CN110169375A - 一种奶牛采食行为与采食量的监测方法及装置 - Google Patents

一种奶牛采食行为与采食量的监测方法及装置 Download PDF

Info

Publication number
CN110169375A
CN110169375A CN201910532343.5A CN201910532343A CN110169375A CN 110169375 A CN110169375 A CN 110169375A CN 201910532343 A CN201910532343 A CN 201910532343A CN 110169375 A CN110169375 A CN 110169375A
Authority
CN
China
Prior art keywords
state
acceleration information
cow
chewing
duration
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
Application number
CN201910532343.5A
Other languages
English (en)
Other versions
CN110169375B (zh
Inventor
丁露雨
李奇峰
赵文杰
蒋瑞祥
余礼根
马为红
高荣华
肖伯祥
于沁杨
常红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201910532343.5A priority Critical patent/CN110169375B/zh
Publication of CN110169375A publication Critical patent/CN110169375A/zh
Application granted granted Critical
Publication of CN110169375B publication Critical patent/CN110169375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00—Other apparatus for animal husbandry
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
    • A01K29/00—Other apparatus for animal husbandry
    • A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种奶牛采食行为与采食量的监测方法及装置，基于第一预设神经网络，根据奶牛采食行为的加速度信息，确定对应的采食行为的类别为用于进食的卷食状态或咀嚼状态，或非进食状态；然后在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，获取用于进食的持续时间；基于第二预设神经网络，根据第一预设神经网络分类后的加速度信息，能获取采食速率估计值；根据预设时段内，用于进食的持续时间和采食速率估计值，获取奶牛的个体采食量。本发明实现了奶牛养殖过程中奶牛采食行为与个体采食量的自动监测，利于建立基于奶牛采食行为与采食量的物联网数据平台，实现数据的远程传输、分析及管理，提高了奶牛精准饲喂的数字化和智能化水平。

