CN103519823A - 一种用于动物养殖的监测方法 - Google Patents

Abstract

本发明实施例提出了一种用于动物养殖的监控方法，以提高对动物活动监测的准确率。该方法包括：监测动物活动各方向的加速度向量数据；判断加速度向量数据是否呈周期特性变化；如果所述加速度向量数据呈现周期特征变化，判定所述动物处于行走状态。

Description

一种用于动物养殖的监测方法

技术领域

本发明涉及动物养殖技术，特别涉及一种用于动物养殖的监控方法。

技术背景

近年来，我国动物养殖业取得了快速发展，但由于大多数动物牧场缺乏有效的疾病监控管理体制，各种疾病频频发生，严重影响畜牧业的正常发展，使得奶量年均产量不高。建立动物发情与疾病检测途径，对动物常见疾病的及时发现、正确诊治、预防控制，提高牧场经济效益具有十分重要的意义。

发明内容

本发明实施例提出了一种用于动物养殖的监控方法，以提高对动物活动监测的准确率。

本发明实施例提供的一种用于动物养殖的监控方法，包括：

监测动物活动各方向的加速度向量数据；

判断加速度向量数据是否呈周期特性变化；

如果所述加速度向量数据呈现周期特征变化，判定所述动物处于行走状态。

其中，进一步包括：

如果所述加速度向量数据不呈现周期特征变化，并且所述加速度向量数据在X轴和Y轴上产生随机波动，而在Z轴波动较小，判定所述动物处于直立状态。

其中，进一步包括：

如果所述加速度向量数据不呈现周期特征变化，并且所述加速度向量数据在X轴和Y轴上产生的加速度较小，在Z轴上产生明显波动，则判定所述动物处于静卧状态。

其中，进一步包括：

根据每个周期出现的加速度向量数据频度判断动物行走的快慢。

其中，所述根据每个周期出现的加速度向量数据频度判断动物行走的快慢包括：

当周期出现的频度在1-2.5Hz，每个周期内的趋势具有明显的上升和下降阶段，则判定动物处于正常行走状态；和/或

当周期出现的频度为3-5Hz，每个周期内有幅度较大的加速度向量波峰出现，且在同一周期内出现多个加速度波峰，则判定动物处于跑动状态；和/或

当周期出现的频度不一致，在两个行走周期之间要经历一段空闲时间，则判定动物处于间歇性行走状态。

其中，进一步包括：

设置两个阈值来确定所述动物行走状态移动步数；其中，设置一个最低阈值，以剔除了传感器精度而产生的极微小波动和极小幅度的运动，设置一个最高阈值，以剔除特殊情况对统计的干扰。

其中，所述设置两个阈值来确定动物的移动步数包括：

将超过最低阈值的加速度向量数据作为有效运动数据，从前一个运动结束时采集到的有效运动数据开始，向后扫描运动加速度波形的波峰；

对于正常行走状态，在一个有效波峰后，若数据呈现明显的下降趋势，并且在降到最低阈值后连续出现二十个以上低阈值，即判定动物移动了一步；

对于跑动状态，在产生的明显运动特征后，若扫描到的波峰数据大于最高阈值，且在数据回落到最低阈值附近并持续出现五个低阈值即可判定动物移动了一步。

其中，所述最高阈值为动物跑动时捕获的最大加速度值的一半。

其中，进一步包括：

根据检测到的动物各方向的加速度值，计算得出每个周期内动物的活动量S_N;

根据之前的周期活动量数据，按照设定的预测算法，预测当前未完成周期的活动量数据；

判断当前周期数据S_N后与预测数据S_N′的值大小，如果当前周期数据S_N相比预测数据S_N′发生偏移，则记录偏移情况。

其中，所述按照设定的预测算法，预测当前未完成周期的活动量数据为：

结合前N-1个周期预定采取移动平均法来计算预测值S_N′

${S_N}^{\′}=\frac{\underset{n=1}{\overset{N-1}{\mathrm{\Σ}}}{S}_n}{N-1},$

其中，S_n表示连续N个周期的动物活动量，n=1，2，...，N...。

其中，所述N为6。

其中，进一步包括：

根据多个周期实际的周期数据与预测数据的偏移统计量，确认所述动物的发情特征。

其中，所述根据多个周期实际的周期数据与预测数据的偏移统计量，确认所述动物的发情特征包括：

如果至少M个周期内持续向上偏离预测数据或围绕预测数据波动呈上升趋势，并在第L个周期后开始回落，有明显的下降趋势，判定动物出现有发情特征；其中，所述M和L为正整数。

其中，所述M为6；所述L为10至12.

