一、宁夏黑白花奶牛体尺体重回归分析(论文文献综述)
任义军,沈华,俞晓鹏,李忠秋,郜志鹏,孙大明,原宝东[1](2018)在《哺乳期仔麋鹿体重体尺动态变化及相关性研究》文中研究指明以大丰麋鹿国家级自然保护区的哺乳期仔麋鹿(Elaphurus davidianus)为研究对象,收集了2017年4-6月期间仔麋鹿体重、体长、头长、肩高、胸围、后足长等生长参数,建立了麋鹿体重的生长曲线以及分析体重与其他参数的相关关系。结果表明:哺乳期仔麋鹿体重增长符合logistic增长曲线,方程为Y=209.95/(1+18.861e-0.015t);体重与体长、胸围、肩高等体尺指标相关性较高,达到极显着水平(P<0.01),体重与头长和后足长无显着相关性(P>0.05)。本研究为麋鹿的驯养管理提供了基础数据支持。
牛金玉[2](2018)在《基于三维点云的奶牛体尺测量与体重预测方法研究》文中研究说明奶牛养殖业是我国畜牧业的重要组成部分,而奶牛的体尺和体重参数是奶牛养殖和生产环节的重要指标,对奶牛的规模化、标准化养殖具有重要应用价值。本文针对人工测量奶牛体尺和体重工作量大且对奶牛应激大等问题,在分析和总结国内外奶牛体尺测量和体重预测研究成果的基础上,利用Kinect深度传感器获取荷斯坦奶牛的三维点云数据,研究点云的预处理方法、点云缺失区域的修复方法、点云中奶牛体尺参数的自动提取方法,并构建奶牛体重预测模型,无接触地实现奶牛体尺测量和体重预测,为奶牛的体尺和体重获取提供一种快速便捷的方法。论文主要工作及结论如下:(1)奶牛点云获取及预处理方法。以荷斯坦奶牛为研究对象,用Kinect设备采集45头奶牛的初始点云数据,每头奶牛获取5帧点云数据,共225帧。Kinect设备获取的奶牛初始点云中包含地面、水平栏杆、竖直栏杆和离群点等背景点云,研究用直通滤波法去除部分点云数据,用带法线的模板匹配法去除地面点云数据,用与给定轴线平行的直线模板匹配法和系列包围圆柱法去除水平栏杆点云数据,用欧氏聚类法去除竖直栏杆点云数据,用平均距离估计方法去除离群点数据,最终得到只包含奶牛个体的点云数据。(2)针对奶牛点云缺失区域大的问题,研究并提出了改进三次B样条曲线的点云缺失区域修复方法。预处理后得到的奶牛点云中存在一条被水平栏杆遮挡而缺失的区域,研究并提出基于改进三次B样条曲线的点云缺失区域修复方法,即先对奶牛点云进行切片投影,再对每个切片点列中间距较大的相邻点进行补点,最后对补点后得到的新点列进行三次B样条曲线拟合,即得到修复后奶牛点云。对45头荷斯坦奶牛共225帧点云进行了修复试验,结果表明,本文方法比三次B样条方法修复得到的点云均匀性和逼近性能更好,平均帧逼近误差降低了26.70%,为大面积点云缺失修复提供了方法借鉴。(3)研究并提出了基于奶牛身体几何特征的主要体尺自动测量方法。为实现和奶牛重量高度相关的体高、体直长、体斜长、腹宽、肩宽和体深等6种体尺参数的自动测量,研究了基于奶牛身体几何特征的体尺参数提取方法,试验结果表明,体深平均绝对误差最小,为0.0097m;体高、腹宽和肩宽平均绝对误差均小于0.0200m;体斜长和体直长平均绝对误差分别为0.0765m和0.0771m,较大于其他4种体尺的平均绝对误差。体高的平均相对误差为0.9201%,在6种体尺中最小;体深、腹宽和肩宽平均相对误差均小于4%,仅次于体高的平均相对误差;体斜长和体直长平均相对误差分别为4.8623%和5.0471%,较大于其余4种体尺的平均相对误差。6种体尺参数的平均相对误差均值为3.0687%,具有较高的体尺测量精度,可满足体重预测要求。(4)奶牛体重预测模型的构建和优化。将45组奶牛体重和体尺数据分为训练组的35组样本和验证组的10组样本,分别用多元线性回归模型、逐步回归分析模型、偏最小二乘法模型、BP神经网络模型和RBF神经网络模型构建奶牛体重预测模型,用验证组10组样本验证模型预测精度。试验结果表明,偏最小二乘法预测模型相较于其他预测模型具有更高的预测精度,其体重预测绝对误差在-20.903kg至+27.089kg之间,均方根误差为17.236kg,相对误差在-3.024%至+4.915%之间,相对均方根误差为2.867%。故最终选用偏最小二乘法构建奶牛体重的预测模型,相对均方根误差为2.867%,具有较高的预测精度。
