CN105104291B - 一种奶牛运动状态判别方法及对应的智能喂食方法 - Google Patents
一种奶牛运动状态判别方法及对应的智能喂食方法 Download PDFInfo
- Publication number
- CN105104291B CN105104291B CN201510445489.8A CN201510445489A CN105104291B CN 105104291 B CN105104291 B CN 105104291B CN 201510445489 A CN201510445489 A CN 201510445489A CN 105104291 B CN105104291 B CN 105104291B
- Authority
- CN
- China
- Prior art keywords
- milk cow
- state
- calculating
- data
- running
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000008267 milk Substances 0.000 title claims abstract description 143
- 235000013336 milk Nutrition 0.000 title claims abstract description 143
- 210000004080 milk Anatomy 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000001133 acceleration Effects 0.000 claims abstract description 48
- 238000005315 distribution function Methods 0.000 claims description 11
- 230000036528 appetite Effects 0.000 claims description 2
- 235000019789 appetite Nutrition 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000035611 feeding Effects 0.000 description 28
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000003862 health status Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K67/00—Rearing or breeding animals, not otherwise provided for; New or modified breeds of animals
- A01K67/02—Breeding vertebrates
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Animal Husbandry (AREA)
- Physiology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Zoology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Dairy Products (AREA)
Abstract
本发明涉及一种奶牛运动状态判别方法及对应的智能喂食方法，1)采集若干组设定时间周期内奶牛前进方向的加速度数据；2)对于每组加速度数据，计算加速度零均值序列的前向差分序列d；3)计算前向差分序列d的标准差a、极差b、峰度c中的一个或多个；4)通过计算的数据以及对应的阈值判断奶牛的运动状态，当计算的数据大于或等于其阈值的时候，判断该周期内奶牛处于奔跑状态；当计算的数据小于其阈值的时候，判断该周期内奶牛处于行走状态；5)综合由各组加速度数据对应的奶牛的运动状态，计算奶牛处于奔跑状态的周期占总时间的比例，确定奶牛的喂食量。保证了每头奶牛都有合适的喂食量，实现了奶牛的自动化饲养，提高了奶牛的产奶水平。
Description
技术领域
本发明属于畜牧业智能化管理领域，具体涉及一种奶牛运动状态判别方法及对应的智能喂食方法。
背景技术
众所周知，奶牛业在我国畜牧业中已经成为了支柱型企业，它的发展决定了我国畜牧业的经济水平，影响着我国国民的健康状况。随着我国畜牧业的崛起，对牛奶的需求量增大，因此需要保证每头奶牛的饮食，保障奶牛的产奶量。
目前，奶牛的喂食方法是人工统一喂食，不仅造成人力资源的大量浪费，工作效率低下，而且，由于每头奶牛的整体运动水平不同，其饲料需求也不同，如果每头奶牛都采用相同的喂食量进行喂食，很容易出现饲料的浪费或者不足的情况，影响奶牛的健康状况，使得奶牛的产奶水平不均衡。
发明内容
本发明的目的是提供一种奶牛运动状态判别方法及对应的智能喂食方法，用以解决的现有技术中的奶牛喂食方法造成奶牛的产奶水平不均衡的问题。
为实现上述目的，本发明的方案包括：
一种奶牛运动状态判别方法，包括以下步骤：
1)采集设定时间周期内奶牛前进方向的加速度；
2)计算加速度零均值序列的前向差分序列d；
3)计算前向差分序列d的三个参数——标准差a、极差b、峰度c——中的一个或多个；
4)通过计算的数据以及对应的阈值判断奶牛的运动状态，当计算的数据大于或等于其对应的阈值的时候，判断该周期内奶牛处于奔跑状态；当计算的数据小于其对应的阈值的时候，判断该周期内奶牛处于行走状态。
所述步骤3)中，计算所述两个以上的参数，对每一个参数，根据对应的阀值判断奶牛的运动状态，再依据设定的逻辑规则综合判断奶牛的运动状态。
所述步骤4)中，根据计算的数据建立基本可信度分配函数，其中，m(1)、m(2)分别表示奶牛处于行走状态和奔跑状态的基本可信度分配，m(Θ)表示不确定的基本可信度分配；通过其对应的阈值得出对应的基本可信度分配值F；当步骤3)计算的数据为1个时，若基本可信度分配值F的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态；当步骤3)计算的数据为2个以上时，对得到的基本可信度分配值F进行异或运算得到可信度分配值Fx，若可信度分配值Fx的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态。
一种奶牛智能喂食方法，包括以下步骤：
1)在一段时间内，采集若干组加速度数据，每组加速度数据为设定时间周期的奶牛前进方向的加速度数据；
2)对于每组加速度数据，计算加速度零均值序列的前向差分序列d；
3)计算前向差分序列d的标准差a、极差b、峰度c中的一个或多个；
4)通过计算的数据以及对应的阈值判断奶牛的运动状态，当计算的数据大于或等于其对应的阈值的时候，判断该周期内奶牛处于奔跑状态；当计算的数据小于其对应的阈值的时候，判断该周期内奶牛处于行走状态；
5)综合由各组加速度数据对应的奶牛的运动状态，计算奶牛处于奔跑状态的周期占总时间的比例，确定奶牛的喂食量。
所述步骤3)中，计算所述两个以上的参数，对每一个参数，根据对应的阀值判断奶牛的运动状态，再依据设定的逻辑规则综合判断奶牛的运动状态。
所述步骤4)中，根据计算的数据建立基本可信度分配函数，其中，m(1)、m(2)分别表示奶牛处于行走状态和奔跑状态的基本可信度分配，m(Θ)表示不确定的基本可信度分配；通过其对应的阈值得出对应的基本可信度分配值F；当步骤3)计算的数据为1个时，若基本可信度分配值F的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态；当步骤3)计算的数据为2个以上时，对得到的基本可信度分配值F进行异或运算得到可信度分配值Fx，若可信度分配值Fx的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态。
所述步骤5)中确定奶牛的喂食量的方式为：根据奶牛处于奔跑状态的周期占总时间的比例，将奶牛运动量分为运动过多、正常运动、运动过少三种运动量；通过运动量确定奶牛的喂食量。
本发明的有益效果是：在一段时间内，采集若干组加速度数据，计算相应前向差分序列d的标准差、极差、峰度值的一个或多个，通过计算的数据以及对应的阈值判断其处于步行状态或奔跑状态，然后根据奔跑状态的周期占总时间的比例，确定奶牛的喂食量，保证了每头奶牛都有合适的喂食量，实现了奶牛的自动化饲养，提高了奶牛的产奶水平。
附图说明
图1是本发明奶牛运动状态判别方法实施例3的流程图；
图2是本发明奶牛智能喂食方法实施例的流程图。
具体实施方式
奶牛运动状态判别方法实施例1
本实施例的奶牛运动状态判别方法包括以下步骤：
1)采集设定时间周期内奶牛前进方向的加速度。
通过加速度传感器采集至少一个设定时间周期内奶牛前进方向的加速度。
2)计算加速度零均值序列的前向差分序列d。
设加速度序列为Z＝[z1,z2,…,zn]，计算z的均值z′＝(z1+z2+…+zn)/n，将加速度序列Z中的每个元素减去均值z′，得到新的零均值序列Z″，对序列Z″进行前向差分，得到序列d。
3)计算前向差分序列d的标准差。
计算前向差分序列d的标准差，并将其数值记为a。
4)通过计算的数据以及对应的阈值判断奶牛的运动状态。
设置标准差a的阈值为2，当标准差a≥2时，判断奶牛处于奔跑状态；当标准差a<2时，判断奶牛处于行走状态。
在上述实施例中，计算前向差分序列d的标准差，在其他实施方式中，可以计算前向差分序列d的极差b或者峰度c。
在上述实施例中，所述标准差a的阈值为2，作为其他实施方式，其阀值可以为1.8等其他数值。
奶牛运动状态判别方法实施例2
在奶牛运动状态判别方法实施例1中，所述步骤3)中：计算前向差分序列d的标准差为a，极差为b。
4)计算所述两个以上的参数，对每一个参数，根据对应的阀值判断奶牛的运动状态，再依据设定的逻辑规则综合判断奶牛的运动状态。
根据标准差a的阈值2、极差为b的阈值7分别判断奶牛的运动状态，设定奶牛奔跑状态为逻辑值“1”，行走状态为逻辑值“0”；对判断结果做逻辑与运算，当逻辑与运算输出结果为“1”时，判断奶牛处于奔跑状态；当逻辑运算输出结果为“0”时，判断奶牛处于行走状态。上述逻辑运算规则也可以是或运算等其它逻辑运算规则。
在上述实施例中，所述极差为b的阈值为7，作为其他实施方式，其阀值可以为6.8等其他数值。
在上述实施例中，计算前向差分序列d的标准差和极差，作为其他实施方式，可以计算前向差分序列d的标准差和峰度，或者极差和峰度。
在上述实施例中，计算前向差分序列d的标准差和极差，作为其他实施方式，可以计算计算前向差分序列d的标准差、极差和峰度，其判断方式与实施例2的判断方式相同，故不在此重复叙述。
奶牛运动状态判别方法实施例3
如图1所示，本实施例的奶牛运动状态判别方法包括以下步骤：
1)采集设定时间周期内奶牛前进方向的加速度。
通过加速度传感器采集至少一个时间周期内奶牛前进方向的加速度。
2)计算加速度零均值序列的前向差分序列d。
设加速度序列为Z＝[z1,z2,…,zn]，计算z的均值z′＝(z1+z2+…+zn)/n，将加速度序列Z中的每个元素减去均值z′，得到新的零均值序列Z″，对序列Z″进行前向差分，得到序列d。
3)计算前向差分序列d的标准差、极差、峰度。
计算前向差分序列d的标准差、极差、峰度，将标准差记为a、极差记为b、峰度记为c。
4)对标准差、极差、峰度建立基本可信度分配函数，并将标准差、极差、峰度代入基本可信度分配函数，判断奶牛的运动状态。
m(1)、m(2)分别表示奶牛处于行走状态和奔跑状态的基本可信度分配，m(Θ)表示不确定的基本可信度分配。建立过程如下：
标准差：
若a<1，则m(1)＝0.9，m(2)＝0，m(Θ)＝0.1；
若1≤a<2，则m(1)＝[1–(a–1)]×0.9，m(2)＝[a–1]×0.9，m(Θ)＝0.1；
若a≥2，则m(1)＝0，m(2)＝0.9，m(Θ)＝0.1。
极差：
若b<5，则m(1)＝0.9，m(2)＝0，m(Θ)＝0.1；
若5≤b<7，则m(1)＝[1–(b–5)/2]×0.9，m(2)＝[(b–5)/2]×0.9，m(Θ)＝0.1；
若b≥7，则m(1)＝0，m(2)＝0.9，m(Θ)＝0.1。
峰度：
若c<2，则m(1)＝0.9，m(2)＝0，m(Θ)＝0.1；
若2≤c<3，则m(1)＝[1–(c–2)]×0.9，m(2)＝[c–2]×0.9，m(Θ)＝0.1；
若c≥3，则m(1)＝0，m(2)＝0.9，m(Θ)＝0.1。
将前向差分序列d的标准差a、极差b、峰度c代入对应的基本可信度分配函数，计算得出对应的基本可信度分配值F1、F2、F3，然后将F1、F2、F3代入式(1)，得到可信度分配值Fx：
选取门限ε1＝0.2，ε2＝0.03，
若可信度分配值Fx的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；
m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态。
在上述实施例中，所述步骤3)中计算前向差分序列d的标准差、极差、峰度。作为其他实施方式，所述步骤3)中仅计算前向差分序列d的标准差、极差、峰度其中的一个。根据计算了的数据建立基本可信度分配函数F，F的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态。
在上述实施例中，所述步骤3)中计算前向差分序列d的标准差、极差、峰度。作为其他实施方式，所述步骤3)中仅计算前向差分序列d的标准差、极差、峰度其中的两个。其判断方法与实施例3中的判断方法一致，故不在此重复叙述。
在上述实施例中，所述步骤1)中采集的奶牛加速度为奶牛三个方向X、Y、Z的加速度。
现根据具体实例对奶牛运动状态判别方法实施例3进行具体说明。
如下表所示，为随机采样的两个设定时间周期内的奶牛加速度数据。
牛腿前进方向为Z轴，沿着牛腿向下为X轴，垂直牛腿向外为Y轴。奶牛处于行走或奔跑状态时，其Z轴加速度变化最为剧烈，因此在判别奶牛状态时，选取Z轴加速度序列作为分析对象。
首先，计算可得数据组1的均值为1.0762，数据组2的均值为1.2670，将Z轴加速度序列中的每个元素减去均值，得到零均值序列，对该零均值序列进行前向差分，得到序列d。如下表所示。
分别计算数据组1和数据组2序列d的标准差、极差、峰度值。数据组1的分别为0.4721、2.04、2.7059，数据组2的分别为2.2775、9.07、2.3420。
将上述数据组1的标准差、极差、峰度值代入对应的基本可信度分配函数，得到：数据组1的基本可信度分配值F1＝[0.9 0 0.1]、F2＝[0.9 0 0.1]、F3＝[0.2647 0.63530.1]，将F1、F2、F3代入式(1)，得到可信度分配值Fx＝[0.9802 0.0171 0.0027]，其中m(1)–m(2)＝0.9631>ε1，m(Θ)＝0.0027<ε2，即可判断数据组1的奶牛为行走状态；
将上述数据组2的标准差、极差、峰度值代入对应的基本可信度分配函数，得到：数据组2的基本可信度分配值时F1＝[0 0.9 0.1]、F2＝[0 0.9 0.1]、F3＝[0.5922 0.30780.1]，将F1、F2、F3代入式(1)，得到可信度分配值Fx＝[0.0143 0.9833 0.0024]，其中m(2)–m(1)＝0.969>ε1，m(Θ)＝0.0024<ε2，即可判断数据组2的奶牛为奔跑状态。
奶牛智能喂食方法实施例
本发明的奶牛智能喂食方法根据奶牛的运动状态确定奶牛的喂食量，其中奶牛运动状态的判别方法与上述实施例1、2、3中的奶牛运动状态判别方法相同，故不在此重复说明。
下面选取典型实施例对本发明的奶牛智能喂食方法实施例进行说明。
如图2所示，本发明的奶牛智能喂食方法包括以下步骤：
1)在一段时间内，采集若干组加速度数据，每组加速度数据为设定周期的奶牛前进方向的加速度数据。
在一段时间内，通过加速度传感器采集至少一组奶牛前进方向的加速度。
2)对于每组加速度数据，计算加速度零均值序列的前向差分序列d。
设其中一组加速度序列为x＝[x1,x2,…,xn]，计算x的均值x′＝(x1+x2+…+xn)/n，将加速度序列x中的每个元素减去均值x′，得到新的零均值序列x″，对序列x″进行前向差分，得到序列d。
3)计算前向差分序列d的标准差、极差、峰度。
计算前向差分序列d的标准差、极差、峰度，将标准差记为a、极差记为b、峰度记为c。
4)对标准差、极差、峰度建立基本可信度分配函数；将标准差、极差、峰度代入基本可信度分配函数，判断奶牛的运动状态。
m(1)、m(2)分别表示奶牛处于行走状态和奔跑状态的基本可信度分配，m(Θ)表示不确定的基本可信度分配。建立过程如下：
标准差：
若a<1，则m(1)＝0.9，m(2)＝0，m(Θ)＝0.1；
若1≤a<2，则m(1)＝[1–(a–1)]×0.9，m(2)＝[a–1]×0.9，m(Θ)＝0.1；
若a≥2，则m(1)＝0，m(2)＝0.9，m(Θ)＝0.1。
极差：
若b<5，则m(1)＝0.9，m(2)＝0，m(Θ)＝0.1；
若5≤b<7，则m(1)＝[1–(b–5)/2]×0.9，m(2)＝[(b–5)/2]×0.9，m(Θ)＝0.1；
若b≥7，则m(1)＝0，m(2)＝0.9，m(Θ)＝0.1。
峰度：
若c<2，则m(1)＝0.9，m(2)＝0，m(Θ)＝0.1；
若2≤c<3，则m(1)＝[1–(c–2)]×0.9，m(2)＝[c–2]×0.9，m(Θ)＝0.1；
若c≥3，则m(1)＝0，m(2)＝0.9，m(Θ)＝0.1。
将前向差分序列d的标准差a、极差b、峰度c代入对应的基本可信度分配函数，计算得出对应的基本可信度分配值F1、F2、F3，然后将F1、F2、F3代入式(1)，得到可信度分配值Fx：
选取门限ε1＝0.2，ε2＝0.03，
若可信度分配值Fx的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态。
6)综合由各组加速度数据对应的奶牛的运动状态，计算奶牛处于奔跑状态的周期占总时间的比例，确定奶牛的喂食量。
根据奶牛处于奔跑状态的周期占总时间的比例，确定奶牛的喂食量。
在上述实施例中，所述步骤1)中采集的奶牛加速度为奶牛三个方向X、Y、Z的加速度。
在上述实施例中，根据奶牛处于奔跑状态的周期占总时间的比例，确定奶牛的喂食量。作为其他实施方式，根据奶牛处于奔跑状态的周期占总时间的比例，将奶牛运动量分为运动过多、正常运动、运动过少三种运动量，通过该运动量确定奶牛的喂食量。
如，将奶牛的运动量分为运动过多、正常运动、运动过少三种运动量，其中运动过多为奶牛处于奔跑状态的周期占总时间的比例大于或等于3/5，正常运动为奶牛处于奔跑状态的周期占总时间的比例小于3/5，大于或等于1/5，运动过少为奶牛处于奔跑状态的周期占总时间的比例小于1/5。采集10组数据，判断奶牛处于奔跑状态的周期占总时间比例，当该比例大于或等于3/5时，判断奶牛运动过多，因此给予最多的喂食；当该比例小于3/5，大于或等于1/5时，判断奶牛运动正常，给予中等的喂食。比例小于1/5时，判断奶牛运动过少，因此给予最少的喂食。
Claims (7)
1.一种奶牛运动状态判别方法，其特征在于：包括以下步骤：
1)采集设定时间周期内奶牛前进方向的加速度；
2)计算加速度零均值序列的前向差分序列d；
3)计算前向差分序列d的三个参数——标准差a、极差b、峰度c——中的一个或多个；
4)通过计算的数据以及对应的阈值判断奶牛的运动状态，当计算的数据大于或等于其对应的阈值的时候，判断该周期内奶牛处于奔跑状态；当计算的数据小于其对应的阈值的时候，判断该周期内奶牛处于行走状态。
2.根据权利要求1所述的奶牛运动状态判别方法，其特征在于：所述步骤3)中，计算所述两个以上的参数，对每一个参数，根据对应的阀值判断奶牛的运动状态，再依据设定的逻辑规则综合判断奶牛的运动状态。
3.根据权利要求1所述的奶牛运动状态判别方法，其特征在于：所述步骤4)中，根据计算的数据建立基本可信度分配函数，其中，m(1)、m(2)分别表示奶牛处于行走状态和奔跑状态的基本可信度分配，m(Θ)表示不确定的基本可信度分配；通过其对应的阈值得出对应的基本可信度分配值F；当步骤3)计算的数据为1个时，若基本可信度分配值F的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态；当步骤3)计算的数据为2个以上时，对得到的基本可信度分配值F进行异或运算得到可信度分配值Fx，若可信度分配值Fx的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态。
4.一种奶牛智能喂食方法，其特征在于：包括以下步骤：
1)在一段时间内，采集若干组加速度数据，每组加速度数据为设定时间周期的奶牛前进方向的加速度数据；
2)对于每组加速度数据，计算加速度零均值序列的前向差分序列d；
3)计算前向差分序列d的标准差a、极差b、峰度c中的一个或多个；
4)通过计算的数据以及对应的阈值判断奶牛的运动状态，当计算的数据大于或等于其对应的阈值的时候，判断该周期内奶牛处于奔跑状态；当计算的数据小于其对应的阈值的时候，判断该周期内奶牛处于行走状态；
5)综合由各组加速度数据对应的奶牛的运动状态，计算奶牛处于奔跑状态的周期占总时间的比例，确定奶牛的喂食量。
5.根据权利要求4所述的奶牛智能喂食方法，其特征在于：所述步骤3)中，计算所述两个以上的参数，对每一个参数，根据对应的阀值判断奶牛的运动状态，再依据设定的逻辑规则综合判断奶牛的运动状态。
6.根据权利要求4所述的奶牛智能喂食方法，其特征在于：所述步骤4)中，根据计算的数据建立基本可信度分配函数，其中，m(1)、m(2)分别表示奶牛处于行走状态和奔跑状态的基本可信度分配，m(Θ)表示不确定的基本可信度分配；通过其对应的阈值得出对应的基本可信度分配值F；当步骤3)计算的数据为1个时，若基本可信度分配值F的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态；当步骤3)计算的数据为2个以上时，对得到的基本可信度分配值F进行异或运算得到可信度分配值Fx，若可信度分配值Fx的m(1)–m(2)>ε1，m(Θ)<ε2，即可判断为行走状态；若m(2)–m(1)>ε1，m(Θ)<ε2，即可判断为奔跑状态。
7.根据权利要求4所述的奶牛智能喂食方法，其特征在于：所述步骤5)中确定奶牛的喂食量的方式为：根据奶牛处于奔跑状态的周期占总时间的比例，将奶牛运动量分为运动过多、正常运动、运动过少三种运动量；通过运动量确定奶牛的喂食量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510445489.8A CN105104291B (zh) | 2015-07-27 | 2015-07-27 | 一种奶牛运动状态判别方法及对应的智能喂食方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510445489.8A CN105104291B (zh) | 2015-07-27 | 2015-07-27 | 一种奶牛运动状态判别方法及对应的智能喂食方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105104291A CN105104291A (zh) | 2015-12-02 |
| CN105104291B true CN105104291B (zh) | 2017-11-21 |
Family
ID=54652637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510445489.8A Expired - Fee Related CN105104291B (zh) | 2015-07-27 | 2015-07-27 | 一种奶牛运动状态判别方法及对应的智能喂食方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105104291B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107027650B (zh) * | 2017-03-21 | 2019-10-22 | 中国农业大学 | 一种基于pso-svm的种猪异常状态检测方法及装置 |
| CN108814618B (zh) * | 2018-04-27 | 2021-08-31 | 歌尔科技有限公司 | 一种运动状态的识别方法、装置及终端设备 |
| CN108990833A (zh) * | 2018-09-11 | 2018-12-14 | 河南科技大学 | 一种基于位置信息的动物运动行为判别方法及装置 |
| CN109446931B (zh) * | 2018-10-11 | 2022-02-08 | 河南科技大学 | 基于时序关联分析的动物运动行为判别方法及装置 |
| CN114258871B (zh) * | 2021-11-22 | 2023-01-24 | 黑龙江省农业科学院畜牧兽医分院 | 用于羊的繁殖过程中的妊娠数据监测装置及方法 |
| CN116158374B (zh) * | 2022-12-07 | 2024-08-06 | 杭州慧牧科技有限公司 | 家禽智能养殖方法、装置、计算机设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010263953A (ja) * | 2009-05-12 | 2010-11-25 | Oki Electric Ind Co Ltd | 運動分析装置、プログラム及び方法、並びに、運動分析システム |
