郭彬彬，孙爱东，丁为民，施振旦，赵三琴，杨红兵



种鹅舍环境智能监控系统的研制和试验

郭彬彬1，孙爱东2，丁为民1※，施振旦2，赵三琴1，杨红兵1

（1. 南京农业大学工学院，南京 210031； 2. 江苏省农业科学院，南京 210014）

针对种鹅反季节繁殖生产中硬件设备功能低下、难以实施舍内环境操作的适时精细调控、难以获取记录舍内环境数据进行问题溯源等问题，提出一种专门应用于种鹅反季节繁殖生产舍的环境智能监控系统。该系统通过BP神经网络建立温湿度智能调控模型，取代人工手动操作以满足舍内环境要求。通过GPRS模块无线传输舍内环境参数，并利用其GSM功能通过移动终端远程控制风机、照明、水泵等设备。以EXT、Hibernate和Spring 为基本框架技术，构建了轻量级、强壮的多级缓存的J2EE企业级Web应用程序，实现鹅舍环境参数的远程监控，并与现有商用人工控制器进行了现场试验和性能对比。试验结果表明：该智能监控系统长期运行稳定、可靠，能够满足鹅反季节繁殖对光照和温湿度的环境调控要求。与人工粗略控制、上海梵龙的畜禽控制器相比，控制精度分别提高5.49%和2.83%。在夏季风机湿帘负压通风降温时测定的舍内温度相对于设定值的均方根误差分别为0.202、0.494、0.372 ℃，相对湿度相对于设定值的均方根误差分别为1.745%、3.166%、2.621%，控制效果显著优于人工粗略控制和现有控制器（<0.05）。在精准的光照调控下，种鹅均能按预期的时间开产，并在高峰期长期维持产蛋率35%～45%，表现出稳定、良好的产蛋性能。

环境控制；智能监控系统；温度；鹅反季节繁殖；BP神经网络；GPRS；Web应用

0 引 言

为了克服由于季节性繁殖造成的雏鹅和肉鹅的季节性供应或断档问题，实现鹅的全年连续商业化生产，开展了种鹅反季节繁殖技术研究应用[1]。该技术主要是通过人工光照程序[2]及调控舍内温湿度，配合其他饲喂、防疫等家禽养殖手段，使种鹅在炎热的夏季正常产蛋繁殖[3-4]。该新技术的应用也对传统种鹅养殖方式带来了新挑战。养殖者往往不注重为鹅只创造良好的生活生产环境，严重影响鹅只福利从而严重降低产蛋率、种蛋受精率低和孵化率[5]，并且极易引起禽类疾病的爆发和传播[6-7]；于夜间零点后开闭照明的人工光照程序，常受操作人员作息影响；同时夏季反季节繁殖盛期又适逢炎热高温，极易造成鹅热应激并影响其健康和产蛋[8]。因此需要通过精细良好的通风换气降温措施，给鹅只提供舒适的温湿度环境。而中国的种鹅养殖环境控制基本处于人工或半机械化状态，人工操作实时性差，且无法实现各环境因子之间的有机联系[9]；光照及温湿度等环境参数无法实时记录储存，当出现疾病或繁殖异常时，难以从环境因素进行问题追溯。

近年来，随着传感器、计算机控制、网络通信以及物联网等技术的快速发展，融合了上述高新技术的智能监控系统逐渐被应用到畜禽养殖监控领域[10-12]，以自动智能控制取代人工粗略控制。主要以单片机[13]或PLC[14]为基本控制单元，融合计算机和传感器技术[15-16]，通过设定静态工作点、建立畜禽舍环境模型以及利用各种算法通过大量数据计算进行环境预测3种方式实现畜禽舍环境控制[17-19]，着重解决舍内布线复杂、温度控制滞后、超调量大、控制过程中数据计算量大，对芯片要求高以及远程控制难等问题[20]。但是大都针对大型牲畜个体或封闭式笼养的家禽养殖，系统复杂，成本高、通用性不强[21]。而半封闭式反季节繁殖鹅舍内通风降温模式多变，环境存在非线性、多耦合、离散的特点[22]，难以直接应用现有的监控系统。

本文在分析前人工作的基础上，借鉴相关经验并结合光控鹅舍的特殊环境需求以及鹅自身应激特点，研发了一种适合半封闭式光控种鹅舍、低成本、数据计算简单的环境智能监控系统，并对整套系统进行现场试验。

1 反季节繁殖环境调控技术流程与关键因子分析

通过对江苏省常州市阳湖鹅业专业合作社反季节繁殖鹅场实地调研，确定鹅舍环境调控基本技术流程并对关键环境因子进行分析。以扬州鹅为例，在不同的季节，通过自然光照、长、短光照不同的处理，从而实现鹅在预期的季节产蛋的目的。其中长光照处理是白天自然光照加早晚人工补光，使总的光照时长达到18 h。该处理阶段在冬季，天气寒冷，期间只需利用鹅舍的侧窗进行自然通风，满足最小通风即可，无需降温。当温度超过10 ℃时，根据人工经验开启相应数量的风机，进行强制机械通风降温。而短光照处理是通过将鹅赶进不透光的鹅舍进行遮光处理，使总的光照时长控制在12 h。该处理阶段在春、夏季节，尤其是夏至前后，天气异常炎热，如图1所示。

水泥地面运动场地温度有时高达40 ℃以上，甚至超过45 ℃，这严重影响鹅的采食量，进而影响产蛋率。根据以往经验，当温度超过30 ℃时，饲养员需要将鹅赶进鹅舍，手动落下侧墙卷帘，并打开风机和湿帘端的水泵，采用风机湿帘负压通风降温系统对鹅舍进行强制性通风降温。在赶鹅之前，还需提前10 min打开鹅舍内照明设备，使鹅舍内光照强度达到80 lx，给鹅营造类似于白天的光照条件，一直持续到短光照处理时间点，关闭照明设备。

通过对整个环境调控流程的分析，本文确定把光照、温度、湿度作为主要环境控制因子，进行该监控系统的开发。

2 系统总体方案设计

该智能监控系统主要由现场监控系统、Web服务层、远程监控客户端及手机客户端组成，其系统总体框架如图2所示。

现场监控系统包括信息采集模块、单片机控制模块及数据传输模块等。温湿度、CO2和NH3传感器采集环境参数后由单片机进行处理，一方面实现数据实时显示以及相应设备自动控制，另一方面通过GPRS模块将各环境参数上传至Web服务器，同时接收来自服务器的控制命令。Web服务器配置相应数据库，主要进行数据的接收、存储和分类显示，并将数据发布至网络。客户端通过浏览器登录相应网站，进行舍内环境参数的查看，再通过不同的权限设置，进行相应的控制和参数修改操作。为了随时随地掌握鹅舍内环境状况，该系统集成了GSM通信模块，饲养管理人员需要掌握鹅舍内温度、湿度等环境信息时，可以随时随地拨打SIM卡电话，SIM卡自动挂断电话并发送实时测量数据到用户手机；同时，还可以发送控制命令远程控制相应风机、照明设备等的开启和关闭，从而应对各种突发状况。当环境异常时，还可以通过手机接收警报信息，从而快速提醒饲养管理人员进行现场检查。

3 系统实现及其关键技术

3.1 现场监控系统

为了实现鹅舍环境的实时监控，现场监控系统必须具备数据采集、分析处理、设备控制以及数据远程传输等功能。

3.1.1 鹅舍环境参数采集与处理

由于鹅舍内环境恶劣复杂，传感器检测到的各项环境参数极易受灰尘、羽毛等各种因素的影响，有时极端天气、饲养员打扫舍内卫生时靠近温湿度传感器，也会导致传感器检测到的温湿度有较大的疏失误差。为了保证采集数据的真实有效，首先利用格拉布斯准则[23]对连续采集32 次的数据剔除疏失误差，而后取平均值作为该轮采集的数据。

格拉布斯认为，当测量值X对应的残差V满足下式条件时，该测量值应被剔除。

式中T为每组数的算数平均值；σ(X)为测量数据的标准差；g0(n,a)取决于测量次数n和显著性水平a，通过查格拉布斯临界值表可得。此处测量次数n取32，显著性水平a取0.05，查得临界值g0(n,a)为3.270。图3是2015年6月16日00:00－23:55采集的鹅舍内温度数据，其中饲养员于上午07:30以及下午06:30进鹅舍进行饲喂。从图3中可以看出通过格拉布斯准则配合多次采集求均值的办法，可以有效去除噪声和疏失误差，确保采集的数据的准确性，同时也简化了信号采集电路的电路设计。

3.1.2 基于BP神经网络温湿度模型的控制功能实现

鹅舍内温湿度存在非线性、强耦合、随机性的特点，采用BP神经网络进行环境参数建模。其原理表达式如下所示。

式中y为神经元的输出；x为神经元的输入；ω为连接权值；为神经元的阈值；为激活函数。

本文借鉴前人的研究经验，根据过去一年四季外界及鹅舍内部的温湿度变化特点，结合饲养员多年人工操作经验，利用BP神经网络建立鹅舍内外温湿度和侧窗、风机、水泵的不同运行状态的3层（输入层、隐含层、输出层）神经网络模型，利用神经网络给出的控制方案替代人工经验控制，使种鹅光照处理期间的舍内温湿度控制摆脱对人工和经验的完全依赖，实现智能控制。各个环境参数的训练在Matlab中进行，其中，输入节点有4个，分别是鹅舍内外的温度和湿度；输出节点有6个，分别是4台风机、水泵、侧窗的开关状态，用0和1分别表示被控设备关闭和开启状态；隐含层节点数跟据Kolmogorov定理确定，其计算公式为[24]

式中n为隐含层节点数；n为输入层节点数；n为输出层节点数；为区间（1～10）内任意常数。输入层和输出层的传递函数可以是tansig函数和logsig函数的任意组合。

本文选取了一年内不同季节和不同天气情况的共计1 300组样本数据，将样本数据分为训练样本集合测试样本集两部分，其中训练样本集包含1 000组数据，测试样本集包含300组数据。在Matlab7.1中，利用其自带的库函数，通过试探的方法，最终得出当隐含层节点数为9，输入层和输出层的传递函数分别为tansig和logsig函数，并且采用弹性梯度下降法时，效果最优。对300组数据进行测试，其结果如图4所示。其中最大偏差为0.38，出现在风机1的状态控制中，绝大部分数据聚集在0～0.1和0.9～1.0范围内，占总数据集的95%，仅有5%的数据出现偏离，落在0.1～0.9范围内。分析图4结果可以看出，出现偏离的数据大多发生在风机开启状态转变时间点前后，出现这样的现象是因为进行数据测试时，所选数据包括不同季节和不同气候条件的多组数据，数据变化幅度大，加上受模型精度的影响，从而产生判断误差，导致在状态切换时无法十分精确。为了减少误差，提高控制准确率，可以通过人为设定判定规则，将结果在0～0.2范围之内时认为是0，相应设备状态判定为关闭，在0.8～1.0范围之内时认为是1，相关设备状态判定为开启。

按照上述设定的判定规则对300组测试数据的测试结果进行统计分析，风机、水泵和侧窗的控制准确率列于表1中。由表中统计结果可以看出，利用过去一年的舍内外温湿度数据作为BP神经网络的训练输入参数得出的环境控制方案，可以有效实现风机、水泵和侧窗的智能控制，且有效控制率均在98%以上。

利用该控制方案，在判断当前环境状态下实现对风机等设备的智能控制，尤其是对水泵的的控制，能够有效避免单靠人工经验盲目开湿帘进行强制降温造成的水资源及电能浪费。与此同时，考虑到温湿度的强耦合特性，兼顾鹅舍外部环境状况对舍内温湿度的影响，相比其他畜禽舍或温室内利用温度单一因素或简单定时的方法，可以实时控制湿帘水泵和侧窗的开启状态，避免了降温同时舍内湿度过高造成有害细菌滋生。鹅舍内环境变化复杂，难以建立精确的模型[25]，其他学者利用模糊控制[11]和预测算法[26]等进行控制，计算量大，对控制芯片要求高。该方案利用训练后得出的各环境参数权值进行直接判断，计算简单，且能够满足生产要求。

表1 有效控制率

3.1.3 基于GPRS的无线数据传输技术

通用分组无线服务技术（general packet radio service，GPRS）是在现有的GSM系统基础之上发展起来的，具有永远在线、接入时间短、高速数据传输、覆盖面广、按流量计费和网络资源利用率高等特点[27]，逐步被应用在数据传输规模不大的监控领域[28]。本文中的智能监控系统选用的是SIMCOM公司的SIM900A模块方案，它可以通过串口传输标准的AT命令对模块进行控制，从而传输数据。通过GPRS网络进行传输的主要分数据流和控制命令流两大部分。数据流主要是分布于各鹅舍的传感器采集的鹅舍环境信息，而控制命令主要开启和关闭鹅舍内风机、灯、湿帘等设备。首先设置好移动台类别，定义PDP上下文标识以及TCP/IP协议，然后采用GPRS连接模式接入提前设置好的站点，设置好服务器的公网IP和端口号，便可通过Server Socket对端口进行监听，实现数据的收发。整个传输过程中通过区分不同的手机号来识别是来自哪一栋鹅舍的数据，以一定的协议打包封装好后进行传输，然后储存到数据库中的相应位置，方便进行后续的操作。

此外，通过定义字符串的含义，还可以通过模块的GSM功能向控制器发送相应的控制指令，采用短信包月的形式，成本低廉。数据收发格式为S58TI23.5 ℃ RHI65.2% TO25.5 ℃ RHO50.1% CO21 440 ppm NH314 ppmA，控制命令格式为S600XA/S610XA。其中，S和A代表起始位和结束位；58和6代表信息长度；TI、TO、RHI、RHO分别代表舍内和舍外的温湿度，不同类别之间用空格隔开。控制命令用00X表示打开相应设备，10X表示关闭相应设备，X代表设备号。

3.2 Web应用程序的架构

整个Web应用程序在MyEclipse环境下进行开发，以EXT、Hibernate和Spring 为基本框架构成3层应用结构[29-30]。其中EXT主要用于创建前馈用户界面，它有丰富的UI组件，简单易用，能开发美观大方的界面，为开发人员解决了界面设计上的许多问题；而Hibernate是java应用和关系数据库之间的桥梁，负责java对象和数据库之间的映射，内部封装了JDBC访问数据库的操作，向上层应用提供了面向对象的数据库访问API，使得开发人员可以用面向对象的思想，直接利用Hibernate提供的接口把对象持久化到数据库；Spring 则致力于为软件开发提供“一站式”的解决方案，它为各种框架和库提供集成平台。在该Web应用中，数据库采用的则是当下最为流行的MySQL。监控界面如图5a和图5b所示，具备信息发布、设备运行状态显示、当前和历史环境参数信息查询等多种功能，并且通过不同的权限设置，可以限制数据的访问级别。

在历史数据查询中，通过JS Charts可以快速创建各种图表，有折线图、柱状图等多种选择，用户可以根据自己的分析需求选用相应的图表模式。对各种环境参数据，可以以Excel表格的形式进行下载，方便后续分析或科研工作。

a. 历史数据下载界面

a. Interface of history data download

4 现场试验及结果分析

于2016年3月20日开始，在江苏省农科院示范基地常州市阳湖鹅业专业合作社进行试验，以测试该控制方案的有效性及系统长期运行的稳定性、可靠性。并与人工控制和市面上现有的控制器作对比，验证其优越性。试验选取A2、A3、A4种鹅舍，每栋鹅舍饲养鹅1 300羽，按公母1:5配比，品种、日龄、喂养方式等均相同。每栋鹅舍长41 m，宽15 m，均配有水上运动场。鹅舍采用横向负压通风，一侧为湿帘，另一侧为4台风机，均匀分布。其他受控设备还包括照明设备、侧窗及卷帘。其中，A4鹅舍安装上海梵龙公司的畜禽舍控制器，采用设置静态工作点的方式进行温度控制，A2鹅舍沿用原来的人工手动经验控制，A3鹅舍安装本文研制的环境智能监控系统。分别对3栋鹅舍的室内外温湿度进行连续监测。A3和A4鹅舍的数据可以从网上直接下载，而A2鹅舍内安装的是RH-4H型号的联测温湿度自动记录仪。

图6 a和b给出的是7月26日凌晨至7月28日连续72 h监测的温湿度数据，数据10 min记录上传1次。其中黑色箭头之间部分是将鹅关进鹅舍后进行强制通风降温的时间段。期间测定的湿帘水温28.7 ℃，设置温度上限为30 ℃，湿度上限80%。

a. 温度

a. Temperature

b. 相对湿度

b. Relative humidity

注：A2鹅舍采用人工经验控制；A3鹅舍采用BP神经网络控制；A4鹅舍采用静态工作点控制方法，其中箭头之间的部分表示鹅舍内温湿度受控时间段。

Note: A2 goose house was controlled by artificial experience, A3 goose house was controlled by BP neural network, and A4 goose house was controlled by setting static operating point. The part between the black arrow was the period when temperature and relative humidity were controlled.

图6 7月26日至28日三栋鹅舍舍内及其舍外的温湿度变化曲线

Fig.6 Temperature variation inside and outside of three goose house from July 26th to 28th

从图6中可以看出在炎热的夏季，正值反季节繁殖高峰期，当舍外温度高达40 ℃以上时，利用该控制系统，能够有效降低舍内温度，并相对稳定在设定水平。在降温初始点处，降温速率相对较快，这是因为关鹅时间人为控制，并没有严格根据舍内温度执行，如果当天关鹅时间较晚，舍内温度会相对较高，降温初期，风机和水泵全开，从而使得最初降温速度较快。后期，根据舍内外环境状况决定风机和水泵的开启状态，实现温湿度精准控制。

3栋鹅舍内，实际温度和相对湿度与设定值的偏差越小，表明控制精度越高。所选日期内，在舍外平均气温和平均相对湿度分别为38.5 ℃和52.4%条件下，受控阶段鹅舍内温湿度数据的统计分析结果列于表2中。

分析可知，无论是温度还是相对湿度，试验组A3与对照组A2和A4均差异显著（<0.05），且A3舍内温湿度比较均衡；2个对照组A2和A4的温度和相对湿度均无显著差异（>0.05），表明该系统控制效果优于人工手动控制和静态工作点控制，控制精度分别提高5.49%和2.83%。据统计，试验期间A2、A3、A4鹅舍鹅的生病、死亡淘汰率分别为4.84%、3.75%和4.37%，试验组（A3）病死淘汰率比对照组A2和A4分别减少了1.09%和0.62%。这说明使用该控制系统，不仅避免了鹅的热应激，还可以减少细菌滋生，有效控制鹅的生病、死亡数量，从而实现经济利益最大化。

表2 鹅舍内温湿度均值及均方根误差

鹅的反季节繁殖需要十分精准的光照控制与温湿度控制相配合，才能使鹅在预期的时间开产，且发挥与正季节相当的产蛋性能。为验证该系统光照控制的精准性，从短光照处理的第1天起，人工观察鹅的开产情况，并从开产第1天起，统计记录3栋鹅舍每天的产蛋个数，用以计算日产蛋率（日产蛋率=每天产蛋累加个数/当天母鹅总数量）。图7给出的是5月1日至10月1日3栋鹅舍的日产蛋率曲线。。

从图7中可以看出3栋鹅舍的鹅在反季节繁殖的高峰期，即夏季高温季节，均能表现出长期稳定的高产性能，维持产蛋率在35%～45%。试验期间，A2、A3、A4鹅舍平均产蛋率分别为24.77%、31.17%和27.94%，开产日期始于5月初，历经一个月左右达到产蛋高峰。其中，A2的产蛋率上升相对较慢，这很大程度上是因为鹅的个体差异，对光照的敏感程度不同，从而开产时间各异。在7月初至8月20日特别高温期间，A3鹅舍产蛋率保持相对平稳，而其他2栋鹅舍均有不同程度下降，由此也说明了该控制系统的可靠性和稳定性

5 结 论

1）该系统严格按照反季节光照程序，采用定时办法，自动控制舍内光照，克服人的慵懒以及操作不及时问题，并能在夏季高温季节长期稳定维持产蛋率35%~45%，满足种鹅反季节繁殖的光照控制要求。

2）与人工经验控制及设置静态工作点控制相比，本文系统采用BP神经网络，能够根据舍内外环境变化实现温、湿度智能控制，减少鹅夏季热应激，病死淘汰率分别减少1.09%和0.62%，控制精度分别提高5.49%和2.83%，在有效促进养鹅业智能化水平的同时，节省人力劳动50%。

该系统长期运行5个月以上，仅试验初期出现4次故障，表明该系统能够实现鹅舍内环境的可靠监控。

[1] 施振旦，孙爱东. 鹅繁殖季节的调控和配套技术[J]. 中国家禽，2011，33(18)：40－43.

[2] 施振旦，麦燕隆，吴伟. 我国鹅舍建筑类型及配套设施的发展现状和趋势[J]. 中国家禽，2011，33(8)：1－4.

Shi Zhendan, Man Yanlong, Wu Wei. Status and development of type and facility for goose house in China[J]. China Poultry, 2011, 33(8): 1－4. (in Chinese with English abstract)

[3] 杨希文，孙爱东，陈哲，等. 狮头鹅反季节繁殖生产技术[J]. 中国家禽，2015，37(10)：61－62.

Yang Xiwen, Sun Aidong, Chen Zhe, et al. Out-of-season breeding technology of Shitou geese[J]. China Poultry, 2015, 37(10): 61－62. (in Chinese with English abstract)

[4] 胡民强，郭金彪，张建华. 鹅反季节繁殖生产技术[J]. 安徽农业科学，2013，41(20)：8819－8821.

Hu Minqiang, Guo Jinbiao, Zhang Jianhua. Geese out-of-season breeding technology[J]. Journal of Anhui Agricultural Sciences, 2013, 41(20): 8819－8821. (in Chinese with English abstract)

[5] 戴子淳，邵西兵，应诗家，等. 两种通风降温方式对鹅舍空气环境和反季节繁殖种蛋受精率的影响[J]. 中国家禽，2015，37(15)：50－53.

Dai Zichun, Shao Xibing, Ying Shijia, et al. Two types of ventilation cooling methods for the air environment and the Effect of the egg fertilization rate on the counter season propagation[J]. China Poultry, 2015, 37(15): 50－53. (in Chinese with English abstract)

[6] 秦黎. 禽类呼吸道疾病的致病因[J]. 工程技术，2010，40(14)：86.

Qin Li. Causes of respiratory disease in poultry[J]. Engineering Technology, 2010, 40(14): 86. (in Chinese with English abstract)

[7] 逄伟，吕元刚. 禽类四中病毒性疾病的传播特点和防控[J]. 山东畜牧兽医，2011(6)：81－83.

Pang Wei, Lu Yuangang. Transmission characteristics and control of viral diseases in poultry[J]. Shandong Animal Husbandry and Veterinary, 2011(6): 81－83. (in Chinese with English abstract)

[8] 孟苓凤. 鹅养殖中环境控制的研究进展[J]. 水禽世界，2012(1)：43－45.

Meng Qinfeng. Research progress of environmental control in goose breeding[J].Waterfowl World, 2012(1): 43－45. (in Chinese with English abstract)

[9] 王平，马俊贵. 畜禽舍环境控制及防疫系统试验[J]. 农业工程，2014，4(2)：26－28.

Wang Ping, Ma Jungui. Environmental control and immunization system for corral[J]. Agricultural Engineering, 2014, 4(2): 26－28. (in Chinese with English abstract)

[10] 陈红茜. 基于分布式流式计算的蛋鸡养殖实时监测与预警系统[J]. 农业机械学报，2016，47(1)：252－259.

Chen Hongqian. Real-time monitoring and early warning system based on stream computing for laying hens raise[J]. Journal of Agricultural Machinery, 2016, 47(1): 252－259. (in Chinese with English abstract)

[11] 吴武豪. 基于物联网的猪舍环境监控系统研究[D]. 杭州：浙江大学，2014.

Wu Wuhao. A Study on Piggery Environmental Monitoring and Control System Based on Internet of Things[D]. Hangzhou: Zhejiang university, 2014. (in Chinese with English abstract)

[12] 王冉，徐本崇. 基于无线传感网络的畜禽舍环境监控系统的设计与实现[J]. 江苏农业学报，2010，26(3)：562－566. Wang Ran, Xu Benchong. Design and implementation of an intelligent environmental monitoring system for animal house based on wireless sensor net (WSN)[J]. Jiangsu Journal of Agricultural Sciences, 2010, 26(3): 562－566. (in Chinese with English abstract)

[13] Wu Shihong. Design of remote environment control system of intelligent network henhouse based on ARM9[J]. Procardia Engineering, 2011(15): 1056－1060.

[14] 冯毅，吴必瑞. 基于GPRS和PLC的鸡舍环境监控系统设计[J]. 湖北农业科学，2015，54(21)：5411－5414.

Feng Yi, Wu Birui. Design of environment monitoring system based on GPRS and PLC[J]. Hubei Agricultural Sciences, 2015, 54(21): 5411－5414. (in Chinese with English abstract)

[15] Meen G H. Sound analysis in dairy cattle vocalization as a potential welfare monitor[J]. Computers and Electronics in Agriculture, 2015, 118: 111－115.

[16] Li Hualong, Li Miao, Zhan Kai, et al. Intelligent monitoring system for laminated hen house based on internet of things[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2015, 31(Supp.2): 210－215.

李华龙，李淼，詹凯，等.基于物联网的层叠式鸡舍环境智能监控系统[J]. 农业工程学报，2015，31(增刊2)：210－215. (in English with Chinese abstract)

[17] Mirzaee-Ghaleh E. Comparison of fuzzy and on/off controllers for winter season indoor climate management in a model poultry house[J]. Computers and Electronics in Agriculture, 2015, 110: 187－195.

[18] 秦琳琳，石春，吴刚. 现代温室温度混杂系统的建模[J]. 北京工业大学学报，2014，40(7)：996－1000.

Qin Linlin, Shi Chun, Wu Gang. Modeling of modern greenhouse temperature hybrid system[J]. Journal of Beijing University of Technology, 2014, 40(7): 996－1000.(in Chinese with English abstract)

[19] 刘淑梅. 基于BP神经网络的日光温室气温预测模型[J]. 中国农业大学学报，2015，20(1)：176－184.

Liu Shumei. An air temperature predict model based on bp neural networks for solar greenhouse in North China[J]. Journal of China Agricultural University, 2015, 20(1): 176－184. (in Chinese with English abstract)

[20] 孙凯. 应用于移动终端的禽舍环境监控系统的设计与实现[J]. 山东农业科学，2014，46(11)：15－17.

Sun Kai. Design and implementation of poultry house environment monitoring system applied to mobile terminal[J]. Shandong Agricultural Sciences, 2014, 46(11): 15－17. (in Chinese with English abstract)

[21] 王艳春. 基于BP神经网络的变压器绕组故障诊断分析[D]. 保定：河北农林大学，2014.

Wang Yanchun. Analysis of Transformer Winding Fault Diagnosis Based on BP Neural Network[D]. Baoding: Hebei University of Agriculture and Forestry, 2014. (in Chinese with English abstract)

[22] 蒋建明，史国栋，李正明，等. 基于无线传感器网络的节能型水产养殖自动监控系统[J]. 农业工程学报，2013，29(13)：166－174.

Jiang Jianming, Shi Guodong, Li Zhengming, et al. Energy saving automatic monitoring system based on wireless sensor network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(13): 166－174.(in Chinese with English abstract)

[23] 朱赵辉. 基于格拉布斯准则的小波阑值去噪算法研究[J]. 西北水电，2011：45－48.

Zhu Zhaohui. Study of wavelet threshold de-noising algorithm based on grubbs rule[J]. Northwest Hydroelectric, 2011: 45－48. (in Chinese with English abstract)

[24] 夏克文，李昌彪，沈钧毅. 前向神经网络隐含层节点数的一种优化算法[J]. 计算机科学，2005，32(10)：143－145.

Xia Kewen, Li Changbiao, Shen Junyi. An optimization algorithm for the number of hidden layer nodes in feedforward neural networks[J]. Computer Science, 2005, 32(10): 143－145. (in Chinese with English abstract)

[25] 王定成. 温室环境的支持向量机回归建模[J]. 农业机械学报，2004，35(5)：106－109.

Wang Dingcheng. Support vector machine regression modeling for greenhouse environment[J]. Journal of Agricultural Machinery, 2004, 35(5): 106－109. (in Chinese with English abstract)

[26] 王世鹏. 鸡舍内NH3和CO2变化规律及机械通风下动态模型的研究[D]. 镇江：江苏大学，2008.

Wang Shipeng. Study on the Variation of NH3and CO2in Chicken House and the Dynamic Model under Mechanical Ventilation[D]. Zhenjiang: Jiangsu University, 2008. (in Chinese with English abstract)

[27] 孙忠富. 基于GPRS和WEB的温室环境信息采集系统的实现[J]. 农业工程学报，2006，22(6)：131－134.

Sun Zhongfu. GPRS and WEB based data acquisition system

for greenhouse environment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(6): 131－134. (in Chinese with English abstract)

[28] 王兵利，张萍，熊刚. 基于GPRS 的农田气象信息监测系统[J]. 农机化研究，2015，4(1)：105－108.

Wang Bingli, Zhang Ping, Xiong Gang. Monitoring system of farmland meteorological information based on GPRS[J]. Journal of Agricultural Mechanization Research, 2015, 4(1): 105－108. (in Chinese with English abstract)

[29] 李红娟，温喆. 基于J2EE与Ajax的Web应用架构设计[J]. 制造业自动化，2011，33(5)：127－129.

Li Hongjuan, Wen Zhe. Ajax-based J2EE Web application architecture and design[J]. Manufacturing Automation, 2011, 33(5): 127－129. (in Chinese with English abstract)

[30] 吕丹. 基于EXT、Spring、Hibernate的Web架构的研究与应用[D]. 武汉：武汉理工大学，2013.

Lü Dan. The Research and Application of the Web Framework Based on EXT, Spring, Hibernate[D]. Wuhan: Wuhan University of Technology, 2013. (in Chinese with English abstract)

Development and experiment of intelligent monitoring system for geese house environment

Guo Binbin1, Sun Aidong2, Ding Weimin1※, Shi Zhendan2, Zhao Sanqin1, Yang Hongbing1

(1.210031; 2.210014,)

Out-of-season breeding technology for goose was proposed due to their obviously seasonality of production. Precisely time control is the most critical factor in this technology. Simultaneously, temperature and humidity control are also needed in case of heat stress.The application of the new technology brings challenges to the traditional breeding methods. Environment control in goose house was mostly artificial or semi mechanized. Manual operation was of poor real-time performance, and could not achieve the organic connection between the various environmental factors. Light, temperature, relative humidity and other environmental parameters could not be recorded real-time. When diseases or some abnormal reproduction happen, managers could not trace causes from the aspect of environment. This study therefore was conducted to develop an intelligent geese house environment monitoring system for assisting geese out-of-season breeding practices. In the system, BP neural network was utilized to construct an intelligent control model with history temperature and relative humidity data. With this model, the system could make comparison between current temperature and relative humidity inside and outside, so as to determine the number of working fans and the on-off state of cooling pad. GPRS wireless transmission module was used to transmit in-house environmental parameters. With this system, mobile terminal GSM function was also utilized to remote control the geese house equipment such as fans, illuminating lights, pumps and cooling pads. On the basic framework technology of EXT, Hibernate and Spring, a J2EE enterprise web application was built. This made it possible of remote control and real time monitoring. In addition, users could also obtain the environment conditions from mobile client or remote control the corresponding equipment. Field tests were conducted in comparison with artificial control and other commercially developed animal house monitoring systems. The system had been running for more than five months. Results showed that this system was stable and reliable during long-term operation, and could meet the requirements of light, temperature and relative humidity of out-of-season breeding. Compared with artificial control and Shanghai Fanlong controller, the control precision was improved by 5.49% and 2.83%, respectively, labor cost was cut down by 50%. Geese elimination rate was decreased by 1.09% and 0.62%, respectively. With the method of cooling pads system in summer, the RMSE between in house temperature of BP neural network (A3), artificial experience (A2), setting static operating point(A4) and the set values were 0.202, 0.494 and 0.372℃, respectively, and relative humidity was 1.745%, 3.166% and 2.621%, respectively. Under the precise control of light, geese in all three houses exhibited normal onset and level of egg laying. They began to lay eggs from May 1st, and rose to the peak level in about one month. During hot summer, there was no heat stress of geese in A3, they showed steady laying rate, while laying rate of geese in A2 and A4 showed varying degrees of decline. At the peak of egg production, all three groups maintained their laying rate between 35% and 45%. From May 1st to October 1st, the mean daily egg laying rate of A2, A3 and A4 are 24.77%, 31.17% and 27.94%, respectively, which indicated that the intelligent control system of geese house environments allowed geese to exhibit normal out-of-season production performances.

environmental control; intelligent monitoring system; temperature; geese out-of-season breeding; BP neural network; GPRS; Web application

10.11975/j.issn.1002-6819.2017.09.023

TP273; S818.5

A

1002-6819(2017)-09-0180-07

2016-10-20

2017-04-05

江苏省农业科技自主创新项目 (CX（15）1008)，国家现代农业产业体系项目（CARS-43-16）

郭彬彬，女，山东济南人，主要从事设施农业环境控制工程研究。南京 南京农业大学工学院，210031。Email：839756251@qq.com

丁为民，男，安徽合肥人，教授，博士生导师，主要从事设施农业环境控制工程研究。南京 南京农业大学工学院，210031。Email：wmding@njau.edu.cn

郭彬彬，孙爱东，丁为民，施振旦，赵三琴，杨红兵.种鹅舍环境智能监控系统的研制和试验[J]. 农业工程学报，2017，33(9)：180－186. doi：10.11975/j.issn.1002-6819.2017.09.023 http://www.tcsae.org

Guo Binbin, Sun Aidong, Ding Weimin, Shi Zhendan, Zhao Sanqin, Yang Hongbing. Development and experiment of intelligent monitoring system for geese house environment[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 180－186. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.09.023 http://www.tcsae.org