霍晓静[3](2014)在《基于物联网的奶牛场数字化管理关键技术研究》文中认为与发达国家相比,我国的奶牛业面临着精细养殖不系统、体型测量效率低、发情鉴定不及时等系列问题,大大限制了国内奶牛养殖业生存与发展空间。论文旨在通过研究分析当前国内奶牛场精细养殖系列问题,探索奶牛场数字化养殖物联网关键技术,破解基于数字图像处理的奶牛体尺测量技术难题,实现奶牛体型体尺的智能自动测定、奶牛场信息的实时自动反馈,提高奶牛场数字化信息监控力度。论文研究成果对有效提高奶牛数字化精细养殖水平,促进奶牛业发展具有重要的应用价值和经济效益。本文主要完成了以下研究工作:(1)针对奶牛场数字化管理水平低下问题,将“物联网”概念引入到奶牛场精细养殖中,提出基于树型网络结构的奶牛场物联网体系,构建了基于ZigBee的奶牛场物联网系统。针对奶牛场精细养殖特点,设计了奶牛场环境参数与奶牛个体参数相关信息数据库;应用LabWindows/CVI2012自主开发了面向C/S的系统监控中心软件;采用基于TCP/IP协议的DataSocket通讯机制实现了数据的远程监测和传输;应用Z-Stack-CC2530-2.3.3-1.4.0协议栈进行无线传感器网络(Wireless Sensor Networks,WSN)网络节点软件开发,设计了协调节点、路由节点和终端节点应用软件;综合应用无线射频识别(Radio Frequency Identification,RFID)技术、WSN技术、数字图像处理技术、虚拟仪器技术,实现了奶牛场信息全天候实时监控,提升了奶牛场的数字化管理水平。(2)运用数字图像处理技术,实现了奶牛体尺的自动测量,解决了传统奶牛体尺测量效率低下、图像处理体尺特征提取精度差的问题。针对奶牛黑白花图像光照不匀、背景复杂、图像噪声难抑制的问题,采用中值滤波、限制对比度直方图均衡化等方法进行图像增强,采用Prewitt算子和最大类间方差法进行了图像分割,运用膨胀、腐蚀、小物体移除、外部梯度运算等形态学图像处理技术进行图像干扰去除和边缘提取,达到突出牛体体型特征的效果;应用定向平行靶搜索算法进行奶牛体型特征点自动识别与体尺测量,与人工测量相比最大绝对测量误差低于0.8cm,测量时间缩短4-6倍,有效提高了体尺测量精度和测量效率。(3)综合应用单因素试验、正交试验、多项式拟合、误差补偿等方法,优化奶牛场物联网系统物理结构。应用单因素试验方法,确定了系统环境监测终端节点最优安装高度区间;应用点对点通迅丢包率正交试验,优化了系统路由节点与终端节点间的安装高度、安装距离;应用多项式拟合方法建立了系统环境终端节点安装高度与丢包率误差模型;从抗干扰角度进行了硬件选型和节点设置分析,采取均值法和均方根法进行测量误差补偿,有效抑制了测量误差,降低了系统丢包率。(4)开展了奶牛场物联网系统测量结果的分散性和可信度问题的研究。依据GUM(Guide to the Expression Uncertainty in Measurement)规则对奶牛场物联网系统进行了不确定度源的分析,得到了制约测量结果的主要影响因素;应用B类不确定度评定方法,对奶牛场温度、湿度、氨气含量平均值和奶牛运动量RMS值等4项系统测量指标进行了合成不确定度评定,实现了系统测量结果不确定度的量化表征。
