智慧农业（中英文）-在线预览

中国低碳冷链物流发展水平评价体系研究

杨斌, 韩佳伟, 杨霖, 任青山, 杨信廷

近年来，中国冷链物流行业进入快速发展阶段，冷链基础设施建设与市场需求量呈不断增长态势，同时也伴随着温室气体排放量的增加。为满足未来低碳经济发展要求，绿色低碳转型成为中国冷链行业高质量健康发展的新特征与新方向，但前提基础是精确认知低碳冷链物流发展状况。鉴于此，本文首先从能源转型、技术创新、经济效益、国家政策四个层面构建中国低碳冷链物流发展评价体系，并针对不同指标进行权重以及障碍度分析，探究不同指标对低碳冷链物流发展的影响度；其次，采用熵权-优劣解距离法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）评价模型对中国2017至2021年低碳冷链物流发展情况进行评分，确定中国低碳冷链物流发展情况。研究结果表明，在不同指标中，绿色包装材料使用增长率、低碳技术论文发表数、科研人员占比、生鲜农产品冷链物流需求量增长率、氢氯氟烃制冷剂缩减率权重占比分别达到0.1243、0.1074、0.1066、0.0982、0.0716，对中国低碳冷链物流发展影响较大；2017至2021年间，中国低碳冷链物流发展水平评分从0.1498到0.2359，同比增长约57.5%；中国低碳冷链物流发展虽总体呈现上升趋势，但依旧处于发展阶段。

基于NB-IoT网络的兔舍环境实时监测系统

秦英栋, 贾文珅

为满足兔舍环境监测调控需求，同时摆脱传统布线网络局限性，缩减网络资费、电路元件和控制系统成本，本研究提出一种基于窄带物联网（Narrow Band Internet of Things，NB-IoT）的兔舍环境实时监测系统。系统基于Arduino开发板，使用移远BC260Y模块与消息队列遥测传输协议（Message Queuing Telemetry Transport，MQTT）实现网络连接，利用SGP30、MQ137、5516光敏电阻传感器等多种传感器实现兔舍内部声、光、水、温、气五方面实时监测。数据在本地、云端存储的同时，系统可根据阈值报警，协助创造兔的最佳生存环境。研究中对比了NB-IoT网络与Wi-Fi、LoRa等其他网络的异同，根据物联网三层架构详细介绍了系统搭建技术与过程，并系统分析了元器件价格，经核算，整机成本不超过400元。设备在空舍测试中，检测到CO2浓度为420~440 ppm；MQ系列传感模组电压比值稳定于1；温度处于22~24 ℃；湿度上下波动10％；日光灯亮灭引起电压差2.6V。进行了系统的网络与能耗测试，通过不同时间、场地、网络连接方式的对比，验证了本系统传输稳定可靠，能耗合理。系统使用MQTT通信协议的NB-IoT网络，平均每秒消息处理量（Transactions Per Second，TPS）为0.57，每分钟收发34.2条，上下浮动1条。系统运行时，电压约为12.5 V，电流约为0.42 A，平均功率为5.3 W。发生通讯时，没有产生额外功耗。适用于实际养殖生产。本研究可为偏远或较大规模的养殖监测设备选取提供设备成本与网络选择参考价值。

水禽智能化养殖研究现状及发展趋势

刘又夫, 肖德琴, 周家鑫, 卞智逸, 招胜秋, 黄一桂, 王文策

中国的水禽养殖在向规模化、标准化与智能化方向迅速发展。智能养殖装备和信息化技术的研究与应用是促进水禽养殖业健康持续发展的关键，对提高水禽养殖的产出效率、降低生产过程对劳动力的依赖、契合绿色环保的发展理念以及实现高质量转型发展具有重要意义。本文重点介绍了智能化水禽棚舍的发展、水禽棚舍环境智能调控技术，以及智能化水禽饲喂、饮水、加药消杀和自动粪污处理等智能化设备的最新研究进展。此外，还介绍了可应用于水禽的信息采集技术现状，包括视觉成像系统、声音捕获系统和穿戴式传感器，以及智能管理技术的最新应用进展。最后指出了水禽产业的智能化养殖所面临的困难，并对未来水禽的智能化养殖的发展和改进提出了建议。

深度学习在家畜智慧养殖中研究应用进展

郭阳阳, 杜书增, 乔永亮, 梁栋 — 2022-11-08 00:00:00.0

准确高效地监测动物信息，及时分析动物的生理与身体健康状况，并结合智能化技术进行自动饲喂和养殖管理，对于家畜规模化养殖意义重大。深度学习技术由于具有自动特征提取和强大图像表示能力，更适用于复杂的畜牧养殖环境中动物信息监测。为进一步分析人工智能技术在当下智慧畜牧业中研究应用，本文针对牛、羊和猪三种家畜，介绍了深度学习技术在目标检测识别、体况评价与体重估计以及行为识别与量化分析的研究现状。其中，目标检测识别有利于构建动物个体电子档案，在此基础上可以关联动物的体况体重信息、行为信息以及健康情况等，这也是智慧畜牧业发展的趋势。智慧畜牧养殖技术当前面临着应用场景存在多视角、多尺度、多场景和少样本等挑战以及智能技术泛化应用的问题，结合畜牧业实际饲养和管理需求，对智慧畜牧业发展进行展望并提出了：结合半监督或者少样本学习来提高深度学习模型的泛化能力，人、装备和养殖动物这三者的统一协作及和谐发展，大数据、深度学习技术与畜牧养殖的深度融合等发展建议，以期进一步推动畜牧养殖智能化发展。