猪饮食异常进行判断。针对SVDD中惩罚因子与核函数参数难以确定的问题,利用粒子群优化（Particle Swarm Optimization,PSO）算法对SVDD参数进行优化。由于生猪饮食异常具有一定的模糊性,传统决策函数进行模糊决策时精度受限,本论文通过构建模糊决策函数对PSO-SVDD进行改进,并利用改进PSO-SVDD模型对生猪饮食异常进行判断。实验结果表明,该方法可以更加准确地判断生猪饮食异常。（4）生猪多源多时段异常行为的灰色证据组合模型融合评价方法由于在生猪异常行为监测过程中,单一的监测手段很难全面、准确地实现生猪异常行为自动监测,因此需要从多角度、利用不同的监测手段进行融合判断。同时,为了避免单一时段异常判断结果的偶然性对异常等级评估造成影响,本论文采用结合灰色聚类评估模型与D-S证据理论的灰色证据组合模型对生猪多源多时段异常行为进行融合评价。针对D-S证据理论融合高冲突证据时无法得到合理结果的问题,引入证据可信度对组合规则进行改进。该方法可以有效地对生猪多源多时段异常行为进行融合评价,为饲养员提供有效的生猪异常信息,提高监测效率。针对集约化养猪场中生猪异常行为智能监测问题,设计了生猪异常行为多源监测系统,通过机器视觉技术、声音识别技术与超声波技术检测不同的异常信息,并对多源异常信息进行融合评价,有助于提高集约化养猪场的工作效率,为生猪行为监测从人工到数字化、智能化的升级转换提供了一定的理论支持和技术保障。
王瑜[3]（2020）在《基于WSN纵向通风猪舍温热环境监测及CFD模型的研究》文中指出当今社会,猪肉已经成为人们的日常所需,养猪行业也慢慢变成中国的支柱行业。因此,养猪过程中出现的猪只健康问题也已成为养猪场关注的焦点。猪舍热环境对于猪体健康的影响尤为明显,因此如何能够有效地获取猪舍的热环境情况并进行分析判断显得尤为重要,并且需要借助无线传感器网络来取代人为测量,既可以实时监测又不需要人进入猪舍,减轻了猪舍有害气体对人体的伤害。本研究针对常见纵向通风猪舍的温热环境进行监测,并结合较为成熟的CFD模拟仿真技术对猪舍的热环境变化进行仿真模拟分析,分析结果对于猪舍热环境分布规律的研究和后期的猪舍控制具有相当重要的意义。影响猪舍热舒适性的因素有很多,除了温湿度以外还包括风速和热辐射,猪体的热舒适感是这些因素综合作用的结果,传统温湿度指标不能表达猪体真正的热舒适感。本文基于人体PMV（平均预测投票）指标,相应地提出了猪体PMV指标,于此同时,设计了一种以无线传感器网络为主体的热环境监测系统,通过无线组网实现了猪舍多点位同时测量,对猪舍的热环境进行三天无间断监测。实验地点选择华中地区一典型纵向通风猪舍,无线传感器节点按照猪舍平面图进行均匀分布,并选取湿帘作用下的一天中午某时刻的测量数据进行CFD模拟仿真,验证湿帘作用下的猪舍热环境状况并采用所提出的猪体PMV指标进行猪舍热环境的评价。研究分析过程采用计算流体动力学（computational fluid dynamics,CFD）对夏季湿帘作用下的猪舍建立可信的温湿度模型场,并在此基础上计算得到了猪体PMV场仿真模型,将模型数据与无线传感器网络的数据进行对比,结果证明它的误差波动在6%以下。模拟的结果表明湿帘作用下的猪舍温度整体上降低了4℃左右,气流呈现出两边高中间低,靠进墙壁的地方和猪舍角落的地方呈现出一定面积的气流死区,猪体PMV指标在湿帘作用下的波动范围在-0.5～+0.5之间,属于舒适的指标范围内。通过本研究,可以更好地了解猪生活区热舒适度的分布情况,并为将来优化生猪居住环境提供坚实的基础。
青林[4]（2020）在《北方地区小型养猪场数字化管理系统研究》文中研究说明为解决当前我国小型规模化养猪场饲养管理粗放,缺乏系统化管理,无法标准化、流程化等问题,本课题以内蒙古农业大学海流图现代养猪场（以下简称海流图现代养猪场）为研究对象,全面分析其饲养工艺流程及数字化管理需求,以此为切入点构建小型规模化养猪场数字化管理系统。该系统包括基础数据、生猪管理、母猪管理、饲料管理、药品管理和环境监控等六个基础模块及统计分析和智能预警两个重点模块。基于Django框架及Python编程语言,实现系统结构功能,使饲养各个环节的管理全程数字化。其中,统计分析模块分别对猪场死亡率、分娩率、疾病情况、母猪非生产天数（NPD）等数据进行动态分析,为生猪生产管理提供智能化决策信息,提高生产效率和经济效益。智能预警模块对繁育重要时间节点进行智能提示,进一步提升繁育环节的精准管理能力。系统开发采用Web 2.0技术平台,以结构化开发方法与面向对象的思想,基于B/S（浏览器/服务器）架构模式和Django作为开发框架,以Python3.0为前端开发语言,选用SQLite关系型数据库作为后台数据库服务器,结合HTML、CSS、JS等开发工具共同实现系统前端开发。管理系统具备以下功能:（1）主要实现猪场的生产管理和猪只资料数字化管理,包括猪场基础数据管理、母猪管理、生猪管理、药品管理、饲料管理和环境监控等模块,实现信息的搜索、添加、编辑、批量删除、Excel导出和打印等功能。（2）对母猪发情、配种、初检、复检、分娩和断奶等繁育环节进行智能提示。（3）针对猪场分娩率、死亡率、产仔情况分析、疾病情况、母猪非生产天数（NPD）分析和死淘汰原因分析等生产数据进行统计,并实现图表分析功能。综上,该系统为猪场养殖提供数据支撑,促使猪场标准化运作,实现了养猪场各个生产环节的数字化管理,提高了猪场养殖信息化管理水平,使养猪场取得更好的经济效益和社会效益。
解天[5]（2020）在《基于漏缝地板的垂直通风猪舍环境模拟及试验研究》文中指出适宜的猪舍通风是改善猪舍环境的重要手段,其能有效调节猪舍温度、相对湿度、风速和有害气体浓度等环境因素,为猪只提供舒适的生长环境,保障猪只健康生长和生产潜力的充分发挥。因此系统、准确和快速地设计和评估猪舍环境对生猪饲养尤为重要。猪舍垂直通风模式是近年来应用于猪舍通风的一项新技术,具有气流轨迹独立、温度分布均匀、有害气体浓度低等优点,但相较于水平通风,其自上而下的空气运动路径使得采用计算流体力学（CFD）技术模拟评估舍内环境时,需要将漏缝地板按实际结构、尺寸进行建模,以保证模拟的合理与准确。但由于漏缝地板的缝槽与猪栏和粪池尺寸差异大,导致模拟时模型的网格数量多、质量差、求解时间长和计算收敛困难等问题。又鉴于在CFD求解过程中,不同湍流模型对于求解特定条件的空气流动存在差异,因而湍流模型的选用也显得尤为重要。基于上述原因,本文按模型/某原型=1/5的比例制作了垂直通风猪舍实验装置,对垂直通风猪舍环境的数值模拟展开了较全面地研究。此外,应用CFD技术探究漏缝地板缝槽宽度对垂直通风猪舍温度场、相对湿度场和气流速度场分布规律的影响。本研究可为今后开展垂直通风猪舍环境的数值模拟,及其优化设计提供借鉴,其主要研究内容及结论如下:（1）基于CFD技术,开展了多孔介质模型中粘性和惯性阻力系数的计算,并研究了如何使用多孔介质替代漏缝地板实际结构进行数值模拟,结果表明:通过数值模拟方法计算压降数据,然后使用最小二乘法拟合压降数据而计算出阻力系数的方法是合理的,多孔介质模型替代漏缝地板实际结构进行数值模拟的方案是可行的。（2）通过比较五种湍流模型对于垂直通风猪舍环境的模拟结果发现,RKE湍流模型模拟效果最佳,SKE湍流模型也较好。（3）通过对比两种不同建模方法:多孔介质和漏缝地板实际结构发现,多孔介质模型不仅能处理因漏缝地板缝槽与猪舍尺寸差异大而导致的网格数量多、质量差、计算收敛困难等问题,而且模拟质量和计算效率得到改进。多孔介质计算域模拟出的整体风速、温度和相对湿度归一化平均绝对误差（NMSE）值分别下降36%、11%和10%,计算时间节省约75%。（4）通过对30mm,20mm和10mm缝槽宽度的漏缝地板研究,发现缩小缝槽宽度能使得猪舍内风速提高、温度降低,舍内风速场、温度场和相对湿度场的分布更加均匀,而且还可降低舍内有害气体浓度,改善猪只生长环境。
刘冬[6]（2020）在《精准畜牧中机器视觉关键技术研究及应用》文中进行了进一步梳理精准畜牧是提高畜禽生产效率、提升动物福利、优化饲养环境和饲料供给的精细化养殖理念和方法,可以在源头上保障食品安全、缓解环境污染,对经济、社会和环境等方面的都有巨大的应用价值,是优化升级集约型畜禽生产和解决我国畜禽生产“大而不强,多而不优”潜力巨大的技术手段。本研究针对目前精准畜牧中机器视觉监测方法对复杂动态背景目标检测和目标跟踪算法精度低、非平衡数据建模方法准确性低、畜禽动物行为识别模型鲁棒性和适应性差等问题,采用计算机视觉技术、机器学习技术以及多传感器融合技术,按照需求分析、算法提出、量化评估、算法验证与实践应用的研究思路,开展了动态背景环境的目标检测算法研究、多目标跟踪算法研究、高密度饲养条件下的感兴趣区域提取研究,对不同饲养环境下递归式监测个体表型和行为信息提供技术基础。在此基础上,开展了动态背景环境下的行为识别方法研究和群养环境下个体间交互行为建模方法研究,为在线、实时、无损感知畜禽动物表型信息和复杂行为模式提供新方法、新思路和新途径。论文的主要工作和结论如下:（1）提出了改进混合高斯模型的移动目标提取算法。针对畜禽养殖场背景复杂和环境多变导致现有的目标检测算法无法满足鲁棒性和实时性需求的问题,基于递归背景建模思想,在混合高斯模型中引入惩罚因子,改进并提出了一种动态背景建模方法,并采用局部更新策略,以降低模型复杂度和解决前景消融问题;提出基于色度偏差和亮度偏差的二分类算法,避免目标物阴影区域的影响。对不同天气及环境变化剧烈下获取奶牛视频样本进行试验,结果表明,与混合高斯模型对比,平均模型复杂度降低了50.85%、前景误检率和背景误检率分别降低了19.50%和13.37%,单帧运行时间降低了29.25%,检测准确率更高、实时性更好,且解决了前景消融问题,能满足实时提取复杂背景和环境条件下移动目标检测需求。