CN110363247A - 一种生猪饮食异常智能监测方法和系统 - Google Patents
一种生猪饮食异常智能监测方法和系统 Download PDFInfo
- Publication number
- CN110363247A CN110363247A CN201910653877.3A CN201910653877A CN110363247A CN 110363247 A CN110363247 A CN 110363247A CN 201910653877 A CN201910653877 A CN 201910653877A CN 110363247 A CN110363247 A CN 110363247A
- Authority
- CN
- China
- Prior art keywords
- live pig
- diet
- ultrasonic wave
- exception
- dietary data
- 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
- 235000005911 diet Nutrition 0.000 title claims abstract description 316
- 230000037213 diet Effects 0.000 title claims abstract description 201
- 238000012544 monitoring process Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000378 dietary effect Effects 0.000 claims abstract description 115
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 46
- 230000002159 abnormal effect Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 231100000668 minimum lethal dose Toxicity 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000003447 ipsilateral effect Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 238000009510 drug design Methods 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 12
- 238000009395 breeding Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 244000144977 poultry Species 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 239000011324 bead Substances 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 235000021590 normal diet Nutrition 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000009360 aquaculture Methods 0.000 description 2
- 244000144974 aquaculture Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000015277 pork Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design 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
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003466 welding 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
- A01K5/00—Feeding devices for stock or game ; Feeding wagons; Feeding stacks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Birds (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种生猪饮食异常智能监测方法和系统,包括生猪饮食数据采集层、生猪饮食数据传输层、生猪饮食异常智能监测层;生猪饮食数据通过生猪饮食数据传输层的以太网上传到生猪饮食异常智能监测层;生猪饮食异常智能监测层对采集到的饮食数据进行处理、判断、显示并报警。本发明设计合理、成本低、结构简单、体积小、稳定性高、不易受环境因素影响,人机交互友好,提升了生猪饮食异常监测的智能化水平,降低了人工依赖程度,提高了生猪饮食异常监测效率。
Description
技术领域
本发明涉及数字化养殖业中的生猪异常监测领域,特别是涉及一种生猪饮食异常智能监测方法及系统,实现对生猪饮食异常的分析与判断,可以为饲养员判断生猪健康状况提供有力依据。
背景技术
