CN110728268A - 基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 - Google Patents
基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 Download PDFInfo
- Publication number
- CN110728268A CN110728268A CN201911197251.2A CN201911197251A CN110728268A CN 110728268 A CN110728268 A CN 110728268A CN 201911197251 A CN201911197251 A CN 201911197251A CN 110728268 A CN110728268 A CN 110728268A
- Authority
- CN
- China
- Prior art keywords
- rumination
- envelope
- signal
- decision tree
- pressure
- 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.)
- Pending
Links
- 230000022676 rumination Effects 0.000 title claims abstract description 142
- 208000015212 rumination disease Diseases 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003066 decision tree Methods 0.000 title claims abstract description 24
- 235000013336 milk Nutrition 0.000 title abstract description 10
- 239000008267 milk Substances 0.000 title abstract description 10
- 210000004080 milk Anatomy 0.000 title abstract description 10
- 235000013365 dairy product Nutrition 0.000 claims abstract description 15
- KVSNMTUIMXZPLU-UHFFFAOYSA-N D:A-friedo-oleanane Natural products CC12CCC3(C)C4CC(C)(C)CCC4(C)CCC3(C)C2CCC2(C)C1CCCC2C KVSNMTUIMXZPLU-UHFFFAOYSA-N 0.000 claims abstract description 6
- JUUHNUPNMCGYDT-UHFFFAOYSA-N Friedelin Natural products CC1CC2C(C)(CCC3(C)C4CC(C)(C)CCC4(C)CCC23C)C5CCC(=O)C(C)C15 JUUHNUPNMCGYDT-UHFFFAOYSA-N 0.000 claims abstract description 6
- OFMXGFHWLZPCFL-SVRPQWSVSA-N friedelin Chemical compound C([C@H]1[C@]2(C)CC[C@@]34C)C(C)(C)CC[C@]1(C)CC[C@]2(C)[C@H]4CC[C@@]1(C)[C@H]3CCC(=O)[C@@H]1C OFMXGFHWLZPCFL-SVRPQWSVSA-N 0.000 claims abstract description 6
- MFVJCHSUSSRHRH-UHFFFAOYSA-N friedeline Natural products CC1(C)CCC2(C)CCC3C4(C)CCC5C(C)(C)C(=O)CCC5(C)C4CCC3(C)C2C1 MFVJCHSUSSRHRH-UHFFFAOYSA-N 0.000 claims abstract description 6
- 241000283690 Bos taurus Species 0.000 abstract description 47
- 230000006399 behavior Effects 0.000 abstract description 26
- 241000282849 Ruminantia Species 0.000 abstract description 18
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 241001465754 Metazoa Species 0.000 abstract description 8
- 230000036541 health Effects 0.000 abstract description 6
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 4
- 230000012173 estrus Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 244000144972 livestock Species 0.000 abstract description 2
- 230000008560 physiological behavior Effects 0.000 abstract description 2
- 241000511730 Leymus chinensis Species 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 239000012141 concentrate Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009395 breeding Methods 0.000 description 2
- 230000001488 breeding effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000009747 swallowing Effects 0.000 description 2
- 235000019750 Crude protein Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000019764 Soybean Meal Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000015111 chews Nutrition 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000012343 cottonseed oil Nutrition 0.000 description 1
- 235000019784 crude fat Nutrition 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004634 feeding behavior Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004455 soybean meal Substances 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于决策树分类器与鼻羁压力包络信号的奶牛反刍行为识别方法，属于动物个体体征监测技术领域。反刍行为可以监测奶牛等拥有反刍生理行为的家畜的发情期、进食情况和体征健康状况等。本发明采用压力传感器对奶牛鼻羁处的压力信号进行采集,对采集得到的奶牛鼻羁压力信号进行均方根包络和极值包络两个时域特征参数的提取，通过决策树分类器监测帧信号来标记反刍的起点和终点，找到反刍起止点后，反刍次数增加，同时令反刍起点到反刍终点的时间差为此段反刍的反刍时长，反刍次数和反刍时长的变化可以反映反刍动物的体征健康状况。本发明通过测量奶牛鼻羁处的压力包络信号监测奶牛的反刍时长和反刍次数，可以有效地降低噪声、温湿度等环境因素的干扰，实现对奶牛个体的反刍行为的识别。
Description
技术领域
本发明属于动物个体体征监测技术领域，具体涉及一种基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法。
背景技术
反刍行为是反刍动物将植物资源转化为动物资源的重要行为，并且反映了动物的生理健康及福利水平。疾病、产犊、发情、日粮颗粒、应激反应等都会影响反刍行为，因此可以通过监测反刍行为的变化来反馈动物的生理健康及福利水平。传统的人工监测方法耗时费力，效率不高，随着养殖规模的扩大和精准畜牧业研究的深入，对反刍自动监测系统的需求也日益增加。传统的反刍监测方法主要依赖人工，耗时费力，随着养殖规模的扩大和精准畜牧业研究的深入，不仅提高了养殖场工人的饲养能力，节约劳动力，也提高了对牛群的监管效率，降低了养殖场的饲养成本。
发明专利“一种反刍动物反刍与吞咽次数的音频识别算法”公开号(CN103914732A)，公开了一种反刍动物反刍与吞咽次数识别方法,该方法通过在反刍动物颈部佩戴的接触式声音传感器获取反刍声音信号,通过对音频信号在时域和频域的处理,获取反刍时间、次数和持续时间等信息。该方法采用的监测设备易受环境噪声和电磁环境的影响，采集的信号信噪比较低，效果欠佳。
本发明通过内置在奶牛佩戴的笼头鼻羁压力的传感器测量奶牛鼻羁压力变化,获取奶牛鼻羁压力信号,并通过对于鼻羁压力信号特点的分析区分奶牛的反刍行为和进食等其他行为，提取“均方根包络”和“极值包络”两个反刍鼻羁压力包络信号的时域特征参数,利用这两个时域特征参数可以有效地区分反刍信号和进食等其他行为信号，最后利用决策树分类器对反刍鼻羁压力包络信号的两个重要参数反刍时长与反刍次数进行识别。该方法可以有效地减小环境噪声等引入的干扰,并快速有效的识别奶牛的反刍行为。
发明内容
为了实现对奶牛反刍状况的准确判断,并克服现有反刍识别方法的缺点,本发明提出了一种基于决策树分类器与鼻羁压力包络信号的奶牛反刍行为识别方法。
本发明的技术方案如下：
(1)通过一种可穿戴的鼻羁压力信号采集设备对奶牛鼻羁压力信号进行采集，采集奶牛因反刍行为与进食等其他行为产生的鼻羁压力信号的变化。
(2)通过对反刍鼻羁压力信号特点的分析，选取均方根包络、极值包络作为反刍鼻羁压力信号的时域特征。
(3)根据提取得到的“均方根包络”和“极值包络”两个时域特征参数建立基于决策树分类器的反刍识别模型。
步骤(1)中在奶牛佩戴的笼头鼻羁中内置一个压力传感器，该传感器可以测量反刍动物咀嚼时因颌运动而导致的压力变化，压力传感器将该压力转换成信号波形，存储在与之相连的SD卡内，并通过无线传输的方式上传到服务器。
步骤(2)中提取均方根包络：求取鼻羁压力信号的上下均方根包络，绘制出上包络曲线与下包络曲线，得到鼻羁压力信号的均方根包络，图1是反刍鼻羁压力信号均方根包络；提取极值包络：求取鼻羁压力信号的上下极值包络，绘制出上包络曲线与下包络曲线，得到鼻羁压力信号的极值包络，图2是反刍鼻羁压力信号极值包络。
步骤(3)中学习步骤如下：
步骤1建立决策树模型：这个过程通常分为两个阶段：
1)建树：创建根结点后递归创建子树，最终构造成一颗完整的树。
2)剪枝：简化决策树结构，降低训练集中存在的起伏。
步骤2对输入样本进行分类：从根结点依次比较待测样本的属性值，直至达到某个叶结点，那么该叶结点的类别就是待测样品所属的类，利用样本的类别和样本的特征对于创建好的决策树分类器进行仿真预测，得到的输出对应样本的类别，并将待预测样本对应的所属类别进行标签。
步骤(3)中识别步骤如下，将包络特征作为决策树分类器的输入特征来识别反刍行为，图5是奶牛反刍时长与反刍次数监测算法流程图：
(1)标记反刍起点：用决策树分类器检测当前帧信号，当检测到当前帧信号为反刍鼻羁压力信号时，记当前帧的起始点为X1，若检测到后9帧信号均为反刍鼻羁压力信号时，判断此段信号为反刍鼻羁压力信号，并记此段反刍起始点为X1，否则判定此段信号为其他行为的鼻羁压力信号，取消反刍起始点标记，重复预处理；
(2)标记反刍终点：标记完反刍起始点后，继续检测当前帧信号，当检测到当前帧信号不是反刍鼻羁压力信号时，判断此段反刍鼻羁压力信号结束，记当前帧的起始点为X2，终点为X3，并令X2点为此段反刍的终点；
(3)统计反刍次数和反刍时长：每完成一次反刍行为起始点和终止点的标记后，反刍次数自动加1，并令X1点到X2点的时间差为此段反刍的反刍时长，这样就实现了反刍次数和反刍时长的统计；
本发明的有益效果是将测量得到的奶牛鼻羁压力信号进行均方根包络与极值包络两个时域特征参数的提取，可以有效减小环境噪声干扰并大幅提高反刍识别精度,并且相比于传统识别方法,具有更高的效率与准确率。
附图说明
图1是反刍鼻羁压力信号均方根包络。
图2是反刍鼻羁压力信号极值包络。
图3是奶牛反刍行为与进食等其他行为的鼻羁压力信号时域波形。
图4是奶牛反刍时长与反刍次数监测算法流程图。
图5是直接观察和反刍识别模型的拟合图。
具体实施方式
下面结合附图和实例对本发明的具体实施方式作进一步详细描述。以下实例用于说明本发明,但不用来限制本发明的范围。
本发明提供的一种基于决策树分类器与鼻羁压力包络信号分析处理的奶牛反刍行为识别方法，反刍行为识别方法主要包括以下步骤：
(1)对奶牛鼻羁压力进行测量。通过一种可穿戴的鼻羁压力信号采集设备对奶牛鼻羁压力信号进行采集，采集奶牛因反刍行为、进食等其他行为产生的鼻羁压力信号的变化。
(2)通过对反刍鼻羁压力信号特点的分析，选取均方根包络、极值包络作为反刍鼻羁压力信号的时域特征。
(3)根据提取得到的“均方根包络”和“极值包络”两个时域特征参数建立基于决策树分类器的反刍识别模型。
具体实施方案如下：
试验前三天为适应期，牛舍为半封闭式牛舍。试验对象为4头处于干奶期的年龄为5.1±0.3岁、体重为670±20kg的健康荷斯坦奶牛。试验期间由有夜视功能的摄像机记录奶牛行为，摄像机位于限位栏正前方3米，距地面2.5m。试验过程中，于每日5:00和14:30饲喂精料补充料和羊草(精粗比3:7)，精料营养成分为玉米84.87％、豆粕7.32％、棉籽粕3.66％、食盐1.71％、预混料2.44％，羊草营养成分为粗蛋白15.42％、粗脂肪2.83％、粗纤维32.39％、无氮浸出物30.60％、粗灰分5.02％，将羊草铡切后，长度大于19mm的羊草占48％，长度介于8-19mm的羊草占22％，长度介于1.2-8mm的羊草占18％，长度小于1.2mm的羊草占12％。另外，试验期间奶牛可自由饮水。
开始采集数据前，将内存卡格式化、校准时钟、设置鼻羁压力信号采样频率为10Hz。这里认为每日7:00至次日7:00为一整天，系统自动处理每帧的鼻羁压力信号，并自动统计上传每头奶牛每小时的反刍数据，进而得到每头奶牛每天的反刍次数、反刍时长和反刍食团数。以试验对象1(5.4岁，675kg)为例，表1所示为反刍识别模型统计得到的该牛6天的反刍次数和反刍时长。
表1反刍识别模型统计的试验数据
本发明选用以下误差评价指标：标准误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)，对反刍识别算法的准确度进行统计分析，误差指标公式如下：
其中f(x)为直接观察到的反刍参数(反刍次数、反刍时长)，
为反刍主要参数识别模型统计的反刍参数，N1为试验天数，RMSE和MAE用来衡量反刍识别方法的离散程度，MAPE用来衡量反刍识别方法的准确性。利用公式(1)至(3)分别计算每头奶牛的反刍次数识别误差、反刍时长识别误差。最后取4头奶牛的反刍次数识别误差的平均数和反刍时长识别误差的平均数分别作为反刍识别模型的反刍次数识别误差和反刍时长识别误差。
表2反刍主要参数识别模型识别误差
由表2可知，反刍识别模型识别出的奶牛的反刍参数与直接观察得到的反刍参数之间存在一定的误差，相比反刍时长，反刍次数的识别误差较小，其RMSE、MAE和MAPE的值分别为0.4202、0.1667和1.41％。反刍时长的RMSE、MAE和MAPE的值分别为8.7520、7.6575和1.87％。
对于使用直接观察和反刍主要参数识别方法两种方法得到的4头奶牛6天的反刍次数和反刍时长两种反刍参数进行线性拟合来衡量直接观察和模型识别的一致性，如表3和图5所示，反刍次数与反刍时长的校正决定系数(Adjusted-R2)分别为0.9538、0.9467，表明经反刍识别模型处理过的反刍参数可以代表94％以上的经直接观察得到的反刍参数，其中此模型对反刍次数的识别效果优于反刍时长的识别效果。以反刍时长为例，其线性拟合模型斜率的95％置信区间包含1，说明在统计学角度上，经反刍识别模型处理得到的反刍时长与直接观察得到的反刍时长在统计学上没有显著差异。另外，其校正决定系数为0.9467，表明本发明所提出的反刍识别方法可以准确识别94.67％的反刍行为，结合图5，可以看出数据点均匀分布在直线周围，且距离直线的距离较小，表明直接观察和模型识别两种方法得到的反刍次数与反刍时长两项统计量的拟合效果很好，决定系数值很高，且回归方程斜率的95％置信区间包含值1，在统计学角度上截距与0没有显著差异。
表3直接观察与反刍识别模型的反刍信息线性拟合结果
综上所述，可以看出本发明所提出的基于决策树分类器与鼻羁压力包络信号的奶牛反刍主要参数识别方法可以准确地识别奶牛反刍行为信息。
本发明提出了一种基于决策树分类器与鼻羁压力包络信号的奶牛反刍行为识别方法，属于动物个体体征监测技术领域。反刍行为可以监测奶牛等拥有反刍生理行为的家畜的发情期、进食情况和体征健康状况等。本发明采用压力传感器对奶牛鼻羁处的压力信号进行采集,对采集得到的奶牛鼻羁压力信号进行均方根包络和极值包络两个时域特征参数的提取，通过决策树分类器监测帧信号来标记反刍的起点和终点，找到反刍起止点后，反刍次数增加，同时令反刍起点到反刍终点的时间差为此段反刍的反刍时长，反刍次数和反刍时长的变化可以反映反刍动物的体征健康状况。本发明通过测量奶牛鼻羁处的压力包络信号监测奶牛的反刍时长和反刍次数，可以有效地降低噪声、温湿度等环境因素的干扰，实现对奶牛个体的反刍行为的识别。
以上所述，仅是本发明的较佳实施案例，并非对本发明作任何形式上的限制，虽然本发明已将较佳实施案例揭露如上，但并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案的范围内，均可利用上述揭示的技术内容做出些许改善或修饰为等同变化的等效实施案例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上的实例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (3)
1.基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法，其特征在于：
步骤1：通过一种可穿戴的鼻羁压力信号采集设备对奶牛鼻羁压力信号进行采集；
步骤2：对步骤1中采集得到的鼻羁压力信号进行均方根包络和极值包络两个时域特征参数的提取；
步骤3：将步骤2中的包络特征作为决策树分类器的输入特征来识别反刍行为，利用决策树分类器根据反刍信号中的反刍起止点测量反刍次数和反刍时长，进而用于识别奶牛的反刍行为状况。
2.根据权利要求1中所述的鼻羁压力包络信号，其特征在于：选择均方根包络和极值包络作为反刍行为的时域特征参数，将采集得到的鼻羁压力信号进行均方根包络和极值包络两个时域特征参数的提取。
3.根据权利要求1中所述的决策树分类器，其特征在于：将包络特征作为决策树分类器的输入特征来识别反刍行为，通过决策树分类器监测帧信号来标记反刍的起点和终点，找到反刍起止点后，反刍次数增加，同时令反刍起点到反刍终点的时间差为此段反刍的反刍时长，这样就实现了反刍次数和反刍时长的统计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911197251.2A CN110728268A (zh) | 2019-11-29 | 2019-11-29 | 基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911197251.2A CN110728268A (zh) | 2019-11-29 | 2019-11-29 | 基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110728268A true CN110728268A (zh) | 2020-01-24 |
Family
ID=69225782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911197251.2A Pending CN110728268A (zh) | 2019-11-29 | 2019-11-29 | 基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110728268A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583962A (zh) * | 2020-05-12 | 2020-08-25 | 南京农业大学 | 一种基于声学分析的羊反刍行为监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103125748A (zh) * | 2013-03-21 | 2013-06-05 | 任宇齐 | 一种饲料级亚硒酸钠包被稀释剂的制备方法 |
| CN106993546A (zh) * | 2017-04-25 | 2017-08-01 | 东北农业大学 | 一种基于反刍时间与活动量的奶牛发情监测方法 |
| CN107490795A (zh) * | 2017-07-24 | 2017-12-19 | 长沙学院 | 一种通过雷达实现人体运动状态识别的方法 |
| CN110059781A (zh) * | 2019-04-11 | 2019-07-26 | 北京信诺必成科技有限公司 | 奶牛数字化行为识别装置 |
-
2019
- 2019-11-29 CN CN201911197251.2A patent/CN110728268A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103125748A (zh) * | 2013-03-21 | 2013-06-05 | 任宇齐 | 一种饲料级亚硒酸钠包被稀释剂的制备方法 |
| CN106993546A (zh) * | 2017-04-25 | 2017-08-01 | 东北农业大学 | 一种基于反刍时间与活动量的奶牛发情监测方法 |
| CN107490795A (zh) * | 2017-07-24 | 2017-12-19 | 长沙学院 | 一种通过雷达实现人体运动状态识别的方法 |
| CN110059781A (zh) * | 2019-04-11 | 2019-07-26 | 北京信诺必成科技有限公司 | 奶牛数字化行为识别装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张爱静: "基于鼻羁压力的奶牛反刍识别方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111583962A (zh) * | 2020-05-12 | 2020-08-25 | 南京农业大学 | 一种基于声学分析的羊反刍行为监测方法 |
| CN111583962B (zh) * | 2020-05-12 | 2021-05-18 | 南京农业大学 | 一种基于声学分析的羊反刍行为监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bikker et al. | Evaluation of an ear-attached movement sensor to record cow feeding behavior and activity | |
| Mattachini et al. | Methodology for quantifying the behavioral activity of dairy cows in freestall barns | |
| AU2017276810B2 (en) | System for monitoring pasture intake | |
| Milone et al. | Automatic recognition of ingestive sounds of cattle based on hidden Markov models | |
| CN111198549B (zh) | 一种基于大数据的家禽养殖监测管理系统 | |
| Nielsen et al. | Validation and comparison of 2 commercially available activity loggers | |
| CN105091938A (zh) | 畜禽健康状况监测方法及系统 | |
| Molfino et al. | Evaluation of an activity and rumination monitor in dairy cattle grazing two types of forages | |
| Shen et al. | Rumination recognition method of dairy cows based on the change of noseband pressure | |
| Bell et al. | Novel monitoring systems to obtain dairy cattle phenotypes associated with sustainable production | |
| KR20200117610A (ko) | 전자식 모돈 관리 장치 | |
| Sheng et al. | Construction of sheep forage intake estimation models based on sound analysis | |
| CN107410082A (zh) | 基于反刍动物鼻羁压力变化的反刍识别方法 | |
| Rau et al. | Developments on real-time monitoring of grazing cattle feeding behavior using sound | |
| CN110728268A (zh) | 基于决策树分类器与鼻羁压力包络信号的奶牛反刍识别方法 | |
| CN111916096B (zh) | 一种基于树莓派的藏羊牧食行为监测方法 | |
| CN102626306A (zh) | 用于自动评定奶牛体况分的方法 | |
| CN115777560A (zh) | 一种基于机器视觉分析技术的母猪智能化饲喂系统 | |
| CN113678751B (zh) | 一种肉牛体型参数获取与运动健康识别的智能过道装置 | |
| JP7089098B2 (ja) | 行動特定装置、行動特定方法、及びプログラム | |
| CN115147736A (zh) | 一种基于视觉识别的奶牛全周期健康检测系统 | |
| AU2013364503B2 (en) | A method and system for determining milk characteristics for individual animals in a herd | |
| CN114049293A (zh) | 一种奶牛乳房炎识别与患病等级划分装置 | |
| CN113989745A (zh) | 一种反刍动物饲养状况的非接触式监测方法 | |
| Martinez-Rau et al. | A noise-robust acoustic method for recognition of foraging activities of grazing cattle |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200124 |
|
| WD01 | Invention patent application deemed withdrawn after publication |