Description

一种奶牛采食行为与采食量的监测方法及装置
技术领域
本发明涉及畜牧技术领域，尤其涉及一种奶牛采食行为与采食量的监测方法及装置。
背景技术
随着国民生活水平的提高和饮食结构的调整，乳制品的消费日益增长，进而带动了中国奶牛养殖产业的快速发展。目前，现代奶牛养殖业正朝着信息化的方向发展，对于奶牛的生产信息智能监测与数字化精准饲喂的需求也在不断上升。
采食量是评价家畜对养分与能量的摄入是够满足营养需要的重要参考参数，同时也是反映奶牛健康状况和生产力水平高低的关键指标。早在20世纪70年代，畜牧人员就发现采食量是影响动物生长发育以及泌乳的主要限制因素之一，对于泌乳牛而言，采食高峰往往比产奶高峰延迟6周左右，因为高产奶量通常伴随着高耗能，泌乳牛需要通过增加采食量来进行能量补偿。因此实时监测泌乳牛的采食量变化，及时对泌乳牛进行补饲是保障泌乳牛养分摄入充足、维持产奶高峰的重要手段；而对于后备牛而言，从断奶到配种阶段获取较大的肌肉及骨骼生长率是决定其首次产犊时间的重要因素，过多的能量会导致其实质组织脂肪化而缩短其乳腺组织的最佳发育时间，脂肪在乳腺组织中的沉积将影响其今后的产奶能力，因此需要适当控制后备牛摄入的饲料，使其体重增长速度不宜高于0.9公斤/天。此外，热应激或病理状态下，奶牛采食量会显著降低，而冷应激状态下奶牛会增加采食量以维持正常体温。因此，监控采食量以及营养物质的摄取情况对各个阶段奶牛的生长发育和生产性能的调控都有着至关重要的作用，采食量的实时监测对提高奶牛生产效益有着极大的意义。
目前，对于奶牛采食量的监测以人工的经验估计为主，通过整栋舍在一段时间内的饲料消耗量估算平均每头牛的采食量，但是依靠人工的经验估计对于经验的依赖程度过高，无法准确获得奶牛个体的采食量变化，导致难以在生产中准确指导生产中及时进行营养调控或淘汰饲料转化率低的奶牛。或者，也有一些对食槽和颈枷区域进行改造的智能饲喂设备，通过称重法记录奶牛采食前后料重的变化来计算采食量，但是称重法需要对每个食槽和颈枷进行改造，导致一次性投入成本过高，且不利于使用TMR车进行自动撒料。另外，现有研究中，有学者研究了基于声音传感器的穿戴式设备，例如通过声音传感器对奶牛采食行为进行监测试验，通过对奶牛采食行为的分析来计算采食；或者通过低功耗可穿戴式声压传感器采集奶牛的反刍声音，然后通过声音识别算法来得到奶牛的采食时间、采食速率和采食次数，从而得到奶牛的采食量。但是，基于声音传感器的可穿戴式设备面临着背景噪声大，导致声音监测精度低、无法准确获取奶牛个体采食量的问题，同时传感器成本也较高。
因此，上述目前对于奶牛采食量采集的各种方法，存在无法准确、方便地获取个体采食量的问题。
发明内容
为了解决目前对于奶牛采食量采集的各种方法，存在无法准确、方便地获取个体采食量的问题，本发明实施例提供一种奶牛采食行为与采食量的监测方法及装置。
第一方面，本发明实施例提供一种奶牛采食行为与采食量的监测方法，该方法包括获取若干头奶牛采食行为的加速度信息；将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，第一预设神经网络是根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练后得到的；在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，获取预设时段内采食行为中用于进食的持续时间；将卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值；其中，第二预设神经网络是根据第二样本加速度信息和第二样本加速度信息对应的采食行为的采食速率值训练后得到的；第二样本加速度信息是利用第一预设神经网络分类出的类别为卷食状态和咀嚼状态对应的加速度信息；根据采食行为的采食速率估计值和采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
第二方面，本发明实施例提供一种奶牛采食行为与采食量的监测装置，该装置包括采集单元，用于分别获取若干头奶牛采食行为的加速度信息；分类单元，用于将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，第一预设神经网络是根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练后得到的；统计单元，在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，获取预设时段内采食行为的持续时间；估计单元，用于将卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值；其中，第二预设神经网络是根据第二样本加速度信息和第二样本加速度信息对应的采食行为的采食速率值训练后得到的；第二样本加速度信息是利用第一预设神经网络分类出的类别为卷食状态和咀嚼状态对应的加速度信息；监测单元，用于根据采食行为的采食速率估计值和采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
第三方面，本发明实施例提供一种电子设备，该电子设备包括：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，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的奶牛采食行为与采食量的监测方法。