我国是世界上最大的猪肉生产与消费国,生猪养殖量占畜牧业总产量的一半。但在生产方式以及管理模式上与世界先进国家还有相当大的差距。近年来,人们对生活品质的追求越来越高,对猪肉的品质、安全要求有了大幅度提升,这对生猪集约化福利养殖提出了更高要求。因此,在现代化、规模化养殖中,传统的生猪养殖技术已经不能满足要求,数字化、智能化的养殖技术是集约化养殖业的发展趋势。目前我国正由中小户散养模式向规模化、集约化养殖模式发展,集中养殖方式在为猪群提供良好生存环境的同时,还要关注生猪是否出现异常,从而及时采取措施进行诊断治疗,将经济损失降到最小,实现生猪福利养殖。传统的生猪异常监测效率低下,无法满足日益增长的市场需求,自动化、智能化监测是未来发展趋势。在集约化养猪场,生猪的进食、饮水、排泄、休息、争斗等行为活动贯穿整个养殖过程,生猪的这些行为表现能够反映出其生长过程中的不同健康状态,通过分析生猪的行为表现,有利于监测其生长过程、预防生猪损伤,提高经济效益。但是,人工监测方法不能达到实时监测的目的,而且容易干预生猪的生活环境,进而影响生猪的生活习性。因此,集约化养猪场迫切地需要一种智能的监测技术来代替人工监测。
生猪的饮食状况是判断其健康状况的重要依据,健康的生猪贪食好睡,如若发生病情,则会出现食欲不振、拒绝饮食、长卧不起等症状。兽医在进行生猪检疫时,需要询问饲养员生猪的饮食状况及活动情况,根据综合因素判断生猪的健康状况。目前生猪饮食数据统计需要通过人工观察、记录,耗费大量的人力和物力,并且得到的数据误差较大,无法满足生猪养殖业规模化、集约化迅猛发展的需求。自动化监测方法可以有效地提高生猪饮食数据统计效率。
通常红外传感器测距容易受到外界光线影响且能够检测到的最小距离较大;视频监测技术数据量大,处理信息复杂;无线射频识别(RFID)是接触式传感器,需要在生猪身体安装RFID识别标签,会对生猪本身造成影响。而超声波技术成本低、结构简单、体积小、不易受环境因素影响,利用超声波技术检测生猪饮食参数,通过改进支持向量数据描述(Support Vector Data Description,SVDD)对生猪饮食异常概率进行判断,上位机对饮食数据与异常判断结果进行记录、存储、趋势显示以及异常报警,实现对生猪饮食异常的自动监测,为饲养员判断生猪健康状况提供依据。
发明内容
本发明的目的在于提供了一种生猪饮食异常智能监测方法及系统,为生猪异常饮食的分析与判断提供了有力依据。
本发明采用以下技术方案来实现:
一种生猪饮食异常智能监测系统,包括生猪饮食数据采集层、生猪饮食数据传输层、生猪饮食异常智能监测层;其中,生猪饮食数据采集层用于采集猪圈中的生猪饮食数据(主要包括饮食次数和饮食时间),生猪饮食数据采集层包括:超声波发射模块、超声波接收模块、饮食数据采集处理模块和生猪饮食栏;生猪饮食数据通过生猪饮食数据传输层的以太网上传到生猪饮食异常智能监测层;生猪饮食异常智能监测层对采集到的饮食数据进行处理、判断、显示并报警,对采集到的饮食数据进行处理、判断包括:生猪饮食数据标准化、基于改进支持向量数据描述(SVDD)的生猪饮食异常概率判断、粒子群优化(PSO)算法优化SVDD参数,最后得到生猪饮食异常判断结果;最后将采集到的饮食数据与生猪饮食异常判断结果在上位机界面中显示,对异常结果进行报警。
所述的系统,所述超声波发射模块、超声波接收模块分别安装在生猪饮食栏的入口处两侧,超声波发射模块、超声波接收模块互相正对且安装位置等高,采用对射的安装方式,利用射频信号和超声波信号到达超声波接收模块的到达时间差法测量距离;饮食数据采集处理模块用于采集超声波发射模块、超声波接收模块之间的距离数据并根据距离数据的变化判断生猪是否通过生猪饮食栏,当有生猪从超声波发射模块、超声波接收模块之间通过时,测量得到的超声波发射模块、超声波接收模块之间的距离增大,根据设定的阈值判断生猪是否通过生猪饮食栏,若距离数值大于该阈值即判定为生猪通过该生猪饮食栏。
所述的系统,采用两个超声波接收模块和一个超声波发射模块,两个超声波接收模块安装在生猪饮食栏的同侧等高位置,超声波发射模块安装在生猪饮食栏的另一侧等高位置,超声波接收模块一正对超声波发射模块,超声波接收模块二与超声波接收模块一保持一定横向距离,饮食数据采集处理模块同时采集超声波发射模块与两个超声波接收模块之间的距离数据,根据两个接收模块所检测到的距离变化的先后顺序,实现生猪进出生猪饮食栏方向的判断;同时通过判断生猪进出饮食栏的方向,得到生猪进入饮食栏并在生猪饮食栏中停留的时间与次数。
所述的系统,超声波发射模块安装在生猪饮食栏入口处的右侧,超声波接收模块安装在左侧,饮食数据采集处理模块安装在生猪饮食栏上方;超声波发射模块包括控制单元、发射探头、电源单元、射频发射单元;控制单元中的芯片为STC12L5612AD,发射探头的型号为TCT40-16T,电源单元采用TP4056对锂电池进行充电;超声波接收模块包括超声波接收探头、控制单元、电源单元和射频接收单元;饮食数据采集处理模块包括数据采集处理单元和无线通讯单元,无线通讯单元中的控制芯片为STM32F103C8T6型微处理器。
所述的系统,采用极差法动态设定阈值,具体步骤为:
①得到生猪由不同位置通过超声波发射模块和接收模块之间的测量距离LDi(i=1,2,···,n)和不同尺寸生猪通过超声波发射模块和接收模块之间的测量距离SDj(j=1,2,···,m);
②舍弃人为因素和环境因素造成的不合适数据;
③求出LDi的最大值LDmax与最小值LDmin和SDj的最大值SDmax与最小值SDmin;
④求LDmax和SDmax两者中的最大值Dmax,LDmin和SDmin两者中的最小Dmin,如下式所示:
Dmax=max(LDmax,SDmax)
Dmin=min(LDmin,SDmin)
⑤求阈值T,T=Dmax-Dmin。
所述的系统,在生猪饮食异常智能监测层对采集到的生猪饮食数据进行标准化处理,排除由于生猪饮食次数和饮食时间的量纲与数量级不同对判断结果的干扰;采用如下两个公式分别对生猪饮食次数与饮食时间进行标准化:
式中,x1’为标准化后的生猪饮食次数;x1为原始的生猪饮食次数;x2’为标准化后的生猪饮食时间;x2为原始的生猪饮食时间。
所述的系统,利用改进支持向量数据描述(Support Vector Data Description,SVDD)判断采集到的生猪饮食数据的异常概率;针对生猪异常饮食数据判断的模糊性问题,通过计算生猪饮食异常概率来描述生猪饮食的异常程度,当异常概率大于设定阈值时,判断生猪饮食发生异常;生猪饮食异常概率的计算公式如下:
式中,P为生猪饮食异常概率;r为SVDD构建的超球体半径;d为生猪饮食数据到SVDD构建的超球体球心的距离;m为加权指数;
利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVDD参数进行优化,排除人为设定参数的随机性,提高模型的训练效率。所述的系统,利用SVDD构建超球体及其半径r为:
①构建训练样本集x={x1,…,xn},其中xi∈Rd(1≤i≤n)为饮食次数和饮食时间数据集,n是饮食数据的个数;
②设超球体半径为r、球心为o;该模型的优化问题描述为:
st.||φ(xi)-o||2≤r2+ξi≥0,ξi≥0,1≤i≤n
式中,ξi为引入的松弛项,当xi在B(o,r)超球内或面上时,ξi=0,否则ξi>0;C为惩罚因子;
③引入拉格朗日算子,上式的拉格朗日函数表达式为:
式中,αi、βi为拉格朗日乘子,αi=(α1,α2,…,αN),βi=(β1,β2,…,βN);
对L(r,o,ξi,αi,βi)求r、o和ξi的偏导,所求偏导全部为零,得到:
④将上式带入拉格朗日函数表达式,则得到问题的对偶形式:
求解上式可得到最优解:
αi=(α1,α2,…,αN)
⑤根据上式可求得超球体半径r:
当αi=0时,其所对应的生猪饮食数据点落到超球体内部;当0<αi<C时,所对应生猪饮食数据点落到超球面上,属于支持向量;当αi=C时,对应生猪饮食数据点落到超球体外部。
所述的系统,针对SVDD中惩罚因子与核函数参数难以确定的问题,利用PSO算法对SVDD参数进行优化,排除人为设定参数的随机性,提高模型的训练效率,具体过程如下:
①每一个粒子由SVDD模型的两个参数组成,对粒子群参数初始化并进行迭代搜索;
②对于每一位粒子,利用待优化参数对SVDD进行训练,使用交叉验证求SVDD的平均精度作为该粒子的适应度值,适应度函数定义为:
式中,k为交叉验证折数;em=ET/E,ET为识别正确的饮食数据;E为总识别的饮食数据;
③对于每一个粒子,将搜索的最优位置的适应度值与上一步得到的最优历史值作比较,将最大适应度值作为该粒子的最优历史值,并更新个体的历史最优位置;
④比较每个体粒子的历史最优适应度值与粒子群搜索的最优位置适应度值,将最大适应度值作为全局最优位置;
⑤利用下式更新粒子的速度和位置;
vid=vid+c1r1(pid-xid)+c2r2(pzd-xzd)
xid=xid+vid
⑥如果达到终止条件,即满足F≤ε,则把最终的待优化参数进行输出,把输出的最优SVDD参数带入训练模型,进行模型训练,并利用训练好的SVDD模型进行生猪饮食数据的异常判断。如果没有达到终止条件,则转到⑤。
本发明还提供根据所述的系统的生猪饮食异常智能监测方法,包括生猪饮食数据采集步骤、生猪饮食数据传输步骤、生猪饮食异常智能监测步骤;生猪饮食数据采集步骤:采集猪圈中的生猪饮食数据;生猪饮食数据传输步骤:将生猪饮食数据上传到生猪饮食异常智能监测层;生猪饮食异常智能监测步骤:对采集到的饮食数据进行处理、判断,包括:生猪饮食数据标准化、基于改进支持向量数据描述(SVDD)的生猪饮食异常概率判断、粒子群优化(PSO)算法优化SVDD参数;最后将采集到的数据与判断结果在上位机界面中显示,对异常结果进行报警。
所述的监测方法,生猪饮食数据采集步骤中,利用射频信号和超声波信号到达超声波接收模块的到达时间差法测量距离;当有生猪从超声波发射模块、超声波接收模块之间通过时,测量得到的超声波发射模块、超声波接收模块之间的距离增大,根据设定的阈值判断生猪是否通过生猪饮食栏,若距离数值大于该阈值即判定为生猪通过该生猪饮食栏。
所述的监测方法,采用极差法动态设定阈值,具体步骤为:
①得到生猪由不同位置通过超声波发射模块和接收模块之间的测量距离LDi(i=1,2,···,n)和不同尺寸生猪通过超声波发射模块和接收模块之间的测量距离SDj(j=1,2,···,m);
②舍弃人为因素和环境因素造成的不合适数据;
③求出LDi的最大值LDmax与最小值LDmin和SDj的最大值SDmax与最小值SDmin;
④求LDmax和SDmax两者中的最大值Dmax,LDmin和SDmin两者中的最小Dmin,如下式所示:
Dmax=max(LDmax,SDmax)
Dmin=min(LDmin,SDmin)
⑤求阈值T,T=Dmax-Dmin。
所述的监测方法,在生猪饮食异常智能监测步骤中对采集到的生猪饮食数据进行标准化处理,排除由于生猪饮食次数和饮食时间的量纲与数量级不同对判断结果的干扰;采用如下两个公式分别对生猪饮食次数与饮食时间进行标准化:
式中,x1’为标准化后的生猪饮食次数;x1为原始的生猪饮食次数;x2’为标准化后的生猪饮食时间;x2为原始的生猪饮食时间。
所述的监测方法,利用改进支持向量数据描述(Support Vector DataDescription,SVDD)判断采集到的生猪饮食数据的异常概率;针对生猪异常饮食数据判断的模糊性问题,通过计算生猪饮食异常概率来描述生猪饮食的异常程度,当异常概率大于设定阈值时,判断生猪饮食发生异常;生猪饮食异常概率的计算公式如下:
式中,P为生猪饮食异常概率;r为SVDD构建的超球体半径;d为生猪饮食数据到SVDD构建的超球体球心的距离;m为加权指数;
利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVDD参数进行优化,排除人为设定参数的随机性,提高模型的训练效率。
所述的监测方法,利用SVDD构建超球体及其半径r为:
①构建训练样本集x={x1,…,xn},其中xi∈Rd(1≤i≤n)为饮食次数和饮食时间数据集,n是饮食数据的个数;
②设超球体半径为r、球心为o;该模型的优化问题描述为:
st.||φ(xi)-o||2≤r2+ξi≥0,ξi≥0,1≤i≤n
式中,ξi为引入的松弛项,当xi在B(o,r)超球内或面上时,ξi=0,否则ξi>0;C为惩罚因子;
③引入拉格朗日算子,上式的拉格朗日函数表达式为:
式中,αi、βi为拉格朗日乘子,αi=(α1,α2,…,αN),βi=(β1,β2,…,βN);
对L(r,o,ξi,αi,βi)求r、o和ξi的偏导,所求偏导全部为零,得到:
④将上式带入拉格朗日函数表达式,则得到问题的对偶形式:
求解上式可得到最优解:
αi=(α1,α2,…,αN)
⑤根据上式可求得超球体半径r:
当αi=0时,其所对应的生猪饮食数据点落到超球体内部;当0<αi<C时,所对应生猪饮食数据点落到超球面上,属于支持向量;当αi=C时,对应生猪饮食数据点落到超球体外部。
所述的监测方法,针对SVDD中惩罚因子与核函数参数难以确定的问题,利用PSO算法对SVDD参数进行优化,排除人为设定参数的随机性,提高模型的训练效率,具体过程如下:
①每一个粒子由SVDD模型的两个参数组成,对粒子群参数初始化并进行迭代搜索;
②对于每一位粒子,利用待优化参数对SVDD进行训练,使用交叉验证求SVDD的平均精度作为该粒子的适应度值,适应度函数定义为:
式中,k为交叉验证折数;em=ET/E,ET为识别正确的饮食数据;E为总识别的饮食数据;
③对于每一个粒子,将搜索的最优位置的适应度值与上一步得到的最优历史值作比较,将最大适应度值作为该粒子的最优历史值,并更新个体的历史最优位置;
④比较每个体粒子的历史最优适应度值与粒子群搜索的最优位置适应度值,将最大适应度值作为全局最优位置;
⑤利用下式更新粒子的速度和位置;
vid=vid+c1r1(pid-xid)+c2r2(pzd-xzd)
xid=xid+vid
⑥如果达到终止条件,即满足F≤ε,则把最终的待优化参数进行输出,把输出的最优SVDD参数带入训练模型,进行模型训练,并利用训练好的SVDD模型进行生猪饮食数据的异常判断。如果没有达到终止条件,则转到⑤。
本发明设计合理、成本低、结构简单、体积小、稳定性高、不易受环境因素影响,人机交互友好,提升了生猪饮食异常监测的智能化水平,降低了人工依赖程度,提高了生猪饮食异常监测效率。
附图说明
图1为生猪饮食异常智能监测系统组成框图;
图2为生猪饮食数据采集装置立体图;
图3为生猪饮食数据采集装置俯视图;
图4为极差法动态阈值设定流程图;
图5为PSO优化SVDD流程图;
图6为生猪饮食状况监测系统画面组;
具体实施方式
以下结合具体实施例,对本发明进行详细说明。
如图1、图2、图3、图4、图5、图6所示,一种生猪饮食异常智能监测系统,包括生猪饮食数据采集层、生猪饮食数据传输层、生猪饮食异常智能监测层。其中,生猪饮食数据采集层利用设计的基于超声波技术的生猪饮食数据采集装置采集猪圈中的生猪饮食数据,饮食数据采集装置包括超声波发射模块、超声波接收模块、饮食数据采集处理模块和快捷式、可调节的生猪饮食栏;饮食数据通过生猪饮食数据传输层的以太网上传到生猪饮食异常智能监测层;生猪饮食异常智能监测层对采集到的饮食数据进行处理、判断,包括:生猪饮食数据标准化、基于改进支持向量数据描述(SVDD)的生猪饮食异常概率判断、粒子群优化(PSO)算法优化SVDD参数;最后将采集到的数据与判断结果在上位机界面中显示,对异常结果进行报警。
图2、图3为生猪饮食栏及生猪饮食数据采集装置的示意图,生猪饮食栏包括左右两个相同的饮食栅栏,饮食栅栏包括前固定栅栏1、后固定栅栏8、伸缩节2和隔条3,前固定栅栏1和后固定栅栏8底部均设置有锚固座11,用于通过螺栓或者螺钉将其锚固在地面上,前固定栅栏和后固定栅栏之间通过伸缩节连接,通过伸缩节的伸缩以调节前固定栅栏1和后固定栅栏8之间的距离以适应不同体型的生猪和养殖环境,前固定栅栏1的上横杆和下横杆之间竖直设置若干根(例如4根)竖杆10;后固定栅栏8的上横杆和下横杆之间设置一根连接杆9,最外侧的竖杆上固定若干根中间横杆12,上横杆、下横杆和中间横杆12均为中空管结构,伸缩节2采用直径略小于所述中空管的内径的圆管制作,伸缩节2数量与前固定栅栏1的上横杆和下横杆以及中间横杆12的数量之和相等,将各个伸缩节2的一端插入前固定栅栏1的上横杆和下横杆以及中间横杆12中,与前固定栅栏1的上横杆、下横杆对应的伸缩节2的另一端插入后固定栅栏8上横杆、下横杆中,其余伸缩节2固定(例如焊接)在连接杆9上;设置有三根以上隔条3,其横跨固定在左右两个饮食栅栏的上部,例如通过U型螺栓固定在前固定栅栏1的上横杆和后固定栅栏8上横杆上,用于保持两个饮食栅栏之间的横向稳定性并可以调节控制两个饮食栅栏之间的距离,以适应不同体型的生猪。
参考图2、图3,左右两个相同的饮食栅栏与隔条3均由中空的钢管组成,可以沿着钢管的中空内部走线,保护线路安全。超声波发射模块4通过卡扣固定在一侧的饮食栅栏靠近入口的位置,例如固定在最外侧的竖杆10上,超声波接收模块5、超声波接收模块6分别固定在另一侧饮食栅栏的入口的位置,例如固定在该侧饮食栅栏入口侧的竖杆10上,超声波接收模块5、超声波接收模块6在水平方向上等高且保持一定的横向距离,并与超声波发射模块4的高度保持一致,饮食数据采集处理模块7固定在饮食栅栏顶端靠近入口侧的第一根隔条3上。
如图2所示,超声波发射模块、接收模块采用对射的安装方式,利用到达时间差法检测测量距离的变化;饮食数据采集处理模块安装在生猪饮食栏入口处上方。当有生猪通过超声波装置时,测量得到的距离增大,可以设定合适的阈值判断生猪是否通过生猪饮食栏。
生猪从进入饮食栏和走出饮食栏的过程中,所测得的超声波发射模块4和超声波接收模块5、超声波发射模块4和超声波接收模块6之间的距离变化顺序是不同的,据此可以判断生猪进出饮食栏的方向。
通过判断生猪进出饮食栏的方向、检测进入饮食栏的时间与次数采集有关生猪饮食数据,包括饮食次数与饮食时间。具体介绍如下:
(1)超声波发射模块负责发送RF信号和超声波信号,包括发射探头、控制单元、电源单元和射频发射单元。其中:①发射探头是一种声电转换器件,本发明选用压电陶瓷超声传感器TCT40-16T;②控制单元在满足系统正常工作的前提下,选择低功耗、低成本的芯片。通过深入对比各种单片机的性能特点,本发明选用功耗低、指令单周期多、支持分频定时器时钟、含有4通道PCA、同时含有多个中断源,可处理多个模块的STC12L5610AD型单片机;③电源单元选用锂电池,锂电池具有额定电压高、存储能量高且重量轻等优点。本发明采用具有自动调节功能的充电芯片TP4056对锂电池进行充电;④射频发射单元选用Si4432模块,Si4432是一款主要针对工业、科研和医疗的无线通讯元件,具有输出功率大、灵敏度高、传输距离远等特点。