应用该方法在商业养殖环境下开展奶牛自动体况评分研究:（1）采用改进的混合高斯模型递归式获取奶牛的外轮廓并建立三维坐标系,为准确提取奶牛体表几何特征奠定基础;（2）设计了与人工评分指标对应的图像特征,并进行相关性分析;（3）使用集成学习算法解决常见奶牛BCS数据集呈偏态分布问题。交叉验证结果表明,改进混合高斯模型和集成模型的识别准确率与人工评分相当,达到76%。与现有其他技术相比,该系统在动态背景环境下鲁棒性更强,对极端体况奶牛具有更好的预测性能,符合实际应用需求。（2）提出了基于ALR-GMM的动物行为识别模型。针对经典活动指数行为识别模型在动态背景环境中适应性差的问题,基于递归背景建模思想,提出了一种新的活动指数计算方法。采用GMM建立动态背景模型,克服传统活动指数计算方法无法适应环境变化问题;针对GMM模型学习率无法对不同图像区域进行差异化更新的问题,引入双曲正切函数（Tanh函数）自适应调节模型学习率。在人工标记图像上的测试结果表明,当初始学习率?=0.2时,ALG-GMM算法略优于背景减法,平均绝对误差从0.0265降低到0.0233,平均相对误差从18.08%降低到14.34%,表明该算法在计算精度指标上达到需求。为了验证该方法的有效性,开展了蛋鸡对寄生虫胁迫的行为响应研究和群养猪对环境胁迫造成的攻击行为识别。结果表明,蛋鸡活动指数与红螨虫入侵数量呈正相关性,监测蛋鸡活动指数可为精准杀虫提供可靠依据;基于活动指数的育肥猪攻击行为识别准确率达到97.6%,满足实际应用要求。（3）提出了基于CNN和LSTM的动物行为识别模型。针对现有畜禽动物行为识别模型只能有效表达快速动作,在群养环境中无法准确获取个体动物的行为时-空特征的问题,提出了一种基于检测的多目标跟踪算法和基于CNN和LSTM的动物行为时-空特征描述方法。为验证算法有效性,首先设计跟踪精度指标量化评估算法性能,然后采集繁育母猪姿态数据验证卷积神经网络（CNN）对空间特征表达能力,最后采集群养猪咬尾视频数据集验证长短期记忆周期网络（LSTM）对时间特征表达能力。试验结果表明:多目标跟踪算法跟踪精度为78.35%,能够精确跟踪92.97%的目标猪,达到精度要求;CNN对母猪趴卧、侧躺、后坐、站立四种基本姿态的平均分类准确率为88.1%,表明卷积特征对动物行为空间特征具有良好的表达能力;CNN+LSTM对咬尾行为识别准确率达到96.25%,表明其对动物行为时间特征具有良好的描述能力。（4）提出了一种融合彩色和深度数据流的目标提取算法。针对目前缺乏高密度家禽饲养场所的目标提取方法,研究并提出了一种融合彩色和深度数据流的感兴趣区域提取算法。该方法在RGB数据流和深度数据流配准的基础上,从深度图像的距离信息中定位感兴趣区域,在彩色图像中提取目标物的颜色、纹理、形状和空间关系特征。为验证方法有效性,开发了基于Kinect的肉用种鸡自动称重系统,在商业化养殖条件下进行个体种鸡体重数据和性别信息的获取,试验结果发现,该方法目标定位准确度为77.3%,性别分类模型的准确率、灵敏度、精确度和特异性指标分别达到99.7%、98.8%、100%和100%,满足实际应用需求。为优化种鸡饲养过程,最大化产蛋量和受精率提供有效工具。
张晋娜[7]（2019）在《类固醇雄激素、孕激素和糖皮质激素的环境污染特征及其生物降解转化规律》文中研究表明类固醇激素作为内分泌干扰物的重要组成部分,由于其在较低浓度下就能给生物体带来发育异常和生殖障碍等危害,近年来受到了研究者们的广泛关注。类固醇激素包括天然的和人工合成的,天然的类固醇激素主要来源于包括人类在内的脊椎动物的排泄,而合成的类固醇激素物质主要来自日常生活中合成激素类药物的使用后排放。以人类为源的类固醇激素主要进入城市污水处理系统,由于现有污水处理系统的处理能力有限,处理不完全的类固醇激素及其代谢物便会随污水处理厂的出水进入到河流或河流底泥中,从而对环境中的水生生物造成潜在威胁。但是,目前关于污水处理厂中类固醇的研究主要集中在雌激素物质,而雄激素作为除雌激素外另一种典型的内分泌干扰物,相关研究却非常有限。除污水处理厂外,以动物饲养为主体的养殖场也是环境中类固醇激素的主要来源。然而目前关于除雌激素外的雄激素、孕激素以及糖皮质激素等在养殖场废水和粪便中的研究较少,尤其对于养殖大国中国,相关研究更是比较缺乏。每年因为动物养殖会产生大量的动物粪便,牲畜粪便通常含有内源性类固醇激素以及一些作为生长促进剂使用的合成类类固醇激素,因此必须采用良好的粪便管理措施以避免粪肥施用对环境带来的不利影响。然而,关于天然及合成类的类固醇雄激素、孕激素以及糖皮质激素等在常用粪便管理方案-好氧堆肥过程中的归趋仍然未知。因此,了解类固醇激素在不同环境介质中的污染特征,环境归趋以及其潜在的生态风险等是非常有必要的。基于以上几点,本文主要进行了以下几个方面的研究:（1）调查了广东省内10个采用不同处理工艺的污水处理厂及其受纳河流中14种目标雄激素的浓度分布、去除和归趋,并对受纳河流中检出的几种雄激素进行了风险评估。在污水处理厂进水中检出10种目标雄激素,浓度最高达到4,650 ng/L（1,4-雄烯二酮,ADD）,最终的出水中检出三种目标雄激素,分别为1,4-雄烯二酮,雄烯二酮以及17β-勃地酮。活性污泥中检出6种目标雄激素,分别为 1,4-雄烯二酮（N.D.-43.0 ng/g）、雄烯二酮（2.06-42.7ng/g）、表雄甾酮（N.D.-506ng/g）、睾酮（0.29-4.24ng/g）、17β-勃地酮（N.D.-2.05ng/g）以及甲基睾酮（N.D.-0.70ng/g）。除雄烯二酮的去除率为79.5%-100%外,大部分雄激素的水相去除率均高于95%。污水厂雄激素的去除主要靠生物降解作用,而沉淀、挥发、吸附和氧化作用等的去除效果有限。在全部污水处理厂的5条受纳河流中共检出8种目标雄激素,其中1,4-雄烯二酮,雄烯二酮,甲基睾酮,17α-群勃龙等的环境风险商值超过1,表明其对水生生物具有较高的风险,需要展开更多的工作以了解这些高风险雄激素的来源和生态风险。（2）研究了华南地区两个具有较为完善污水处理系统的规模化养猪场的污水处理系统中类固醇雄激素、孕激素以及糖皮质激素的来源,分布和去除情况等,并对养猪场的类固醇激素贡献量进行了估算。在罗陈（LC）和水台（ST）养猪场的污水样品中均检出31种目标类固醇激素,浓度范围从0.12±0.05 ng/L（醋酸甲羟孕酮,MPA）到2,900±201 ng/L（氢化黄体酮,5α-DHP）（LC）和0.12±0.03 ng/L（MPA）至11,200±1,300 ng/L（5α-DHP）（ST）。粪便样品中共检出22种目标类固醇激素,其中LC和ST养猪场分别检出19种和17种,检出激素多为合成类类固醇激素,且来源分析结果显示大部分来自养殖场的外源性添加。对以养猪场为源的类固醇激素的排放量进行了估算,发现部分激素物质如雄烯二酮,表雄甾酮,黄体酮以及5α-氢化黄体酮等的排放量（分别为41.5、268、661和982μg/d）远远高于同种物质由人体代谢排放的量,应该引起重视。两个养猪场不同处理工艺系统都能较好地去除检出的类固醇激素,相比较而言,沼气池-A2/0-氧化塘工艺对目标类固醇激素的去除效果优于升流式厌氧污泥反应床（UASB）-两级串联A/O-氧化塘工艺。（3）调查了动物粪便好氧堆肥过程中雄激素、孕激素和糖皮质激素的归趋,并评估了其在施用堆肥产品的土壤中的残留情况。结果显示,初始堆肥中存在16种目标类固醇激素,浓度范围为3.26 ng/g DW（皮质醇）至2,520 ng/g DW（5α-二氢孕酮）。部分在初始堆肥样品中未检出的目标激素物质例如己酸羟孕酮,醋酸美仑孕酮和甲基睾酮等在后续的堆肥过程中被检出。堆肥171天后,仅有40.4%的检出激素被去除,检出类固醇的总浓度仍高达3,210 ng/g DW。某些目标化合物的去除率为负,尤其对天然雄激素1,4-雄烯二酮以及合成雄激素17二酮勃地酮,其浓度在堆肥结束时显着增加,可能来源于结合态解离或其他相似结构类固醇的转化。对类固醇激素的去除主要发生在堆肥前三周,且延长堆肥时间并未明显促进进一步去除。类固醇激素的浓度的变化与堆肥过程中堆肥特性（例如pH和温度）的变化有关。类固醇激素的消散在一定程度上也与堆肥中微生物群落的变化有关。在施用过堆肥的土壤样品中检测到十二种目标类固醇激素,而在土壤上生长的小白菜的菜根中也检出26种目标类固醇激素。结果表明,堆肥产品的使用可能导致类固醇激素的土壤污染和植物吸收。（4）从养殖场废水分离出的细菌中筛选出一株降解单菌,利用该降解菌对三种具有较高检出浓度和频率的典型合成类孕激素进行了降解转化,分析了目标化合物的单菌降解动力学,推测出可能的降解产物和降解转化途径等。动力学结果表明该菌株对目标孕激素具有良好的降解转化能力,可以直接以目标孕激素为碳源。在有碳源的MH肉汤细菌培养液中,醋酸甲羟孕酮（MPA）和屈螺酮（DPN）的降解符合一级反应动力学,左炔诺酮（LNGT）符合零级反应动力学,三种目标孕激素在MH肉汤中的降解半衰期分别为1.4 h、3.7 h和3.66 h;在无机盐培养基中,三种目标孕激素的降解均符合一级反应动力学,降解半衰期分别为0.94 h、27.5 h和19.6 h。对MPA,DPN和LNGT的降解产物进行分析推测,结果显示在MH肉汤中,分别推测出降解产物6种、2种和3种,而在无机盐培养基中分别推测出降解产物7种、3种和4种。菌株对孕激素主要发生氧化反应,容易在C9-10位置断键开环。此外,菌株MPA3对多种类固醇激素同样具备降解转化能力,具有很好的应用价值。
