CN109558889A - 生猪舒适度分析方法及装置 - Google Patents
生猪舒适度分析方法及装置 Download PDFInfo
- Publication number
- CN109558889A CN109558889A CN201811133595.2A CN201811133595A CN109558889A CN 109558889 A CN109558889 A CN 109558889A CN 201811133595 A CN201811133595 A CN 201811133595A CN 109558889 A CN109558889 A CN 109558889A
- Authority
- CN
- China
- Prior art keywords
- sample
- analyzed
- average distance
- clustering
- live pig
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 210000005036 nerve Anatomy 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 abstract description 8
- 241001465754 Metazoa Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000009395 breeding Methods 0.000 description 3
- 230000001488 breeding effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000272194 Ciconiiformes Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 239000003925 fat Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000000384 rearing effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Husbandry (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例提供一种生猪舒适度分析方法及装置,该方法包括:根据待分析样本的位置信息,对所述待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;将结果数据输入至训练后的第一神经网络模型,获取所述待分析样本的舒适度类型,所述结果数据包括所述所有样本点的平均距离;其中,所述第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。由于采用的是基于聚类分析的方法获取生猪的分布状况,并采用神经网络模型获取生猪的舒适度类型,且整个分析过程根据客观数据进行分析,从而具有执行效率高且结果准确的特点。
Description
技术领域
本发明实施例涉及计算机领域,尤其涉及一种生猪舒适度分析方法及装置。
背景技术
生猪是主要家畜之一,猪肉含有丰富的钙、铁、磷、脂肪、蛋白质及碳水化合物等营养成分,是日常生活的主要副食品。生猪的采食、饮水、排泄及躺卧等行为特征反应了生猪的生长状态,通过分析生猪的日常行为特征,可以判定生猪生长状态是否健康。
群养生猪在圈舍里的分布状态包含了生猪对环境的应激信息,在寒冷环境下,生猪会相互挤靠缩小身体和地板的接触面积以减少散热并增加活动量以增加产热。当生猪处于下限临界温度时(大约15℃),每下降1 ℃,日增重减少11-22g,饲料多消耗20-30g。在炎热环境下,生猪会相互远离扩大身体和地板的接触面积以增加散热并减少活动量以减少产热。当生猪处于上限临界温度时(大约28℃),气温每增加1℃,日增重减少 30g,饲料消耗增加60-70g。在猪舍里设定舒适的温度(18℃-25℃),不仅可以节省饲料还有助于生猪增加体重。
目前,主要通过人工观察的方法分析生猪的日常行为特征,根据分析结果调节圈舍的温度和湿度。人工观察法会消耗大量的人力和物力,且人工主观的判断方式将导致判断结果可信度低。因此,目前的生猪舒适度分析方法效率低且不准确。
发明内容
为了解决上述问题,本发明实施例提供一种生猪舒适度分析方法及装置。
第一方面,本发明提供一种生猪舒适度分析方法,包括:根据待分析样本的位置信息,对所述待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;将结果数据输入至训练后的第一神经网络模型,获取所述待分析样本的舒适度类型,所述结果数据包括所述所有样本点的平均距离;其中,所述第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。
第二方面,本发明提供一种生猪舒适度分析装置,包括:获取模块,用于根据待分析样本的位置信息,对所述待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;处理模块,用于将结果数据输入至训练后的第一神经网络模型,获取所述待分析样本的舒适度类型,所述结果数据包括所述所有样本点的平均距离;其中,所述第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本发明第一方面生猪舒适度分析方法的步骤。
