相关实验视频
Updated: Jun 12, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
使用人工神经网络预测生长的黑孟加拉山羊的干物质摄入量
Bed Singh1, Ajoy Das1, Champak Bhakat2
1Livestock Production and Management Section, ICAR-Indian Veterinary Research Institute, Izatnagar, Bareilly, Uttar Pradesh, 243 122, India.
Tropical animal health and production
|January 30, 2025
概括
预测黑孟加拉山羊的干物质摄入量 (DMI) 对于有效的牲畜管理至关重要. 一个人工神经网络 (ANN) 模型使用体重,BCS,ADG和代谢体重准确预测DMI.
科学领域:
- 动物科学动物科学
- 农业工程 农业工程
- 机器学习在农业中的应用
背景情况:
- 准确的干物质摄入量 (DMI) 预测对于优化羊肉生产效率和尽量减少料浪费至关重要.
- 目前对黑孟加拉山羊的DMI估计方法对农民构成挑战,影响成本效益.
- 开发可靠的预测模型可以显著改善畜牧管理实践.
研究的目的:
- 开发和验证一个人工神经网络 (ANN) 模型来预测黑孟加拉山羊的DMI.
- 评估DMI与关键生理和生长参数之间的相关性,包括体重 (BW),身体状况得分 (BCS),平均每日增加 (ADG) 和代谢体重 (MBW).
- 将ANN模型的预测精度与传统的线性和非线性回归模型进行比较.
主要方法:
- 在四个月内从18只黑孟加拉山羊中收集了144个两周一次的BW,BCS,ADG,MBW和DMI的观察结果.
- 利用人工神经网络 (ANN) 模型,探索各种配置,包括隐藏层神经元和传输函数 (GDX,LOGSIG).
- 进行了相关性分析,以确定DMI和所选输入变量之间的关系.
主要成果:
- 在DMI和BW (r=0.968),BCS (r=0.687),ADG (r=0.608) 和MBW (r=0.971) 之间发现了显著的正相关性,表明它们作为预测因素的适用性.
- 优化的ANN模型 (10个隐藏层神经元,GDX/LOGSIG传输函数) 实现了0.9693的高R2和0.0013.3的低MSE.
- 与线性和二次非线性回归模型相比,ANN模型在DMI预测中表现出更高的准确性.
结论:
- 人工神经网络 (ANN) 建模为预测黑孟加拉山羊的干物摄入量 (DMI) 提供了一个高度准确和可靠的方法.
- 开发的ANN模型有效地利用体重,BCS,ADG和MBW进行精确的DMI估计.
- 实施这种ANN模型可以提高料利用率,降低生产成本,提高山羊养殖的整体管理效率.