刘同海[4](2014)在《基于双目视觉的猪体体尺参数提取算法优化及三维重构》文中研究说明猪的体尺、体重等生长参数是评价猪的生长状况、种猪选育等环节所关注的关键指标。而传统的体尺、体重等参数的获取一般是由人工直接接触式测量,工作量大,对猪会产生应激,降低猪的福利水平。针对上述问题,本文以长白猪为研究对象,利用计算机视觉技术,研究了基于双目视觉的猪体体尺参数提取及三维重构方法。主要研究内容及结果如下:(1)猪体重估测模型研究。针对线性回归估测猪体重,其体长、体高、胸围等自变量间存在自相关及共线性问题,本文在相关分析的基础上,采用多元线性回归、SMLR、RBF和PLS等方法,构建了猪体重估测模型。经检验,基于RBF神经网络的猪体重估测模型的R2为0.977,平均相对误差为1.34%,预测效果优于多元线性回归;基于PLS的猪体体重线性模型R2为0.945,平均相对误差为2.7%,该模型较RBF神经网络模型可操作性强,且消除了线性回归分析中的自变量共线性问题,是构建猪体重估测模型的一种有效方法。(2)复杂背景下猪体生长参数识别算法及优化研究。针对猪自然站立姿态下,利用机器视觉提取猪体尺测点,存在测点识别率较低等问题。本文提出了复杂背景下猪体尺测点提取方法。设计了复杂背景下猪个体提取、基于包络分析的猪体头尾部的去除和具有一定弯曲度复杂猪体尺测点提取等算法。该方法实现了猪体长、体宽等体尺测量的9个体尺测点的坐标提取。实验结果表明:体尺测点提取算法稳定,具有较强的鲁棒性,该算法的检测值对猪体体尺实测值平均相对误差为2.26%,体重检测误差为5.11%。(3)双目视觉三维重构方法研究。针对胸围等参数,通过猪背部单幅二维图像无法获取问题,本文利用双目视觉技术,提出了基于复杂背景去除的猪体图像匹配算法,采用互信息和自适应相似度理论优化了传统的SAD、NCC等模板灰度的立体匹配算法,设计了猪体胸围参数提取算法。通过Matlab完成摄像机标定、立体匹配、三维重构及可视化等图像分析。实验结果表明:立体匹配效率较SAD、NCC等模板灰度的立体匹配算法提高了一倍;经与实测值对比验证,通过双目视觉三维重构体尺检测平均相对误差为2.09%,体重检测平均相对误差为3.38%。(4)主动式猪体三维重构方法研究。为对比双目视觉三维重构体尺检测精度、探索猪体三维重构新方法,本文采用激光三维扫描仪,进行主动式猪体三维重构方法与体尺检测研究。该方法在获取猪体点云数据的基础上,基于不规则三角网重构了猪体三维曲面模型。提取了猪体长、体宽、臀宽、体高、臀高、胸围等参数。对比分析其体长、体宽、臀宽、体高、臀高、胸围等实测值,其检测最大相对误差为0.42%,平均相对误差为0.17%,体重检测误差为2.7%。从检验结果上看,主动式三维重构体尺体重检测算法精度较高,但扫描仪不便于在猪舍现场使用且激光束易对猪体造成伤害,双目立体视觉重构猪体三维,检测其猪舍猪体生长参数方法可行。
薛仰全,王兴中[5](2013)在《黑白花受体胚胎移植荷斯坦奶牛012月龄体尺体重相关性及回归分析》文中认为为探讨黑白花受体胚胎移植荷斯坦奶牛体尺体重的生长发育规律,采用SPSS Statistics 17.0统计软件对黑白花受体牛胚胎移植荷斯坦奶牛初生、6月龄、12月龄阶段的体尺体重指标进行了相关性和回归分析研究。结果表明,黑白花受体胚胎移植牛在初生、6月龄、12月龄三个阶段,体尺体重随日龄的增加而增加,012月龄体重增长迅速,体高、胸围增长较快,管围生长较慢;体重体尺彼此之间的相关系数均在0.865以上(P<0.01);体重与体高、体斜长、胸围、管围的四元回归模型相关系数(R)分别为0.997、0.883和0.982,决定系数(R2)分别为0.993、0.780和0.964,Y与Xi高度正相关,线性程度非常好。
薛仰全,余四九,倪兴军[6](2013)在《不同受体胚胎移植荷斯坦奶牛生长指标比较及相关性分析》文中研究指明通过对酒泉地区不同受体胚胎移植荷斯坦奶牛生长指标的研究,探讨胚胎移植荷斯坦奶牛对酒泉地区生态条件的适应性。采用生长指标比较和相关性分析,对甘肃酒泉地区土杂、西杂和黑白花三种受体牛所产45头胚胎移植荷斯坦奶牛0日龄、6月龄、12月龄阶段的体尺体重指标进行了研究。结果发现:三种受体胚胎移植牛体尺体重随日龄的增加而增加,012月龄体重增长快速,体高、胸围增长较快,管围生长较慢。三阶段体尺体重彼此之间的相关系数均在0.90以上,各相关数之间有高度统计意义(P=0.000<0.01)。体尺体重彼此呈显着正相关,线性程度非常好。胚胎移植荷斯坦奶牛对酒泉地区的生态气候条件具有较强的适应性。