第四方面,本发明提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本发明第一方面生猪舒适度分析方法的步骤。
本发明实施例提供的生猪舒适度分析方法,由于采用的是基于聚类分析的方法获取生猪的分布状况,并采用神经网络模型获取生猪的舒适度类型,且整个分析过程根据客观数据进行分析,从而具有执行效率高且结果准确的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的生猪舒适度分析方法流程图;
图2为本发明实施例提供的生猪舒适度分析装置结构图;
图3为本发明实施例提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
生猪的日常行为特征能够反映生猪当前所处环境的舒适程度,如可通过生猪在圈舍中的分布状态判断猪舍环境舒适度是否适宜,从而为猪场养殖人员调控猪舍环境提供决策依据。目前,主要通过人工观察的方法分析生猪的日常行为特征,根据分析结果调节圈舍的温度和湿度。人工观察法会消耗大量的人力和物力,且人工主观的判断方式将导致判断结果可信度低。
为解决这一问题,本发明实施例提供一种生猪舒适度分析方法。该方法可应用于上述生猪圈养的场景,也可以用于其它有相似习性动物的人工养殖场景,如动物园企鹅的饲养,本发明实施例对此不作具体限定。另外,该方法对应的执行主体可以为独立设置的装置,也可以为加入相应模块或外部设备的计算机,本发明实施例对此也不作具体限定。为了便于说明,本发明实施例以执行主体为计算机为例,对本发明实施例提供的生猪舒适度分析方法进行阐述。
图1为本发明实施例提供的生猪舒适度分析方法流程图,如图所示,本发明实施例提供一种生猪舒适度分析方法,包括:
101,根据待分析样本的位置信息,对待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离。
在101中,计算机获取待分析的生猪样本的位置信息,位置信息反映生猪群的每一生猪之间的距离分布情况,若分析对象为其它动物,则待分析样本为相应的其它动物。根据生猪的位置信息进行聚类分析,采用聚类结果相对准确的聚类算法进行聚类分析,具体算法类别可根据待分析对象的计算量和计算速度的需求综合考虑。本发明实施例不对根据待分析样本的位置信息,对待分析样本进行聚类分析作具体限定,包括但不限于,根据待分析样本的位置信息建立平面坐标系,通过聚类算法对坐标系中点进行聚类分析。
聚类分析得到的结果为生猪样本的多个聚类簇,每一聚类簇反应了相应的生猪相互挤靠的情况。获取每一聚类簇中样本点的平均距离,聚类分析过程生猪样本以样本点来考虑,根据设立的生猪样本点的坐标,计算每一聚类簇样本点的平均距离,并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离。本发明实施例不对获取所有样本点的平均距离的方法作具体限定,包括但不限于:
计算任一聚类簇内任一样本点与该聚类簇内其它样所有本点距离的平均值,作为该点到簇内点的平局距离;
按上述步骤计算该聚类簇内所有样本点到簇内点的平均距离,并计算该平均距离的均值,作为该聚类簇内样本点的平均距离;
根据所有聚类簇的聚类簇内样本点的平均距离的均值,获得所有样本点的平均距离。
102,将结果数据输入至训练后的第一神经网络模型,获取待分析样本的舒适度类型,结果数据包括所有样本点的平均距离
将结果数据输入至训练后的神经网络,为区别后文提到的神经网络,将此处提到的神经网络称为第一神经网络。结果数据为前述过程分析得到的,作为第一神经网络的输入数据,在本实施例中为所有样本点的平均距离。第一神经网络是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。
本发明实施例不对不同舒适度的样本数据的类型作具体限定,包括但不限于温度过高、温度过低以及温度适中与湿度过高、湿度过低以及湿度适中的组合状态的数据,相应的舒适度标签为上述的温湿度状态。温湿度状态的设定根据待分析样本具体确定,以成年生猪为例,温度适中为18℃-25℃,高于25℃为温度过高,低于18℃为温度过低。湿度适中为60%-80%,高于80%为湿度过高,低于60%为湿度过低。根据第一神经网络的输出结果获取待分析样本的舒适度类型,如上述提到的温湿度状态,获取的舒适度类型可作为对待分析样本环境调整的决策依据。
本实施例提供的生猪舒适度分析方法,根据待分析样本的位置信息,对待分析样本进行聚类分析,并获取所有样本点的平均距离,将所有样本点的平均距离输入至训练后的第一神经网络模型,获取待分析样本的舒适度类型。由于采用的是基于聚类分析的方法获取生猪的分布状况,并采用神经网络模型获取生猪的舒适度类型,且整个分析过程根据客观数据进行分析,从而具有执行效率高且结果准确的特点。
基于上述实施例的内容,作为一种可选实施例,根据待分析样本的位置信息,对待分析样本进行聚类分析之前,还包括:根据待分析样本的影像数据,采用第二神经网络模型获取待分析样本的位置信息。