杨阿庆[8]（2019）在《基于计算机视觉的哺乳母猪行为识别研究》文中指出随着畜牧业呈规模化、集约化、产业化发展,精准畜牧受到国内外高度关注。本研究针对人工监测方式耗时、耗力且主观性强的问题,研究基于计算机视觉技术的哺乳母猪行为自动识别技术,为精准畜牧提供依据,以节省劳动力并促进智能化管理。本研究在国内外成果的研究基础上,以动物行为学理论为基础,采用视频/图像信息,引入智能视频/图像分析技术与深度学习理论,研究高精度母猪图像分割技术,重点研究哺乳行为视频时空特征提取方法与检测模型,并对哺乳期母猪饮水、进食、行走、中等级运动和非运动行为的自动识别问题展开研究。论文的主要工作和创新点如下:（1）针对自由栏养殖环境下,母猪分割困难问题,提出一种基于色调信息辅助的全卷积网络（FCN）母猪图像分割模型。首先,设计了基于FCN的母猪图像分割模型。由于母猪的非刚性形变、猪舍环境的复杂性以及FCN对数据的高依赖性,本文有效利用色调信息,设计基于色调信息辅助的FCN后优化模块。该优化模块在不额外增加训练数据的情况下,联合FCN获取的类别判别概率强度信息和原始图像色调信息对类别强度较弱的像素类别进行重新预测。以选自7栏的3811幅母猪图像为训练集,训练母猪图像分割的FCN模型,并以其他21栏的1086幅图像为测试集,对本文方法进行对比测试。结果表明,本文方法的平均区域重合度为93.0%,比原始FCN提高4.2个百分点,且所提方法可避免额外增加训练数据中对母猪对象的人工标注。（2）为实现自由栏养殖环境下,基于计算机视觉技术的无接触、高精度和适应性强的母猪哺乳行为自动识别,本文提出了基于尺度自适应局部时空特征的母猪哺乳行为分类方法。首先,利用FCN分割母猪,利用其几何形状定位视频中尺度自适应的哺乳区域,从而提取母猪和仔猪群的空间关系描述特征。然后,在哺乳区域,设计了基于运动强度和占空指数的哺乳行为分类模型。对502段母猪日常行为视频片段进行了特征提取和分类试验,视频段级分类准确率为96.4%,敏感度为96.8%,特异度为96.3%。结果表明,该方法能够从母猪不同行为视频片段中识别出哺乳行为片段,为后续视频监控中的母猪哺乳行为检测奠定基础。（3）为了从未分割长视频中识别出母猪哺乳行为类别,并且精准定位哺乳行为发生的时间和时长,提出了基于时空关键块光流分布的母猪哺乳行为检测方法。首先,对视频进行基于全局光流分布和母猪几何形状的时空分割,提取时空关键块。设计了一种全局光流分布特征描述子用于时域关键帧提取,并利用猪只几何形状精细定位空域哺乳区域。接下来,针对（2）中时空特征缺乏运动模式描述这一问题,提出了一种时空关键块哺乳光流方向描述子（Oriented Nursing Flow,ONu F）。该描述子充分利用人眼关注的显着性信息,设计时空关键块中的局部光流方向描述子以表征仔猪“向上-向下-向上”吸乳或拱乳的运动模式。对2天日间未分割母猪视频进行了特征提取和试验,视频段级准确率为97.6%,敏感度为92.1%,灵敏度为98.6%。试验结果表明,ONu F充分描述了哺乳行为相较于其他行为的显着性特征,可用于视频监控中的母猪哺乳行为自动检测。（4）为了从未分割视频中自动识别母猪进食、饮水、哺乳等日常行为,提出了一种普适性的母猪交互-个体-不确定行为层级识别框架。该框架以特征提取-行为识别-结果矫正为主线,在特征提取层,基于行为目标各区域精细定位和运动分析提取目标行为的时空特征。空域中提取母猪、仔猪及相关物体的空间分布关系和外观特征,时域中提取行为目标的活动指数、运动强度等运动特征。在行为识别层设计母猪交互-个体-不确定行为的层级识别准则和分类器。在结果矫正层,基于行为的时序相关性设计投票原则的识别结果矫正模块,实现母猪饮水、进食、哺乳、行走、中等级运动和非运动行为识别,并形成一套完整、普适性强的母猪日常行为识别的层级结构框架。对3天日间未分割视频进行试验,该框架对饮水、进食和哺乳行为识别的帧级准确率分别为98.74%、93.50%和88.52%。试验结果表明,该框架可实现未分割视频中的母猪日常行为自动识别,且该框架架构可用于其他动物或人体行为识别。
刘利[9]（2019）在《中国畜牧业支持政策及效应分析》文中研究说明农业既是一个国家的基础性产业,也是一个国家的弱质性产业,因此为实现农业的可持续发展,各个国家均对农业实施了不同程度的支持和保护。自党的十九大以来,国家提出了乡村振兴战略,这一战略部署对于完善农业支持保护制度提出了明确的要求,具体部署内容则通过2018年中央一号文件对外公布,文件重点强调了要加速建立我国新型农业支持保护政策的体系。畜牧业作为农业的重要组成部分,在保障畜产品有效供给、维持养殖户收入持续增长、促进畜牧业的健康发展等方面具有重要作用。加强对畜牧业的支持与保护符合我国当前新形势的要求,符合我国农业农村“优先发展”和“重中之重”战略的要求,对于贯彻落实中央战略部署意义重大,有利于推进我国农业供给侧的结构性改革,对全面实施乡村振兴战略、提高养殖户收入、改善养殖户生活、维护农村稳定发展具有明显的现实意义。本文主要研究了我国畜牧业支持政策的演变、支持水平及效应评价。主要内容为借鉴国内外学者的研究方法,立足于中国畜牧业历史演变的视角,梳理并整合畜牧业及畜牧业支持政策的整体发展过程,在对畜牧业支持政策的内涵与衡量方法进行比较选择的基础上,采用OECD农业支持水平测度模型,对2001年-2016年中国畜牧业支持政策的支持水平进行测度和分析,并从养殖户增收、产量增长、环境影响、结构调整方面对畜牧业支持政策进行效应评价。与此同时,本文立足于养殖户微观视角,通过调研的方式对畜牧业支持政策中的典型政策展开政策实施效果分析。最后,得出研究结论并给出对策建议,以便为后续相关政策的优化和改善提供强有力的支持。在上述内容研究的基础上,得出如下研究结论:1.回顾改革开放四十年的畜牧业发展,并将其分为:畜牧业改革开放初期的恢复发展时期;中国畜牧业发展的迅速增长时期;畜牧业提质增效、结构调整时期;以及以环保为重点的全面转型时期四个发展阶段。本文通过对畜牧业结构的变动与畜牧业总量的变动展开分析,得出了畜牧业产值在农业总产值中的比重稳步上升的论断,主要畜产品供给结构趋于合理,生产模式由散养向规模化、集约化方向转变。通过对畜牧业生产布局的演变分析得知,我国已经形成了一条完整的生猪生产带,其地域特征为以长江中下游为中心产区,逐步向南北两侧扩散;形成了两条完整的肉牛生产带,主要包括中原肉牛带和东北肉牛带;形成了三条完整的羊肉生产带,主要包括西北牧区、中原牧区和西南牧区;肉禽生产带以东部省份为主,蛋禽生产带则以中原省份为主;奶业优势生产带则主要集中于东北、华北及京津沪等城市郊区。通过对畜牧业经营主体的变迁的分析,从历史发展和时间序列的角度看,我国畜牧业经营主体由上世纪初的农户家庭的副业形态,分离出畜牧专业户,再到现在的专业化畜牧业公司。2.对改革开放40年以来畜牧业支持政策进行梳理,将其分为三个阶段进行详细阐述。分析了中国畜牧业支持政策实施现状及其特征。2007年起,我国加大了通过实施市场价格支持和生产者补贴政策,对畜牧业的支持力度不断增强,促进了畜牧业的快速发展。最后,总结了中国畜牧业支持政策发展的演变规律:一是畜牧业政策阶段性目标差异性强,政策目标趋向于多元化;二是在对中国畜牧业支持政策演变梳理中发现,畜牧业支持政策的实施是政府经济发展战略和社会环境相互作用的结果。其本质是农业与工业,城市与农村利益博弈过程中不断调整利益分配的过程。3.通过对畜牧业支持政策衡量方法比较选择得知,WTO方法仅能够作为一种用于谈判的工具,而OECD农业支持水平的测量方法,可以测量包含国内和边境的农业支持政策,其测算农业支持水平目的则在于进行政策评价、政策分析和政策解读。因此,利用这一方法可以更好地测算、评估国家全部的农业政策,它的作用既能够进行国际间对比,又能够帮助国家农业政策展开评价与分析,对于提升政策效率意义重大。基于这一客观事实,本文采用了OECD评估方法来对我国畜牧业的支持水平进行评估。基于OECD农业支持水平测度模型,对我国2001年-2016年以来畜牧业支持政策进行分类和支持水平进行测度,发现有以下几点特征:一是从畜牧业支持政策水平总体来看,2001年-2016年我国畜牧业支持总水平整体呈现上升趋势,但是可分为两个阶段,在2001年至2006年之间,我国畜牧业支持政策水平较低,对畜牧业支持力度非常小;自2007年起,随着我国畜牧业的发展及畜牧业支持政策支持力度的增强,畜牧业政策支持水平快速提高。二是从畜牧业支持政策的结构来看,生产者支持占比始终较大,进一步细分得知,在生产者支持内部构成中,生产预算支持虽然有一定程度的提高,但是相较于生产预算支持,市场价格支持的贡献更大。三是从不同种类畜产品支持水平来看,各项畜产品在畜牧业政策支持水平方面存在比较明显的差异。从整体的角度出发,猪肉、牛肉、羊肉、羊绒的支持水平呈现出日益增长的趋势;但是禽肉和牛奶的支持水平却存在相对较大的波动。禽蛋和羊毛的支持水平多数年份基本为负值,且禽蛋的支持水平负值较多,且呈现逐年下降的趋势。造成上述三种特征的原因可以归结为以下几点:一是边境保护政策作用,二是国内饲料粮价值转移,三是受疫病和畜产品质量安全等问题导致的畜产品价格波动。4.本研究对畜牧业支持政策的效应展开了探索。在数据采集的过程中了解到我国农牧民的牧业收入与我国财政对畜牧业的支出总量之间,存在同方向变动关系,这就意味着增加对畜牧业的财政支持则会增加农牧民的收入,但畜牧业支持增加所能够引起的农牧民收入增长效果较弱。我国畜牧业总产值与财政对畜牧业的支出总量之间也存在同方向的变动关系,也就是说增加对畜牧业的财政支持能够推动生产的增加。然而,畜牧业支持增加所能够引起的畜牧业总产值相对增长效果同样较弱。另外,我国畜牧业支持政策有利于污染治理在理论和实践上存在合理性,加强畜牧业支持力度能够起到对排污增量的抑制作用,但效果并不明显。畜牧业支持政策是畜牧业结构变动的重要因素。尤其是1992年以来,中央和地方政府制定了一系列促进肉牛产业发展的政策,同时促进了畜牧业生产结构和畜产结构组成向更合理的方向发展。但是由于国家和地方政府大力支持的“畜牧养殖”示范工程的推广在肉牛产业以及拥有秸秆饲料优势的中部地区和东北地区的发展比较好,但是畜种结构选取的是全国的数据,畜种结构的改变在各个区域并不均衡。同时本研究由于数据的可获得性,研究的时间范围在2001年-2016年,在此阶段畜牧业结构的调整相对放缓,畜牧业支持增加所能够引起的畜种结构变化作用较弱。5.从养殖户微观维度出发,在吉林省生猪养殖户调研访问的基础上,从养殖户对政策认识程度、满意程度,并深入了解总结养殖户不满意的原因,对生猪养殖支持政策进行评价。结合养殖户调研访问结果,对生猪养殖各项支持政策实施中影响养殖户满意的因素,即存在的问题进行总结。主要体现在以下四个方面:一是以资金补助为主要方式的生猪养殖支持政策,多数没有侧重点,基本上对大多数养殖户具有普惠性,尤其是生猪疫病防控类政策,一旦发生疫病,相较于散养户,大规模养殖户需要承担更大的风险,而政策并没有因为养殖户风险的大小而有所差别。二是规模化养殖支持政策在实施过程中存在明显的两个问题:一方面,补贴方式以资金为主,缺乏技术扶持、疫病防控的指导,方式单一;另一方面,补助领域为养殖生产环节,不能满足养殖户对销售、管理经营等方面需求。三是宏观调控中的生猪生产和市场信息预警监测机制存在政府宣传力度不足,养殖户认知程度不高;以及该机制对市场信息的预测不全面,对养殖户的生产安排没有起到实际应有的作用的问题。四是政策实施过程中存在门槛高、审核程序复杂、申请周期长、资金发放过程存在程序繁琐的通病。6.根据上述研究结论以及畜牧业发展的基本形势,提出政策建议:改善对畜牧业支持资金的使用方式、建立健全畜产品价格监测和市场信息预警机制、构建全国性畜牧业政策保险大灾准备金制度的运行机制框架、进一步完善畜牧业生态保护政策,推动畜牧业与环境协调发展。并提出畜禽粪污资源化利用,促进健康养殖、提高畜牧业生产技术水平、增强养殖场疫病防控能力、高产优质苜蓿示范基地建设、发展现代草地畜牧业、支持牧区畜牧良种推广为我国畜牧业未来支持政策的重点。
周杰灵[10]（2019）在《美国生猪养殖粪污治理研究（1910-2010）》文中研究说明一百年来,美国生猪养殖粪污的治理观念、制度与方式发生了巨大的变化。观念上,从将生猪粪污当作废弃物到将其视为资产,经历了对人与自然关系的认识转变;制度上,从粪肥还田到综合养分管理,经历了种养结合到种养分离,再到种植业与养殖业的综合养分管理的制度转换;治理方式上,从小规模生猪牧养粪肥治理方式到大规模粪污泻湖系统,再到环境优先技术的应用,经历了经济与环境相互平行、相互冲突、以及协调发展的不同历史阶段。根据生猪养殖方式的不同,美国生猪养殖粪污治理阶段大致分为四个时期:1910-1958年间的小规模家庭农场养殖时期;1959-1971年间的集约化生猪养殖萌芽时期;1972-1998年间的集约化生猪养殖快速发展时期;1999-2010年间的农工商垂直一体化养殖发展时期。20世纪初,受到资源保护及荒野保护运动的影响,美国人开始从原来那种建立在以“征服自然”为价值导向,以疯狂破坏和浪费自然资源为表现形式的人与自然关系模式中转向对自然的欣赏和对其内在价值的肯定,并试图在保护自然资源的基础上寻求一种人与自然和谐共存的崭新关系模式。这种“与自然和谐相处”的价值取向在美国生猪牧养阶段得到了比较充分的展现。生猪养殖和作物生长都依靠自然资源的循环利用,作物——土地——猪粪尿之间形成密闭的养分循环,能有效防止养分流失和环境污染问题。然而,战争打破了人与人和谐相处的氛围,也改变了人与自然的和谐关系。生猪养殖方式和粪污治理方式随之发生了很大的改变。二战之后的二十多年间,美国军工行业开始大批转向民用,农业领域产生新的分工,农业生产全面进入机械化和化学化阶段。原本在战争期间应用哈伯-博施的大批量工业合成氮素方法制造炸药的化工厂纷纷转向生产农用化肥;同时,二战期间被实验证明可以促进农业增产的杀虫剂和除草剂也开始被大规模地生产和使用。化肥的大量使用割裂了养殖业与种植业之间通过动物粪便还田形成的传统养分循环链条,猪粪被完全当做一种废弃物进行处理。农户处理生猪养殖废弃物所造成的污染问题根据《妨害法》由具有物产保护权的农户自行解决,政府很少干涉,监管上几乎是空白。随着生猪养殖规模的扩大,新的生猪清粪方式也开始出现。1951年,挪威首次发明使用了漏缝地板技术来取代人工清粪。20世纪50年代末和60年代初这种大量节省劳动力的清粪方式被介绍到美国并被广泛应用于美国的生猪养殖业。漏缝地板技术的出现对于生猪养殖粪污处理来说是一项具有革命性的技术变革,不仅大大减少了人工成本,提高了生产效率,而且也为规模化生猪养殖业的发展创造了条件。1959-1971年间,大规模养殖粪污清粪技术的出现促进了养殖设施化技术的快速发展。出现了1000头以上的养殖场,集约化养猪开始萌芽。然而,清粪方式改变后的储粪池管理成为一个新的问题。储粪池随着猪舍建设的扩大而扩大,成为了猪舍必不可少的一部分,一种替代传统储粪池的泻湖储粪系统开始得到开发和应用。随着集约化生猪养殖的发展,美国养殖污染问题开始显现,美国社会中的一些有识之士开始重新审视其以往的价值观念。蕾切尔·卡逊《寂静的春天》从生物学的角度,用自然选择理论阐述农业过度使用化学产品而人为创造“超级昆虫”和“超级细菌”的恶果,批判了“人类中心论”的自大观点——为了满足自身的利益需求而不惜与万物竞争,甚至破坏生态系统,成为现代环保运动诞生的导火索。环保运动的推进唤醒了一些普通民众的环保意识,人们更多地提倡与万物协调共生的理念而不是通过诸如消灭不利于人类的物种等利己行为来获得短视的利益。一些经济学家开始探索经济制度的新思路。美国经济学家科斯和鲍尔丁从经济学的角度提出了环保制度建设的新观念。科斯通过运用“社会成本”这一概念,考虑了受害人和加害人的主客观因素,用控制社会总成本最小化的分析方法来确定环境污染中的责任比重,希望通过最缜密的制度设计来使得稀缺的自然资源流动到能够最有效使用这些资源的人手中。20世纪70年代初,美国每年从工厂、城市居民、和畜禽养殖场排出的大量污水造成河流湖泊的严重污染。1972年美国颁布《清洁水法》,首次在全国层面将养殖粪污作为监管的对象。由于当时大部分污水来自于工厂和城市居民的污水排放,美国政府便将工厂、城市居民的污水连同畜禽养殖场的粪污按照点源污染进行政策规范和治理。20世纪80年代,尽管美国废水排污点源得到了有效控制,但水体的质量并未发生重大改善,非点源污染代替了点源污染成为美国水体污染的主要来源。1982-1997年间,美国大规模生猪养殖农场中只有25%左右的饲料养分转化为动物产品,另外约75%的饲料养分存在于生猪粪污中。这些粪肥被施用在养殖场内部有限的农田后,大约有51%的氮素养分和64%的磷素养分超出其农田需用量,成为农业面源污染的主要来源。由于污染治理政策的偏差,环境不公现象开始显现,成为环境正义运动关注的焦点。为应对养殖污染形成的农业面源污染问题,1999年美国农业部和环境保护局联合发布畜禽养殖粪污治理统一国家战略,并推出畜禽粪便综合养分管理计划（CNMP）,要求规模化养殖场将粪污作为养分还田的管理对象,以减少养殖粪污通过农田径流和氨挥发形成的农业面源污染。综合养分管理计划的推行将粪污养分管理从养殖业延伸到了种植业,将种植土地的粪肥施用养分管理也纳入了综合养分管理的范围。在美国农业部的督导下,化肥行业率先引入一种全球通用,具有科学开创意义的4R养分管理制度。这种养分管理制度将化肥养分管理又延伸到了粪肥管理领域,可以因地制宜,根据不同区域的农业生产禀赋来不断完善各层面养分管理水平,促使农户采用适合当地条件的最佳肥料管理实践措施,实现农业生产的可持续发展。21世纪初,原来在美国东南部地区被广泛应用的泻湖或露天厌氧化粪池（泻湖）系统,因产生氨气排放、臭味、病原体传播、以及水质污染等环境与健康问题而广遭诟病。2000年7月,在环境正义运动的影响下,美国最大的猪肉生产企业史密斯菲尔德食品公司与北卡罗来纳州政府以及北卡罗来纳州立大学签订合作协议,同意开发和使用新的生猪养殖粪污处理技术来改变原有的储粪系统,集约化养猪环境优先技术（EST）应运而生。环境优先技术是在推行综合养分管理计划过程中所形成的以环境优先为原则的技术系统。它由北卡罗莱纳州立大学养猪实验基地负责开发并被州政府指定为用来淘汰露天厌氧化粪池的生猪养殖粪污处理系统。而环境优先或环境保护优先原则主要是指“为了实现人类社会的可持续发展,应当以环境利益为优先,使主体对环境的保护行为优先于对环境的开发利用行为。”在美国生猪养殖粪污治理的百年变迁中,资源禀赋与经济因素、社会环境与政策导向、技术进步与金融创新、以及市场环境等因素都起到了重要的驱动作用。其中不乏值得借鉴的经验和教训。作为世界上最大的生猪养殖大国及养殖粪污最多的国家,中国应充分借鉴美国的生猪养殖粪污治理经验,从观念、制度和技术上探索出一条既符合中国国情,又能满足环境与经济协调发展的生猪养殖粪污治理道路。美国经验对中国的启示最主要是在观念上要树立环境优先的理念即在处理经济利益与环境利益的冲突时,坚持以环境利益为先的原则;在制度上要推行综合养分管理计划,即将养殖业与种植业作为一个整体进行政策规范;在技术上要倡导环境优先技术,实现绿色养殖的目标。
二、集约化养猪场各类猪栏数量的计算方法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、集约化养猪场各类猪栏数量的计算方法（论文提纲范文）
（1）基于机器学习的猪只行为识别与分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 基于机器视觉的畜禽行为识别 |
| 1.2.2 基于传感器的畜禽行为识别 |
| 1.2.3 机器学习算法在畜禽行为识别领域的应用 |
| 1.2.4 定位技术在畜禽行为追踪领域的应用 |