薛仰全,余四九,王兴中[7](2013)在《土杂受体胚胎移植荷斯坦奶牛0~12月龄体重和体尺指标研究》文中指出[目的]探索土杂胚胎移植荷斯坦奶牛体重和体尺指标的生长发育规律。[方法]对初生、6月龄、12月龄土杂受体牛胚胎移植荷斯坦奶牛的体重和体尺指标进行相关性分析和回归分析。[结果]0~12月龄胚胎移植荷斯坦奶牛体重和体尺指标随日龄的增加而增加,符合牛的一般生长规律。依体高(X1)、体斜长(X2)、胸围(X3)和管围(X4)为自变量,以体重(Y)为因变量,采用"进入法"建立四元线性回归模型。初生、6月龄和12月龄胚胎移植荷斯坦奶牛体重与体尺指标的四元回归模型相关系数(R)分别为0.975、0.983和0.922,决定系数(R2)分别为0.950、0.966和0.849。0~12月龄胚胎移植荷斯坦奶牛的体重与体尺指标呈显着正相关,线性关系良好。[结论]0~12月龄土杂受体胚胎移植荷斯坦奶牛生长良好,适应酒泉地区的生态气候条件。
叶昌[8](2013)在《杂交奶水牛体尺和体重及乳房性状与产奶性能的相关分析》文中研究表明奶水牛是国际上公认的最具开发潜力和开发价值的乳畜之一。但是,奶水牛产奶量低和繁殖力低的问题却严重制约了奶水牛产业的发展。奶牛育种实践证明,奶牛体型外貌和乳房性状直接或间接影响其产奶性能和繁殖性能,对于奶水牛是否与普通荷斯坦奶牛一样具有相似的关系有待进一步研究。因此,研究奶水牛体型和乳房性状等与产奶性能的关系,对于奶水牛育种具有重要意义,从而提高奶水牛产奶量。本研究通过调查、现场观测、测定,记录了产犊后奶水牛各体尺、体重和乳房性状数据,并记录其产奶量(校正到第一胎305d产奶量)数据,通过分析了奶水牛各体尺、体重、乳房性状与第一胎305d产奶量之间的相关关系,从而寻找关系最密切的指标,用于水牛育种选择;利用Logistic生长曲线模型拟合乳房生长发育情况,明确奶水牛乳房生长发育规律,为日常饲养管理提供依据;建立回归方程,用于评估种用价值。1成年奶水牛体尺、体重和乳房性状和产奶量的测定杂交奶水牛成年时体尺、体重、乳房性状和产奶量如下:体高:136.41±3.46cm,体斜长:146.94±5.12cm,胸围:218.42±10.16cm,管围:27.05±2.38cm,臀端宽:22.56±2.62cm,髋宽:40.92±3.55cm,体重:640.00±58.2kg,尻长:37.79±3.20cm,臀端高:113.91±4.35cm,腰角宽:59.23±2.90cm,尻高:140.65±3.68cm,平均乳头长度:6.43±1.21cm,乳头均匀度:0.14+0.15,乳头前后间距:8.79±1.06cm,乳头左右间距:10.01±1.90cm,乳头交叉间距:13.43±2.11cm,乳头围面积:86.17±19.87cm2,第一胎305d产奶量:896.38+311.96kg。2奶水牛乳房生长发育规律杂交奶水牛的乳房在早期(3岁到4岁)生长相对较快,在3岁左右达到生长拐点,这个时期也正是奶水牛初配和妊娠的时期,甚至也是一些早熟青年母牛初产的时期。到4岁之后乳房生长发育虽然还有增长的趋势,但是生长逐渐趋于平缓,基本已经停止生长。3成年奶水牛体尺、体重和乳房性状与产奶量相关分析和通径分析通过相关分析和通径分析发现,杂交奶水牛体尺性状、体重和乳房性状间存在着不同程度的相关性,与产奶量也有着一定的相关性。头胎305d产奶量与管围X3、乳头前后间距X12、乳头左右间距X13、乳头围面积X15、乳头均匀度X17呈中等或强正相关,与管围的相关性最强(r=0.5489);与臀端宽X4、尻长X5呈中等或强负相关,而其他性状均呈弱相关。对产奶量直接影响最大的6个性状为:乳头前后间距(0.3557)、乳头均匀度(0.2599)、乳头左右间距(0.2572)、臀端宽(-0.2201)、胸围(0.2174)、管围(0.1954)。这些结果表明,对产奶量影响最大的是乳房性状,其次是管围和臀端宽这些体尺性状,体重对产奶量的影响很小;虽然胸围与产奶量的相关性小,但其对产奶量产生直接影响较大。