待分析样本的位置信息的获取方法可有多种,为了使本方法更加简单、便捷及高效,作为一种可选实施例,本方法根据待分析样本的影像数据,通过基于神经网络模型的图像识别技术来实现。为了区别上文提到的神经网络,将此处的神经网络称为第二神经网络。在生猪的圈养过程中,实时采集生猪的视频信息已成为常规观测手段,而图像识别技术也日益完善。基于此,根据摄像装置或照相机得到的影像数据可以用于确定生猪样本的位置信息。
以根据装在圈舍内的数字摄像头获取的图像来实现为例,根据基于第二神经网络的图像识别方法,识别出图像中的生猪个体框图。建立坐标系,得到框图中心点的坐标即得到待分析样本的位置信息。
本实施例提供的生猪舒适度分析方法,根据待分析样本的影像数据,采用第二神经网络模型获取待分析样本的位置信息,从而实现了待分析样本的位置信息的快速获取,且结果准确。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对对待分析样本进行聚类分析作具体限定,包括但不限于:采用基于密度的聚类算法,对待分析样本进行聚类分析。
基于密度的聚类算法具有能够处理任意形状和大小的簇的特点,且结果准确。本发明实施例中采用基于密度的聚类算法,对待分析样本进行聚类分析,以Density-BasedSpatial Clustering of Applications with Noise(简称DBSCAN)聚类算法为例,对待分析样本进行聚类分析以及获得所有样本点的平均距离的过程作进一步说明。
1011、待分析样本记为为D=(p1,p2,p3,…,pN),并获取其位置信息为样本点pj=(xj,yj),j∈[1,N],DBSCAN的参数为(ε,MinPts);
ε-邻域:对于pj∈D,其ε-邻域包含样本集D中与pj的距离不大于ε的子样本集,即Nε(pj)={pi∈D|dis tan ce(pi,pj)≤ε},这个子样本集的个数记为 |Nε(pj)|;
核心对象:对于任一样本pj∈D,如果其ε-邻域对应的Nε(pj)至少包含 MinPts个样本,即如果|Nε(pj)|≥MinPts,则pj是核心对象;
根据上述规则,遍历每一个样本点pj,将符合规则的样本点加入到核心对象样本集合:Ω=Ω∪{pj};
初始化聚类簇数k=0,初始化未访问样本集合Γ=D,簇划分
1012、若核心对象集合则算法结束,否则转入1013。
1013、在核心对象集合Ω中,随机选择一个核心对象o,初始化当前簇核心对象队列Ωcur={o},初始化类别序号k=k+1,初始化当前簇样本集合 Ck={o},更新未访问样本集合Γ=Γ-{o}。
1014、若当前簇核心对象队列则当前聚类簇Ck生成完毕,更新簇划分C={C1,C2,…,Ck},更新核心对象集合Ω=Ω-Ck,转入步骤1012。
1015、在当前簇核心对象队列Ωcur中取出一个核心对象o′,通过邻域距离阈值ε找出所有的ε-邻域子样本集Nε(o′),令Δ=Nε(o′)∩Γ,更新当前簇样本集合Ck=Ck∪Δ,更新未访问样本集合Γ=Γ-Δ,更新Ωcur=Ωcur∪(Nε(o′)∩Ω),转入步骤1014。
1016、输出结果为簇划分C={C1,C2,…,Ck},对每一个划分的簇Ci,设有m 个点,计算每个点pi到pj的平均距离,i,j∈[1,m],i≠j
计算Ci中所有点的平均距离:
计算得到所有样本点的平均距离为:
本实施例提供的生猪舒适度分析方法,采用基于密度的聚类算法,对待分析样本进行聚类分析,使聚类分析结果更准确。
基于上述实施例的内容,作为一种可选实施例,将结果数据输入至训练后的第一神经网络模型之前,还包括:获取待分析样本的平均活动量;相应地,结果数据还包括待分析样本的平均活动量。
考虑到在寒冷环境下,生猪不仅会相互挤靠缩小身体和地板的接触面积以减少散热,还会增加活动量以增加产热。在炎热环境下,生猪不仅会相互远离扩大身体和地板的接触面积以增加散热,还会减少活动量以减少产热。基于此,在上述实施例的基础上,将获取的样本平均活动量也作为第一神经网络的输入数据,作为分析样本的舒适度类型的依据。
应当理解的是,作为第一神经网络的训练数据,不同舒适度的样本数据中也必然包含样本的平均活动量。本发明实施例不对获取待分析样本的平均活动量作具体限定,包括但不限于:
1021:通过待分析样本的影响数据,第t秒读取一帧图像,第t+1秒读取一帧图像,并将图像二值化。
1022:Idiff(x,y,t)=I(x,y,t+1)-I(x,y,t)
其中,I(x,y,t+1),I(x,y,t+1)分别表示第t+1秒和第t秒的二值图像矩阵, Idiff(x,y,t)表示第t秒的生猪活动量矩阵,将矩阵元素相加得到第t秒的生猪活动量。
本实施例提供的生猪舒适度分析方法,获取待分析样本的平均活动量,且结果数据还包括待分析样本的平均活动量。将所有样本点的平均距离和平均活动量作为第一神经网络的输入数据,获取待分析样本的舒适度类型,使结果更为准确。
基于上述实施例的内容,作为一种可选实施例,不同舒适度的样本数据包括:高温样本数据、低温样本数据以及温度舒适样本数据。
考虑到生猪等动物主要受温度影响,因此本发明实施例主要将不同温度的样本数据作为训练数据,不同舒适度的样本数据包括:高温样本数据、低温样本数据以及温度舒适样本数据。以成年生猪为例,高温为高于25℃,低温为低于18℃,温度舒适为18℃-25℃。