其中，进一步包括：

对多个周期的活动量进行统计；

如果显示确定所述动物的活动量减少，确定动物的静卧时间是否变长；

当确定静卧时间变长，判定所述动物患有疾病。

其中，所述动物的活动量为所述动物的运动步数。

其中，进一步包括：

考核z轴加速度向量数据；

如果每次落蹄时z轴上有较大幅度的加速度产生，并且产生的周期与行走周期一致，则判定所述动物得了蹄病。

利用本发明实施例提供的用于动物养殖的监控方法，可以智能地监控动物的活动状态，该活动状态，可以作为后续智能检测动物发情、疾病的基础。

附图说明

图1是本发明实施例中的一种动物基本活动状态监控方法流程图。

图2是本发明实施例中的一种动物发情行为监控的方法流程图。

图3是本发明实施例中的一种动物疾病检测的方法流程图。

图4是本发明实施例中的一种用于动物养殖的监控器的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明实施通过将动物活动监测传感器安放在动物的脚踝部位，采集动物的运动行为特征和活动量。传感器监测数据通过无线方式采集进系统中。通过对活动量的持续监测可以及时发现动物活动量的增加和减少。通常活动量的大幅度增加预示着动物的发情征兆，同时配合动物的发情周期和受孕情况加以判别，可有效的侦测出动物的发情行为。动物活动量的持续减少，静卧时间加长，预示着动物的身体健康情况出现了变化，持续的监测能够反映出动物的身体健康变化情况。

动物基本活动特征分为行走、直立、静卧，通过对动物活动的各个方向（x轴方向、y轴方向、z轴方向）加速度的监控，可以判断出动物所处的活动特征状态。现针对这三种活动特征进行具体分析。

动物的行走状态

动物在水平行走过程中，向上（y轴方向）和向前（x轴方向）的两个加速度会呈现周期性变化。

将动物行走分为三个阶段来进行分析，这三个阶段分别是起步、过渡和落蹄。在这三个阶段，其反映的加速度数据具有不同的特征。

在起步阶段，由于脚踝有明显的向上和向前的运动特征，在最初的加速度曲线上能得到在y和x轴上明显的正向加速特征；在z轴方向上也会出现一定的变化量，但数值较小，不影响整体加速向量的计算。

在过渡阶段，脚踝有明显的向前移动的动作特征，其在x轴上会产生较大的加速向量，同时在y轴上也有相应的变化。动物在过渡阶段影响y轴数据变化的动作特征（抬蹄）幅度受动物个体差异的影响较大。

在落蹄阶段，重心下移，垂直方向加速度是呈正向增加的趋势，之后继续向前，x轴上的加速度变化量呈现快速增长的趋势。落蹄时在y轴方向上产生的加速度向量较大，同时在x轴和z轴上也有数据增加。

动物行走特征具有上述三个阶段组合的数据特征，但动物在行走时的快慢对于数据出现的周期频率具有不同的影响。

动物正常行走周期为1-2.5Hz，其反映出的加速度向量将以此频率重复出现，在一个周期范围内经历起步、过渡和落蹄三个阶段。每个周期内的趋势具有明显的上升和下降阶段。

动物跑动周期为3-5Hz，在每个周期范围内有明显的加速度向量波峰出现，并且幅度较正常行走时更大，并且在同一个周期内会出现多个加速度波峰。

动物的间歇性行走，对于行走时的加速度特征符合动物行走特征，但每个周期出现的频度不是很一致，会出现在一个行走周期完成后动物要经历多个周期后才出现第二个行走周期。

动物的直立状态

动物在直立时在加速度向量数据上没有周期特征，并且在x、y、z三个轴向上产生的加速度值比行走时要小的多。由于动物直立时重心偏移会产生小幅度动作，这样会导致x和y轴上会产生随机波动；但在z轴上几乎不产生加速度。

动物的静卧状态

动物静卧时在三个轴上产生的加速度值较小，没有周期变化特征，随机的会在z轴上产生波动，在x轴和y轴上产生的加速度较小。

图1是本发明实施例中的一种动物基本活动状态监控方法流程图。如图1所示，该方法包括：

步骤101：监测动物活动各方向的加速度向量数据；判断加速度向量数据是否呈周期特性变化；如果不呈现周期特征变化，则跳转到步骤102或步骤103；如果呈现周期特征变化，跳转至步骤104。

步骤102：如果在X轴和Y轴上产生随机波动，而Z轴波动较小，则判定动物处于直立状态。

步骤103：如果在X轴和Y轴上产生的加速度较小，而Z轴上产生明显波动，则判定动物处于静卧状态。

步骤104：确定动物处于行走状态，同时根据每个周期出现的加速度向量数据频度判断动物行走的快慢，并相应跳转至步骤105、106或107。

步骤105：当周期出现的频度在1-2.5Hz，每个周期内的趋势具有明显的上升和下降阶段，则判定动物处于正常行走状态。

步骤106：当周期出现的频度为3-5Hz，每个周期内有幅度较大的加速度向量波峰出现，且在同一周期内出现多个加速度波峰，则判定动物处于跑动状态。

步骤107：当周期出现的频度不一致，在两个行走周期之间要经历一段空闲时间，则判定动物处于间歇性行走状态。

在本发明一实施例中，还可以设置两个阈值来确定动物的移动步数，其中，设置一个最低阈值，以剔除了传感器精度而产生的极微小波动和极小幅度的运动，设置一个最高阈值，以剔除特殊情况对统计的干扰。

在本发明一实施例中，根据最低阈值和最高阈值确定动物移动步数的步骤为：将超过最低阈值的加速度向量数据作为有效运动数据，从前一个运动结束时采集到的有效运动数据开始，向后扫描运动加速度波形的波峰；对于正常行走状态，在一个有效波峰后，若数据呈现明显的下降趋势，并且在降到最低阈值后连续出现预设数量的低阈值，即判定动物移动了一步；对于跑动状态，在产生的明显运动特征后，若扫描到的波峰数据大于最高阈值，且在数据回落到最低阈值附近并持续出现第二预设数量的低阈值即可判定动物移动了一步。在本发明一实施例中，最高阈值可以设置为动物跑动时捕获的最大加速度值的一半。这里，在判定移动时，预设数量以及第二预设数量的选择根据动物运动的统计数据获取，比如对于奶牛来说，预设数量可以是“二十个以上”，不超过“二十五个”，第二预设数量为“五个”及左右。当然，在实际应用中，还可以根据被监控群体的特性以及统计数据做进一步调整。

在本发明另一实施例中，基于上述实施例对动物基本活动状态的监控，可以进一步确认动物的发情特征以及鉴别动物的疾病。

图2是本发明实施例中的一种动物发情行为监控的方法流程图。如图2所示，该方法基于对基本活动状态的监控与识别，在基于活动状态的基础上，运用统计学方法计算得出动物在一段时间内的活动量的统计学特征，根据统计学特征来确认是否发情。通常来说，周期越短则越能快速的反映动物的发情征兆。该方法包括：

步骤201：根据检测到的动物各方向的加速度值，计算得出每个周期内动物的活动量S_N。这里，动物的活动量可以是动物的运动步数。

在本发明一实施例中，可以以每十五分钟为一个统计周期。当然，可以根据历史统计数据调整周期的时间。

步骤202：根据之前的周期活动量数据，按照设定的预测算法，预测当前未完成周期的活动量数据。

在本发明一实施例中，可以结合前N-1个周期预定采取移动平均法来计算预测值，此时：

${S_N}^{\′}=\frac{\underset{n=1}{\overset{N-1}{\mathrm{\Σ}}}{S}_n}{N-1},$

其中，S_n表示连续N个周期的动物活动量，n=1，2，...，N...。在本发明一实施例中，N可以为6。当然，也可以根据历史统计数据调整。

在本发明另一实施例中，还可以通过历史同时段的统计数据来确认当前的预测活动量数据。也可以通过加权算数平均法可事先取得其在各季节每天各时段产生的平均活动量。

步骤203：判断当前周期数据S_N后与预测数据S_N′的值大小，如果当前周期数据S_N相比预测数据S_N′发生偏移，则记录偏移情况。

步骤204：根据多个周期实际的周期数据与预测数据的偏移统计量，确认发情特征。在本发明一实施例中，如果有至少六个周期内持续向上偏离预测数据或围绕预测数据波动呈上升趋势，并在第十至十二个周期后开始回落，有明显的下降趋势，则可判定动物出现有发情特征。

在本发明另一实施例中，还需要从生物体特征角度来对动物发情特征进行修正。动物的正常发情周期为21天，继上次发情在15至25天范围内可能会出现新的发情征兆。

动物在得了蹄病或消化系统疫病后会出现活动量减少、静卧时间加长的特征；结合动物基本活动状态还可以判定动物的疾病情况。图3是本发明实施例中的一种动物疾病检测的方法流程图。如图3所示，该方法包括：

步骤301：根据检测到的动物各方向的加速度值，计算得出每个周期内动物的活动量S_N。

步骤302：根据之前的周期活动量数据，按照设定的预测算法，预测当前未完成周期的活动量数据。

步骤303：判断当前周期数据S_N后与预测数据S_N′的值大小，如果当前周期数据S_N相比预测数据S_N′发生偏移，则记录偏移情况。

以上步骤与步骤201至步骤203相同，在此不赘述。

步骤304：如果多个周期的统计显示确定动物的活动量减少，确定动物的静卧时间是否变长，当确定静卧时间变长，判定所述动物患有疾病。

在本发明另一实施例中，还进一步提供了一种确认动物蹄病的方法，在方法在步骤105、106、107的基础上，进一步考核z轴数据，即如果每次落蹄时z轴上有较大幅度的加速度产生，并且产生的周期与行走周期一致，则判定该动物得了蹄病。

本发明实施例基于动物各种基本活动状态所对应的各方向上的加速度变化特性，准确计算出动物各统计时间范围的活动量数据，并结合连续多个统计周期内的活动量数据、动物长期积累的各季度每天每时段产生的平均活动量数据、以及动物的发情周期三方面因素对动物发情行为进行检测，大大提高了监测准确率。

通过综合检测动物疾病的方法，本发明基于动物各种基本活动状态所对应的各方向上的加速度变化特性，以及动物出现疾病时活动量减少、静卧时间加长的特点，以及出现蹄病时在Z轴方向上的加速度变化特性，综合检查动物的疾病情况，大大提高了检测的准确率。

通过分析动物基本活动特征的方法，本发明对动物各个基本运动状态下所表现的各方向上的加速度变化特性进行准确归纳提炼，计算出动物各统计时间范围的活动量数据，提高了对动物活动量的计算准确率。

图4是本发明实施例中的一种用于动物养殖的监控器的结构示意图。如图4所示，该监控器包括三维加速度传感器1、高通滤波器3、数据处理单元4、数据发送单元2。其中，通过三维加速度传感器1来捕获动物运动时各方向轴上的加速度数据，将捕获到的加速度转换为输出电信号。高通滤波器3位于三维加速度传感器1的信息输出端，将来自三维加速度传感器1的电信号的尖峰数据和极微小动作所产生的抖动消除掉。数据处理单元4，用于对高通滤波器3输出的信号进行处理和分析，获得动物的基础活动状态和身体状态的处理分析结果。数据发送单元2，用于将处理分析结果发送到远程接收端。以上三维加速度传感器1、高通滤波器3、数据处理单元4、数据发送单元3依次采用电路连接的方式连接。

在本发明一实施例中，加速度传感器的精度范围从2⁸=256级（8位）到2³²=4M级（32位）不等。并根据不同精度的传感器，三维加速度传感器采取的比例因子（输出电压的变化与输入加速度的变化的比，又可表示为AccFactor）略有不同。在本发明一实施例中，传感器精度为8位时，加速度比例因子为2；传感器精度为16位时，加速度比例因子为10；传感器精度为32位时，加速度比例因子为15。

在本发明一实施例中，奶牛各向加速度值为△x²+△y²+△z²>>AccFactor。

在本发明一实施例中，所述监测器安放在动物的脚踝部位。

在发明一实施例中，所述三维加速度传感器模块和数据发送单元可以与高通滤波器和/或数据处理单元分离。将三维加速度传感器安放在动物的脚踝部位，将其他两个部分安装数据接收侧。三维加速度传感器采集动物的运动行为特征和活动量，并通过无线的方法传输到远程控制端；此时数据发送单元为无线发送单元。

本发明以下实施例将重点描述根据加速度数据监控并分析得到动物身体健康状态的方法。在实际应用中，该方法可以以软件、算法的方式实现，由处理器执行处理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换等，均应包含在本发明的保护范围之内。

Claims (17)

1.一种用于动物养殖的监控方法，其特征在于，包括：

监测动物活动各方向的加速度向量数据；

判断加速度向量数据是否呈周期特性变化；

如果所述加速度向量数据呈现周期特征变化，判定所述动物处于行走状态。

2.根据权利要求1所述的方法，其特征在于，进一步包括：

如果所述加速度向量数据不呈现周期特征变化，并且所述加速度向量数据在X轴和Y轴上产生随机波动，而在Z轴波动较小，判定所述动物处于直立状态。

3.根据权利要求1所述的方法，其特征在于，进一步包括：

如果所述加速度向量数据不呈现周期特征变化，并且所述加速度向量数据在X轴和Y轴上产生的加速度较小，在Z轴上产生明显波动，则判定所述动物处于静卧状态。

4.根据权利要求1所述的方法，其特征在于，进一步包括：

根据每个周期出现的加速度向量数据频度判断动物行走的快慢。

5.根据权利要求1所述的方法，其特征在于，所述根据每个周期出现的加速度向量数据频度判断动物行走的快慢包括：

当周期出现的频度在1-2.5Hz，每个周期内的趋势具有明显的上升和下降阶段，则判定动物处于正常行走状态；和/或

当周期出现的频度为3-5Hz，每个周期内有幅度较大的加速度向量波峰出现，且在同一周期内出现多个加速度波峰，则判定动物处于跑动状态；和/或

当周期出现的频度不一致，在两个行走周期之间要经历一段空闲时间，则判定动物处于间歇性行走状态。

6.根据权利要求1所述的方法，其特征在于，进一步包括：

设置两个阈值来确定所述动物行走状态移动步数；其中，设置一个最低阈值，以剔除了传感器精度而产生的极微小波动和极小幅度的运动，设置一个最高阈值，以剔除特殊情况对统计的干扰。

7.根据权利要求6所述的方法，其特征在于，所述设置两个阈值来确定动物的移动步数包括：

将超过最低阈值的加速度向量数据作为有效运动数据，从前一个运动结束时采集到的有效运动数据开始，向后扫描运动加速度波形的波峰；

对于正常行走状态，在一个有效波峰后，若数据呈现明显的下降趋势，并且在降到最低阈值后连续出现二十个以上低阈值，即判定动物移动了一步；

对于跑动状态，在产生的明显运动特征后，若扫描到的波峰数据大于最高阈值，且在数据回落到最低阈值附近并持续出现五个低阈值即可判定动物移动了一步。

8.根据权利要求6或7所述的方法，其特征在于，所述最高阈值为动物跑动时捕获的最大加速度值的一半。

9.根据权利要求1所述的方法，其特征在于，进一步包括：

根据检测到的动物各方向的加速度值，计算得出每个周期内动物的活动量S_N;

根据之前的周期活动量数据，按照设定的预测算法，预测当前未完成周期的活动量数据；

判断当前周期数据S_N后与预测数据S_N′的值大小，如果当前周期数据S_N相比预测数据S_N′发生偏移，则记录偏移情况。

10.根据权利要求9所述的方法，其特征在于，所述按照设定的预测算法，预测当前未完成周期的活动量数据为：

结合前N-1个周期预定采取移动平均法来计算预测值S_N′

${S_N}^{\′}=\frac{\underset{n=1}{\overset{N-1}{\mathrm{\Σ}}}{S}_n}{N-1},$

其中，S_n表示连续N个周期的动物活动量，n=1，2，...，N...。

11.根据权利要求10所述的方法，其特征在于，所述N为6。

12.根据权利要求9所述的方法，其特征在于，进一步包括：

根据多个周期实际的周期数据与预测数据的偏移统计量，确认所述动物的发情特征。

13.根据权利要求12所述的方法，其特征在于，所述根据多个周期实际的周期数据与预测数据的偏移统计量，确认所述动物的发情特征包括：

如果至少M个周期内持续向上偏离预测数据或围绕预测数据波动呈上升趋势，并在第L个周期后开始回落，有明显的下降趋势，判定动物出现有发情特征；其中，所述M和L为正整数。

14.根据权利要求13所述的方法，其特征在于，所述M为6；所述L为10至12。

15.根据权利要求9所述的方法，其特征在于，进一步包括：

对多个周期的活动量进行统计；

如果显示确定所述动物的活动量减少，确定动物的静卧时间是否变长；

当确定静卧时间变长，判定所述动物有患特定疾病的可能。

16.根据权利要求9所述的方法，其特征在于，所述动物的活动量为所述动物的运动步数。

17.根据权利要求1所述的方法，其特征在于，进一步包括：

考核z轴加速度向量数据；

如果每次落蹄时z轴上有较大幅度的加速度产生，并且产生的周期与行走周期一致，则判定所述动物得了蹄病。

Images