| CN202255413U (zh) * | 2011-08-31 | 2012-05-30 | 上海麦喀斯机械设备有限公司 | 一种奶牛计步器 |
| CN102973275B (zh) * | 2012-11-14 | 2015-05-27 | 无锡智感星际科技有限公司 | 一种人体运动状态的采集系统及采集方法 |
| CN103340634B (zh) * | 2013-06-17 | 2015-11-18 | 无锡市中安捷联科技有限公司 | 一种基于加速度变化检测人运动状态的方法 |
| CN103782954B (zh) * | 2014-01-25 | 2016-03-02 | 广东燕塘乳业股份有限公司 | 基于rfid技术的奶牛精细化养殖方法 |
| CN103892840B (zh) * | 2014-03-06 | 2015-11-18 | 深圳市德凯瑞科技有限公司 | 一种智能穿戴设备及人体运动的特征提取方法 |
-
2015
- 2015-07-27 CN CN201510445489.8A patent/CN105104291B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105104291A (zh) | 2015-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105104291B (zh) | 一种奶牛运动状态判别方法及对应的智能喂食方法 | |
| CN107909107A (zh) | 纤维检测方法、装置及电子设备 | |
| CN109389161A (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
| CN106952033A (zh) | 一种基于多数据源的搅拌设备生产质量监控系统及方法 | |
| CN110377465A (zh) | 一种车载can总线的异常检测方法 | |
| CN104966101B (zh) | 一种基于LabVIEW的太阳能电池片分类方法 | |
| CN106960244A (zh) | 一种遗传算法与粒子群算法并行融合的进化算法 | |
| CN109213810B (zh) | 一种盾构tbm掘进参数的数据挖掘方法 | |
| CN105488134A (zh) | 大数据处理方法及大数据处理装置 | |
| CN105075886B (zh) | 一种奶牛自动喂食装置以及对应的智能喂食系统 | |
| CN105573244B (zh) | Plc高速计数器和其操作方法 | |
| CN103099639A (zh) | Pet成像系统的环形拓扑结构及其实现方法 | |
| CN108241662A (zh) | 数据标注的优化方法及装置 | |
| CN102289533B (zh) | 一种基于几何规划的大规模集成电路回归测试管理方法 | |
| CN104751200A (zh) | 一种svm网络业务分类的方法 | |
| CN206229726U (zh) | 一种马铃薯分选机 | |
| CN113529341B (zh) | 用于洗涤设备的进水量确定方法和洗涤设备 | |
| CN106204788B (zh) | 振动感知传感网工业缝制设备自动计数方法 | |
| CN102302372B (zh) | 一种全数字化处理装置的全数字化电子学系统 | |
| CN108279641A (zh) | 一种cnc调机方法及其系统 | |
| CN109944590B (zh) | 一种可靠的采煤机切割模式识别系统 | |
| CN103163835A (zh) | 数控机床加工图自动生成系统 | |
| CN109255101A (zh) | 基于机器学习和抽样算法的微博粉丝数获取方法及装置 | |
| CN202179553U (zh) | 一种全数字化处理装置的全数字化电子学系统 | |
| CN103455868B (zh) | 生产管理系统、生产管理装置以及生产管理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171121 Termination date: 20180727 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |