CN109242219A - 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 - Google Patents
蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 Download PDFInfo
- Publication number
- CN109242219A CN109242219A CN201811353136.5A CN201811353136A CN109242219A CN 109242219 A CN109242219 A CN 109242219A CN 201811353136 A CN201811353136 A CN 201811353136A CN 109242219 A CN109242219 A CN 109242219A
- Authority
- CN
- China
- Prior art keywords
- parameter
- quantized data
- foraging behaviour
- prediction
- laying hen
- 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.)
- Granted
Links
- 230000002431 foraging effect Effects 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 44
- 235000013305 food Nutrition 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000001537 neural effect Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000011946 reduction process Methods 0.000 claims description 7
- 239000002699 waste material Substances 0.000 abstract description 9
- 230000006399 behavior Effects 0.000 description 100
- 238000013139 quantization Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 235000021050 feed intake Nutrition 0.000 description 7
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 241000287828 Gallus gallus Species 0.000 description 4
- 230000003542 behavioural effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000009304 pastoral farming Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000032365 Electromagnetic interference Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种蛋鸡采食行为的预测方法,所述预测方法包括:获取采食参数;对所述采食参数进行处理以获得处理后采食参数;对所述处理后采食参数进行分析以获得采食行为的量化数据;基于所述量化数据生成对应的采食行为预测信息。本发明还公开了一种蛋鸡采食行为的预测装置。通过根据蛋鸡的日常行为对蛋鸡的采食行为进行预测,从而进行智能化投食,提高饲料利用率,降低饲料浪费,提高对蛋鸡的管理有效性和精确性。
Description
技术领域
本发明涉及农业控制领域,具体涉及一种蛋鸡采食行为的预测方法及一种蛋鸡采食行为的预测装置。
背景技术
在人类历史中,家禽作为人类很早就驯化的物种为人类提供了大量的食物来源,例如蛋鸡,蛋鸡被视为人类食物中的补品,而鸡的生长状况决定了鸡肉或其产出的质量。鸡的行为模式是蛋鸡反常行为的基础,蛋鸡出现反常行为意味着蛋鸡个体或许出现了健康异常等问题。
蛋鸡的行为包括采食、饮水以及运动等,这些都是评价蛋鸡福利的重要指标。在传统的驯养过程中,往往对蛋鸡采用自由喂养并通过人为观察的方法对蛋鸡的生长状况进行监控,而人为观察往往是隔一段时间看一次,无法实时对蛋鸡进行观察和监控,从而大大降低了对蛋鸡行为管理的有效性和精确性,导致饲料利用率低,浪费严重。
而在部分养殖场中,也通过采用定时投喂的方式对蛋鸡进行喂养,以提高饲料的利用效率,在一定程度上减低饲料的浪费程度,然而该方法依然无法实时根据蛋鸡的行为进行智能化投食,因此依然无法满足现有养殖场的需求。
