《Agriculture》:Spatial Distribution of Soil Organic Carbon and Nitrogen Across Salinity Gradients in the Yellow River Delta, China
编辑推荐:
随着肉禽生产规模的扩大以及向智能化和省力化管理的转变,传统人工巡检受限于劳动强度高、异常空间展示不直观以及现场核验效率低等问题。为解决上述局限性,研究人员通过集成巡检机器人、数字孪生环境和云端数据服务,开发了一套笼养肉鸡舍异常监测系统。根据实体鸡舍尺寸和笼具排
随着肉禽生产规模的扩大以及向智能化和省力化管理的转变,传统人工巡检受限于劳动强度高、异常空间展示不直观以及现场核验效率低等问题。为解决上述局限性,研究人员通过集成巡检机器人、数字孪生环境和云端数据服务,开发了一套笼养肉鸡舍异常监测系统。根据实体鸡舍尺寸和笼具排列规则,建立了参数化三维模型和语义笼位锚点。结合机器人即时定位与地图构建(SLAM)位姿、巡检通道、摄像机标识和笼具排列参数,计算死鸡事件的语义位置并映射到数字孪生环境中。根据可用定位信息的完整程度,张口呼吸、红外异常和声音异常还以候选笼位、局部区域或巡检通道级别进行可视化。系统还实现了机器人位置、朝向和运行状态的虚实同步,并可通过基于WebGL的界面进行远程交互控制。在约100天的现场测试中,模型优化使三角形数量、顶点数和文件大小分别减少48.34%、30.47%和44.81%,同时将WebGL场景初始加载时间从3.84秒缩短至3.05秒。当同时显示500个异常标记时,优化后的场景平均帧率保持在67.83帧/秒。在2035起死鸡事件中,1954起在笼排、层、组方面被正确定位,笼级定位准确率为96.0%。共评估6412条机器人控制命令记录,总体执行成功率为99.50%,平均反馈时间为1.0至1.2秒。结果表明,所提出的系统为异常事件采集、笼级定位、三维可视化和巡检机器人管理提供了一体化工作流程。
随着肉禽生产规模化、集约化和智能化水平的提升,商业养殖场逐步转向省力化、自动化和精细化管理。精准畜牧业利用传感器、机器视觉、声学监测、物联网(IoT)和智能数据分析等手段,对动物行为、健康状态、生产性能和养殖环境进行持续监测,为大规模畜禽生产的实时管理与异常预警提供了新途径。在禽类生产中,这些技术已应用于环境监测、群体健康评估、动物福利分析和生产过程管理,推动管理方式从经验驱动向数据驱动转变。商业笼养肉鸡舍通常具有高饲养密度、舍内布局狭长、笼位数众多且呈多行多层多组密集排列的特点。传统巡检主要依靠工人沿巡检通道观察不同笼层并记录异常位置,该方法耗时费力,且受巡检频率和人员经验影响较大。在多层层叠笼养系统中,笼网会遮挡家禽外形轮廓,饲喂饮水设备也会进一步阻碍视野,导致短时间内难以对所有笼位进行一致检查。检测到死禽等异常后,工人还需进一步确认对应的笼行、笼层和笼组,增加了现场核验与干预的工作量。机器视觉、深度学习、红外热像和声学监测已广泛用于家禽行为与健康监测,但已有研究多聚焦于识别性能,缺乏对商业笼养鸡舍内检测异常的空间组织与直观展示。移动巡检机器人可搭载可见光、红外热像、声学和环境传感器用于鸡舍巡检与死禽检测,但现有研究主要强调自主巡检、异常检测和机器人操作,忽视了异常事件的语义定位和三维表示。此外,现有系统输出结果多为检测图像、置信度分数、异常列表、二维机器人地图坐标或后端数据字段,难以直接对应实际管理中使用的笼行、笼层和笼组标识。数字孪生技术提供了物理结构、感知数据、设备状态和操作信息的统一虚拟表达,但实际部署仍受多源数据集成、物理与虚拟空间对应、模型互操作性和浏览器渲染性能等限制。针对上述问题,研究人员开发了一套基于巡检机器人的数字孪生平台,用于商业笼养肉鸡舍异常监测,并进行了约100天生产周期的现场验证。该研究发表于《Agriculture》。
本研究所用的关键方法包括:在江苏扬州高邮某商业笼养白羽肉鸡场开展实验,鸡舍长110米、宽16米,笼具按7行、4层、63组排列,存栏约30000只。使用团队自主研发的巡检机器人,搭载SLAM导航底盘、可见光/红外双光相机、全向麦克风和环境传感器。主要技术包括:基于Blender和Unity的参数化三维建模与差异化模型优化;根据笼舍尺寸和排列规则建立语义笼位锚点,构建语义索引;结合机器人SLAM位姿、巡检通道标识、摄像机标识和笼具排列参数计算笼行、笼层和笼组标识,实现死禽事件的笼级语义定位;利用六点仿射变换和最小二乘法建立SLAM地图与Unity场景坐标系的映射,实现虚实机器人同步;通过云端平台进行数据解析、存储、命令转发与状态反馈,基于WebGL界面提供三维可视化和远程交互控制。