(2)超声波接收模块主要包括:接收探头、控制单元、电源单元和射频接收单元,与超声波发射模块硬件结构基本类似。其中:超声波接收探头和射频单元分别负责超声波信号和RF信号的接收,并将数据传送到数据采集处理模块。超声波接收模块通过检波电路实现对超声波信号到达时刻的捕获,在未接收到超声波信号时,比较器输出电压为高电平;当接收到超声波信号时,输出为低电平,单片机捕获此下降沿从而进入中断,计时器停止计时,即捕获到超声波信号的到达时刻。本发明采用两个超声波接收模块来判断生猪进出饮食区的方向。
(3)饮食数据采集处理模块包括:数据采集处理单元和无线通讯单元。无线通讯单元主要负责与生猪饮食数据传输层的无线通信,传输采集到的饮食数据,包括:控制单元、射频单元、电源单元和USB转串口单元;无线通讯单元通过USB转串口单元直接与数据采集处理单元相连,无线通讯单元中的控制芯片为STM32F103C8T6型处理器,可以实现USB连接虚拟串口。
(4)超声波发射模块接收到饮食数据采集处理模块的开始命令后,向超声波接收模块发射超声波信号和射频信号,由于射频信号的传播速度远大于超声波信号的速度,因此超声波接收模块收到射频信号后才会收到超声波信号,测量射频信号与超声波信号的到达间隔时间Δt,计算公式如下:
式中,Δt为射频信号与超声波信号传播的时间差;D为发射端与接收端之间的距离;vus为超声波信号传播速度;vrf为射频信号传播速度。
在猪圈正常温度21℃下,vus≈344m/s;射频的传播速度vrf≈3×108m/s。因为vrf远大于vus,所以距离计算公式为:
D=Δt×vus
(5)由于超声波传播具有方向性,当有生猪通过饮食栏时,测量得到的距离会发生变化,因此可以通过设定合适的阈值判断生猪是否通过生猪饮食栏。在设定阈值时需要综合考虑通过超声波测距系统的位置以及生猪的尺寸等影响距离变化的因素,所以提出采用极差法动态设定阈值。如图4所示,设定阈值的具体步骤为:
①得到生猪由不同位置通过超声波发射模块和接收模块之间的测量距离LDi(i=1,2,···,n)和不同尺寸生猪通过超声波发射模块和接收模块之间的测量距离SDj(j=1,2,···,m);
②对测量得到的生猪进、出饮食区距离数据进行预处理,舍弃因为人为因素和环境因素造成的不合适数据;
③求出LDi的最大值LDmax与最小值LDmin和SDj的最大值SDmax与最小值SDmin;
④求LDmax和SDmax两者中的最大值Dmax,LDmin和SDmin两者中的最小Dmin,如下式所示:
Dmax=max(LDmax,SDmax)
Dmin=min(LDmin,SDmin)
⑤求阈值T:T=Dmax-Dmin。
(6)生猪没有通过超声波测距系统时,超声波测距系统测得的距离是实际距离;当生猪通过超声波测距系统时超声波得到的实测距离会发生变化。当实测距离的变化超过设定的阈值就判定生猪通过了超声波测距系统。
只安装一个发射和一个接收模块不能判断生猪通过超声波测距系统的方向,为此本发明采用两个接收模块和一个发射模块,数据采集处理模块同时处理发射探头与两个接收模块的实测距离数据。根据生猪通过两个接收模块实测距离变化的先后顺序确定生猪进出饮食区的方向。
生猪饮食数据传输层通过以太网将采集到的生猪饮食数据从饮食数据采集处理模块上传到生猪饮食异常智能监测层。
生猪饮食异常智能监测层对采集到的饮食数据进行处理、判断,并将采集到的数据与判断结果在上位机界面中显示,对异常结果进行报警。具体步骤如下:
S1:在生猪饮食异常智能监测层对采集到的生猪饮食数据进行标准化处理,排除由于生猪饮食次数和饮食时间的量纲与数量级不同对判断结果的干扰。考虑到生猪饮食异常在线监测过程中,实时采集数据的标准化问题,本发明采用如下两个公式分别对生猪饮食次数与饮食时间进行标准化。
式中,x1’为标准化后的生猪饮食次数;x1为原始的生猪饮食次数;x2’为标准化后的生猪饮食时间;x2为原始的生猪饮食时间。
S2:根据所述系统的基于改进支持向量数据描述(SVDD)的生猪饮食异常概率判断,利用改进SVDD计算生猪饮食异常概率,当异常概率大于设定阈值时,判断生猪饮食发生异常。SVDD是一种基于支持向量的数据描述算法,它的思想是:将生猪正常饮食样本映射到一个高维空间,目的是寻找一个能够包含全部或者几乎全部样本的最小超球体,把超球体边界作为生猪正常饮食数据和异常饮食数据的划分依据。利用SVDD对生猪饮食异常检测的主要步骤如下:
①构建训练样本集x={x1,…,xn},其中xi∈Rd(1≤i≤n)为饮食次数和饮食时间数据集,n是饮食数据的个数;
②设超球体半径为r、球心为o。该模型的优化问题可以描述为:
st.||φ(xi)-o||2≤r2+ξi≥0,ξi≥0,1≤i≤n
式中,ξi为引入的松弛项,当xi在B(o,r)超球内或面上时,ξi=0,否则ξi>0;C为惩罚因子;
③引入拉格朗日算子,上式的拉格朗日函数表达式为:
式中,αi、βi为拉格朗日乘子,αi=(α1,α2,…,αN),βi=(β1,β2,…,βN)。
对L(r,o,ξi,αi,βi)求r、o和ξi的偏导,所求偏导全部为零,可以得到:
④将上式带入拉格朗日函数表达式,则得到问题的对偶形式:
求解上式可得到最优解:
αi=(α1,α2,…,αN)
⑤根据上式可求得超球体半径r:
当αi=0时,其所对应的生猪饮食数据点落到超球体内部;当0<αi<C时,所对应生猪饮食数据点落到超球面上,属于支持向量;当αi=C时,对应生猪饮食数据点落到超球体外部;
⑥判断生猪饮食数据到超球体球心距离是否小于超球体的半径,如果小于,则为正常饮食数据;否则,为异常饮食数据。其决策方程为:
可以通过引入核函数K(xi,xj)=<φ(xi)·φ(xj)>来求上式中内积的解,则上式可转换为:
传统的SVDD可以通过决策函数判断生猪饮食是否发生异常。当决策函数f(z)=1时,z为正常饮食数据;f(z)=-1时,z为异常数据。但生猪饮食异常判断具有一定的模糊性,当采集的生猪饮食数据变换到高维空间位于超球体的边缘时,很难判断是否为异常。因此,本发明通过计算生猪饮食异常概率来描述生猪饮食的异常程度。当异常概率大于设定阈值时,判断生猪饮食发生异常。生猪饮食异常概率的计算公式如下:
式中,P为生猪饮食异常概率;r为SVDD构建的超球体半径;d为生猪饮食数据到SVDD构建的超球体球心的距离;m为加权指数,本发明中m=2。
S3:针对SVDD中惩罚因子与核函数参数难以确定的问题,利用PSO算法对SVDD参数进行优化,排除人为设定参数的随机性,提高模型的训练效率。如图5所示,具体过程如下:
①每一个粒子由SVDD模型的两个参数组成,对粒子群参数初始化并进行迭代搜索;
②对于每一位粒子,利用待优化参数对SVDD进行训练,使用交叉验证求SVDD的平均精度作为该粒子的适应度值,适应度函数定义为:
式中,k为交叉验证折数,本发明中选择k=10;em=ET/E,ET为识别正确的饮食数据;E为总识别的饮食数据。
③对于每一个粒子,将搜索的最优位置的适应度值与上一步得到的最优历史值作比较,将最大适应度值作为该粒子的最优历史值,并更新个体的历史最优位置;
④比较每个体粒子的历史最优适应度值与粒子群搜索的最优位置适应度值,将最大适应度值作为全局最优位置;
⑤利用下式更新粒子的速度和位置;
vid=vid+c1r1(pid-xid)+c2r2(pzd-xzd)
xid=xid+vid
⑥如果达到终止条件,即满足F≤ε,则把最终的待优化参数进行输出,把输出的最优SVDD参数带入训练模型,进行模型训练,并利用训练好的SVDD模型进行生猪饮食数据的异常判断。如果没有达到终止条件,则转到⑤。
S4:为了更加直观的显示生猪饮食参数及其变化规律,本发明设计了上位机监测界面。如图6所示,系统画面主要由登录、主画面、操作记录、趋势、报警记录和存储记录组成,六个画面密切协作,实现了系统的监测功能。其中:①登录界面:为了防止非用户登录和查看,需要输入正确的账号和密码才能登录系统。②主画面:可以实时、直观地显示生猪饮食参数,方便饲养员及时查看生猪饮食状况。③操作记录:记录操作人员的操作过程,可以选择起始与结束时间进行记录表的查询与打印。④趋势画面:把饮食次数和饮食时间的采样数据以曲线形式表现出来,饲养员可以通过趋势画面更直观的掌握生猪饮食的变化规律。⑤报警记录:及时了解生猪饮食异常信息,在线记录、显示生猪饮食异常报警事件的发生时间和顺序,可以按时间、序号对报警信息进行查询。⑥存储记录画面:能够对生猪饮食的日常数据进行记录并保存,方便饲养员查看生猪各阶段的饮食状况。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种生猪饮食异常智能监测系统,其特征在于:包括生猪饮食数据采集层、生猪饮食数据传输层、生猪饮食异常智能监测层;其中,生猪饮食数据采集层用于采集猪圈中的包括饮食时间和饮食次数在内的生猪饮食数据,生猪饮食数据采集层包括:超声波发射模块、超声波接收模块、饮食数据采集处理模块和生猪饮食栏;生猪饮食数据通过生猪饮食数据传输层的以太网上传到生猪饮食异常智能监测层;生猪饮食异常智能监测层对采集到的饮食数据进行处理、判断、显示并报警,对采集到的饮食数据进行处理、判断包括:生猪饮食数据标准化、基于改进支持向量数据描述(SVDD)的生猪饮食异常概率判断、粒子群优化(PSO)算法优化SVDD参数,最后得到生猪饮食异常判断结果;并将采集到的饮食数据与生猪饮食异常判断结果在上位机界面中显示,对异常结果进行报警。
2.根据权利要求1所述的系统,其特征在于:所述超声波发射模块、超声波接收模块分别安装在生猪饮食栏的入口处两侧,超声波发射模块、超声波接收模块互相正对且安装位置等高,采用对射的安装方式,利用射频信号和超声波信号到达超声波接收模块的到达时间差法测量距离;饮食数据采集处理模块用于采集超声波发射模块、超声波接收模块之间的距离数据并根据距离数据的变化判断生猪是否通过生猪饮食栏,当有生猪从超声波发射模块、超声波接收模块之间通过时,测量得到的超声波发射模块、超声波接收模块之间的距离增大,根据设定的阈值判断生猪是否通过生猪饮食栏,若距离数值大于该阈值即判定为生猪通过该生猪饮食栏。
3.根据权利要求2所述的系统,其特征在于:采用两个超声波接收模块和一个超声波发射模块,两个超声波接收模块安装在生猪饮食栏的同侧等高位置,超声波发射模块安装在生猪饮食栏的另一侧等高位置,超声波接收模块一正对超声波发射模块,超声波接收模块二与超声波接收模块一保持一定横向距离,饮食数据采集处理模块同时采集超声波发射模块与两个超声波接收模块之间的距离数据,根据两个接收模块所检测到的距离变化的先后顺序,实现生猪进出生猪饮食栏方向的判断;同时通过判断生猪进出饮食栏的方向,得到生猪进入饮食栏并在生猪饮食栏中停留的时间与次数,即生猪饮食时间和饮食次数。
4.根据权利要求1-3任一所述的系统的生猪饮食异常智能监测方法,其特征在于:包括生猪饮食数据采集步骤、生猪饮食数据传输步骤、生猪饮食异常智能监测步骤;生猪饮食数据采集步骤:采集猪圈中的生猪饮食数据;生猪饮食数据传输步骤:将生猪饮食数据上传到生猪饮食异常智能监测层;生猪饮食异常智能监测步骤:对采集到的饮食数据进行处理、判断,包括:生猪饮食数据标准化、基于改进支持向量数据描述(SVDD)的生猪饮食异常概率判断、粒子群优化(PSO)算法优化SVDD参数;最后将采集到的数据与判断结果在上位机界面中显示,对异常结果进行报警。
5.根据权利要求4所述的监测方法,其特征在于:生猪饮食数据采集步骤中,利用射频信号和超声波信号到达超声波接收模块的到达时间差法测量距离;当有生猪从超声波发射模块、超声波接收模块之间通过时,测量得到的超声波发射模块、超声波接收模块之间的距离增大,根据设定的阈值判断生猪是否通过生猪饮食栏,若距离数值大于该阈值即判定为生猪通过该生猪饮食栏。
6.根据权利要求5所述的监测方法,其特征在于:采用极差法动态设定阈值,具体步骤为:
①得到生猪由不同位置通过超声波发射模块和接收模块之间的测量距离LDi(i=1,2,···,n)和不同尺寸生猪通过超声波发射模块和接收模块之间的测量距离SDj(j=1,2,···,m);
②舍弃人为因素和环境因素造成的不合适数据;
③求出LDi的最大值LDmax与最小值LDmin和SDj的最大值SDmax与最小值SDmin;
④求LDmax和SDmax两者中的最大值Dmax,LDmin和SDmin两者中的最小Dmin,如下式所示:
Dmax=max(LDmax,SDmax)
Dmin=min(LDmin,SDmin)
⑤求阈值T,T=Dmax-Dmin。
7.根据权利要求4所述的监测方法,其特征在于:在生猪饮食异常智能监测步骤中对采集到的生猪饮食数据进行标准化处理,排除由于生猪饮食次数和饮食时间的量纲与数量级不同对判断结果的干扰;采用如下两个公式分别对生猪饮食次数与饮食时间进行标准化:
式中,x1’为标准化后的生猪饮食次数;x1为原始的生猪饮食次数;x2’为标准化后的生猪饮食时间;x2为原始的生猪饮食时间。
8.根据权利要求7所述的监测方法,其特征在于:利用改进支持向量数据描述(SupportVector Data Description,SVDD)判断采集到的生猪饮食数据的异常概率;针对生猪异常饮食数据判断的模糊性问题,通过计算生猪饮食异常概率来描述生猪饮食的异常程度,当异常概率大于设定阈值时,判断生猪饮食发生异常;生猪饮食异常概率的计算公式如下:
式中,P为生猪饮食异常概率;r为SVDD构建的超球体半径;d为生猪饮食数据到SVDD构建的超球体球心的距离;m为加权指数;
利用粒子群优化(Particle Swarm Optimization,PSO)算法对SVDD参数进行优化,排除人为设定参数的随机性,提高模型的训练效率。
9.根据权利要求8所述的监测方法,其特征在于:利用SVDD构建超球体及其半径r为:
①构建训练样本集x={x1,…,xn},其中xi∈Rd(1≤i≤n)为饮食次数和饮食时间数据集,n是饮食数据的个数;
②设超球体半径为r、球心为o;该模型的优化问题描述为:
st.||φ(xi)-o||2≤r2+ξi≥0,ξi≥0,1≤i≤n式中,ξi为引入的松弛项,当xi在B(o,r)超球内或面上时,ξi=0,否则ξi>0;C为惩罚因子;
③引入拉格朗日算子,上式的拉格朗日函数表达式为:
式中,αi、βi为拉格朗日乘子,αi=(α1,α2,…,αN),βi=(β1,β2,…,βN);
对L(r,o,ξi,αi,βi)求r、o和ξi的偏导,所求偏导全部为零,得到:
④将上式带入拉格朗日函数表达式,则得到问题的对偶形式:
求解上式可得到最优解:
αi=(α1,α2,…,αN)
⑤根据上式可求得超球体半径r:
当αi=0时,其所对应的生猪饮食数据点落到超球体内部;当0<αi<C时,所对应生猪饮食数据点落到超球面上,属于支持向量;当αi=C时,对应生猪饮食数据点落到超球体外部。
10.根据权利要求9所述的监测方法,其特征在于:针对SVDD中惩罚因子与核函数参数难以确定的问题,利用PSO算法对SVDD参数进行优化,排除人为设定参数的随机性,提高模型的训练效率,具体过程如下:
①每一个粒子由SVDD模型的两个参数组成,对粒子群参数初始化并进行迭代搜索;
②对于每一位粒子,利用待优化参数对SVDD进行训练,使用交叉验证求SVDD的平均精度作为该粒子的适应度值,适应度函数定义为:
式中,k为交叉验证折数;em=ET/E,ET为识别正确的饮食数据;E为总识别的饮食数据;
③对于每一个粒子,将搜索的最优位置的适应度值与上一步得到的最优历史值作比较,将最大适应度值作为该粒子的最优历史值,并更新个体的历史最优位置;
④比较每个体粒子的历史最优适应度值与粒子群搜索的最优位置适应度值,将最大适应度值作为全局最优位置;
⑤利用下式更新粒子的速度和位置;
vid=vid+c1r1(pid-xid)+c2r2(pzd-xzd)
xid=xid+vid
⑥如果达到终止条件,即满足F≤ε,则把最终的待优化参数进行输出,把输出的最优SVDD参数带入训练模型,进行模型训练,并利用训练好的SVDD模型进行生猪饮食数据的异常判断。如果没有达到终止条件,则转到⑤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653877.3A CN110363247B (zh) | 2019-07-19 | 2019-07-19 | 一种生猪饮食异常智能监测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910653877.3A CN110363247B (zh) | 2019-07-19 | 2019-07-19 | 一种生猪饮食异常智能监测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110363247A true CN110363247A (zh) | 2019-10-22 |
CN110363247B CN110363247B (zh) | 2021-11-02 |
Family
ID=68220869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910653877.3A Active CN110363247B (zh) | 2019-07-19 | 2019-07-19 | 一种生猪饮食异常智能监测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110363247B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111109105A (zh) * | 2019-12-17 | 2020-05-08 | 广东顺德雷舜信息科技有限公司 | 宠物喂食方法、装置、计算机设备及存储介质 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203206908U (zh) * | 2013-04-28 | 2013-09-25 | 天津闪联科技有限公司 | 一种群饲条件下猪个体采食行为监测装置 |
CN107027650A (zh) * | 2017-03-21 | 2017-08-11 | 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 |
CN107692980A (zh) * | 2017-09-18 | 2018-02-16 | 浙江利尔达物联网技术有限公司 | 一种牲畜健康情况自动监测分析方法及系统 |
CN109446486A (zh) * | 2018-11-16 | 2019-03-08 | 浙江大学城市学院 | 一种基于物联网数据采集的舍养羊只饮食异常的监测方法 |
-
2019
- 2019-07-19 CN CN201910653877.3A patent/CN110363247B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203206908U (zh) * | 2013-04-28 | 2013-09-25 | 天津闪联科技有限公司 | 一种群饲条件下猪个体采食行为监测装置 |
CN107027650A (zh) * | 2017-03-21 | 2017-08-11 | 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 |
CN107692980A (zh) * | 2017-09-18 | 2018-02-16 | 浙江利尔达物联网技术有限公司 | 一种牲畜健康情况自动监测分析方法及系统 |
CN109446486A (zh) * | 2018-11-16 | 2019-03-08 | 浙江大学城市学院 | 一种基于物联网数据采集的舍养羊只饮食异常的监测方法 |
Non-Patent Citations (2)
Title |
---|
姜万录: ""基于VMD和SVDD结合的滚动轴承性能退化程度定量评估"", 《振动与冲击》 * |
李树卿: ""基于PSO的改进的SVDD算法及其在个人信用评估中的应用"", 《中国优秀硕士论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111109105A (zh) * | 2019-12-17 | 2020-05-08 | 广东顺德雷舜信息科技有限公司 | 宠物喂食方法、装置、计算机设备及存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110363247B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145032B (zh) | 一种蜜蜂养殖智能监测方法与系统 | |
Wang et al. | Intelligent fish farm—the future of aquaculture | |
CN108920626B (zh) | 一种云养殖方法及云养殖设备 | |
Jingqiu et al. | Cow behavior recognition based on image analysis and activities | |
Wu et al. | Information perception in modern poultry farming: A review | |
Brown-Brandl et al. | A review of passive radio frequency identification systems for animal monitoring in livestock facilities | |
CN206164658U (zh) | 一种基于无线网络的家畜养殖智能控制系统 | |
CN107148920A (zh) | 一种猪只健康智能监测方法及其系统 | |
CN106383537A (zh) | 一种家畜养殖智能系统 | |
US9961883B2 (en) | Rapid and automatic determination of metabolic efficiency in livestock | |
KR20210041957A (ko) | IoT 센서를 활용한 농업 및 목축용 실시간 모니터링 시스템 및 방법 | |
CN110363247A (zh) | 一种生猪饮食异常智能监测方法和系统 | |
CN112544503B (zh) | 一种智能蜂箱的监测预警系统及方法 | |
CN106506848A (zh) | 一种基于ZigBee的家畜养殖控制系统 | |
WO2021203757A1 (zh) | 一种个体管控畜禽养殖方法 | |
Zhang et al. | Advancements in artificial intelligence technology for improving animal welfare: Current applications and research progress | |
CN108805736A (zh) | 一种两点模式下养殖系统及状态监测方法 | |
Vigneswari | Smart IoT cloud based livestock monitoring system: A survey | |
Quintana et al. | A hybrid solar powered chicken disease monitoring system using decision tree models with visual and acoustic imagery | |
CN111713427B (zh) | 一种乳猪卫生健康状况监控系统 | |
CN107168403B (zh) | 一种基于can现场总线的鸡舍环境温度检测系统 | |
CN206612780U (zh) | 基于红外热像图的温度信息监测系统 | |
Zhu et al. | Automated monitoring system of pig behavior based on RFID and ARM-LINUX | |
CN110779575A (zh) | 一种基于大数据平台的畜牧业监测系统 | |
CN104573188B (zh) | 一种基于大数据猪行为方式分析的育肥猪舍设计方法 |
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 |