发明内容
为了克服现有技术中对蛋鸡的饲养方法落后,饲料的利用率低、浪费程度高的技术问题,本发明实施例提供一种蛋鸡采食行为的预测方法及一种蛋鸡采食行为的预测装置,通过根据蛋鸡的日常行为对蛋鸡的采食行为进行预测,从而进行智能化投食,提高饲料利用率,降低饲料浪费,提高对蛋鸡的管理有效性和精确性。
为了实现上述目的,本发明一方面提供一种蛋鸡采食行为的预测方法,所述预测方法包括:获取采食参数;对所述采食参数进行处理以获得处理后采食参数;对所述处理后采食参数进行分析以获得采食行为的量化数据;基于所述量化数据生成对应的采食行为预测信息。
优选地,所述对所述采食参数进行处理以获得处理后采食参数,包括:对所述采食参数进行降噪处理以获得降噪后参数;判断所述降噪后参数中是否存在与相邻参数的偏差大于预设偏差阈值的异常参数;在所述降噪后参数中存在所述异常参数的情况下,对所述异常参数进行替换操作,并将替换后的参数作为降噪后参数;对所述降噪后参数进行时间序列分段操作,以获得分段后参数;对所述分段后参数执行重要点获取操作,以获得处理后采食参数。
优选地,所述对所述处理后采食参数进行分析以获得采食行为的量化数据,包括:获取与每个所述重要点对应的饲料重量,并获得相邻重要点之间的饲料重量差;获取每个所述重要点之间的时间差;将所述饲料重量差与所述时间差先后放入差值集合中,并按照预设方法对所述差值集合中的值进行分类以获得分类结果;基于所述分类结果对采食行为和非采食行为进行统计并获得统计数据,将所述统计数据作为采食行为的量化数据。
优选地,所述基于所述量化数据生成对应的采食行为预测信息,包括:对所述量化数据进行预处理以获得预处理量化数据;通过预设神经算法基于所述预处理量化数据进行学习以获得预测结果;将所述预测结果与采食行为的实际值进行比较,以获得评估结果;基于所述评估结果对所述预设神经算法进行调整,以获得调整后神经算法;基于所述调整后神经算法获得与所述量化数据对应的采食行为预测信息。
优选地,所述预测方法还包括:在基于所述量化数据生成对应的采食行为预测信息之前,获取当前场景的视频监控信息;基于所述视频监控信息对所述量化数据进行校正操作。
相应的,本发明还提供一种蛋鸡采食行为的预测装置,所述预测装置包括:处理器,用于:获取采食参数;对所述采食参数进行处理以获得处理后采食参数;对所述处理后采食参数进行分析以获得采食行为的量化数据;基于所述量化数据生成对应的采食行为预测信息。
优选地,所述对所述采食参数进行处理以获得处理后采食参数,包括:对所述采食参数进行降噪处理以获得降噪后参数;判断所述降噪后参数中是否存在与相邻参数的偏差大于预设偏差阈值的异常参数;在所述降噪后参数中存在所述异常参数的情况下,对所述异常参数进行替换操作,并将替换后的参数作为降噪后参数;对所述降噪后参数进行时间序列分段操作,以获得分段后参数;对所述分段后参数执行重要点获取操作,以获得处理后采食参数。
优选地,所述对所述处理后采食参数进行分析以获得采食行为的量化数据,包括:获取与每个所述重要点对应的饲料重量,并获得相邻重要点之间的饲料重量差;获取每个所述重要点之间的时间差;将所述饲料重量差与所述时间差先后放入差值集合中,并按照预设方法对所述差值集合中的值进行分类以获得分类结果;基于所述分类结果对采食行为和非采食行为进行统计并获得统计数据,将所述统计数据作为采食行为的量化数据。
优选地,所述基于所述量化数据生成对应的采食行为预测信息,包括:对所述量化数据进行预处理以获得预处理量化数据;通过预设神经算法基于所述预处理量化数据进行学习以获得预测结果;将所述预测结果与采食行为的实际值进行比较,以获得评估结果;基于所述评估结果对所述预设神经算法进行调整,以获得调整后神经算法;基于所述调整后神经算法获得与所述量化数据对应的采食行为预测信息。
优选地,所述预测装置还包括视频采集装置,所述视频采集装置用于:在基于所述量化数据生成对应的采食行为预测信息之前,获取当前场景的视频监控信息;所述处理器还用于:基于所述视频监控信息对所述量化数据进行校正操作。
通过本发明提供的技术方案,本发明至少具有如下技术效果:
通过对蛋鸡进行监控,并根据监控到的蛋鸡的日常行为数据对蛋鸡的采食行为进行分析,从而对蛋鸡的采食行为进行预测,并在后续的饲养过程中对蛋鸡进行智能化投食,大大提高了饲料利用率,降低了饲料浪费,提高对蛋鸡的管理有效性和精确性。
附图说明
图1是本发明提供的蛋鸡采食行为的预测方法的具体实现流程图;
图2是本发明提供的蛋鸡采食量预测模型框架的示意图。
具体实施方式
为了克服现有技术中对蛋鸡的饲养方法落后,饲料的利用率低、浪费程度高的技术问题,本发明实施例提供一种蛋鸡采食行为的预测方法及一种蛋鸡采食行为的预测装置,通过根据蛋鸡的日常行为对蛋鸡的采食行为进行预测,从而进行智能化投食,提高饲料利用率,降低饲料浪费,提高对蛋鸡的管理有效性和精确性。