4奶水牛体尺、体重和乳房性状与产奶量最优回归方程建立根据上述资料,通过分析各体尺、体重、乳房性状与第一胎305d产奶量,建立多元回归方程如下:Y=-685.93-8.98X1-10.61X2+24.02X3-28.69X4-0.04X5+102.18X12+41.28X13+27.23X14-2.37X15+540.46X16+0.99X6-0.52X7+6.62X8+6.41X9-0.20X10+7.09X11(R=0.78R2=0.61, P<0.01)根据回归方程优化的原则,优化回归方程如下:Y=-572.66+40.47*管围+84.26*乳头前后间距+40.78*乳头围面积-38.12*臀端宽(R=0.73,R2=0.53,P<0.01)
苏伟林,邹红菲,王雷,邢秀梅,邱宏坤,黄海涛,宫明,于子微[9](2006)在《散养0.5岁龄东北虎体重及体尺相关性研究》文中研究表明采用逐步回归的方法对随机抽取的45只0.5岁龄东北虎的体重和5个主要体尺指标进行了回归分析,得到0.5岁龄东北虎体重和体尺指标的最优回归方程为:W=-40.9314+0.3983L+0.7490S+0.2761A-0.2569C-0.0375T(♂)、W=-59.5255+0.7150L+0.2461S+0.1953A-0.0086C-0.1729T(♀),明确了0.5岁龄东北虎体重与体尺指标的关系,为东北虎的选育工作提供参考。
程郁昕,唐义国,郭蜜,查琳[10](2005)在《蚂蚁山奶牛场奶牛常用体尺指数的计算及分析》文中指出在蚂蚁山奶牛场,随机抽取荷斯坦在产成母牛401头(1≥4胎)进行奶牛常用体尺指数的计算和分析。结果表明:蚂蚁山奶牛场荷斯坦奶牛肢长指数、体长指数、髋宽指数、胸宽指数、体躯指数、尻高指数、尻宽指数的平均水平分别是44.09%、118.87%、86.96%、55.46%、126.69%、103.85%和43.31%。其中,尻高指数随胎次的升高而下降;而髋宽指数、胸宽指数随胎次升高而变化的趋势是1胎最低,2胎最高,3胎、≥4胎又逐渐略有下降。就奶牛常用体尺指数的总体情况而言,尻高指数、髋宽指数、体躯指数的表现较佳,尻宽指数的表现较差。
二、宁夏黑白花奶牛体尺体重回归分析(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、宁夏黑白花奶牛体尺体重回归分析(论文提纲范文)
(1)哺乳期仔麋鹿体重体尺动态变化及相关性研究(论文提纲范文)
1 材料与方法 |
1.1 研究地自然概况 |
1.2 数据收集 |
1.3 数据处理 |
2 结果 |
2.1 体重 |
2.2 体尺 |
2.3 体尺与体重的相关性分析 |
2.4 体重估计的回归分析 |
3 讨论 |
3.1 哺乳期仔麋鹿体重与体尺 |
3.2 体尺与体重回归分析 |
(2)基于三维点云的奶牛体尺测量与体重预测方法研究(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 国内外研究现状 |
1.2.1 动物体尺测量方法 |
1.2.2 动物体重预测方法 |
1.2.3 点云数据处理 |
1.3 存在问题分析 |
1.4 主要研究内容 |
1.5 研究方法及技术路线 |
1.5.1 研究方法 |
1.5.2 技术路线 |
1.6 论文结构 |
第二章 奶牛体重、点云数据采集与点云预处理 |
2.1 Kinectv2设备技术分析 |
2.2 奶牛深度数据及体重数据采集 |
2.3 奶牛点云数据预处理 |
2.3.1 深度数据转换点云数据 |
2.3.2 奶牛点云提取 |
2.4 本章小结 |
第三章 奶牛点云缺失区域修复方法 |
3.1 奶牛点云缺失区域特点 |
3.2 奶牛点云切片投影方法 |
3.3 奶牛点云切片投影的拟合方法 |
3.3.1 三次B样条曲线拟合 |
3.3.2 改进的三次B样条曲线拟合方法 |
3.4 试验结果及分析 |
3.4.1 拟合参数取值分析 |
3.4.2 点云拟合逼近性能分析 |
3.4.3 噪声敏感性试验 |
3.5 本章小结 |