第四方面，本发明实施例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，该计算机程序使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的奶牛采食行为与采食量的监测方法。
本发明实施例提供一种奶牛采食行为与采食量的监测方法及装置，基于第一预设神经网络，根据奶牛采食行为的加速度信息，能确定对应的采食行为的类别为用于进食的卷食状态或咀嚼状态，或不用于进食的非进食状态；然后在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，能获取预设时段内采食行为中用于进食的持续时间；同时，基于第二预设神经网络，根据第一预设神经网络分类后的加速度信息，能获取第一预设神经网络分类后的加速度信息对应的采食速率估计值；进一步地，根据预设时段内，采食行为中用于进食的持续时间和采食行为的采食速率估计值，获取预设时段内奶牛的个体采食量。本发明实施例实现了奶牛养殖过程中每头奶牛采食行为与个体采食量的自动监测，利于建立基于奶牛采食行为与个体采食量的物联网数据平台，实现数据的远程传输、分析及管理，提高了奶牛精准饲喂的数字化和智能化水平。
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为本发明实施例的奶牛采食行为与采食量的监测方法的流程示意图；
图2为本发明实施例的对加速度信息进行信号预处理的流程示意图；
图3为本发明实施例的奶牛采食行为与采食量的监测装置的结构示意图；
图4为本发明实施例的电子设备的结构示意图。
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。
由于奶牛没有上颚切齿，因此奶牛的采食行为主要包括卷食状态和咀嚼状态，通过舌头先把饲料卷食，然后咀嚼，或者一边卷食一边咀嚼，从而进食饲料。本发明实施例中，将一边卷食一边咀嚼的状态也看作卷食状态；同时，定义一段连续的咀嚼状态为发生一次咀嚼行为，定义一段连续的或多段不连续但相邻的卷食状态为发生一次卷食行为，定义从本次卷食行为发生开始，到下一次卷食行为为一次完整的采食过程，每次采食过程中可能会有多次咀嚼状态。
应当知道的是，奶牛在采食过程中，还包括头部运动，下颚门齿切取和卷食或咀嚼过程中途短暂休息等非进食过程，因此本发明实施例将奶牛的采食行为分为用于实际进食的卷食状态和咀嚼状态，以及不用于实际进食的非进食状态。
图1为本发明实施例的奶牛采食行为与采食量的监测方法的流程示意图，如图1所示，本发明实施例提供一种奶牛采食行为与采食量的监测方法，该方法包括：
S1、获取若干头奶牛采食行为的加速度信息。
具体地，奶牛在采食过程中，颊部两侧的肌肉会带动下颌一起产生规律性的往复运动，因此根据奶牛采食行为的加速度信息，能确定奶牛采食行为的具体状态，步骤S1中，获取若干头奶牛采食行为的加速度信息作为确定奶牛采食具体状态的依据，从而根据加速度信息进行后续步骤。
应当知道的是，加速度信息的单位为重力常数g，g＝9.8N/Kg。
S2、将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，第一预设神经网络是根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练后得到的。
具体地，步骤S2中，获取若干头奶牛采食行为的加速度信息作为第一样本加速度信息，同时采集现场视频确定第一样本加速度信息对应的采食行为，从而确定第一样本加速度信息对应的采食行为的类别；采食行为的类别包括用于进食的卷食状态和咀嚼状态，以及不用于进食的非进食状态。
根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练得到第一预设神经网络；将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态。
S3、在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，获取预设时段内采食行为中用于进食的持续时间。
具体地，步骤S3中，根据步骤S2对于采食行为的分类，分别获取在预设时段内的采食行为中，卷食状态的持续时间、咀嚼状态的持续时间和非进食状态的时间；根据卷食状态的持续时间和咀嚼状态的持续时间，从而可以获取预设时段内的采食行为中用于进食的持续时间。
S4、将卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值；其中，第二预设神经网络是根据第二样本加速度信息和第二样本加速度信息对应的采食行为的采食速率值训练后得到的；第二样本加速度信息是利用第一预设神经网络分类出的类别为卷食状态和咀嚼状态对应的加速度信息。
具体地，步骤S4中，将若干头奶牛采食行为的加速度信息经过第一预设神经网络分类，标识出采食行为的类别；将其中采食行为的类别为卷食状态和咀嚼状态的加速度信息作为第二样本加速度信息，同时现场实际测量获得第二样本加速度信息对应的采食行为的采食速率值，根据第二样本加速度信息和其对应的采食速率值训练出第二预设神经网络。
进一步地，将经过第一预设神经网络分类后获得的卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值。采食行为的采食速率估计值为卷食状态的采食速率估计值和咀嚼状态的采食速率估计值的综合采食速率估计值。