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
本发明实施例中的术语“系统”和“网络”可被互换使用。“多个”是指两个或两个以上,鉴于此,本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。另外,需要理解的是,在本发明实施例的描述中,“第一”、“第二”等词汇,仅用于区分描述的目的,而不能理解为指示或暗示相对重要性,也不能理解为指示或暗示顺序。
请参见图1,本发明实施例提供一种蛋鸡采食行为的预测方法,所述预测方法包括:
S10)获取采食参数;
S20)对所述采食参数进行处理以获得处理后采食参数;
S30)对所述处理后采食参数进行分析以获得采食行为的量化数据;
S40)基于所述量化数据生成对应的采食行为预测信息。
为了对蛋鸡的采食行为进行精确的预测,因此需要获取蛋鸡的采食参数,并根据上述采食参数进行分析,从而得出对蛋鸡的采食行为的精确的预测信息。
在一种可能的实施方式中,首先对蛋鸡进行监控,并获得蛋鸡在日常生活中的采食参数,在本发明实施例中,优选地,所述采食参数包括但不限于采食量、采食时间以及采食时间间隔,例如可以获取蛋鸡在一天内不同采食时间内的采食量,并进而获得该蛋鸡一天内的采食时间间隔,即获得了上述采食参数的时间序列。在获取到蛋鸡的采食参数后,继续对该采食参数进行处理,在本发明实施例中,根据采食参数提取蛋鸡的采食行为中的重要点,优选地,所述重要点包括但不限于采食参数中的极值点、拐点以及最大值点,并根据预设算法对重要点进行分段拟合以形成对采食行为的量化数据,然后将量化数据导入神经网络算法中,优选地,在本发明实施例中,所述神经网络算法为长短周期记忆(LETM,LongShort-Term Memory)算法,通过将量化数据导入LETM算法中以获得对蛋鸡的采食行为的预测结果。
在本发明实施例中,通过对蛋鸡的采食行为进行监控以将蛋鸡的采食参数进行特征提取以及分类识别,并将采食参数进行量化操作,从而根据神经网络算法对蛋鸡的采食行为进行学习以及预测,以获得精确的预测结果,从而对蛋鸡进行更加智能的喂养,大大提高了喂养的饲料的使用效率,降低了饲料的浪费程度,提高了对蛋鸡的管理的有效性和精确性。
在本发明实施例中,所述对所述采食参数进行处理以获得处理后采食参数,包括:对所述采食参数进行降噪处理以获得降噪后参数;判断所述降噪后参数中是否存在与相邻参数的偏差大于预设偏差阈值的异常参数;在所述降噪后参数中存在所述异常参数的情况下,对所述异常参数进行替换操作,并将替换后的参数作为降噪后参数;对所述降噪后参数进行时间序列分段操作,以获得分段后参数;对所述分段后参数执行重要点获取操作,以获得处理后采食参数。
在一种可能的实施方式中,通过重量传感器采集蛋鸡在当天的饲料剩余量,由于环境中存在电磁干扰等情况,通过重量传感器采集的数据中可能存在无效数据点,而影响采集参数的精确性,因此在通过重量传感器获取蛋鸡的采食量的过程中,需要首先对获取的采食量数据进行降噪处理,进一步地,蛋鸡在采食饲料的过程中,会对装载饲料的托盘造成冲击等影响,因此重量传感器采集的数据中还存在大量的偏差值(在图表上展示为存在大量毛刺),通过对每个降噪后参数进行偏差判断,若存在偏差大于预设偏差阈值的异常参数,则对该异常参数进行替换操作,以保证采集的采食参数的偏差都处于可接受范围内,从而保证预测结果的精确性,然后对替换后的降噪参数进行时间序列上的分段操作,以获得分段后参数,并进一步根据分段后参数获得采食参数中的重要点信息,并将该重要点信息作为处理后采食参数。
在本发明实施例中,通过对采集的采食参数进行降噪和偏差修正的操作,从而大大提高了采食参数的精确性,保证了在后续预测过程中具有最佳的分析数据,保证了预测结果的精确性。同时通过对采食参数进行时间序列上的分段操作,从而大大缩小了采食参数中的时间序列的长度,大大降低了运算的复杂度,提高了对采食参数的计算效率,降低了对运算装置的配置要求,避免系统崩溃或系统无法正常运算的情况发生,大大优化了传统的运算方法,使得对蛋鸡的采食行为的分析更加有效。
在本发明实施例中,所述对所述处理后采食参数进行分析以获得采食行为的量化数据,包括:获取与每个所述重要点对应的饲料重量,并获得相邻重要点之间的饲料重量差;获取每个所述重要点之间的时间差;将所述饲料重量差与所述时间差先后放入差值集合中,并按照预设方法对所述差值集合中的值进行分类以获得分类结果;基于所述分类结果对采食行为和非采食行为进行统计并获得统计数据,将所述统计数据作为采食行为的量化数据。