第四章 奶牛点云体尺参数提取方法 |
4.1 奶牛体尺参数选取 |
4.2 奶牛体尺参数自动提取方法 |
4.2.1 主要躯体点云分割 |
4.2.2 体尺参数提取 |
4.3 体尺参数提取精度试验及结果分析 |
4.3.1 试验结果 |
4.3.2 误差分析 |
4.4 本章小结 |
第五章 奶牛体重预测模型 |
5.1 奶牛体重预测模型建立 |
5.1.1 多元线性回归模型 |
5.1.2 逐步回归分析模型 |
5.1.3 偏最小二乘法模型 |
5.1.4 BP神经网络模型 |
5.1.5 RBF神经网络模型 |
5.2 奶牛体重预测结果及误差分析 |
5.2.1 奶牛体重预测结果 |
5.2.2 误差分析 |
5.3 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
缩略词表 |
致谢 |
作者简介 |
(3)基于物联网的奶牛场数字化管理关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 引言 |
1.1 课题研究背景及意义 |
1.2 国内外相关问题的研究现状 |
1.2.1 物联网技术及其在畜禽生产中的研究现状 |
1.2.2 奶牛体尺测量研究现状 |
1.2.3 奶牛图像处理与识别技术研究现状 |
1.2.4 不确定度评定的应用现状 |
1.3 本文主要研究内容 |
1.4 本文结构 |
1.5 项目来源 |
第2章 奶牛场物联网系统设计与实现 |
2.1 本章技术路线 |
2.2 奶牛场物联网系统基本功能 |
2.3 奶牛场物联网系统构建 |
2.3.1 奶牛场物联网信息参数体系 |
2.3.2 奶牛场物联网系统架构 |
2.4 奶牛场物联网系统实现 |
2.4.1 系统总体方案设计 |
2.4.2 硬件设计 |
2.4.3 软件设计 |
2.5 本章小结 |
第3章 基于数字图像处理的奶牛体尺测量 |
3.1 本章技术路线 |
3.2 体尺测量体系构建 |
3.2.1 奶牛体尺性状 |
3.2.2 体尺指数 |
3.3 图像采集系统与标定 |
3.3.1 图像采集系统构成 |
3.3.2 摄像机标定 |
3.4 奶牛图像处理 |
3.4.1 图像去噪 |
3.4.2 图像灰度值变换 |
3.4.3 图像分割 |
3.4.4 基于数学形态学处理的干扰去除 |
3.5 特征提取与体尺测定 |
3.6 体尺测定试验结果及分析 |
3.7 本章小结 |
第4章 奶牛场信息采集处理试验分析 |
4.1 本章技术路线 |
4.2 试验方案设计 |
4.2.1 试验目的 |
4.2.2 试验指标 |
4.2.3 试验条件与参数设定 |
4.3 环境监测终端节点安装位置优化试验 |
4.3.1 单因素试验方案 |
4.3.2 试验结果与分析 |
4.3.3 试验结论 |
4.4 点对点通迅丢包率正交试验 |
4.4.1 试验方案 |
4.4.2 试验结果与分析 |
4.4.3 试验结论 |
4.5 误差补偿与抗干扰措施 |
4.5.1 误差补偿算法 |
4.5.2 硬件抗干扰措施 |
4.6 补偿后试验结果分析 |
4.7 本章小结 |
第5章 奶牛场物联网系统不确定度评定 |
5.1 本章技术路线 |
5.2 测量不确定度 |
5.3 奶牛场物联网系统测量不确定度来源分析 |
5.3.1 传感器的不确定度 |
5.3.2 A/D 转换的不确定度 |
5.3.3 DSP 引起的不确定度 |
5.4 奶牛场物联网系统测量结果的合成不确定度 |
5.4.1 随机变量的合成不确定度评估 |
5.4.2 直接测量的合成不确定度评估 |
5.4.3 间接测量合成不确定度评估 |
5.5 应用 B 类方法评定奶牛场物联网系统不确定度 |
5.5.1 奶牛场温度信号有效值的不确定度评定 |
5.5.2 奶牛场湿度有效值的不确定度评定 |
5.5.3 奶牛场氨气含量有效值的不确定度评定 |
5.5.4 奶牛运动量有效值的不确定度评定 |
5.6 本章小结 |
第6章 结论 |
6.1 主要结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
博士学位在读期间发表的论文与着作 |
作者简历 |
致谢 |
(4)基于双目视觉的猪体体尺参数提取算法优化及三维重构(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.3 研究内容和技术路线 |
第二章 猪体重估测模型研究 |
2.1 引言 |
2.2 模型分析原理与方法 |
2.3 猪体生长参数数据的测量 |
2.4 基于线性回归分析的猪体重预估模型研究 |
2.5 逐步回归方法建模与分析 |
2.6 RBF神经网络建模与分析 |
2.7 偏最小二乘回归模型分析 |
2.8 模型选择与分析 |
2.9 本章小结 |
第三章 复杂背景下猪体信息识别算法及优化研究 |
3.1 引言 |
3.2 图像处理相关理论与方法 |
3.3 猪体背部图像数据采集 |
3.4 猪体体尺测点提取算法设计 |
3.5 猪体图像处理与分析 |
3.6 猪体体尺测点提取及精度检验分析 |
3.7 本章小结 |
第四章 双目立体视觉猪体三维重构及应用 |
4.1 引言 |
4.2 基于双目立体视觉的猪体三维重建原理 |
4.3 双目立体视觉猪体图像采集及处理方法 |
4.4 摄像机的标定 |
4.5 猪体立体匹配 |
4.6 猪体三维重建与可视化 |
4.7 基于三维模型的猪体体尺参数提取分析 |
4.8 主动式猪体三维重建技术与应用 |
4.9 不同方法三维重构猪体体尺检测结果对比分析 |
4.10 无接触式猪体体尺、体重检测精度验证与分析 |
4.11 本章小结 |
第五章 结论与建议 |
5.1 结论 |
5.2 主要创新点 |
5.3 建议 |
参考文献 |
致谢 |
附录 |
作者简介 |
(5)黑白花受体胚胎移植荷斯坦奶牛012月龄体尺体重相关性及回归分析(论文提纲范文)
1 材料与方法 |
1.1 材料来源 |
1.2 数据处理 |
2 结果与分析 |
2.1 初生、6月龄、12月龄体尺体重生长比较 |
2.2 初生、6月龄、12月龄体尺体重相关性分析 |
2.3 初生、6月龄、12月龄体尺体重的回归分析 |
3 讨论 |
3.1 牛体尺体重生长发育规律 |
3.2 体尺体重生长与受体的关系 |
3.3 体重与体尺的回归关系 |
(6)不同受体胚胎移植荷斯坦奶牛生长指标比较及相关性分析(论文提纲范文)
0 引言 |
1 材料与方法 |
1.1 材料来源 |
1.2 方法与材料 |
1.3 测量部位 |
1.4 饲养管理 |
1.5 数据处理 |
2 结果与分析 |
2.1 土杂胚胎移植牛0日龄、6月龄、12月龄体尺体重生长比较及相关性分析 |
2.2 西杂胚胎移植牛0日龄、6月龄、12月龄体尺体重比较及相关性分析 |
2.3 黑白花胚胎移植牛0日龄、6月龄、12月龄体尺体重比较及相关性分析 |
3.2 胚胎移植牛体尺体重生长与受体的关系 |
4 结论 |
(7)土杂受体胚胎移植荷斯坦奶牛0~12月龄体重和体尺指标研究(论文提纲范文)
1 材料与方法 |
1.1 材料来源 |
1.2 数据处理 |
2 结果与分析 |
2.1 初生、6月龄和12月龄奶牛体重和体尺指标的比较 |
2.2 初生、6月龄和12月龄体重和体尺指标的相关性分析 |
2.3 初生、6月龄和12月龄土杂胚胎移植荷斯坦奶牛体重和体尺指标的回归分析 |
3 讨论 |
3.1 牛体尺体重生长发育规律 |
3.2 体尺、体重生长与受体的关系 |
3.3 体重与体尺的回归关系 |
(8)杂交奶水牛体尺和体重及乳房性状与产奶性能的相关分析(论文提纲范文)
摘要 |
Abstract |
英文缩略语 |
第一篇 文献综述 |
引言 |
1 水牛研究进展 |
1.1 世界水牛业发展现状 |
1.2 中国水牛业发展现状 |
2 奶水牛泌乳性状的研究进展 |
2.1 全球奶水牛泌乳性能研究概况 |
2.2 中国奶水牛泌乳性能研究进展 |
3 奶水牛体尺研究进展 |
4 奶水牛乳房性状与产奶量关系的研究进展 |
第二篇 试验研究 |
1 研究的目的与意义 |
2 材料与方法 |
2.1 实验对象 |
2.2 实验方法 |
2.2.1 体尺指标的测定 |
2.2.1.1 测定标准与方法 |
2.2.1.2 测量工具 |
2.2.2 体重测量 |
2.2.3 产奶量测定 |
2.2.4 生长曲线方程拟合 |
2.3 数据统计分析 |
3 结果与分析 |
3.1 奶水牛体尺、体重和乳房性状及产奶量的数据分析 |
3.1.1 产犊后奶水牛体尺、体重随年龄的变化 |
3.1.2 奶水牛乳房生长规律 |
3.1.3 奶水牛乳房生长曲线方程拟合分析 |
3.1.4 成年奶水牛体尺、乳房性状和产奶量的表型参数 |
3.2 成年奶水牛体尺、体重和乳房性状与第一胎305d产奶量的相关系数 |
3.3 奶水牛各体尺、体重和乳房性状与产奶量通径分析 |
3.4 产奶量与体尺、体重和乳房性状的多元回归方程 |
3.5 回归方程优化 |
4 讨论 |
4.1 杂交奶水牛在本地生长发育良好 |
4.2 奶水牛乳房生长曲线 |
4.3 奶水牛体尺、体重和乳房性状对产奶量的影响 |
4.4 最优回归方程的建立 |
4.5 影响产奶量的主要因素 |
5 结论 |
5.1 杂交奶水牛生长规律 |
5.2 奶水牛乳房生长发育规律 |
5.3 成年奶水牛各体尺、体重和乳房性状与产奶量相关分析和通径分析 |
5.4 奶水牛各体尺、体重和乳房性状与产奶量最优回归方程的建立 |
参考文献 |
致谢 |
(9)散养0.5岁龄东北虎体重及体尺相关性研究(论文提纲范文)
1 材料和方法 |
1.1 材料 |
1.2 方法 |
1.2.1 麻醉 |
1.2.2 测量 |
1.2.3 数据处理 |
2 结果与讨论 |
2.1 0.5岁龄雌、雄东北虎之间差异显着性分析 |
2.2 体重和体尺性状间的简单相关分析 |
2.2.1 0.5岁龄雄性东北虎体长、肩高、臀高、胸围、尾长和体重之间的相关分析(见表2) |
2.3 估计体重的最优回归方程 |
2.3.1 方差分析 |
2.3.2 回归模型的参数估计值 |
3 讨论 |
(10)蚂蚁山奶牛场奶牛常用体尺指数的计算及分析(论文提纲范文)
1 材料与方法 |
1.1 样本抽取 |
1.2 测量体尺 |
1.3 常用体尺指数 |
1.4 数据处理 |
2 结果与分析 |
2.1 奶牛体尺的测量结果 |
2.2 奶牛常用的体尺指数 |
3 讨论 |
四、宁夏黑白花奶牛体尺体重回归分析(论文参考文献)
- [1]哺乳期仔麋鹿体重体尺动态变化及相关性研究[J]. 任义军,沈华,俞晓鹏,李忠秋,郜志鹏,孙大明,原宝东. 畜牧与兽医, 2018(07)
- [2]基于三维点云的奶牛体尺测量与体重预测方法研究[D]. 牛金玉. 西北农林科技大学, 2018(01)
- [3]基于物联网的奶牛场数字化管理关键技术研究[D]. 霍晓静. 河北农业大学, 2014(04)
- [4]基于双目视觉的猪体体尺参数提取算法优化及三维重构[D]. 刘同海. 中国农业大学, 2014(03)
- [5]黑白花受体胚胎移植荷斯坦奶牛012月龄体尺体重相关性及回归分析[J]. 薛仰全,王兴中. 当代畜牧, 2013(36)
- [6]不同受体胚胎移植荷斯坦奶牛生长指标比较及相关性分析[J]. 薛仰全,余四九,倪兴军. 中国农学通报, 2013(35)
- [7]土杂受体胚胎移植荷斯坦奶牛0~12月龄体重和体尺指标研究[J]. 薛仰全,余四九,王兴中. 安徽农业科学, 2013(21)
- [8]杂交奶水牛体尺和体重及乳房性状与产奶性能的相关分析[D]. 叶昌. 华中农业大学, 2013(02)
- [9]散养0.5岁龄东北虎体重及体尺相关性研究[J]. 苏伟林,邹红菲,王雷,邢秀梅,邱宏坤,黄海涛,宫明,于子微. 特产研究, 2006(03)
- [10]蚂蚁山奶牛场奶牛常用体尺指数的计算及分析[J]. 程郁昕,唐义国,郭蜜,查琳. 中国草食动物, 2005(06)