需要说明的是，第一样本加速度信息和第二样本加速度信息均通过采集若干头奶牛采食行为的加速度信息获得；第一样本加速度信息和第二样本加速度信息可以为相同或不同的样本信息，分别用于训练第一预设神经网络和第二预设神经网络。
其中，第二样本加速度信息为将奶牛采食行为的加速度信息经过第一预设神经网络分类，标识出采食行为的类别的加速度信息中卷食状态和咀嚼状态对应的加速度信息。
S5、根据采食行为的采食速率估计值和采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
具体地，步骤S5中，根据步骤S4中获取的采食行为的采食速率估计值，以及步骤S3中获取的预设时段内采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
本发明实施例提供一种奶牛采食行为与采食量的监测方法，基于第一预设神经网络，根据奶牛采食行为的加速度信息，能确定对应的采食行为的类别为用于进食的卷食状态或咀嚼状态，或不用于进食的非进食状态；然后在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，能获取预设时段内采食行为中用于进食的持续时间；同时，基于第二预设神经网络，根据加速度信息，能获取对应的采食速率估计值；进一步地，根据预设时段内，采食行为中用于进食的持续时间和采食行为的采食速率估计值，获取预设时段内奶牛的个体采食量。
需要说明的是，本发明实施例中，第一预设神经网络和第二预设神经网络均为BP神经网络；其中，第一预设神经网络的隐藏层为九层，第二预设神经网络的隐藏层为十层。
图2为本发明实施例的对加速度信息进行信号预处理的流程示意图，如图2所示，获取若干头奶牛采食行为的加速度信息，与将加速度信息输入至第一预设神经网络之间，还包括：对加速度信息进行信号预处理，信号预处理包括依次对加速度信息进行极值去噪、小波去噪和卡尔曼滤波。
具体地，获取ti时刻若干头奶牛采食行为的原始加速度信息X0(ti)，原始加速度信息X0(ti)中除了奶牛采食过程中下颌运动引起的加速度信号变化，还包含了传感器本身以及奶牛头部运动或身体移动产生的大幅度低频波动等因素产生的噪声，因此需要对原始的加速度信息X0(ti)进行一系列的信号预处理，使得原始的加速度信息与时刻的关系曲线变得平滑、无毛刺。
首先，对原始加速度信息X0(ti)进行极值去噪：分别获取任意时段内加速度信息的若干个峰值和若干个谷值，将若干个峰值的调和平均数代替最高峰值，将若干个谷值的调和平均数代替最低谷值，获取极值去噪后的加速度信息X'0(ti)。
然后，将极值去噪后的加速度信息X'0(ti)进行小波去噪：对极值去噪后的加速度信息进行小波变换，得到若干小波分解系数；对小波分解系数进行阈值处理和参数调整，获得小波系数，使得小波分解系数与小波系数之差尽可能的小；然后将小波系数进行小波重构，获取极值去噪、小波去噪后的加速度信息X'0'(ti)。
最后，将极值去噪、小波去噪后的加速度信息X'0'(ti)进行卡尔曼滤波：获取极值去噪和小波去噪后的加速度信息X'0'(ti)的估计值、实测值、协方差和滤波增益值；根据估计值、实测值、协方差和滤波增益值，获取Xp(ti)。需要说明的是，卡尔曼滤波通过非线性卡尔曼滤波器进行。
进一步地，获取估计值的公式为：
X”估计(ti)＝φX'0'(ti)+τW(ti-1)
其中，X”估计(ti)为X'0'(ti)在ti时刻估计值，X'0'(ti)为ti时刻极值去噪、小波去噪后的加速度信息，φ为状态方程转移矩阵，τ为噪声驱动矩阵；W(ti-1)为ti-1时刻的过程噪声，W(ti-1)的均值和误差都为0。
进一步地，获取实测值的公式为：
Y(ti-1)＝HX'0'(ti)+V(ti-1)
其中，Y(ti-1)为X'0'(ti)在ti-1时刻实测值，X'0'(ti)为ti时刻极值去噪、小波去噪后的加速度信息，H为观测方程转移矩阵；V(ti-1)为高斯白噪声，V(ti-1)的均值为0。
进一步地，获取协方差的公式为：
P(ti)＝φ(ti)P(ti-1)φT(ti)
其中，P(ti)为ti时刻的协方差，P(ti-1)为ti-1时刻的协方差，φ(ti)为ti时刻的状态方程转移矩阵，φT(ti)为φ(ti)的转置矩阵。
进一步地，获取滤波增益值的公式为：
K(ti-1)＝P(ti)HT(ti)[H(ti)P(ti)HT(ti)+R]
其中，K(ti-1)为ti-1时刻的滤波增益值，P(ti)为ti时刻的协方差，R为传感器误差，H(ti)为ti时刻的观测方程转移矩阵，HT(ti)为H(ti)的转置矩阵。
需要说明的是，加速度信息是通过三轴加速度传感器紧贴奶牛颊部或鼻部获取的，具体为紧贴奶牛脸颊两侧的咬肌或鼻子上部的鼻唇提肌获取；三轴加速度传感器的检测精度不低于1m/s2；通过三轴加速度传感器获取的加速度信息包括X轴加速度信息、Y轴加速度信息、Z轴加速度信息和三轴加速度和信息。因此，将信号预处理后的加速度信息，即极值去噪、小波去噪和卡尔曼滤波后的加速度信息Xp(ti)输入至第一预设神经网络，获取采食行为的分类，具体是分别将原始的X轴加速度信息X01(ti)、Y轴加速度信息X02(ti)、Z轴加速度信息X03(ti)和三轴加速度和信息X04(ti)进行信号预处理，获取对应的信号预处理后的加速度信息Xp1(ti)、Xp2(ti)、
Xp3(ti)和Xp4(ti)输入至第一预设神经网络，然后获取采食行为的分类：卷食状态O1、咀嚼状态O2和非采食状态O3。