在一种可能的实施方式中,当前蛋鸡的采食参数中包括4个重要点,根据该4个重要点获取与每个重要点对应的饲料重量依次为57g、52g、40g以及28g,从而获得每两个相邻重要点之间的饲料的重量差依次为5g、8g以及12g,并将饲料重量差放入差值集合中,进一步地,根据每个重要点所对应的时间值获得每两个相邻的重要点之间的时间差,然后将该时间差也放入差值集合中,从而形成新的差值集合,此时根据预设方法对新的差值集合中的值进行分类以获得分类结果,在本发明实施例中,该预设方法为饲养人员根据饲养经验而设置的与采食行为的条件对应的分类方法,最后根据分类结果对分类结果中的采食行为和非采食行为进行统计,从而获得采食行为的精确统计结果,并将该统计结构作为蛋鸡的采食行为的量化数据。
在本发明实施例中,通过对蛋鸡的采食行为进行进一步分析,并对蛋鸡的采食参数进行量化,从而更直观地获取到该蛋鸡在一天中的采食行为,例如一天中的总进食量、以及每次进食时对应的采食行为如何等,从而便于后续的神经网络算法分析出精确的蛋鸡采食规律,并进行精确的采食行为预测,不需要人工实时对蛋鸡进行监控,大大降低了对蛋鸡采食行为的监控复杂度,提高了对蛋鸡采食行为预测的精确性和有效性。
在本发明实施例中,所述基于所述量化数据生成对应的采食行为预测信息,包括:对所述量化数据进行预处理以获得预处理量化数据;通过预设神经算法基于所述预处理量化数据进行学习以获得预测结果;将所述预测结果与采食行为的实际值进行比较,以获得评估结果;基于所述评估结果对所述预设神经算法进行调整,以获得调整后神经算法;基于所述调整后神经算法获得与所述量化数据对应的采食行为预测信息。
在一种可能的实施方式中,在获得量化数据后,为了更加符合神经网络算法的数据处理形式,因此还需要对量化数据的形式进行预处理,在本发明实施例中,通过将量化数据中的不同参数类型的数据提取出来进行单独的数据格式处理,例如将量化数据中的采食量对应的数据提取出来进行单独的数据格式处理,在本发明实施例中,可以设置数据的窗口长度为10,即在所有数据中选择10个数据作为对采食行为(即第11个数据)的预测数据源,将所述10个数据组成一个一维数组,并对该一维数组进行归一化处理以满足神经网络算法的输入形式,基于同样的原理对其他参数类型的量化参数进行处理,从而获得预处理量化数据,在本发明实施例中,所述神经网络算法为LSTM算法,通过将上述预处理量化数据输入LSTM算法中进行运算从而获得了该蛋鸡的采食行为的预测信息,进一步地,为了对预测信息的精确性进行判断,还可以对当前使用的LSTM算法进行进一步的评估,例如将基于不同算法参数获得的预测信息与实际采食行为信息进行对比分析,从而获得与实际采食行为信息最匹配的最佳预测信息,根据该最佳预测信息提取LSTM算法中的算法参数从而获得具有最佳运算参数的调整后LSTM算法,此时根据该调整后LSTM算法基于所述量化数据对蛋鸡的采食行为进行预测以获得精确的采食行为预测信息。
请参见图2,为本发明实施例提供的一种蛋鸡采食量预测模型框架,在该模型中,首先获取蛋鸡的原始饲料信息,例如原始饲料重量时间序列,并对该时间序列进行行为量化(例如重要点拟合以及采食行为量化提取等方法),从而获得该蛋鸡的采食行为的量化信息,对该量化信息进行处理,获得采食行为中每个行为特征的参数序列,按照预设序列长度获取每个行为特征的采食参数从而获得对应的采食行为参数序列,例如采食量序列、采食时间序列以及采食间隔序列,需要说明的是,不同行为特征的数据长度可以为相同长度也可以为不同长度。
将不同采食行为参数序列输入预设的神经网络算法(例如LSTM算法)中进行学习,从而获得对应的预测结果。在输入之前,还需要对采食行为参数序列进行预处理,例如划分训练集以及归一化处理等,以使得输入数据符合LSTM算法的输入格式。
进一步地,为了获取最佳的预测模型,还需要对该模型在不同参数的情况下的预测结构进行比较和评估,例如将在不同参数下的预测模型所获得的预测结果与实际的采食行为数据进行对比,从而获得预测结果最精确的预测模型,此时根据优化算法(例如ADAM算法)对预测模型的参数进行优化选择,从而获得具有最佳参数的预测模型,此时通过该具有最佳参数的预测模型对蛋鸡的采食行为进行预测,从而获得最精确的预测结果。
进一步地,在本发明实施例中,所述预测方法还包括:在基于所述量化数据生成对应的采食行为预测信息之前,获取当前场景的视频监控信息;基于所述视频监控信息对所述量化数据进行校正操作。
在一种可能的实施方式中,为了确定该预测信息是否与实际情况相符合,还在饲养蛋鸡的当前场景设置视频采集装置(例如摄像头),并根据摄像头采集的视频信息对预测信息进行对比以判断预测信息的准确性,若预测信息的准确性符合要求,则确定该预测方法有效,可适用于对蛋鸡的采食行为预测中。
在本发明实施例中,通过根据蛋鸡的采食行为进行智能化分析,从而能够在蛋鸡的饲养过程中进行动态的预测以预测出蛋鸡下次的采食行为,并提前准备好对应的饲料,并进行智能投喂,从而大大提高了饲料的使用效率,提高了对蛋鸡饲养的精确性和有效性,提高了养殖场的效益。
下面结合附图对本发明实施例所提供的蛋鸡采食行为的预测装置进行说明。
基于同一发明构思,本发明实施例提供一种蛋鸡采食行为的预测装置,所述预测装置包括:处理器,用于:获取采食参数;对所述采食参数进行处理以获得处理后采食参数;对所述处理后采食参数进行分析以获得采食行为的量化数据;基于所述量化数据生成对应的采食行为预测信息。
在本发明实施例中,所述对所述采食参数进行处理以获得处理后采食参数,包括:对所述采食参数进行降噪处理以获得降噪后参数;判断所述降噪后参数中是否存在与相邻参数的偏差大于预设偏差阈值的异常参数;在所述降噪后参数中存在所述异常参数的情况下,对所述异常参数进行替换操作,并将替换后的参数作为降噪后参数;对所述降噪后参数进行时间序列分段操作,以获得分段后参数;对所述分段后参数执行重要点获取操作,以获得处理后采食参数。
在本发明实施例中,所述对所述处理后采食参数进行分析以获得采食行为的量化数据,包括:获取与每个所述重要点对应的饲料重量,并获得相邻重要点之间的饲料重量差;获取每个所述重要点之间的时间差;将所述饲料重量差与所述时间差先后放入差值集合中,并按照预设方法对所述差值集合中的值进行分类以获得分类结果;基于所述分类结果对采食行为和非采食行为进行统计并获得统计数据,将所述统计数据作为采食行为的量化数据。
在本发明实施例中,所述基于所述量化数据生成对应的采食行为预测信息,包括:对所述量化数据进行预处理以获得预处理量化数据;通过预设神经算法基于所述预处理量化数据进行学习以获得预测结果;将所述预测结果与采食行为的实际值进行比较,以获得评估结果;基于所述评估结果对所述预设神经算法进行调整,以获得调整后神经算法;基于所述调整后神经算法获得与所述量化数据对应的采食行为预测信息。
在本发明实施例中,所述预测装置还包括视频采集装置,所述视频采集装置用于:在基于所述量化数据生成对应的采食行为预测信息之前,获取当前场景的视频监控信息;所述处理器还用于:基于所述视频监控信息对所述量化数据进行校正操作。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得单片机、芯片或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样当视为本发明实施例所公开的内容。
Claims (10)
1.一种蛋鸡采食行为的预测方法,其特征在于,所述预测方法包括:
获取采食参数;
对所述采食参数进行处理以获得处理后采食参数;
对所述处理后采食参数进行分析以获得采食行为的量化数据;
基于所述量化数据生成对应的采食行为预测信息。
2.根据权利要求1所述的预测方法,其特征在于,所述对所述采食参数进行处理以获得处理后采食参数,包括:
对所述采食参数进行降噪处理以获得降噪后参数;
判断所述降噪后参数中是否存在与相邻参数的偏差大于预设偏差阈值的异常参数;
在所述降噪后参数中存在所述异常参数的情况下,对所述异常参数进行替换操作,并将替换后的参数作为降噪后参数;
对所述降噪后参数进行时间序列分段操作,以获得分段后参数;
对所述分段后参数执行重要点获取操作,以获得处理后采食参数。
3.根据权利要求2所述的预测方法,其特征在于,所述对所述处理后采食参数进行分析以获得采食行为的量化数据,包括:
获取与每个所述重要点对应的饲料重量,并获得相邻重要点之间的饲料重量差;
获取每个所述重要点之间的时间差;
将所述饲料重量差与所述时间差先后放入差值集合中,并按照预设方法对所述差值集合中的值进行分类以获得分类结果;
基于所述分类结果对采食行为和非采食行为进行统计并获得统计数据,将所述统计数据作为采食行为的量化数据。
4.根据权利要求3所述的预测方法,其特征在于,所述基于所述量化数据生成对应的采食行为预测信息,包括:
对所述量化数据进行预处理以获得预处理量化数据;
通过预设神经算法基于所述预处理量化数据进行学习以获得预测结果;
将所述预测结果与采食行为的实际值进行比较,以获得评估结果;
基于所述评估结果对所述预设神经算法进行调整,以获得调整后神经算法;
基于所述调整后神经算法获得与所述量化数据对应的采食行为预测信息。
5.根据权利要求1-4中任一权利要求所述的预测方法,其特征在于,所述预测方法还包括:
在基于所述量化数据生成对应的采食行为预测信息之前,获取当前场景的视频监控信息;
基于所述视频监控信息对所述量化数据进行校正操作。
6.一种蛋鸡采食行为的预测装置,其特征在于,所述预测装置包括:
处理器,用于:
获取采食参数;
对所述采食参数进行处理以获得处理后采食参数;
对所述处理后采食参数进行分析以获得采食行为的量化数据;
基于所述量化数据生成对应的采食行为预测信息。
7.根据权利要求6所述的预测装置,其特征在于,所述对所述采食参数进行处理以获得处理后采食参数,包括:
对所述采食参数进行降噪处理以获得降噪后参数;
判断所述降噪后参数中是否存在与相邻参数的偏差大于预设偏差阈值的异常参数;
在所述降噪后参数中存在所述异常参数的情况下,对所述异常参数进行替换操作,并将替换后的参数作为降噪后参数;
对所述降噪后参数进行时间序列分段操作,以获得分段后参数;
对所述分段后参数执行重要点获取操作,以获得处理后采食参数。