结果部分包含以下三个方面。**3.1 数字孪生鸡舍构建与WebGL部署**:根据实体鸡舍尺寸、笼具排列、巡检通道和主要设施布局,构建了参数化数字孪生环境,并将Unity场景发布为WebGL嵌入云端平台。模型优化后,三角形数从802,597降至414,619(减少48.34%),顶点数从406,296降至282,504(减少30.47%),模型文件从15.4 MB降至8.5 MB(减少44.81%),WebGL初始加载时间从3.84秒缩短至3.05秒(减少20.57%)。随着异常标记数从0增至500,优化后场景的平均帧率始终更高,500个标记时平均帧率为67.83帧/秒,较优化前提升7.67%。**3.2 基于SLAM位姿的语义笼位计算与异常事件三维映射**:通过将机器人SLAM位姿、巡检通道和摄像机标识与笼具参数结合,将连续机器人位置转换为离散语义笼位。整个生产周期共评估2035起死鸡事件,其中1954起的笼行、笼层和笼组标识与人工核验一致,笼级定位准确率为96.0%。81起错误事件均仅涉及相邻笼组一个组位的偏移,其中59起被分配到后一组,22起被分配到前一组,未出现行、层错误及大于一组的偏移。系统为每一个有效笼位生成三维异常标记,并关联事件类型、时间、置信度、图像、环境参数和处理状态等详细信息。张口呼吸、红外异常和声音异常按定位信息完整程度分别在候选笼位、局部区域或巡检通道级别显示。**3.3 巡检机器人虚实同步与交互控制**:采用六个标定点估计SLAM地图与Unity坐标系的二维仿射变换参数。六个点的拟合残差范围为0.018909至0.056326米,平均残差0.035619米,均方根误差0.037918米,最大残差0.056326米;留一交叉验证(LOOCV)的预测误差范围为0.048840至0.084907米,均低于0.1米,表明坐标映射稳定。虚拟机器人能根据上传的SLAM坐标和航向角同步更新位置与朝向,并反向移动时保持机身朝向不变。共评估6412条控制命令记录,其中6380条成功执行,总体执行成功率为99.50%;各命令类型的平均反馈时间为1.0至1.2秒。
讨论部分指出,现有家禽异常监测研究主要关注识别和自主巡检,而连续机器人坐标无法直接对应生产管理中的笼级标识。本研究通过融合SLAM位姿、通道和摄像机信息实现了死鸡事件的笼级语义定位,准确率达96.0%,且所有错误均集中在笼组边界,反映了局部SLAM位姿波动和离散分组对边界区域的敏感性。语义笼位锚点减少了异常映射对模型名称或网格坐标的依赖,便于适配其他规则排列的笼养鸡舍。虚拟物理同步机制通过仿射变换和航向区分实现了位置、朝向和状态的准确可视化,模型优化保障了浏览器端性能,交互控制命令的高成功率和低延迟验证了云端-界面-机器人链路的稳定性。未来工作包括增加独立空间验证点、半自动标定、边界细化策略(如多帧位姿平滑、通道中心线投影、滞后规则)以及补充异常类型的定量评估。
结论部分可翻译为:本研究开发并现场测试了一个集成巡检机器人、语义笼位映射、三维可视化、云端数据服务和远程交互控制的数字孪生平台,用于商业笼养肉鸡舍。根据鸡舍物理尺寸、笼具排列和巡检通道布局,构建了由7行、4层、63组组成的参数化数字孪生环境。为全部1764个笼位建立了语义锚点,提供了笼位标识、异常事件记录和三维空间位置之间的统一关联。模型优化使三角形数量、顶点数和模型文件大小分别减少48.34%、30.47%和44.81%,WebGL初始加载时间从3.84秒缩短至3.05秒。优化后的场景在同时显示500个异常标记时平均帧率为67.83帧/秒,场景导航、标记选择、事件详情检索和机器人状态更新功能正常。语义笼位计算方法结合了机器人SLAM位姿、巡检通道标识、摄像机标识和笼具排列参数。在2035起死鸡事件中,1954起在笼行、笼层和笼组方面被正确定位,笼级定位准确率为96.0%。所有81起定位错误均涉及相邻笼组一个组位的偏移,表明笼组边界对SLAM位姿波动和离散分组仍然敏感。基于六个标定点的二维仿射变换建立了SLAM地图与Unity环境的坐标对应,实现了机器人位置、朝向、速度、升降台高度、电量、充电状态和任务进度的同步可视化。共评估6412条机器人控制命令记录,其中6380条成功执行,总体执行成功率为99.50%,各命令类型的平均反馈时间为1.0至1.2秒。总体上,该平台将死鸡笼级定位、多源异常分层可视化、虚实同步和远程操作控制集成在统一数字孪生环境中,为多层笼养肉鸡舍的异常可视化、笼级定位、现场核验、巡检过程跟踪和机器人管理提供了实用支持。然而,目前评估仅在一栋鸡舍的一个生产周期内完成,且仅对死鸡事件进行了定量笼级定位评估。未来工作应侧重于跨环境部署、虚实同步的进一步验证、边界定位细化、半自动坐标标定以及张口呼吸、红外异常和声音异常的长期定量评估。