基于上述实施例，根据在预设时段内，第i次卷食状态和第i+1次卷食状态之间，有k次咀嚼行为的假设，可知在预设时段内分别根据卷食状态和咀嚼状态的持续时间，获取预设时段内采食行为中用于进食的持续时间，具体包括：
其中，AFD为预设时段内采食行为的持续时间，单位为分钟；Δt01i为第i次卷食状态的持续时间，i为卷食状态次数，m为卷食状态总次数，Δt01i2k为第i次卷食状态后第k次咀嚼状态的持续时间，k为第i次卷食状态到第i+1次卷食状态之间的咀嚼状态次数，n为第i次卷食状态到第i+1次卷食状态之间的咀嚼状态总次数。
应当知道的是，i、m、k、n均为大于0的自然数。
基于上述实施例，输出卷食状态和所述咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值之前，还包括：根据预设时段内咀嚼状态对应的X轴加速度信息的频谱，获取奶牛的咀嚼频率；将卷食状态对应的X轴加速度信息、Y轴加速度信息、Z轴加速度信息与三轴加速度和，与咀嚼状态对应的X轴加速度信息、Y轴加速度信息、Z轴加速度信息与三轴加速度和，以及咀嚼频率输入至第二预设神经网络。
例如，定义第i次卷食状态对应的X轴加速度信息为X01i1、Y轴加速度信息为X01i2、Z轴加速度信息为X01i3、三轴加速度和为X01i4；第i次卷食状态和第i+1次卷食状态之间，第k次咀嚼状态对应的X轴加速度信息为X02ik1、Y轴加速度信息为X02ik2、Z轴加速度信息为X02ik3、三轴加速度和为X02ik4；根据预设时段内咀嚼状态对应的X轴加速度信息，获取咀嚼频率为F01i2k。
将第i次卷食状态对应的X轴加速度信息X01i1、Y轴加速度信息X01i2、Z轴加速度信息X01i3、三轴加速度和X01i4；第k次咀嚼状态对应的X轴加速度信息X02ik1、Y轴加速度信息X02ik2、Z轴加速度信息X02ik3、三轴加速度和X02ik4；根据咀嚼状态对应的X轴加速度信息，获取的咀嚼频率F01i2k均输入第二预设神经网络，从而输出采食行为的采食速率估计值。
基于上述实施例，根据第i次卷食状态的持续时间，与第i次卷食状态与第i+1次卷食状态之间的k次咀嚼状态的持续时间相加，可得第i次采食行为的持续时间，将第i次采食行为的持续时间与第i次采食行为的采食速率估计值相乘，可获得第i次采食行为的个体采食量。以此类推，可获得整个采食行为的个体采食量。
因此，根据采食行为的采食速率估计值和采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量，具体包括：
其中，DFI为预设时段内的个体采食量，单位为千克；Si为采食速率估计值，Δt01i为第i次卷食状态的持续时间，i为卷食状态次数，m为卷食状态总次数，Δt01i2k为第i次卷食状态后第k次咀嚼状态的持续时间，k为第i次卷食状态到第i+1次卷食状态之间的咀嚼次数，n为第i次卷食状态到第i+1次卷食状态之间的咀嚼状态总次数。
图3为本发明实施例的奶牛采食行为与采食量的监测装置的结构示意图，如图3所示，本发明实施例提供一种奶牛采食行为与采食量的监测装置，该装置包括采集单元301、分类单元302、统计单元303、估计单元304和监测单元305；其中：
采集单元301，用于分别获取若干头奶牛采食行为的加速度信息。
具体地，奶牛在采食过程中，颊部两侧的肌肉会带动下颌一起产生规律性的往复运动，因此根据奶牛采食行为的加速度信息，能确定奶牛采食行为的具体状态，通过采集单元301获取若干头奶牛采食行为的加速度信息作为确定奶牛采食具体状态的依据，从而使得其他单元根据加速度信息进行后续操作。
分类单元302，用于将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，第一预设神经网络是根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练后得到的。
具体地，通过分类单元302获取若干头奶牛采食行为的加速度信息作为第一样本加速度信息，同时采集现场视频确定第一样本加速度信息对应的采食行为，从而确定第一样本加速度信息对应的采食行为的类别；采食行为的类别包括用于进食的卷食状态和咀嚼状态，以及不用于进食的非进食状态。
根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练得到第一预设神经网络；将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态。
统计单元303，在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，获取预设时段内采食行为的持续时间。
具体地，统计单元303根据分类单元302对于采食行为的分类，分别获取在预设时段内的采食行为中，卷食状态的持续时间、咀嚼状态的持续时间和非进食状态的时间；根据卷食状态的持续时间和咀嚼状态的持续时间，从而可以获取预设时段内的采食行为中用于进食的持续时间。
估计单元304，用于将卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值；其中，第二预设神经网络是根据第二样本加速度信息和第二样本加速度信息对应的采食行为的采食速率值训练后得到的；第二样本加速度信息是利用第一预设神经网络分类出的类别为卷食状态和咀嚼状态对应的加速度信息。
具体地，通过估计单元304将若干头奶牛采食行为的加速度信息经过第一预设神经网络，标识出采食行为的类别；将其中采食行为的类别为卷食状态和咀嚼状态的加速度信息作为第二样本加速度信息，同时现场实际测量获得第二样本加速度信息对应的采食行为的采食速率值，根据第二样本加速度信息和其对应的采食速率值训练出第二预设神经网络。
进一步地，将经过第一预设神经网络分类后获得的卷食状态和咀嚼状态对应的卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值。采食行为的采食速率估计值为卷食状态的采食速率估计值和咀嚼状态的采食速率估计值的综合采食速率估计值。
监测单元305，用于根据采食行为的采食速率估计值和采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
具体地，监测单元305根据估计单元304获取的采食行为的采食速率估计值，以及统计单元303获取的预设时段内采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
本发明实施例提供一种奶牛采食行为与采食量的监测装置，基于第一预设神经网络，根据奶牛采食行为的加速度信息，能确定对应的采食行为的类别为用于进食的卷食状态或咀嚼状态，或不用于进食的非进食状态；然后在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，能获取预设时段内采食行为中用于进食的持续时间；同时，基于第二预设神经网络，根据加速度信息，能获取对应的采食速率估计值；进一步地，根据预设时段内，采食行为中用于进食的持续时间和采食行为的采食速率估计值，获取预设时段内奶牛的个体采食量。
图4为本发明实施例的电子设备的结构示意图，如图4所示，本发明实施例提供了一种电子设备，该电子设备包括：处理器(processor)401、通信接口(CommunicationsInterface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403上并可在处理器401上运行的计算机程序，以执行上述各实施例提供的奶牛采食行为与采食量的监测方法，例如包括：获取若干头奶牛采食行为的加速度信息；将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，第一预设神经网络是根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练后得到的；在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，获取预设时段内采食行为中用于进食的持续时间；将卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值；其中，第二预设神经网络是根据第二样本加速度信息和第二样本加速度信息对应的采食行为的采食速率值训练后得到的；第二样本加速度信息是利用第一预设神经网络分类出的类别为卷食状态和咀嚼状态对应的加速度信息；根据采食行为的采食速率估计值和采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
此外，上述的存储器403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)执行本发明各个实施例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。
本发明实施例还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以执行上述各实施例提供的奶牛采食行为与采食量的监测，例如包括：获取若干头奶牛采食行为的加速度信息；将加速度信息输入至第一预设神经网络，输出加速度信息对应的采食行为的类别，类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，第一预设神经网络是根据第一样本加速度信息和第一样本加速度信息对应的采食行为的类别训练后得到的；在预设时段内，分别根据卷食状态和咀嚼状态的持续时间，获取预设时段内采食行为中用于进食的持续时间；将卷食状态和咀嚼状态对应的加速度信息输入至第二预设神经网络，输出卷食状态和咀嚼状态对应的加速度信息对应的采食行为的采食速率估计值；其中，第二预设神经网络是根据第二样本加速度信息和第二样本加速度信息对应的采食行为的采食速率值训练后得到的；第二样本加速度信息是利用第一预设神经网络分类出的类别为卷食状态和咀嚼状态对应的加速度信息；根据采食行为的采食速率估计值和采食行为中用于进食的持续时间，获取预设时段内每头奶牛的个体采食量。
以上所描述的电子设备等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方法。
本发明实施例提供的一种奶牛采食行为与采食量的监测方法及装置，在目前条件下对卷食状态、咀嚼状态和非进食状态等其他状态的自动识别率分别为86％、100％和83％，对采食速率和采食量监测的准确率可达85％以上。本发明实施例实现了自动化、智能化的奶牛采食行为及采食量的实时监测，并上传到数据服务器，为养殖管理提供及时的采食数据，从而为畜牧业生产管理决策提供技术支撑和辅助工具，提高畜牧业生产标准化、信息化、自动化、智能化水平，从而保障畜牧业生产的质量和效果。
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)

1.一种奶牛采食行为与采食量的监测方法，其特征在于，包括：
获取若干头奶牛采食行为的加速度信息；
将所述加速度信息输入至第一预设神经网络，输出所述加速度信息对应的所述采食行为的类别，所述类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，所述第一预设神经网络是根据第一样本加速度信息和所述第一样本加速度信息对应的采食行为的类别训练后得到的；
在预设时段内，分别根据所述卷食状态和所述咀嚼状态的持续时间，获取所述预设时段内所述采食行为中用于进食的持续时间；
将所述卷食状态和所述咀嚼状态对应的加速度信息输入至第二预设神经网络，输出所述卷食状态和所述咀嚼状态对应的加速度信息对应的所述采食行为的采食速率估计值；其中，所述第二预设神经网络是根据第二样本加速度信息和所述第二样本加速度信息对应的采食行为的采食速率值训练后得到的；所述第二样本加速度信息是利用所述第一预设神经网络分类出的所述类别为卷食状态和咀嚼状态对应的加速度信息；
根据所述采食行为的采食速率估计值和所述采食行为中用于进食的持续时间，获取所述预设时段内每头奶牛的个体采食量。
2.根据权利要求1所述的奶牛采食行为与采食量的监测方法，其特征在于，所述获取若干头奶牛采食行为的加速度信息，与所述将所述加速度信息输入至第一预设神经网络之间，还包括：
对所述加速度信息进行信号预处理，所述信号预处理包括依次对所述加速度信息进行极值去噪、小波去噪和卡尔曼滤波。
3.根据权利要求2所述的奶牛采食行为与采食量的监测方法，其特征在于，所述卡尔曼滤波的过程，具体包括：
获取极值去噪和小波去噪后的所述加速度信息的估计值、实测值、协方差和滤波增益值；
根据所述估计值、实测值、协方差和滤波增益值，获取卡尔曼滤波后的所述加速度信息。
4.根据权利要求1所述的奶牛采食行为与采食量的监测方法，其特征在于，所述加速度信息为通过三轴加速度传感器紧贴奶牛的颊部或鼻部获取，所述三轴加速度传感器的检测精度不低于1m/s2；所述加速度信息包括X轴加速度信息、Y轴加速度信息、Z轴加速度信息和三轴加速度和信息。
5.根据权利要求1所述的奶牛采食行为与采食量的监测方法，其特征在于，所述在预设时段内，分别根据所述卷食状态和所述咀嚼状态的持续时间，获取所述预设时段内所述采食行为中用于进食的持续时间，具体包括：
其中，AFD为预设时段内采食行为的持续时间，单位为分钟；Δt01i为第i次卷食状态的持续时间，i为卷食状态次数，m为卷食状态总次数，Δt01i2k为第i次卷食状态后第k次咀嚼状态的持续时间，k为第i次卷食状态到第i+1次卷食状态之间的咀嚼状态次数，n为第i次卷食状态到第i+1次卷食状态之间的咀嚼状态总次数。
6.根据权利要求4所述的奶牛采食行为与采食量的监测方法，其特征在于，所述输出所述卷食状态和所述咀嚼状态对应的加速度信息对应的所述采食行为的采食速率估计值之前，还包括：
根据所述预设时段内，所述咀嚼状态对应的所述X轴加速度信息的频谱，获取奶牛的咀嚼频率；
将所述卷食状态对应的X轴加速度信息、Y轴加速度信息、Z轴加速度信息与三轴加速度和，与所述咀嚼状态对应的X轴加速度信息、Y轴加速度信息、Z轴加速度信息与三轴加速度和，以及所述咀嚼频率输入至所述第二预设神经网络。
7.根据权利要求1所述的奶牛采食行为与采食量的监测方法，其特征在于，所述根据所述采食行为的采食速率估计值和所述采食行为中用于进食的持续时间，获取所述预设时段内每头奶牛的个体采食量，具体包括：
其中，DFI为预设时段内的个体采食量，单位为千克；Si为采食速率估计值，Δt01i为第i次卷食状态的持续时间，i为卷食状态次数，m为卷食状态总次数，Δt01i2k为第i次卷食状态后第k次咀嚼状态的持续时间，k为第i次卷食状态到第i+1次卷食状态之间的咀嚼次数，n为第i次卷食状态到第i+1次卷食状态之间的咀嚼状态总次数。
8.一种奶牛采食行为与采食量的监测装置，其特征在于，包括：
采集单元，用于分别获取若干头奶牛采食行为的加速度信息；
分类单元，用于将所述加速度信息输入至第一预设神经网络，输出所述加速度信息对应的所述采食行为的类别，所述类别包括用于进食的卷食状态和咀嚼状态，以及非进食状态；其中，所述第一预设神经网络是根据第一样本加速度信息和所述第一样本加速度信息对应的采食行为的类别训练后得到的；
统计单元，在预设时段内，分别根据所述卷食状态和所述咀嚼状态的持续时间，获取所述预设时段内所述采食行为的持续时间；
估计单元，用于将所述卷食状态和所述咀嚼状态对应的加速度信息输入至第二预设神经网络，输出所述卷食状态和所述咀嚼状态对应的加速度信息对应的所述采食行为的采食速率估计值；其中，所述第二预设神经网络是根据第二样本加速度信息和所述第二样本加速度信息对应的采食行为的采食速率值训练后得到的；所述第二样本加速度信息是利用所述第一预设神经网络分类出的所述类别为卷食状态和咀嚼状态对应的加速度信息；
监测单元，用于根据所述采食行为的采食速率估计值和所述采食行为中用于进食的持续时间，获取所述预设时段内每头奶牛的个体采食量。
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任一项所述奶牛采食行为与采食量的监测方法。
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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述奶牛采食行为与采食量的监测方法。
CN201910532343.5A 2019-06-19 2019-06-19 一种奶牛采食行为与采食量的监测方法及装置 Active CN110169375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910532343.5A CN110169375B (zh) 2019-06-19 2019-06-19 一种奶牛采食行为与采食量的监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910532343.5A CN110169375B (zh) 2019-06-19 2019-06-19 一种奶牛采食行为与采食量的监测方法及装置

Publications (2)

Publication Number Publication Date
CN110169375A true CN110169375A (zh) 2019-08-27
CN110169375B CN110169375B (zh) 2021-04-06

Family

ID=67697379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910532343.5A Active CN110169375B (zh) 2019-06-19 2019-06-19 一种奶牛采食行为与采食量的监测方法及装置

Country Status (1)

Country Link
CN (1) CN110169375B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111887175A (zh) * 2020-07-30 2020-11-06 北京小米移动软件有限公司 喂食监测方法、装置、设备及存储介质
CN113057123A (zh) * 2021-02-05 2021-07-02 广州朗国电子科技有限公司 一种人工智能家禽进食异常监控方法、设备以及介质
CN113222451A (zh) * 2021-05-28 2021-08-06 中国农业科学院草原研究所 一种基于北斗导航的牧场家畜采食喜好区域评估方法、系统及存储介质
CN113207722A (zh) * 2021-03-30 2021-08-06 广州朗国电子科技有限公司 人工智能用农牧业自动投料方法、设备以及介质
CN116058298A (zh) * 2023-03-06 2023-05-05 北京市农林科学院信息技术研究中心 家畜行为监测方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056106A (zh) * 2016-07-22 2016-10-26 内蒙古农业大学 一种草原放牧绵羊牧食行为检测系统及其检测方法
CN107041740A (zh) * 2016-02-05 2017-08-15 南京国雅信息科技有限公司 动物心率监测系统以及基于神经网络的心率状态识别方法
CN109359624A (zh) * 2018-11-14 2019-02-19 浙江农林大学 基于神经网络的蛋鸡采食行为的预测方法及预测装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107041740A (zh) * 2016-02-05 2017-08-15 南京国雅信息科技有限公司 动物心率监测系统以及基于神经网络的心率状态识别方法
CN106056106A (zh) * 2016-07-22 2016-10-26 内蒙古农业大学 一种草原放牧绵羊牧食行为检测系统及其检测方法
CN109359624A (zh) * 2018-11-14 2019-02-19 浙江农林大学 基于神经网络的蛋鸡采食行为的预测方法及预测装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111887175A (zh) * 2020-07-30 2020-11-06 北京小米移动软件有限公司 喂食监测方法、装置、设备及存储介质
CN111887175B (zh) * 2020-07-30 2022-03-18 北京小米移动软件有限公司 喂食监测方法、装置、设备及存储介质
CN113057123A (zh) * 2021-02-05 2021-07-02 广州朗国电子科技有限公司 一种人工智能家禽进食异常监控方法、设备以及介质
CN113207722A (zh) * 2021-03-30 2021-08-06 广州朗国电子科技有限公司 人工智能用农牧业自动投料方法、设备以及介质
CN113222451A (zh) * 2021-05-28 2021-08-06 中国农业科学院草原研究所 一种基于北斗导航的牧场家畜采食喜好区域评估方法、系统及存储介质
CN116058298A (zh) * 2023-03-06 2023-05-05 北京市农林科学院信息技术研究中心 家畜行为监测方法及装置
CN116058298B (zh) * 2023-03-06 2023-09-12 北京市农林科学院信息技术研究中心 家畜行为监测方法及装置

Also Published As

Publication number Publication date
CN110169375B (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN110169375A (zh) 一种奶牛采食行为与采食量的监测方法及装置
Amory et al. Associations between sole ulcer, white line disease and digital dermatitis and the milk yield of 1824 dairy cows on 30 dairy cow farms in England and Wales from February 2003–November 2004
CN116778430B (zh) 肉牛养殖的疾病监测系统及其方法
DE112019000285T5 (de) System und verfahren zur überwachung von ernährungsaktivität
CN110176014A (zh) 一种禾花鱼稻田生态养殖信息处理方法及系统
CN113040088A (zh) 水产养殖精准增氧方法、终端设备及可读存储介质
CN116934088A (zh) 一种基于分析模型的鸽子养殖智能管理方法及其系统
CN111916096B (zh) 一种基于树莓派的藏羊牧食行为监测方法
Ogah et al. Principal component factor analysis of the morphostructural traits of Muscovy duck
CN111831038B (zh) 一种基于智能控制的现代化养猪日常智能管理系统
CN116982572A (zh) 一种奶牛采食行为监测方法
TWI784740B (zh) 家禽健康監測系統及其方法
CN107182900B (zh) 一种基于合格种蛋数最多的种鸡生长发育规律的研究方法
CN115777560A (zh) 一种基于机器视觉分析技术的母猪智能化饲喂系统
CN110169374A (zh) 一种奶牛采食行为与采食量的可穿戴监测装置及监测系统
CN110169374B (zh) 一种奶牛采食行为与采食量的可穿戴监测装置及监测系统
CN210275519U (zh) 一种奶牛采食行为与采食量的可穿戴监测装置及监测系统
KR102355681B1 (ko) 가축사양표준에 기초한 가축사양관리 가이드 제공 방법
Singhal et al. Cattle Collar: An End-to-End Multi-Model Framework for Cattle Monitoring
CN115517664B (zh) 动物体征量测量方法
CN115294612B (zh) 基于图形识别的畜禽喂养控制方法
CN117745036B (zh) 一种基于特征识别及近场通信的牲畜信息管理方法及系统
CN109380176B (zh) 甲鱼养殖管理装置及其方法
CN116432907B (zh) 一种基于深度学习的牲畜运动行为分析方法及系统
Lislegård Sex allocation in Svalbard reindeer (Rangifer tarandus platyrhynchus); do gut parasites and maternal body condition determine the sex of the fetus?

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