8.根据权利要求7所述的预测装置,其特征在于,所述对所述处理后采食参数进行分析以获得采食行为的量化数据,包括:
获取与每个所述重要点对应的饲料重量,并获得相邻重要点之间的饲料重量差;
获取每个所述重要点之间的时间差;
将所述饲料重量差与所述时间差先后放入差值集合中,并按照预设方法对所述差值集合中的值进行分类以获得分类结果;
基于所述分类结果对采食行为和非采食行为进行统计并获得统计数据,将所述统计数据作为采食行为的量化数据。
9.根据权利要求8所述的预测装置,其特征在于,所述基于所述量化数据生成对应的采食行为预测信息,包括:
对所述量化数据进行预处理以获得预处理量化数据;
通过预设神经算法基于所述预处理量化数据进行学习以获得预测结果;
将所述预测结果与采食行为的实际值进行比较,以获得评估结果;
基于所述评估结果对所述预设神经算法进行调整,以获得调整后神经算法;
基于所述调整后神经算法获得与所述量化数据对应的采食行为预测信息。
10.根据权利要求1-4中任一权利要求所述的预测装置,其特征在于,所述预测装置还包括视频采集装置,所述视频采集装置用于:
在基于所述量化数据生成对应的采食行为预测信息之前,获取当前场景的视频监控信息;
所述处理器还用于:
基于所述视频监控信息对所述量化数据进行校正操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353136.5A CN109242219B (zh) | 2018-11-14 | 2018-11-14 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353136.5A CN109242219B (zh) | 2018-11-14 | 2018-11-14 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242219A true CN109242219A (zh) | 2019-01-18 |
CN109242219B CN109242219B (zh) | 2021-03-30 |
Family
ID=65074636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811353136.5A Active CN109242219B (zh) | 2018-11-14 | 2018-11-14 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242219B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技(北京)有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
CN108445746A (zh) * | 2018-01-25 | 2018-08-24 | 北京农业信息技术研究中心 | 一种智能投喂控制方法及装置 |
CN108805176A (zh) * | 2018-05-21 | 2018-11-13 | 青岛农业大学 | 一种基于随机森林回归的鱼饲料投喂量预测方法 |
-
2018
- 2018-11-14 CN CN201811353136.5A patent/CN109242219B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108052964A (zh) * | 2017-12-05 | 2018-05-18 | 翔创科技(北京)有限公司 | 牲畜状态检测方法、计算机程序、存储介质及电子设备 |
CN108445746A (zh) * | 2018-01-25 | 2018-08-24 | 北京农业信息技术研究中心 | 一种智能投喂控制方法及装置 |
CN108805176A (zh) * | 2018-05-21 | 2018-11-13 | 青岛农业大学 | 一种基于随机森林回归的鱼饲料投喂量预测方法 |
Non-Patent Citations (3)
Title |
---|
RICHARD S. GATES等: "Extracting poultry behaviour from time-series weigh scale records", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
刘烨虹等: "基于WSN的蛋鸡活动量监测系统设计", 《南方农业学报》 * |
王琳等: "基于深度图像和BP神经网络的肉鸡体质量估测模型", 《农业工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109242219B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hostetler et al. | Improved state‐space models for inference about spatial and temporal variation in abundance from count data | |