| 1.3 存在的问题 |
| 1.4 研究内容和方法 |
| 1.5 技术路线 |
| 1.6 本章小结 |
| 2 试验方案及信息采集 |
| 2.1 试验方案设计 |
| 2.2 猪的行为定义 |
| 2.3 猪舍环境温度信息采集 |
| 2.4 试验猪信息采集 |
| 2.4.1 猪只运动行为信息采集系统搭建 |
| 2.4.2 猪只运动轨迹信息采集系统搭建 |
| 2.4.3 可调节穿戴式猪只行为信息采集装置设计 |
| 2.5 预试验结果 |
| 2.6 本章小结 |
| 3 猪只行为信号的小波降噪 |
| 3.1 小波阈值降噪 |
| 3.1.1 小波阈值降噪的原理 |
| 3.1.2 小波阈值函数的选择 |
| 3.1.3 小波阈值函数改进 |
| 3.2 EMD阈值降噪 |
| 3.3 仿真试验与结果分析 |
| 3.4 猪只行为信号的降噪试验与结果分析 |
| 3.4.1 小波基的选择 |
| 3.4.2 小波分解层数和阈值规则的选择 |
| 3.5 本章小结 |
| 4 猪只行为数据的特征提取及平衡化预处理 |
| 4.1 猪只行为数据的特征提取 |
| 4.2 特征重要性评估与特征降维 |
| 4.2.1 Relief F特征选取 |
| 4.2.2 随机森林(RF)变量重要性评估 |
| 4.3 基于时间滑动窗口的猪只行为数据预处理 |
| 4.4 猪只行为数据的平衡化预处理 |
| 4.4.1 猪只行为数据的分布 |
| 4.4.2 常用的几种数据平衡化处理方法 |
| 4.4.3 猪只行为数据的平衡化处理方法 |
| 4.5 本章小结 |
| 5 基于机器学习算法的猪只行为识别与分类 |
| 5.1 基于BP神经网络的猪只行为识别与分类 |
| 5.1.1 前馈神经网络的结构 |
| 5.1.2 模型训练及模型性能评价方法 |
| 5.1.3 不同特征降维方法对猪只行为识别结果的影响 |
| 5.1.4 时间滑动窗口长度对猪只行为识别结果的影响 |
| 5.1.5 前馈神经网络最佳参数选择 |
| 5.1.6 基于欠采样的BP神经网络对猪的行为识别结果 |
| 5.1.7 不同过采样方法对猪的行为识别效果的对比 |
| 5.1.8 基于AD-BL-SMOTE的 BP神经网络对猪的行为识别结果 |
| 5.2 改进BP神经网络对猪的行为识别与分类 |
| 5.2.1 SoftMax函数 |
| 5.2.2 改进的SoftMax损失函数 |
| 5.2.3 基于改进BP神经网络和不平衡数据集的猪只行为识别结果与分析 |
| 5.3 基于Biased-GWO-SVM的猪只行为识别与分类 |
| 5.3.1 SVM原理及相关参数选择 |
| 5.3.2 基于GWO-SVM的猪只行为识别与分类 |
| 5.3.3 基于GWO-SVM的猪只行为识别结果与分析 |
| 5.3.4 基于Biased-GWO-SVM的猪只行为识别与分类 |
| 5.3.5 基于Biased-GWO-SVM的猪只行为识别结果与分析 |
| 5.3.6 各类行为识别率与训练集大小的相关性探讨 |
| 5.4 本章小结 |
| 6 猪栏内温度场的时空分布以及温度对试验猪的影响 |
| 6.1 猪栏内温度场的时空分布 |
| 6.1.1 控制方程的选择 |
| 6.1.2 边界条件和初始条件设置 |
| 6.1.3 Gambit网格模型建立及划分 |
| 6.1.4 温度场模拟结果分析 |
| 6.1.5 试验验证和模型评估 |
| 6.2 温度对试验猪生长性能的影响 |
| 6.3 温度对试验猪生理指标的影响 |
| 6.3.1 温度对试验猪体核温度的影响 |
| 6.3.2 温度对试验猪体表温度的影响 |
| 6.3.3 温度对试验猪呼吸速率的影响 |
| 6.4 温度对试验猪行为的影响 |
| 6.4.1 温度对试验猪躺卧位置的影响 |
| 6.4.2 温度对试验猪运动速度和能量消耗的影响 |
| 6.4.3 温度对试验猪行为活动的影响 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）生猪异常行为多源监测及其信息融合方法的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩写对照表 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 机器视觉技术的研究现状 |
| 1.2.2 音频监测技术的研究现状 |
| 1.2.3 超声波技术研究现状 |
| 1.2.4 多源信息融合研究现状 |
| 1.3 论文主要研究内容和章节安排 |
| 1.3.1 论文主要研究内容 |
| 1.3.2章节安排 |
| 1.4 本章小结 |
| 第2章 基于机器视觉技术的生猪动作异常监测 |
| 2.1 基于机器视觉技术的生猪异常行为监测总体结构 |
| 2.2 生猪生长周期分析 |
| 2.3 生猪视频采集与预处理 |
| 2.3.1 生猪视频采集 |
| 2.3.2 生猪图像预处理 |
| 2.4 基于改进SSD的生猪目标检测研究 |
| 2.4.1 卷积神经网络 |
| 2.4.2 SSD基本结构 |
| 2.4.3 SSD网络训练 |
| 2.4.4 SSD基础网络 |
| 2.4.5 生猪目标的改进SSD检测方法 |
| 2.4.6 基于改进SSD的生猪目标检测结果与分析 |
| 2.5 生猪过度聚集的改进SSD检测方法研究 |
| 2.6 生猪打斗行为的FD-SSD检测方法研究 |
| 2.6.1 基于帧间差分法的生猪移动像素提取 |
| 2.6.2 基于SSD的运动生猪个体检测 |
| 2.6.3 生猪打斗行为判别方法 |
| 2.6.4 生猪打斗行为的FD-SSD检测方法实验结果与分析 |
| 2.7 本章小结 |
| 第3章 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.1 生猪异常声音识别总体结构 |
| 3.2 生猪异常声音分析与生猪声音信号采集 |
| 3.2.1 生猪异常声音分析 |
| 3.2.2 生猪异常声音采集 |
| 3.3 生猪声音信号预处理 |
| 3.3.1 生猪声音能量检测 |
| 3.3.2 生猪混合声音分离 |
| 3.3.3 生猪声音降噪 |
| 3.3.4 生猪声音端点检测 |
| 3.3.5 生猪声音分帧加窗 |
| 3.4 生猪声音特征参数提取 |
| 3.4.1 生猪声音短时能量 |
| 3.4.2 生猪声音短时过零率 |
| 3.4.3 生猪声音线性预测倒谱系数 |
| 3.4.4 生猪声音梅尔频率倒谱系数 |
| 3.4.5 生猪声音耳蜗滤波倒谱系数 |
| 3.4.6 生猪声音特征参数提取结果 |
| 3.5 生猪异常声音的改进多重支持向量数据描述识别方法 |
| 3.5.1 支持向量数据描述基本步骤 |
| 3.5.2 多重支持向量数据描述 |
| 3.5.3 改进多重支持向量数据描述 |
| 3.6 生猪异常声音识别实验结果与分析 |
| 3.6.1 生猪声音独立源分离 |
| 3.6.2 生猪声音降噪结果与分析 |
| 3.6.3 生猪异常声音识别结果与分析 |
| 3.7 本章小结 |
| 第4章 生猪饮食异常的改进PSO-SVDD判断方法 |
| 4.1 生猪饮食异常判断总体结构 |
| 4.2 基于超声波的生猪饮食数据采集装置 |
| 4.3 基于改进SVDD的生猪饮食异常判断 |
| 4.4 基于改进粒子群优化算法的SVDD参数寻优 |
| 4.4.1 粒子群算法基本原理 |
| 4.4.2 基于粒子变异的粒子群优化算法 |
| 4.5 基于改进PSO-SVDD的生猪饮食异常判断 |
| 4.5.1 样本归一化 |
| 4.5.2 构建适应度函数 |
| 4.5.3 改进PSO优化SVDD参数 |
| 4.6 实验结果与分析 |
| 4.6.1 不同参数下SVDD训练结果 |
| 4.6.2 改进SVDD决策函数前后生猪饮食异常判断结果比较 |
| 4.6.3 改进PSO优化SVDD参数结果 |
| 4.6.4 基于改进PSO-SVDD的生猪饮食异常判断结果 |
| 4.7 本章小结 |
| 第5章 生猪多源多时段异常行为的灰色证据组合模型融合评价方法 |
| 5.1 生猪异常概率计算 |
| 5.2 基于灰色证据组合模型的生猪多源多时段异常融合评价总体结构 |
| 5.3 基于灰色聚类评估模型的生猪多源异常评估 |
| 5.3.1 灰色聚类评估模型相关概念 |
| 5.3.2 构建白化权函数 |
| 5.3.3 确定指标组合权重 |
| 5.4 基于D-S证据理论的生猪多时段异常评估结果融合 |
| 5.4.1 D-S证据理论基本原理 |
| 5.4.2 D-S证据理论的改进组合规则 |
| 5.5 生猪多源多时段异常行为融合评价实例分析 |
| 5.5.1 低冲突证据融合 |
| 5.5.2 高冲突证据融合 |
| 5.6 生猪异常行为智能监测管理平台 |
| 5.6.1 用户登录 |
| 5.6.2 生猪异常行为智能监测主画面 |
| 5.6.3 生猪动作异常监测 |
| 5.6.4 生猪声音异常监测 |
| 5.6.5 生猪饮食异常监测 |
| 5.7 本章小结 |
| 第6章 结论 |
| 6.1 结论 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）基于WSN纵向通风猪舍温热环境监测及CFD模型的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 本课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 猪舍有害气体分析的研究现状 |
| 1.2.2 畜禽舍温热环境监测的研究现状 |
| 1.3 国内外相关监测手段的研究现状 |
| 1.4 国内外畜禽舍数值模拟仿真的研究现状 |
| 1.5 本课题研究内容与目标 |
| 1.5.1 本课题研究内容 |
| 1.5.2 本课题研究的技术路线 |
| 2 猪舍热环境无线传感网络监测系统的设计 |
| 2.1 无线传感器网络监测系统选择 |
| 2.1.1 Zig Bee技术特点分析 |
| 2.1.2 无线传感器网络的实际搭建 |
| 2.2 无线传感器节点硬件电路模块设计 |
| 2.2.1 无线传感器节点芯片选型和片上资源 |
| 2.2.2 无线传感器节点控制器电路设计 |
| 2.2.3 传感器节点处的数据采集电路设计 |
| 2.2.4 风速传感器的理论分析 |
| 2.2.5 热敏电阻的选型和水浴测试 |
| 2.2.6 耗散系数和风速的关系拟合 |
| 2.2.7 风速传感器的标定 |
| 2.3 无线传感网络系统软件模块设计 |
| 2.3.1 节点管理程序模块软件设计 |
| 2.3.2 Zig Bee协议栈中主函数设计 |
| 2.3.3 Z-Stack基础层软件设计 |
| 2.3.4 无线传感器节点主控制程序设计 |
| 2.3.5 无线传感器节点数据采集程序设计 |
| 2.4 本章小结 |
| 3 猪舍热环境多点实时监测试验及方法研究 |
| 3.1 监测传感器及测量仪器 |
| 3.2 隧道猪舍湿帘作用下热环境测量方法与无线节点部署 |
| 3.3 猪舍湿帘作用下温热环境监测分析 |
| 3.4 猪体热舒适性计算理论分析设计 |
| 3.4.1 猪体的热平衡分析设计 |
| 3.4.2 猪体的新陈代谢率计算 |
| 3.4.3 猪体的运动做功率计算 |
| 3.4.4 猪体与地板间的热传导计算 |
| 3.4.5 猪体与周围表面的热辐射计算 |
| 3.4.6 猪体与环境的对流换热计算 |
| 3.4.7 猪体与热环境的潜热交换计算 |
| 3.5 猪舍热舒适性指标及评价方法 |
| 3.6 本章小结 |
| 4 基于CFD的猪舍热环境因子数值模拟的研究分析 |
| 4.1 CFD仿真模拟技术分析 |
| 4.1.1 CFD仿真模拟技术应用分析 |
| 4.1.2 CFD仿真模拟的模型设计 |
| 4.1.3 CFD数值模拟的求解流程分析 |
| 4.2 CFD模拟网格独立性和可信性验证分析 |
| 4.3 CFD仿真网格划分和模型应用 |
| 4.3.1 猪舍的网格划分设计 |
| 4.3.2 猪体简化模型分析设计 |
| 4.3.3 湍流模型分析设计 |
| 4.3.4 多孔介质模型分析设计 |
| 4.3.5 辐射模型分析设计 |
| 4.4 猪舍内环境模拟研究及边界设置 |
| 4.5 模拟结果分析 |
| 4.5.1 温度场云图 |
| 4.5.2 湿度场云图 |
| 4.5.3 风速场云图 |
| 4.5.4 猪体PMV场云图 |
| 4.6 猪体热舒适性评价方法对比讨论 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.1.1 热环境因子的无线传感器网络系统的设计总结 |
| 5.1.2 热环境监控设计总结 |
| 5.1.3 猪体热舒适度参数指标的总结 |
| 5.1.4 猪舍热环境因子及猪体PMV指标的数值模拟总结 |
| 5.2 展望 |
| 参考文献 |
| 硕士就读期间研究成果 |
| 致谢 |
（4）北方地区小型养猪场数字化管理系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外对猪场数字化管理系统的研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 存在的问题 |
| 1.4 研究内容 |
| 2 养猪场数字化管理需求及饲养工艺分析 |
| 2.1 生猪养殖信息化管理需求分析 |
| 2.2 海流图现代养猪场饲养技术及工艺流程 |
| 3 小型养猪场数字化管理信息系统总体设计 |
| 3.1 系统总体结构设计 |
| 3.2 系统框架 |
| 3.3 系统设计的原则 |
| 3.4 系统功能与结构 |
| 3.4.1 系统的功能 |
| 3.4.2 系统结构 |
| 3.5 耳标号的设计 |
| 3.6 系统数据库的设计 |
| 3.6.1 生猪养殖数据流程分析 |
| 3.6.2 数据库的设计 |
| 4 小型养猪场数字化管理系统的功能及报表体系设计 |
| 4.1 猪只管理 |
| 4.2 生猪管理 |
| 4.3 基础数据管理 |
| 4.4 饲料管理 |
| 4.5 药品管理 |
| 4.6 智能预警模块 |
| 4.7 统计分析功能 |
| 4.8 环境监控 |
| 5 小型猪场数字化管理系统的实现 |
| 5.1 系统数据库的实现 |
| 5.2 系统主要功能模块的实现 |
| 5.2.1 基础数据管理 |
| 5.2.2 生猪管理模块 |
| 5.2.3 母猪管理模块 |
| 5.2.4 智能预警模块 |
| 5.2.5 饲料管理模块 |
| 5.2.6 药品管理模块 |
| 5.2.7 统计分析模块 |
| 5.2.8 环境监控模块 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（5）基于漏缝地板的垂直通风猪舍环境模拟及试验研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 猪舍内环境质量对猪只生长的影响 |
| 1.2.1 猪舍温度 |
| 1.2.2 猪舍湿度 |
| 1.2.3 猪舍风速 |
| 1.2.4 其他环境因素 |
| 1.3 国内外研究现状 |
| 1.4 研究内容与目标 |
| 1.4.1 研究内容 |
| 1.4.2 研究目标 |
| 1.5 研究方法与技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 课题来源与论文结构 |
| 1.6.1 课题来源 |
| 1.6.2 论文结构 |
| 2 计算流体力学理论基础 |
| 2.1 计算流体力学概述 |
| 2.1.1 计算流体力学简介 |
| 2.1.2 计算流体力学的基本原理 |
| 2.2 计算流体力学控制方程 |
| 2.2.1 质量守恒方程 |
| 2.2.2 动量守恒方程 |
| 2.2.3 能量守恒定律 |
| 2.2.4 组分守恒定律 |
| 2.3 湍流模型的分类 |
| 2.3.1 直接数值模拟法 |
| 2.3.2 非直接数值模拟法 |
| 2.4 CFD求解过程 |
| 2.5 本章小结 |
| 3 漏缝地板的建模及模拟 |
| 3.1 研究对象与数据测量 |
| 3.1.1 研究对象 |
| 3.1.2 数据测量 |
| 3.2 计算模型的建立 |
| 3.3 空气流过多孔介质的压降 |
| 3.4 猪舍计算域网格划分 |
| 3.5 湍流模型的选择及其特点 |
| 3.6 边界条件 |
| 3.7 数值求解 |
| 3.8 结果与分析 |
| 3.8.1 湍流模型的选择 |
| 3.8.2 两种计算域模型模拟结果对比 |
| 3.9 本章小结 |
| 4 漏缝地板缝槽宽度对猪舍环境影响 |
| 4.1 漏缝地板缝槽宽度的选择 |
| 4.2 不同规格漏缝地板阻力系数的确定 |
| 4.3 不同缝槽宽度漏缝地板垂直通风猪舍环境数值模拟 |
| 4.4 结果与分析 |
| 4.4.1 模拟结果验证 |
| 4.4.2 模拟结果与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 :攻读硕士期间所取得的研究成果 |
（6）精准畜牧中机器视觉关键技术研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 畜禽信息感知关键技术 |
| 1.2.2 目标检测与跟踪 |
| 1.2.3 畜禽动物表型和行为监测 |
| 1.3 存在问题分析 |
| 1.4 主要研究内容 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线 |
| 1.6 论文组织结构 |
| 第二章 复杂动态养殖环境下目标检测方法研究 |
| 2.1 引言 |
| 2.2 背景建模方法 |
| 2.2.1 经典GMM复杂背景建模问题分析 |
| 2.2.2 基于“最小样本”的模型复杂度约束 |
| 2.3 目标提取算法 |
| 2.4 材料与方法 |
| 2.4.1 供试数据 |
| 2.4.2 算法评价指标 |
| 2.5 试验结果与分析 |
| 2.5.1 对环境变化的鲁棒性分析 |
| 2.5.2 模型复杂度分析 |
| 2.5.3 前景消融问题 |
| 2.6 本章小结 |
| 第三章 基于GMM和集成学习模型的奶牛自动体况评分 |
| 3.1 引言 |
| 3.2 材料和方法 |
| 3.2.1 试验方案 |
| 3.2.2 供试图像样本获取 |
| 3.2.3 图像正则化处理算法 |
| 3.2.4 特征选择与提取 |
| 3.2.5 相关性分析 |
| 3.2.6 预测模型 |
| 3.3 试验结果与分析 |
| 3.3.1 逐步回归模型试验结果 |
| 3.3.2 集成学习模型试验结果 |
| 3.3.3 研究结果比较 |
| 3.4 讨论 |
| 3.5 本章小结 |
| 第四章 基于ALR-GMM的畜禽动物胁迫响应建模方法研究与应用 |
| 4.1 引言 |
| 4.2 活动指数计算方法 |
| 4.2.1 经典活动指数计算方法 |
| 4.2.2 基于GMM的活动指数计算方法 |
| 4.3 算法有效性验证 |
| 4.3.1 供试数据 |
| 4.3.2 测试结果与分析 |
| 4.4 应用验证一:蛋鸡对寄生虫胁迫响应分析 |
| 4.4.1 背景介绍 |
| 4.4.2 供试数据集 |
| 4.4.3 特征提取 |
| 4.4.4 试验结果与分析 |
| 4.5 应用验证二:育肥猪攻击行为识别 |
| 4.5.1 背景介绍 |
| 4.5.2 供试数据集 |
| 4.5.4 攻击行为特征提取 |
| 4.5.5 攻击行为识别模型 |
| 4.5.6 试验结果与分析 |
| 4.6 本章小结 |
| 第五章 基于CNN和 LSTM的群养猪交互行为识别与定位建模方法研究与应用 |
| 5.1 引言 |
| 5.2 供试数据 |
| 5.3 群养动物行为识别与定位算法 |
| 5.3.1 目标检测 |
| 5.3.2 多目标跟踪 |
| 5.3.3 交互子视频提取与筛选 |
| 5.3.4 时-空特征提取及行为识别模型 |
| 5.4 多目标跟踪算法性能评估 |
| 5.4.1 目标检测模型评估 |
| 5.4.2 多目标跟踪模型评估 |
| 5.5 应用验证一:繁育母猪姿态识别研究 |
| 5.5.1 背景介绍 |
| 5.5.2 试验方案 |
| 5.5.3 测试结果与分析 |
| 5.6 应用验证二:育肥猪咬尾行为识别与定位 |
| 5.6.1 背景介绍 |
| 5.6.2 群组水平建模试验 |
| 5.6.3 个体水平建模试验 |
| 5.7 本章小节 |
| 第六章 高密度饲养环境下肉种鸡目标检测方法与应用 |
| 6.1 引言 |
| 6.2 试验设备搭建 |
| 6.3 肉种鸡性别特征挖掘 |
| 6.3.1 试验方案 |
| 6.3.2 特征提取方法 |
| 6.3.3 试验结果与分析 |
| 6.4 商业饲养环境中肉种鸡体重和性别同步获取方法 |
| 6.4.1 数据采集 |
| 6.4.2 数据标注 |
| 6.4.3 肉种鸡性别识别方法 |
| 6.4.4 算法性能评估 |
| 6.4.5 讨论 |
| 6.5 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（7）类固醇雄激素、孕激素和糖皮质激素的环境污染特征及其生物降解转化规律（论文提纲范文）
| 摘要 |
| Abstract |
| 中英文对照及缩略表 |
| 第1章 绪论 |
| 1.1 类固醇激素物质简介 |
| 1.1.1 类固醇激素的基本骨架及其分类 |
| 1.1.2 类固醇激素的来源及作用 |
| 1.1.3 类固醇激素的理化性质 |
| 1.1.4 本文所研究的40 种类固醇激素 |
| 1.2 类固醇激素物质的主要环境来源 |
| 1.3 类固醇激素物质在环境中的污染特征 |
| 1.3.1 污水处理厂 |
| 1.3.2 养殖场 |
| 1.3.3 地表水,沉积物和土壤,及地下水 |
| 1.4 类固醇激素物质的环境行为 |
| 1.4.1 吸附 |
| 1.4.2 解吸 |
| 1.4.3 降解 |
| 1.5 研究意义,思路和内容 |
| 1.5.1 研究意义 |
| 1.5.2 研究思路和内容 |
| 第2章 样品前处理和分析方法 |
| 2.1 样品前处理和分析流程 |
| 2.2 材料与方法 |
| 2.2.1 试剂、实验材料及仪器设备 |
| 2.2.2 标样的配制与保存 |
| 2.2.3 样品的采集 |
| 2.3 具体实验过程 |
| 2.3.1 样品物理化学参数的检测 |
| 2.3.2 样品的提取和净化 |
| 2.3.3 样品的净化 |
| 2.3.4 仪器分析方法 |
| 2.4 回收率、基质效应、检出限和定量限 |
| 2.4.1 地表水 |
| 2.4.2 污水处理厂污水 |
| 2.4.3 污水处理厂污泥 |
| 2.4.4 养殖场废水和粪便 |
| 2.5 质量保证和控制(QA/QC) |
| 第3章 类固醇雄激素在城市污水处理厂及受纳水体中的污染特征、环境归趋与风险评估 |
| 3.1 样品的采集 |
| 3.2 样品的提取和检测 |
| 3.3 质量平衡、水相去除率及风险评估的计算方法 |
| 3.3.1 质量平衡 |
| 3.3.2 水相去除率 |
| 3.3.3 风险评估 |
| 3.4 各污水处理厂进水中类固醇雄激素的估算方法 |
| 3.5 结果 |
| 3.5.1 各污水处理厂中雄激素的种类和含量 |
| 3.5.2 各污水处理厂中雄激素的去除情况 |
| 3.5.3 污水处理厂的受纳河流中雄激素的种类和含量 |
| 3.5.4 风险评估 |
| 3.6 讨论 |
| 3.6.1 类固醇雄激素在污水处理厂中的污染特征和归趋 |
| 3.6.2 类固醇雄激素在受纳河流中的污染特征及环境风险 |
| 3.7 小结 |
| 第4章 类固醇激素在养猪场中的污染特征及去除情况 |
| 4.1 引言 |
| 4.2 样品的采集 |
| 4.2.1 采样点介绍 |
| 4.2.2 样品的采集 |
| 4.3 样品的提取和检测 |
| 4.4 激素物质的估算 |
| 4.5 养猪场污水处理系统中激素的质量负荷 |
| 4.6 结果 |
| 4.6.1 水样中类固醇激素的浓度 |
| 4.6.2 固体样品中类固醇激素的浓度 |
| 4.6.3 冲刷水和粪便中固醇激素的估算浓度 |
| 4.6.4 不同处理系统的去除效果 |
| 4.6.5 类固醇激素的质量负荷 |
| 4.7 讨论 |
| 4.7.1 养猪场污水处理系统中类固醇激素的污染特征及其来源 |
| 4.7.2 典型养猪场中类固醇激素的排放 |
| 4.8 小结 |
| 第5章 动物粪便堆肥系统对类固醇激素的去除 |
| 5.1 样品的采集 |
| 5.1.1 粪便堆肥 |
| 5.1.2 样品采集 |
| 5.1.3 堆肥理化性质的测量 |
| 5.2 样品的提取和检测 |
| 5.2.1 类固醇激素的提取和检测 |
| 5.2.2 用于微生物群落分析的DNA提取和测序 |
| 5.3 数据分析 |
| 5.4 结果 |
| 5.4.1 堆肥过程中堆肥理化参数的变化 |
| 5.4.2 堆肥过程中细菌群落结构的变化 |
| 5.4.3 堆肥过程中类固醇激素的浓度变化和消散情况 |
| 5.4.4 施用堆肥的土壤和蔬菜中类固醇激素的浓度 |
| 5.5 讨论 |
| 5.5.1 堆肥过程中类固醇激素的污染特征和归趋 |
| 5.5.2 研究商业堆肥中类固醇激素物质的环境意义 |
| 5.6 小结 |
| 第6章 典型孕激素化合物的微生物降解转化 |
| 6.1 引言 |
| 6.2 材料与方法 |
| 6.2.1 化学品及相关试剂配制 |
| 6.2.2 仪器设备及耗材 |
| 6.3 实验设计 |
| 6.3.1 目标孕激素的选择 |
| 6.3.2 降解菌的筛选及降解能力验证 |
| 6.3.3 目标孕激素的好氧单菌降解研究 |
| 6.3.4 降解菌对多种激素的降解能力探究 |
| 6.4 样品的提取与分析 |
| 6.4.1 化学样品的提取:动力学样品,产物样品 |
| 6.4.2 降解产物分析 |
| 6.5 结果与讨论 |
| 6.5.1 好氧条件下优势降解菌的筛选 |
| 6.5.2 降解菌对目标孕激素的降解动力学 |
| 6.5.3 单菌降解实验中目标孕激素的降解中间产物 |
| 6.5.4 目标孕激素的降解转化路径推断 |
| 6.5.5 降解菌对多种激素的降解能力 |
| 6.6 小结 |
| 第7章 全文结论、创新之处及研究展望 |
| 7.1 主要结论 |
| 7.2 创新之处 |
| 7.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介及在学期间发表的学术论文与研究成果 |
（8）基于计算机视觉的哺乳母猪行为识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 前言 |
| 1.1 研究目的和意义 |
| 1.2 国内外研究现状与分析 |
| 1.2.1 计算机视觉技术在畜牧养殖领域的研究进展 |
| 1.2.2 计算机视觉技术在猪只行为监测领域的研究进展 |
| 1.2.3 基于计算机视觉技术的母猪行为监测面临的挑战 |
| 1.3 主要研究内容 |
| 1.4 论文的结构安排 |
| 第2章 基于色调信息辅助的全卷积网络母猪图像分割 |
| 2.1 引言 |
| 2.1.1 传统图像分割方法 |
| 2.1.2 基于深度学习的图像分割方法 |
| 2.1.3 母猪图像分割面临的挑战 |
| 2.1.4 分割方法基本思路 |
| 2.2 试验数据 |
| 2.2.1 猪只与猪舍环境 |
| 2.2.2 设备和数据采集 |
| 2.2.3 数据集建立和数据标记 |
| 2.3 全卷积网络 |
| 2.3.1 卷积神经网络 |
| 2.3.2 全卷积网络原理 |
| 2.3.3 边缘优化策略 |
| 2.3.4 全卷积网络的优缺点 |
| 2.3.5 母猪图像分割的全卷积网络结构 |
| 2.4 基于色调信息辅助的FCN后优化模块 |
| 2.5 试验开展 |
| 2.5.1 网络训练过程 |
| 2.5.2 模型测试过程 |
| 2.5.3 评价指标 |
| 2.6 试验结果与分析 |
| 2.6.1 FCN模型特征图可视化 |
| 2.6.2 全卷积网络分割结果 |
| 2.6.3 本文方法结果 |
| 2.6.4 分割结果比较 |
| 2.6.5 分割算法的运行速度比较 |
| 2.6.6 结果分析与讨论 |
| 2.7 本章小结 |
| 第3章 基于尺度自适应局部时空特征的母猪哺乳行为分类 |
| 3.1 引言 |
| 3.1.1 家畜行为自动识别方法 |
| 3.1.2 人体交互行为自动识别方法 |
| 3.1.3 存在的问题 |
| 3.1.4 哺乳行为分类方法基本思路 |
| 3.2 试验数据 |
| 3.2.1 母猪哺乳行为定义 |
| 3.2.2 数据集设计 |
| 3.3 基于尺度自适应哺乳区域定位的关键视频段识别 |
| 3.3.1 基于全卷积网络的视频图像分割 |
| 3.3.2 基于体尺参数的母猪侧卧姿态识别 |
| 3.3.3 基于几何形状的母猪乳房识别 |
| 3.3.4 尺度自适应乳房区域定位及母猪与仔猪群空间关系特征提取 |
| 3.4 基于时序运动信息的关键视频段分类 |
| 3.4.1 光流法基本原理 |
| 3.4.2 母猪视频光流计算 |
| 3.4.3 基于尺度自适应局部时空特征的提取 |
| 3.4.4 母猪哺乳行为分类模型 |
| 3.5 试验开展 |
| 3.5.1 试验平台 |
| 3.5.2 试验过程 |
| 3.5.3 评价指标 |
| 3.6 试验结果与分析 |
| 3.6.1 基于尺度自适应哺乳区域定位的关键视频段识别结果 |
| 3.6.2 基于时序运动信息的关键视频段分类结果 |
| 3.6.3 哺乳行为分类结果 |
| 3.6.4 结果分析与讨论 |
| 3.7 本章小结 |
| 第4章 基于时空关键块光流分布的母猪哺乳行为检测 |
| 4.1 引言 |
| 4.1.1 问题的提出 |
| 4.1.2 哺乳行为检测方法基本思路 |
| 4.2 试验数据 |
| 4.3 基于全局光流和猪只几何形状的时空分割 |
| 4.3.1 基于全局光流的时域关键片段定位 |
| 4.3.2 基于猪只几何形状的空域关键区域定位 |
| 4.4 基于时空关键块哺乳光流方向特征的提取 |
| 4.4.1 时空关键块的全局光流方向直方图(HOOF) |
| 4.4.2 时空关键块的哺乳光流方向特征描述子(ONuF) |
| 4.5 试验结果与分析 |
| 4.5.1 基于全卷积网络的视频图像语义分割结果 |
| 4.5.2 ONuF可视化 |
| 4.5.3 ONu F+SVM识别模型的分类效果 |
| 4.5.4 母猪哺乳行为检测结果 |
| 4.5.5 结果分析与讨论 |
| 4.6 本章小结 |
| 第5章 哺乳母猪日常行为自动识别方法与识别框架的研究 |
| 5.1 引言 |
| 5.1.1 问题的提出 |
| 5.1.2 哺乳母猪日常行为自动识别框架的基本思路 |
| 5.2 试验数据 |
| 5.2.1 哺乳母猪日常行为定义 |
| 5.2.2 数据集设计 |
| 5.3 基于目标各区域精细定位的行为特征提取 |
| 5.3.1 猪只身体区域精细定位 |
| 5.3.2 猪只身体区域运动检测 |
| 5.3.3 行为特征提取 |
| 5.4 交互-个体-不确定行为的层级识别框架的构建 |
| 5.5 投票原则的识别结果矫正 |
| 5.6 试验结果与分析 |
| 5.6.1 评价指标 |
| 5.6.2 识别框架的参数确定 |
| 5.6.3 饮水、进食和哺乳行为识别结果 |
| 5.6.4 行走、中等级运动和非运动行为识别结果及运动评价 |
| 5.6.5 母猪日常行为的时间分布 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 在学期间的论文和专利 |
（9）中国畜牧业支持政策及效应分析（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究动态 |
| 1.3 畜牧业支持的理论基础 |
| 1.4 研究目标与主要内容 |
| 1.5 研究方法与数据来源 |
| 1.6 逻辑框架与技术路线 |
| 1.7 研究的创新与不足 |
| 第二章 中国畜牧业的发展分析 |
| 2.1 畜牧业发展历程分析 |
| 2.2 畜牧业总量与结构的变动分析 |
| 2.3 畜牧业生产布局的演变 |
| 2.4 畜牧业经营主体的变迁 |
| 2.5 本章小结 |
| 第三章 中国畜牧业支持政策的演变分析 |
| 3.1 畜牧业支持政策概念界定 |
| 3.2 不同阶段中国畜牧业支持政策发展的背景及主要内容 |
| 3.3 中国畜牧业支持政策实施现状及其特征 |
| 3.4 中国畜牧业支持政策发展的演变规律 |
| 3.5 本章小结 |
| 第四章 不同阶段中国畜牧业政策支持水平测算与特征分析 |
| 4.1 畜牧业政策支持水平衡量方法的比较与选择 |
| 4.2 基于OECD中国畜牧业支持政策的分类及其政策含义 |
| 4.3 代表性畜产品选择及数据来源 |
| 4.4 不同阶段中国畜牧业支持水平及结构特征分析 |
| 4.5 本章小结 |
| 第五章 中国畜牧业支持政策的效应分析 |
| 5.1 畜牧业支持政策的养殖户增收效应分析 |
| 5.2 畜牧业支持政策的产值增长效应评价 |
| 5.3 畜牧业支持政策的环境效应评价 |
| 5.4 畜牧业支持政策对畜牧业生产结构调整的效应评价 |
| 5.5 本章小结 |
| 第六章 基于微观视角的畜牧业典型支持政策评价 |
| 6.1 生猪养殖支持政策的发展与实施现状 |
| 6.2 养殖户对政策满意度的影响因素分析 |
| 6.3 生猪养殖各项支持政策评价 |
| 6.4 本章小结 |
| 第七章 研究结论与对策建议 |
| 7.1 研究结论 |
| 7.2 对策建议 |
| 参考文献 |
| 附录 畜牧业支持政策实施效果研究养殖户调研问卷 |
| 作者简介 |
| 致谢 |
（10）美国生猪养殖粪污治理研究（1910-2010）（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 绪论 |
| 一、研究目的及意义 |
| 二、国内外研究动态 |
| 三、研究内容与文章结构 |
| 四、研究方法 |
| 五、创新之处与存在的问题 |
| 第一章 美国生猪养殖发展背景及历史分期 |
| 第一节 自然条件与社会经济背景 |
| 第二节 1910-2010年间美国农业发展概况 |
| 第三节 美国生猪养殖粪污治理阶段的大致分期 |
| 本章小结 |
| 第二章 1910-1958年间的美国生猪粪污治理 |
| 第一节 1910-1958年间的美国生猪养殖方式 |
| 第二节 牧养方式下的粪污治理观念及政策导向 |
| 第三节 美国早期生猪养殖粪污的资源化利用 |
| 本章小结 |
| 第三章 1959-1971年间的美国生猪粪污治理 |
| 第一节 集约化生猪养殖方式的动因及初期发展 |
| 第二节 观念及法律制度的影响 |
| 第三节 粪污治理的具体措施 |
| 本章小结 |
| 第四章 1972-1998年间的美国生猪粪污治理 |
| 第一节 集约化养猪快速发展 |
| 第二节 社会环境及政策驱动 |
| 第三节 环境正义追求下的生猪养殖粪污治理 |
| 本章小结 |
| 第五章 1999-2010年代的生猪粪污治理(一) |
| 第一节 生猪养殖的发展状况 |
| 第二节 粪污治理的困境与综合养分管理概念的提出 |
| 第三节 综合养分管理计划与4R养分管理制度 |
| 第四节 综合养分管理的变革措施与管理成效 |
| 本章小结 |
| 第六章 1999-2010年代的生猪粪污治理(二) |
| 第一节 环境优先技术的产生及基本规范 |
| 第二节 环境优先技术的升级换代 |
| 第三节 环境优先技术中的无害化处理方法 |
| 第四节 环境优先技术的应用推广 |
| 本章小结 |
| 第七章 粪污治理百年变迁动因分析 |
| 第一节 资源禀赋与治理范式 |
| 第二节 社会环境与政策导向 |
| 第三节 技术进步与金融创新驱动 |
| 第四节 市场环境与经济动因 |
| 本章小结 |
| 第八章 生猪养殖粪污治理经验及教训 |
| 第一节 政策制度层面经验总结 |
| 第二节 资源化利用层面经验总结 |
| 第三节 各国/地区生猪养殖粪污治理方式比较 |
| 第四节 生猪养殖粪污治理的失败教训 |
| 第九章 对中国的启示 |
| 第一节 价值取向与道德风险的防范 |
| 第二节 粪污治理方式与环境正义的实现路径 |
| 结语 |
| 参考文献 |
| 致谢 |
| 攻读学位期间科研情况 |
四、集约化养猪场各类猪栏数量的计算方法（论文参考文献）
- [1]基于机器学习的猪只行为识别与分类方法研究[D]. 靳敏. 内蒙古农业大学, 2021(01)
- [2]生猪异常行为多源监测及其信息融合方法的研究与应用[D]. 张苏楠. 太原理工大学, 2020(01)
- [3]基于WSN纵向通风猪舍温热环境监测及CFD模型的研究[D]. 王瑜. 华中农业大学, 2020(02)
- [4]北方地区小型养猪场数字化管理系统研究[D]. 青林. 内蒙古农业大学, 2020(02)
- [5]基于漏缝地板的垂直通风猪舍环境模拟及试验研究[D]. 解天. 江西农业大学, 2020
- [6]精准畜牧中机器视觉关键技术研究及应用[D]. 刘冬. 西北农林科技大学, 2020(02)
- [7]类固醇雄激素、孕激素和糖皮质激素的环境污染特征及其生物降解转化规律[D]. 张晋娜. 中国科学院大学(中国科学院广州地球化学研究所), 2019(07)
- [8]基于计算机视觉的哺乳母猪行为识别研究[D]. 杨阿庆. 华南农业大学, 2019(02)
- [9]中国畜牧业支持政策及效应分析[D]. 刘利. 吉林农业大学, 2019(03)
- [10]美国生猪养殖粪污治理研究（1910-2010）[D]. 周杰灵. 南京农业大学, 2019(08)