应当理解的是,将结果数据输入至训练后的第一神经网络模型,获取待分析样本的舒适度类型也为相应的温度状态:温度过高、温度过低和温度舒适。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对第一神经网络模型的类型作具体限定,包括但不限于:第一神经网络模型为back propagation(简称BP)神经网络模型。
BP神经网络无论在网络理论还是在性能方面已比较成熟,具有很强的非线性映射能力和柔性的网络结构,网络的中间层数、各层的神经元个数可根据具体情况任意设定。
本发明实施例中,BP神经网络的搭建过程如下:
1031:高温环境下计算出的平均距离和活动量定义为(avg,Idiff(x,y,t), 0);低温定义为(avg,Idiff(x,y,t),1);温度舒适定义为(avg,Idiff(x,y,t), 2)。
1032:记第p个样本在输出层第j个神经元节点的实际输出是ypj,期望输出是tpj,BP神经网络的误差指标函数是:
其中ε是以εp为元素的向量,其Jacabi矩阵记为J。BP网络各层神经元的连接权值用向量W表示,k表示迭代步数,则Wk表示第k次迭代的网络权值向量,下一步新的权值向量为Wk+1。已知移动量Wk+1-Wk很小,则将ε的一阶 Taylor级数为:
ε(Wk+1)=ε(Wk)+J(Wk+1-Wk);
误差指标函数可以写成:
BP神经网络采用的是梯度最速下降法,沿负梯度方向迭代,使误差函数不断减小,直到取得最小误差后停止训练。
梯度g的计算公式为:
gk=JTε(Wk);
梯度下降法的向量表达式为:
Wk+1=Wk-μgk;
1033:设计BP网络模型。根据以下公式得到一个范围值,比较不同隐含层节点数的网络性能来确定具体的数值:
其中h,i,o分别表示隐层节点数,输入神经元数目和输出神经元个数,a一般为小于10的整数。
本发明实施例中,BP神经网络的训练和测试过程如下:
1034:样本集设计:将70%的样本划分为训练样本,15%为验证样本,15%为测试样本。
1035:利用训练样本数据来对BP网络进行训练,训练的同时利用验证样本数据来评估网络的误差,若误差持续下降,则继续训练指导满足预定的误差精读。若误差连续十次不下降,则终止训练。
1036:训练结束后,利用测试样本数据检验训练完的BP网络,若误差达到最初的误差要求,则训练结束,否则网络需要继续训练。
本实施例提供的生猪舒适度分析方法,第一神经网络模型为BP神经网络模型,使得获取待分析样本的舒适度类型更为准确。
基于上述实施例的内容,作为一种可选实施例,第二神经网络模型为 FasterRegion-based Convolutional Neural Networks(简称faster-RCNN) 神经网络模型。
基于faster-RCNN神经网络模型的图像识别方法具有速度快且结果准确的特点,根据待分析样本的影像数据,采用faster-RCNN神经网络模型获取待分析样本的位置信息。应当理解的是,还应包括第二神经网络的训练过程。
本实施例提供的生猪舒适度分析方法,第二神经网络模型为faster-RCNN 神经网络模型,使得待分析样本的位置信息的获取速度更快且准确。
图2为本发明实施例提供的生猪舒适度分析装置结构图,如图2所示,该生猪舒适度分析装置包括:获取模块201和处理模块202。其中,获取模块201用于根据待分析样本的位置信息,对待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;处理模块202用于将结果数据输入至训练后的第一神经网络模型,获取待分析样本的舒适度类型,结果数据包括所有样本点的平均距离;其中,第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。
获取模块201获取待分析的生猪样本的位置信息,位置信息反映生猪群的每一生猪之间的距离分布情况,若分析对象为其它动物,则待分析样本为相应的其它动物。其次,获取模块201根据生猪的位置信息进行聚类分析,采用聚类结果相对准确的聚类算法进行聚类分析,具体算法类别可根据待分析对象的计算量和计算速度的需求综合考虑。
聚类分析得到的结果为生猪样本的多个聚类簇,每一聚类簇反应了相应的生猪相互挤靠的情况。获取每一聚类簇中样本点的平均距离,聚类分析过程生猪样本以样本点来考虑,根据设立的生猪样本点的坐标,计算每一聚类簇样本点的平均距离,并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离。
处理模块202将结果数据输入至训练后的神经网络,为区别后文提到的神经网络,将此处提到的神经网络称为第一神经网络。结果数据为前述过程分析得到的,作为第一神经网络的输入数据,在本实施例中为所有样本点的平均距离。第一神经网络是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。处理模块202根据第一神经网络的输出结果获取待分析样本的舒适度类型,获取的舒适度类型可作为对待分析样本环境调整的决策依据。
本实施例提供的生猪舒适度分析方法,由于采用的是基于聚类分析的方法获取生猪的分布状况,并采用神经网络模型获取生猪的舒适度类型,且整个分析过程根据客观数据进行分析,从而具有执行效率高且结果准确的特点。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
图3为本发明实施例提供的一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和总线304,其中,处理器301,通信接口302,存储器303通过总线304完成相互间的通信。通信接口302可以用于电子设备的信息传输。处理器301可以调用存储器303中的逻辑指令,以执行包括如下的方法:根据待分析样本的位置信息,对待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;将结果数据输入至训练后的第一神经网络模型,获取待分析样本的舒适度类型,结果数据包括所有样本点的平均距离;其中,第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。
此外,上述的存储器303中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明上述各方法实施例的全部或部分步骤。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。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行上述实施例所提供的生猪舒适度分析方法,例如包括:根据待分析样本的位置信息,对待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;将结果数据输入至训练后的第一神经网络模型,获取待分析样本的舒适度类型,结果数据包括所有样本点的平均距离;其中,第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种生猪舒适度分析方法,其特征在于,包括:
根据待分析样本的位置信息,对所述待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;
将结果数据输入至训练后的第一神经网络模型,获取所述待分析样本的舒适度类型,所述结果数据包括所述所有样本点的平均距离;
其中,所述第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。
2.根据权利要求1所述的方法,其特征在于,所述根据待分析样本的位置信息,对所述待分析样本进行聚类分析之前,还包括:
根据所述待分析样本的影像数据,采用第二神经网络模型获取所述待分析样本的位置信息。
3.根据权利要求1所述的方法,其特征在于,所述对所述待分析样本进行聚类分析,包括;
采用基于密度的聚类算法,对所述待分析样本进行聚类分析。
4.根据权利要求1所述的方法,其特征在于,所述将结果数据输入至训练后的第一神经网络模型之前,还包括:获取所述待分析样本的平均活动量;
相应地,所述结果数据还包括所述待分析样本的平均活动量。
5.根据权利要求1所述的方法,其特征在于,所述第一神经网络模型为BP神经网络模型。
6.根据权利要求1所述的方法,其特征在于,所述不同舒适度的样本数据包括:高温样本数据、低温样本数据以及温度舒适样本数据。
7.根据权利要求2所述的方法,其特征在于,所述第二神经网络模型为faster-RCNN神经网络模型。
8.一种生猪舒适度分析装置,其特征在于,包括:
获取模块,用于根据待分析样本的位置信息,对所述待分析样本进行聚类分析,获取每一聚类簇内样本点的平均距离并根据每一聚类簇内样本点的平均距离获取所有样本点的平均距离;
处理模块,用于将结果数据输入至训练后的第一神经网络模型,获取所述待分析样本的舒适度类型,所述结果数据包括所述所有样本点的平均距离;
其中,所述第一神经网络模型是基于不同舒适度的样本数据以及预先确定的舒适度类型标签进行训练获得的。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述生猪舒适度分析方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述生猪舒适度分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811133595.2A CN109558889B (zh) | 2018-09-27 | 2018-09-27 | 生猪舒适度分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811133595.2A CN109558889B (zh) | 2018-09-27 | 2018-09-27 | 生猪舒适度分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109558889A true CN109558889A (zh) | 2019-04-02 |
CN109558889B CN109558889B (zh) | 2020-10-02 |
Family
ID=65864842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811133595.2A Active CN109558889B (zh) | 2018-09-27 | 2018-09-27 | 生猪舒适度分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109558889B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN111397117A (zh) * | 2020-03-10 | 2020-07-10 | 珠海派诺科技股份有限公司 | 基于大数据的舒适度预测方法、智能终端、存储装置 |
CN112669167A (zh) * | 2020-12-15 | 2021-04-16 | 中国农业大学 | 一种预测商品猪生产性能的方法及其应用 |
CN112991084A (zh) * | 2021-04-16 | 2021-06-18 | 河南牧原智能科技有限公司 | 一种确定牲畜舒适度的方法、装置、设备及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6656478B1 (en) * | 1999-11-12 | 2003-12-02 | Samuel D. Charles | Cross-protective salmonella vaccines |
CN104777839A (zh) * | 2015-04-16 | 2015-07-15 | 北京工业大学 | 基于bp神经网络和距离信息的机器人自主避障方法 |
CN106326919A (zh) * | 2016-08-16 | 2017-01-11 | 西北农林科技大学 | 一种基于bp神经网络的生猪行为分类方法 |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
CN108288021A (zh) * | 2017-12-12 | 2018-07-17 | 深圳市深网视界科技有限公司 | 一种人群异常事件检测方法、电子设备和存储介质 |
-
2018
- 2018-09-27 CN CN201811133595.2A patent/CN109558889B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6656478B1 (en) * | 1999-11-12 | 2003-12-02 | Samuel D. Charles | Cross-protective salmonella vaccines |
CN104777839A (zh) * | 2015-04-16 | 2015-07-15 | 北京工业大学 | 基于bp神经网络和距离信息的机器人自主避障方法 |
CN106326919A (zh) * | 2016-08-16 | 2017-01-11 | 西北农林科技大学 | 一种基于bp神经网络的生猪行为分类方法 |
CN107729799A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的人群异常行为视觉检测及分析预警系统 |
CN108288021A (zh) * | 2017-12-12 | 2018-07-17 | 深圳市深网视界科技有限公司 | 一种人群异常事件检测方法、电子设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
姜洪权等: "一种适用于高维非线性特征数据的聚类算法及应用", 《西安交通大学学报》 * |
邹胜龙等: "猪热应激的防制措施", 《广东饲料》 * |
韩益博等: "不同温度下仔猪群体特征行为检测方法研究", 《农机化研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
CN111397117A (zh) * | 2020-03-10 | 2020-07-10 | 珠海派诺科技股份有限公司 | 基于大数据的舒适度预测方法、智能终端、存储装置 |
CN112669167A (zh) * | 2020-12-15 | 2021-04-16 | 中国农业大学 | 一种预测商品猪生产性能的方法及其应用 |
CN112991084A (zh) * | 2021-04-16 | 2021-06-18 | 河南牧原智能科技有限公司 | 一种确定牲畜舒适度的方法、装置、设备及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109558889B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109558889A (zh) | 生猪舒适度分析方法及装置 | |
Zhuang et al. | Detection of sick broilers by digital image processing and deep learning | |
Nathan et al. | Using tri-axial acceleration data to identify behavioral modes of free-ranging animals: general concepts and tools illustrated for griffon vultures | |
Withers et al. | Environmental correlates of physiological variables in marsupials | |
Lee et al. | Prediction of feather damage in laying hens using optical flows and Markov models | |
Roberts et al. | Prediction of welfare outcomes for broiler chickens using Bayesian regression on continuous optical flow data | |
Bomblies | Agent-based modeling of malaria vectors: the importance of spatial simulation | |
Arablouei et al. | Animal behavior classification via deep learning on embedded systems | |
DE102020213128A1 (de) | Inferenz des wärmekomforts eines nutzers unter verwendung von körperforminformationen | |
Hartfelder et al. | The allometry of movement predicts the connectivity of communities | |
Jezovit et al. | Behavioral and environmental contributions to drosophilid social networks | |
Branco et al. | Detection of broiler heat stress by using the generalised sequential pattern algorithm | |
CN114463675A (zh) | 一种水下鱼类群组活动强度识别方法及装置 | |
Łopucki et al. | The city changes the daily activity of urban adapters: Camera-traps study of Apodemus agrarius behaviour and new approaches to data analysis | |
Ribeiro et al. | Thermoneutral zone for laying hens based on environmental conditions, enthalpy and thermal comfort indexes | |
Pan et al. | Low-cost livestock sorting information management system based on deep learning | |
Majewski et al. | Multipurpose monitoring system for edible insect breeding based on machine learning | |
Derakhshani et al. | Implementation of inertia sensor and machine learning technologies for analyzing the behavior of individual laying hens | |
CN110163103A (zh) | 一种基于视频图像的生猪行为识别方法和装置 | |
Lee et al. | Prediction of average daily gain of swine based on machine learning | |
CN111382807B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
Yakubu et al. | Modelling egg production in Sasso dual-purpose birds using linear, quadratic, artificial neural network and classification regression tree methods in the tropics | |
Liebe et al. | Analytics in sustainable precision animal nutrition | |
Hernández-Julio et al. | Fuzzy-genetic approaches to knowledge discovery and decision making: Estimation of the cloacal temperature of chicks exposed to different thermal conditions | |
AURASOPON | Classification of the cattle behaviors by using magnitude and variance of accelerometer signal |
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 |