Maunder et al. | A general framework for integrating environmental time series into stock assessment models: model description, simulation testing, and example | |
Johnson et al. | Expert elicitation, uncertainty, and the value of information in controlling invasive species | |
CN109891436A (zh) | 基于深度学习神经网络的安保系统及其控制方法 | |
Liu et al. | Numerical weather prediction enhanced wind power forecasting: Rank ensemble and probabilistic fluctuation awareness | |
CN107330403B (zh) | 一种基于视频数据的牦牛计数方法 | |
KR102265809B1 (ko) | 가속도센서를 이용한 가축 행동패턴 검출 방법 및 장치 | |
EP4187213A1 (en) | Rgb-d-based ai system for inferring weight of livestock, and computer-readable medium having recorded thereon computer program for providing same | |
CN110169375A (zh) | 一种奶牛采食行为与采食量的监测方法及装置 | |
Lee et al. | Analysis of growth performance in swine based on machine learning | |
CN109242219A (zh) | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 | |
Diez-Olivan et al. | Quantile regression forests-based modeling and environmental indicators for decision support in broiler farming | |
CN115457468A (zh) | 一种大型草场的智慧畜牧监测方法及系统 | |
CN109359624B (zh) | 基于神经网络的蛋鸡采食行为的预测方法及预测装置 | |
CN109872011A (zh) | 基于多元逻辑回归模型的家畜类生理状态预测方法与系统 | |
CN116843085B (zh) | 淡水鱼生长监控方法、装置、设备及存储介质 | |
CN109886721A (zh) | 一种猪肉价格预测系统算法 | |
Pritt et al. | Standard assessments reveal context‐dependent responses of crappie populations to a length‐based regulation in Ohio reservoirs | |
CN110955286B (zh) | 一种禽蛋监测方法及装置 | |
CN114170673A (zh) | 基于卷积神经网络对视频中猪只饲养行为进行识别的方法 | |
CN115859209B (zh) | 基于饲料消耗数据的畜牧业家禽养殖异常识别方法 | |
González‐Romero et al. | Assessing uncertainty of semi‐intensive production of whiteleg shrimp (Litopenaeus vannamei) using partial harvesting programs | |
Van der Waaij et al. | Cow feed intake prediction with machine learning | |
KR101687782B1 (ko) | 과산계 선별 방법 | |
Dai et al. | Evaluating Catch-Only Methods to Inform Fisheries Management in the East China Sea |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |