《Agriculture》:Development and Application of an Inspection-Robot-Based Digital Twin Platform for Cage-Reared Broilers
编辑推荐:
随着肉鸡养殖规模化发展及向智能化、省力化管理转型,传统人工巡检受限于劳动强度高、异常空间表达不直观及现场核查效率低。针对这些局限,研究人员集成巡检机器人、数字孪生环境与云端数据服务,开发了笼养肉鸡舍异常监测系统。依据物理鸡舍尺寸与笼架排布规则建立参数化三维模型
随着肉鸡养殖规模化发展及向智能化、省力化管理转型,传统人工巡检受限于劳动强度高、异常空间表达不直观及现场核查效率低。针对这些局限,研究人员集成巡检机器人、数字孪生环境与云端数据服务,开发了笼养肉鸡舍异常监测系统。依据物理鸡舍尺寸与笼架排布规则建立参数化三维模型与语义笼位锚点,联合机器人同步定位与建图(SLAM)位姿、巡检通道、相机标识与笼排参数计算死鸡事件的语义位置并映射至数字孪生环境;张口呼吸、红外异常与声学异常按定位信息完备性分别可视化于候选笼位、局部区域或巡检通道层级。系统实现机器人位姿与运行状态虚实同步及基于WebGL的远程交互控制。约100天田间试验表明:模型优化使三角面数、顶点数与文件大小分别降低48.34%、30.47%与44.81%,WebGL初始加载由3.84 s缩短至3.05 s;同时显示500个异常标记时优化场景平均帧率67.83 fps;2035例死鸡事件中1954例笼排-层-组定位正确,笼级定位准确率96.0%;6412条机器人控制指令整体执行成功率99.50%,反馈时延1.0–1.2 s。结果表明该系统为异常事件获取、笼级定位、三维可视化与巡检机器人管理提供一体化工作流。
研究背景方面,商业化笼养肉鸡舍具有高饲养密度、多排多层多组笼位密集排布特征,传统人工沿通道步行观察不同层笼、记录异常位置的方式耗时费力,且依赖巡检频率与人员经验。多层笼网与喂饮设备遮挡视野,死鸡等异常发现后还需二次辨识排-层-组,现场核查负担重。机器视觉、深度学习、红外热成像与声学监测虽提升自动筛查能力,但既有研究多聚焦识别性能,未解决商业笼养环境下异常事件的空间组织与直观呈现;移动巡检机器人研究亦多侧重自主巡检与检测,缺乏语义定位与三维表达。现有系统输出多为检测图像、置信度、异常列表、二维SLAM坐标或后端字段,SLAM连续坐标不能直接对应生产管理使用的排-层-组标识,且不同异常定位信息完备性不同(死鸡可关联位姿/相机侧/层信息,红外、声学、部分行为结果仅能定位于候选笼、局部区域或通道)。数字孪生技术在智慧农业中虽有应用,但在商业畜禽场景受多源数据融合、物理—虚拟空间对应、模型互操作与浏览器端渲染性能制约;多层笼养还需解决语义排-层-组定位、异构完备性层级表达、SLAM地图至三维场景坐标变换及异常—机器人—远控统一平台集成。为此,研究人员在江苏高邮某白羽肉鸡商业舍(110 m×16 m,7排4层63组,约3万只)开展约100天(2025-09-27至2026-01-05)周期试验,基于天津农业大学自研SLAM导航巡检机器人(含可见光/红外双光相机、全向麦、环境传感器、升降机构),构建集成参数化三维环境、语义笼锚、层级可视化、SLAM—Unity仿射变换、虚实同步与云端交互控制的数字孪生平台。
关键方法上,研究人员取现场实测与笼排规则在Blender建110 m×16 m基模,按定位关键性差异化简(笼边界/通道/锚区保形,墙顶/辅件高简),Unity内以标准四层笼组为单元参数化生成7×4×63阵列并绑定“Cxx-Txx-Gxxx”语义锚点1764个;异常事件关联机器人SLAM位姿、通道号、相机号(左1–4/右5–8对应排与层),由纵向距离除组距1.25 m向上取整得组号,完整标识检索锚点生成三维标记,信息不全者降维至候选笼/局部区/通道;机器人位姿经6对校准点(通道1/5/8首尾)最小二乘估二维仿射参数实现SLAM地图至Unity水平面映射,位姿—航向—状态周期驱动虚拟体;五层架构(物理/数据/模型处理/数字孪生/云应用)下机器人多模态数据上云,API/WebSocket下发事件与位姿,WebGL界面回传巡检/暂停/续检/回充/急停指令闭环。样本队列即上述单栋商业舍全周期2035例现场核验死鸡事件及6412条自然累积控制指令。
研究结果部分,3.1节数字孪生鸡舍构建与WebGL部署表明:优化后三角面802597→414619(?48.34%)、顶点406296→282504(?30.47%)、文件15.4→8.5 MB(?44.81%)、首载3.84→3.05 s(?20.57%);异常标记0–500递增时优化场均帧率始终高于未优化,500标记下63.00→67.83 fps(+7.67%),50标记达165.23 fps,旋转缩放拾取与状态刷新正常,证明差异化化简与共享网格材质在保笼排—通道—锚界同时满足浏览器端轻量渲染。3.2节基于SLAM位姿的语义笼位计算与三维映射表明:2035例死鸡中1954例排-层-组全对,准确率96.0%;81例错均属相邻组±1位移(59例偏后、22例偏前),无排错层错、无超1组错,误差源于组界附近SLAM局部波动与连续位离散化敏感;有效标识检索锚点生成上浮引导线标记,点击联动事件号—图像—置信度—SLAM位姿—环境参(温度/湿度/CO2/NH3/PM10/TSP等);张口呼吸与红外按可用字段落候选笼/局部区,声学缺侧向与层信息落通道/局部区,层级策略避免强行唯一定位。3.3节虚实同步与交互控制表明:六点仿射拟合残差0.018909–0.056326 m(均0.035619 m,RMSE 0.037918 m,最大0.056326 m),留一交叉验证预测误差0.048840–0.084907 m(均0.069353 m,RMSE 0.070178 m,最大0.084907 m)均<0.1 m;虚拟体随SLAM连续更新位置,反向行进保航向不变、转弯同步转向,速度/升降高度/电量/充电/任务进度面板同步;控制指令864巡检任务类成861(99.65%)、4982航路点运动类成4956(99.48%)、528回充类成525(99.43%)、38急停全成(100%),合计6412条成6380条(99.50%),反馈时延1.0–1.2 s,证明云端校验转发—机器人执行回传—场景更新闭环可行。
讨论部分指出,既有畜禽异常与机器人研究多止步于识别与自主巡检,连续SLAM坐标不直连排-层-组;本研究以SLAM位姿+通道+相机+笼参解算语义笼位,死鸡96.0%准确率且错均邻组±1,不确定集中于组界离散敏感,语义锚解耦网格名依赖便于迁至其他规则笼舍;红外/声学按完备性降级表达避免误定位;仿射变换以<0.1 m留一误差支撑持续同步;模型差异化简兼顾定位关键界与WebGL性能;整体为商业笼养提供“事件获取—笼级定位—三维可视化—机器人管控”一体化流程。结论部分译文:现有家禽异常监测与机器人巡检研究主要聚焦异常识别与自主巡检,而连续机器人坐标不能直接对应实际生产管理所用的排-层-组标识;该研究联合机器人SLAM位姿、巡检通道标识、相机标识与笼排参数将连续机器人位置转为语义笼位,死鸡事件笼级定位准确率96.0%,81例错定位均属相邻组±1位移,无更大组移、排错或层错,表明定位不确定集中于组界且主要来自SLAM位姿局部波动与空间边界离散敏感;语义笼锚以标识—三维位置稳定对应降低异常映射对模型名或网格坐标依赖,利于模型调整及向其他规则排布笼养舍适配;张口呼吸、红外异常与声学异常按信息完备性层级表达。数字孪生层在商业畜禽场景受多源融合、物理—虚拟对应、互操作与浏览器渲染制约,该平台以参数化环境、语义锚、仿射同步与云端闭环缓解上述约束,约100天田间数据证实其在模型运行时性能、死鸡笼定位、虚实同步与远控执行(99.50%成功率,1.0–1.2 s反馈)上的可用性,为规模笼养肉鸡异常监测提供可部署工作流。论文发表于《Agriculture》。