CN111626481A - 一种基于动态运输监测的动物肉品质评价方法及系统 - Google Patents

一种基于动态运输监测的动物肉品质评价方法及系统 Download PDF

Info

Publication number
CN111626481A
CN111626481A CN202010378958.XA CN202010378958A CN111626481A CN 111626481 A CN111626481 A CN 111626481A CN 202010378958 A CN202010378958 A CN 202010378958A CN 111626481 A CN111626481 A CN 111626481A
Authority
CN
China
Prior art keywords
parameter
value
monitoring
dynamic
sample
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
CN202010378958.XA
Other languages
English (en)
Other versions
CN111626481B (zh
Inventor
张小栓
张梦杰
罗海玲
肖新清
张露巍
李军
王磊
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202010378958.XA priority Critical patent/CN111626481B/zh
Publication of CN111626481A publication Critical patent/CN111626481A/zh
Application granted granted Critical
Publication of CN111626481B publication Critical patent/CN111626481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种基于动态运输监测的动物肉品质评价方法及系统，所述方法包括：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值；计算动态参数监测值对应的同质参数期望值，并根据同质参数期望值构建输入参数矩阵；将输入参数矩阵输入肉品质预测模型，获得目标动物活体对应的肉品质参数预测值，肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；根据所述肉品质参数预测值确定最差品质参数预测值，根据最差品质参数预测值和有效贮藏期规则确定有效贮藏期。本发明实施例能够准确地对肉品质参数的值进行预测，且恰当准确地确定出目标动物肉的有效贮藏期。

Description

一种基于动态运输监测的动物肉品质评价方法及系统
技术领域
本发明涉及可穿戴设备与食品质量溯源领域，具体涉及一种基于动态运输监测的动物肉品质评价方法及系统。
背景技术
未来牧场的信息化和智能化程度会越来越高，这对解放劳动力、发展生产和动物产品质量溯源等十分有利。现有技术中的数据采集和管理方法不仅效率低，而且耗费了大量的人力物力财力，不利于牧场的可持续发展。
现有技术存在信息较为不方便、信息传输效率不高和信息处理不智能等问题，不能高效地为动物健康管理、动物福利与肉品质溯源提供支持。
因此，如何实现基于动态运输监测的动物肉品质评价，提升数据采集和肉品质评价的效率，成为亟待解决的问题。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种基于动态运输监测的动物肉品质评价方法。
第一方面，本发明实施例提供一种基于动态运输监测的动物肉品质评价方法，包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
可选地，所述计算所述动态参数监测值对应的同质参数期望值，具体包括：
根据所述动态参数监测值中的环境参数监测值计算同质环境参数期望值；
根据所述动态参数监测值中的生化参数监测值计算同质生化参数期望值；
根据所述动态参数监测值中的体征参数监测值计算同质体征参数期望值；和/或，将所述同质环境参数期望值、同质生化参数期望值和同质体征参数期望值进行组合得到同质综合参数期望值；
其中，采用如下公式计算同质环境参数期望值：
Figure BDA0002481175740000021
Figure BDA0002481175740000022
其中，
Figure BDA0002481175740000023
为第i种环境参数的同质环境参数期望值；
Figure BDA0002481175740000024
为第i种环境参数的同质环境参数维度；
Figure BDA0002481175740000025
为第i种环境参数的第a维度的同质环境参数监测值权重；
Figure BDA0002481175740000026
为第i种环境参数的第a维度的环境参数监测值，
Figure BDA0002481175740000027
为预先获取的第i种环境参数的第a维度的环境参数监测标准误差；
其中，采用如下公式计算同质生化参数期望值：
Figure BDA0002481175740000028
Figure BDA0002481175740000029
其中，
Figure BDA0002481175740000031
为第j种生化参数的同质生化参数期望值；
Figure BDA0002481175740000032
为第j种生化参数的同质生化参数维度；
Figure BDA0002481175740000033
为第j种生化参数的第b维度的同质生化参数监测值权重；
Figure BDA0002481175740000034
为第j种生化参数的第b维度的生化参数监测值；
Figure BDA0002481175740000035
为预先获取的第j种生化参数的第b维度的生化参数监测标准误差；
其中，采用如下公式计算同质体征参数期望值：
Figure BDA0002481175740000036
Figure BDA0002481175740000037
其中，
Figure BDA0002481175740000038
为第k种体征参数的同质体征参数期望值；
Figure BDA0002481175740000039
为第k种体征参数的同质体征参数维度；
Figure BDA00024811757400000310
为第k种体征参数的第c维度的同质体征参数监测值权重；
Figure BDA00024811757400000311
为第k种体征参数的第c维度的体征参数监测值；
Figure BDA00024811757400000312
为预先获取的第k种体征参数的第c维度的体征参数监测标准误差。
可选地，训练获得所述肉品质预测模型的步骤，具体包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值样本，并获取所述动态参数监测值样本对应的肉品质参数试验值样本，所述动态参数监测值样本具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值样本；
计算所述动态参数监测值样本的同质参数期望值，以及所述肉品质参数试验值样本的同质品质参数期望值；
根据所述动态参数监测值样本的同质参数期望值构建训练样本，并将所述同质品质参数期望值作为所述训练样本对应的样本标签；
从所述训练样本中提取出N个样本，构成总体样本，并从所述总体样本中无规则提取M个样本作为初始基准样本；
分别计算所述初始基准样本与所述总体样本中的其他样本之间的欧氏距离的大小，按照欧式距离最小原则将所述总体样本划分为M个输入子样本；
计算每个输入子样本的样本均值，将所有输入子样本的样本均值作为下一代基准样本，当基准样本不再发生变化时，获得最终基准样本；
利用所述最终基准样本计算函数标准差和连接权值；
根据所述最终基准样本、函数标准差和连接权值计算获得所述训练样本对应的肉品质参数预测值，并根据所述肉品质参数预测值与样本标签，计算预测误差；
若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，直至计算获得的预测误差小于等于预设阈值时，保存当前迭代的最终基准样本、函数标准差和连接权值，获得训练完成的肉品质预测模型；
其中，N和M为大于0的自然数。可选地，利用所述最终基准样本计算函数标准差和连接权值，具体为：
根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差；
根据所述最终基准样本对应的样本标签确定连接权值。
可选地，所述将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，具体包括：
采用如下公式计算“环境参数-品质参数”预测输出结果：
Figure BDA0002481175740000041
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本数；
采用如下公式计算“生化参数-品质参数”预测输出结果：
Figure BDA0002481175740000042
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本数；
采用如下公式计算“体征参数-品质参数”预测输出结果：
Figure BDA0002481175740000043
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测值；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本数；和/或，
采用如下公式计算“综合参数-品质参数”预测输出结果：
Figure BDA0002481175740000051
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个同质综合参数期望值样本；εξ为综合函数标准差；M为最终基准样本的样本数。
可选地，所述按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，具体包括：
基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值。
可选地，所述根据所述同质参数期望值构建输入参数矩阵，具体包括：
获取品质调控参数，并确定品质调控参数值；
根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵；
相应地，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到，包括：
所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
可选地，根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案。
第二方面，本发明实施例提供一种基于动态运输监测的动物肉品质评价装置，包括：
动态参数监测模块，用于按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
预处理模块，用于计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
预测模块，用于将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
肉品质评价模块，用于确定所述肉品质参数预测值中的最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
第三方面，本发明实施例提供一种基于动态运输监测的动物肉品质评价系统，包括：
感知端、执行如第一方面任一所述基于动态运输监测的动物肉品质评价方法的云平台和智能设备，其中，所述感知端用于动态、实时和连续采集动态参数监测数据，所述智能设备用于通过访问所述云平台进行数据管理及分析，并向所述感知端发送指令，所述云平台与所述感知端和智能设备通信连接。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，可以准确地预测出所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确地确定出目标动物肉的有效贮藏期。
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一种基于动态运输监测的动物肉品质评价方法的流程示意图；
图2为本发明实施例提供的另一基于动态运输监测的动物肉品质评价方法的流程示意图；
图3为本发明实施例提供的一种基于动态运输监测的动物肉品质评价装置的结构示意图；
图4是本发明实施例提供的一种基于动态运输监测的动物肉品质评价系统的结构示意图；
图5是本发明实施例提供的一种基于动态运输监测的动物肉品质评价子系统的结构示意图；
图6为本发明实施例提供的一种电子设备的实体结构示意图。
附图说明：感知端-001；读写端-002；云平台-003；智能设备-004；汇聚节点005；车载动态监测系统-100；环境参数监测子系统-101；生化参数监测子系统-102；体征参数监测子系统-103；综合参数监测子系统-104；辅助检测系统-200；安全参数检测子系统-201；食用参数检测子系统-202；营养参数检测子系统-203；综合参数检测子系统-204。
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。
图1是本发明实施例提供的一种基于动态运输监测的动物肉品质评价方法的流程示意图，如图1所示，该方法包括：
S101：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
其中，所述动态监测参数须具有易被动态、实时和连续采集和记录的特征。
所述环境参数监测值具体包括温度、相对湿度、车厢振动强度(三维加速度、三维角速度、振动频率)、噪音强度、气压、二氧化碳浓度、氧气浓度、一氧化碳浓度、硫化氢浓度、氨气浓度和甲烷浓度，但不局限于这些。
所述生化参数监测值具体包括血糖浓度和血乳酸浓度，但不局限于此。
所述体征参数监测值具体包括脉搏频率、体温、呼吸频率、血压和血氧饱和度，但不局限于此。
具体地，通过多维单一传感器，按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的环境参数监测值、生化参数监测值、体征参数监测值中的一类或多类。
S102：计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵。
其中，所述同质参数期望值为通过多维单一传感器采集多方的动态参数监测值进一步计算得到，为同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值。
具体地，图2是本发明实施例提供的另一基于动态运输监测的动物肉品质评价方法的流程示意图，如图2所示，多维单一传感器采集多方的动态参数监测值，进一步计算所述动态参数监测值对应的同质参数期望值，再对同质参数期望值进行归一化处理，并根据归一化处理之后的同质参数期望值构建形成输入参数矩阵，同质环境参数期望值X、同质生化参数期望值Y、同质体征参数期望值Z、同质综合参数期望值V可用如下公式表示：
Figure BDA0002481175740000091
Figure BDA0002481175740000092
Figure BDA0002481175740000093
Figure BDA0002481175740000094
其中，
Figure BDA0002481175740000095
表示第n1异质环境参数维度的期望值，
Figure BDA0002481175740000096
表示第n2异质生化参数维度的期望值，
Figure BDA0002481175740000097
表示第n3异质体征参数维度的期望值，
Figure BDA0002481175740000098
表示第n4异质综合参数维度的期望值。
S103：将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉类品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
其中，所述肉品质参数预测值可用于评价肉类品质。
所述安全参数具体包括挥发性盐基氮含量、菌落总数和pH值，但不局限于此。
所述食用参数具体包括系水力和剪切力，但不局限于此。
所述营养参数具体包括碳水化合物含量、脂肪含量、蛋白质含量、维生素含量、水含量和无机盐含量，但不局限于此。
所述肉品质参数试验值样本的同质品质参数期望值为根据预先已知的多维单一样本品质参数试验值计算得到的同质品质参数期望值。
具体地，将S102构建形成的输入参数矩阵输入肉品质预测模型，可获得肉品质预测模型输出的所述目标动物活体对应的肉品质参数预测值，即输出的参数矩阵，需要说明的是，肉品质预测模型是根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。输出的参数矩阵W可用如下公式表示：
Figure BDA0002481175740000101
其中，
Figure BDA0002481175740000102
表示第n0异质品质参数维度的期望值。
S104：根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期。
其中，所述预设的有效贮藏期规则为根据多维单一样本品质参数试验值制定的与目标动物肉的有效贮藏期对应的规则。
有效贮藏期为动物肉从贮藏开始到满足最低品质限度的品质参数极限参考值所经历的时间。
所述最低品质限度的品质参数极限参考值是为保证目标动物肉产品质量的品质参数最小和/或最大参考值。
所述最差品质参数预测值为所述最低品质限度的品质参数极限参考值的子集。
具体地，根据S103得到的目标动物活体对应的肉品质参数预测值，可确定安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类，进一步地，可确定出肉品质参数预测值中的最差品质参数预测值；若肉品质参数预测值中包含安全参数预测值、食用参数预测值和营养参数预测值中的至少两类品质参数预测值，则称为综合品质参数预测值；有效贮藏期取从动物肉贮藏开始到满足最低品质限度的极限参考值所经历的时间。例如，最低品质限度的极限参考值可为：挥发性盐基氮含量不大于15mg/100g、菌落总数不大于7lg CFU/g、pH值不小于5.4且不大于6.5、系水力不小于30％、剪切力不小于30N且不大于60N、碳水化合物含量不大于1g/100g、脂肪含量不小于15g/100g且不大于35g/100g、蛋白质含量不小于8g/100g、维生素含量不低于0.2mg/100g、水含量不小于50％且不大于77.5％和无机盐含量，但不局限于上述参考值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值中的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确的确定出目标动物肉的有效贮藏期。
进一步地，在上述发明实施例的基础上，所述计算所述动态参数监测值对应的同质参数期望值，具体包括：
根据所述动态参数监测值中的环境参数监测值计算同质环境参数期望值；
根据所述动态参数监测值中的生化参数监测值计算同质生化参数期望值；
根据所述动态参数监测值中的体征参数监测值计算同质体征参数期望值；和/或，将所述同质环境参数期望值、同质生化参数期望值和同质体征参数期望值进行组合得到同质综合参数期望值；
其中，采用如下公式计算同质环境参数期望值：
Figure BDA0002481175740000111
Figure BDA0002481175740000112
其中，
Figure BDA0002481175740000113
为第i种环境参数的同质环境参数期望值；
Figure BDA0002481175740000114
为第i种环境参数的同质环境参数维度；
Figure BDA0002481175740000115
为第i种环境参数的第a维度的同质环境参数监测值权重；
Figure BDA0002481175740000116
为第i种环境参数的第a维度的环境参数监测值，
Figure BDA0002481175740000117
为预先获取的第i种环境参数的第a维度的环境参数监测标准误差，可根据具体监测数据计算获取。
其中，采用如下公式计算同质生化参数期望值：
Figure BDA0002481175740000118
Figure BDA0002481175740000119
其中，
Figure BDA00024811757400001110
为第j种生化参数的同质生化参数期望值；
Figure BDA00024811757400001111
为第j种生化参数的同质生化参数维度；
Figure BDA00024811757400001112
为第j种生化参数的第b维度的同质生化参数监测值权重；
Figure BDA00024811757400001113
为第j种生化参数的第b维度的生化参数监测值；
Figure BDA00024811757400001114
为预先获取的第j种生化参数的第b维度的生化参数监测标准误差，可根据具体监测数据计算获取。
其中，采用如下公式计算同质体征参数期望值：
Figure BDA0002481175740000121
Figure BDA0002481175740000122
其中，
Figure BDA0002481175740000123
为第k种体征参数的同质体征参数期望值；
Figure BDA0002481175740000124
为第k种体征参数的同质体征参数维度；
Figure BDA0002481175740000125
为第k种体征参数的第c维度的同质体征参数监测值权重；
Figure BDA0002481175740000126
为第k种体征参数的第c维度的体征参数监测值；
Figure BDA0002481175740000127
为预先获取的第k种体征参数的第c维度的体征参数监测标准误差，可根据具体监测数据计算获取。
具体地，多维单一传感器获取动态参数监测值中的环境参数监测值，并根据如下公式计算同质环境参数期望值：
Figure BDA0002481175740000128
Figure BDA0002481175740000129
Figure BDA00024811757400001210
多维单一传感器获取动态参数监测值中的生化参数监测值，并根据如下公式计算同质生化参数期望值：
Figure BDA00024811757400001211
Figure BDA00024811757400001212
Figure BDA00024811757400001213
多维单一传感器获取动态参数监测值中的体征参数监测值，并根据如下公式计算同质体征参数期望值：
Figure BDA00024811757400001214
Figure BDA00024811757400001215
Figure BDA00024811757400001216
和/或，将所述同质环境参数期望值、同质生化参数期望值和同质体征参数期望值进行组合得到同质综合参数期望值；根据同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值得到同质参数期望值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过公式计算能够准确得到同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值，进一步能够准确得到同质参数期望值。
进一步地，在上述发明实施例的基础上，训练获得所述肉品质预测模型的步骤，具体包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值样本，并获取所述动态参数监测值样本对应的肉品质参数试验值样本，所述动态参数监测值样本具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值样本；
计算所述动态参数监测值样本的同质参数期望值，以及所述肉品质参数试验值样本的同质品质参数期望值；
根据所述动态参数监测值样本的同质参数期望值构建训练样本，并将所述同质品质参数期望值作为所述训练样本对应的样本标签；
从所述训练样本中提取出N个样本，构成总体样本，并从所述总体样本中无规则提取M个样本作为初始基准样本；
分别计算所述初始基准样本与所述总体样本中的其他样本之间的欧氏距离的大小，按照欧式距离最小原则将所述总体样本划分为M个输入子样本；
计算每个输入子样本的样本均值，将所有输入子样本的样本均值作为下一代基准样本，当基准样本不再发生变化时，获得最终基准样本；
利用所述最终基准样本计算函数标准差和连接权值；
根据所述最终基准样本、函数标准差和连接权值计算获得所述训练样本对应的肉品质参数预测值，并根据所述肉品质参数预测值与样本标签，计算预测误差；
若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，直至计算获得的预测误差小于等于预设阈值时，保存当前迭代的最终基准样本、函数标准差和连接权值，获得训练完成的肉品质预测模型；
其中，N和M为大于0的自然数。具体地，所述同质品质参数期望值采用如下公式计算：
Figure BDA0002481175740000141
Figure BDA0002481175740000142
Figure BDA0002481175740000143
其中，
Figure BDA0002481175740000144
为同质品质参数期望值；
Figure BDA0002481175740000145
为同质品质参数维度；
Figure BDA0002481175740000146
为第d维度的同质品质参数试验值权重；
Figure BDA0002481175740000147
为已知的第d维度的品质参数试验值；
Figure BDA0002481175740000148
为已知的第d维度的品质参数试验标准误差，可根据具体监测数据计算获取。
通过动态监测获取环境参数监测值样本、生化参数监测值样本和体征参数监测值样本，并获取所述环境参数监测值样本、生化参数监测值样本和体征参数监测值样本对应的肉品质参数试验值样本，并基于此计算得出环境参数监测值样本、生化参数监测值样本、体征参数监测值样本对应的同质环境参数期望值、同质生化参数期望值、同质体征参数期望值，并获得同质环境参数期望值样本、同质生化参数期望值样本、同质体征参数期望值样本，根据所述动态参数监测值样本的同质参数期望值构建训练样本，再分别计算所述环境参数监测值样本、生化参数监测值样本和体征参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值，并将所述同质品质参数期望值作为所述训练样本对应的样本标签。
从所述同质环境参数期望值样本、同质生化参数期望值样本、同质体征参数期望值样本中分别提取N个样本，并将所提取的样本结合起来作为同质综合参数期望值样本，构成同质环境参数期望值总体样本、同质生化参数期望值总体样本、同质体征参数期望值总体样本和同质综合参数期望值总体样本；所述同质综合参数期望值总体样本的样本个数为N，且包括同质环境参数期望值样本、同质生化参数期望值样本和同质体征参数期望值样本中的至少两类参数期望值样本。
从所述总体样本中无规则提取M个样本作为肉品质预测模型输入的基准样本，即分别从同质环境参数期望值总体样本、同质生化参数期望值总体样本、同质体征参数期望值总体样本和同质综合参数期望值总体样本中提取M个基准样本，分别记作Xα、Yβ、Zγ和Vξ，其中，α＝1,2,…,M；β＝1,2,…,M；γ＝1,2,…,M；ξ＝1,2,…,M，分别计算Xα、Yβ、Zγ、Vξ与输入参数矩阵中的同质环境参数期望值样本Xn、同质生化参数期望值样本Yn、同质体征参数期望值样本Zn、同质综合参数期望值样本Vn的欧氏距离，按照欧氏距离最小原则，将Xn、Yn、Zn和Vn分别划分至环境参数输入样本集合、生化参数输入样本集合、体征参数输入样本集合和综合参数输入样本集合φn中，其中，n＝1,2,…,N，并分别计算环境参数输入样本集合均值、生化参数输入样本集合均值、体征参数输入样本集合均值和综合参数输入样本集合均值，将所述环境参数输入样本集合均值、所述生化参数输入样本集合均值、所述体征参数输入样本集合均值和所述综合参数输入样本集合均值作为新的基准样本。当新的基准样本不再发生变化时，获得最终基准样本，基于最终基准样本计算函数标准差和连接权值，其中环境函数标准差εα、生化函数标准差εβ、体征函数标准差εγ和综合函数标准差εξ根据如下公式确定：
Figure BDA0002481175740000151
Figure BDA0002481175740000152
Figure BDA0002481175740000153
Figure BDA0002481175740000154
其中，Xαmax、Yβmax、Zγmax和Vψmax分别对应为与Xα、Yβ、Zγ和Vψ之间欧氏距离最大值，M为可变参数。
环境连接权值wαψ第ψ个元素、生化连接权值wβψ第ψ个元素、体征连接权值wγψ第ψ个元素和综合连接权值wξψ第ψ个元素分别对应第α、β、γ和ξ个样本标签的第ψ个元素。
并利用所述最终基准样本、函数标准差和连接权值计算获得总体样本中的每个样本对应的肉品质参数预测值；详细地，采用如下公式计算“环境参数-品质参数”预测输出结果：
Figure BDA0002481175740000155
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“生化参数-品质参数”预测输出结果：
Figure BDA0002481175740000161
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“体征参数-品质参数”预测输出结果：
Figure BDA0002481175740000162
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本个数；或者，
采用如下公式计算“综合参数-品质参数”预测输出结果：
Figure BDA0002481175740000163
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个同质综合参数期望值样本；εξ为综合函数标准差；M为最终基准样本的样本个数。
根据所述每个样本对应的肉品质参数预测值以及样本标签，计算预测误差，若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，更新基准样本，再基于新基准样本计算函数标准差和连接权值，循环迭代直至基准样本不再发生变化，确定最终基准样本；再基于所述最终基准样本确定最终的函数标准差和连接权值，获得所述肉品质预测模型。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述每个样本对应的肉品质参数预测值以及样本标签，计算预测误差，判断所述预测误差，进一步确定最终基准样本，能够准确确定最终的函数标准差和连接权值，获得所述肉品质预测模型。
进一步地，利用所述最终基准样本计算函数标准差和连接权值，具体为：
根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差；
根据所述最终基准样本对应的样本标签确定连接权值。
具体地，根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差，根据所述最终基准样本对应的样本标签确定连接权值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差并根据所述最终基准样本对应的样本标签确定连接权值，能够准确确定函数标准差和连接权值。
进一步地，所述将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，具体包括：
采用如下公式计算“环境参数-品质参数”预测输出结果：
Figure BDA0002481175740000171
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本数。
采用如下公式计算“生化参数-品质参数”预测输出结果：
Figure BDA0002481175740000172
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本数。
采用如下公式计算“体征参数-品质参数”预测输出结果：
Figure BDA0002481175740000181
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测值；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本数。
和/或，采用如下公式计算“综合参数-品质参数”预测输出结果：
Figure BDA0002481175740000182
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个同质综合参数期望值样本；εξ为综合函数标准差；M为最终基准样本的样本数。
具体地，将所述输入参数矩阵输入肉品质预测模型，根据上述公式计算得到“环境参数-品质参数”预测输出结果、“生化参数-品质参数”预测输出结果、“体征参数-品质参数”预测输出结果和“综合参数-品质参数”预测输出结果，即获得了所述目标动物活体对应的肉品质参数预测值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据上述公式计算得到“环境参数-品质参数”预测输出结果、“生化参数-品质参数”预测输出结果、“体征参数-品质参数”预测输出结果和“综合参数-品质参数”预测输出结果，能够准确获得目标动物活体对应的肉品质参数预测值。
进一步地，所述按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，具体包括：
基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值。
具体地，基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值，详细地，通过如下公式计算得到动态参数监测值：
采用如下公式计算环境参数监测值：
Figure BDA0002481175740000191
Figure BDA0002481175740000192
Figure BDA0002481175740000193
其中，
Figure BDA0002481175740000194
为第i种环境参数的第a维度的环境参数监测值；
Figure BDA0002481175740000195
为环境参数监测值提取函数；
Figure BDA0002481175740000196
为基于环境参数监测的运输时间累积因素权重；
Figure BDA0002481175740000197
为基于环境参数监测的运输距离累积因素权重；
Figure BDA0002481175740000198
为基于环境参数监测的间歇时间影响权重；
Figure BDA0002481175740000199
为基于环境参数监测的有效起始时间；
Figure BDA00024811757400001910
为基于环境参数监测的有效起始距离；
Figure BDA00024811757400001911
为提取环境参数监测值的固定时间间隔；
Figure BDA00024811757400001912
为提取环境参数监测值的固定距离间隔；
Figure BDA00024811757400001913
为基于环境参数监测的运输总时间；
Figure BDA00024811757400001914
为基于环境参数监测的间歇总时间；
Figure BDA00024811757400001915
为环境参数监测值提取常数。
车厢振动强度由三维加速度、三维角速度和振动频率共同决定，如下式所示：
xvib＝λgxg+λθxθ+λhxh
λg+λθ+λh＝1
其中，xvib为车厢振动强度；xg、xθ和xh分别为三维加速度、三维角速度和振动频率；λg、λθ和λh分别为三维加速度、三维角速度和振动频率计算权值。
采用如下公式计算生化参数监测值：
Figure BDA00024811757400001916
Figure BDA00024811757400001917
Figure BDA00024811757400001918
其中，
Figure BDA00024811757400001919
为第j种生化参数的第b维度的生化参数监测值；
Figure BDA00024811757400001920
为生化参数监测值提取函数；
Figure BDA00024811757400001921
为基于生化参数监测的运输时间累积因素权重；
Figure BDA00024811757400001922
基于生化参数监测的运输距离累积因素权重；
Figure BDA00024811757400001923
为基于生化参数监测的间歇时间影响权重；
Figure BDA00024811757400001924
为基于生化参数监测的有效起始时间；
Figure BDA00024811757400001925
为基于生化参数监测的有效起始距离；
Figure BDA00024811757400001926
为提取生化参数监测值的固定时间间隔；
Figure BDA00024811757400001927
为提取生化参数监测值的固定距离间隔；
Figure BDA00024811757400001928
为基于生化参数监测的运输总时间；
Figure BDA00024811757400001929
为基于生化参数监测的间歇总时间；
Figure BDA00024811757400001930
为生化参数监测值提取常数；
采用如下公式计算体征参数监测值：
Figure BDA00024811757400001931
Figure BDA0002481175740000201
Figure BDA0002481175740000202
其中，
Figure BDA0002481175740000203
为第k种体征参数的第c维度的体征参数监测值；
Figure BDA0002481175740000204
为体征参数监测值提取函数；
Figure BDA0002481175740000205
为基于体征参数监测的运输时间累积因素权重；
Figure BDA0002481175740000206
为基于体征参数监测的运输距离累积因素权重；
Figure BDA0002481175740000207
为基于体征参数监测的间歇时间影响权重；
Figure BDA0002481175740000208
为基于体征参数监测的有效起始时间；
Figure BDA0002481175740000209
为基于体征参数监测的有效起始距离；
Figure BDA00024811757400002010
为提取体征参数监测值的固定时间间隔；
Figure BDA00024811757400002011
为提取体征参数监测值的固定距离间隔；
Figure BDA00024811757400002012
为基于体征参数监测的运输总时间；
Figure BDA00024811757400002013
为基于体征参数监测的间歇总时间；
Figure BDA00024811757400002014
为体征参数监测值提取常数。
进一步地，所述根据所述同质参数期望值构建输入参数矩阵，具体包括：
获取品质调控参数，并确定品质调控参数值；
根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵；
相应地，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到，包括：
所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
具体地，获取品质调控参数，并确定品质调控参数值，所述品质调控参数为：在活体运输阶段包括运输时间、运输距离、运输密度、饲饮用量、饲饮次数、药理用量、药理次数、间歇时间和间歇次数；在临时圈养阶段包括饲饮用量、饲饮次数、药理用量、药理次数、圈养时间和圈养密度；在屠宰加工阶段的操作流程是否规范；在肉类贮运阶段是否采用冷链系统和低温贮藏；所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵，且肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值的同质品质参数期望值进行训练得到，能够综合考虑品质调控参数的影响，更能使得预测结果真实地反映实际运输的动物活体对应的的目标肉品质情况。
进一步地，所述方法还包括：
根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案。
具体地，把整个评价流程分为四个阶段，即活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段，分析每个阶段的品质调控参数和制定品质调控方案，根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案，如在活体运输阶段减少运输时间、缩短运输距离、规范运输密度、规范饲饮用量、规范饲饮次数、规范药理用量、规范药理次数、增加间歇时间和增加间歇次数；在临时圈养阶段规范饲饮用量、规范饲饮次数、规范药理用量、规范药理次数、增加圈养时间和降低圈养密度；规范屠宰加工阶段的操作流程；在肉类贮运阶段采用冷链系统和低温贮藏。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案，能够更加细致具体地确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案，能够合理且符合实际情况地处理运输过程中的目标动物活体。
图3为本发明实施例提供的一种基于动态运输监测的动物肉品质评价装置的结构示意图，如图3所示，包括：
一种基于动态运输监测的动物肉品质评价装置的结构示意图，如图3所示，包括：
动态参数监测模块301，用于按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
预处理模块302，用于计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
预测模块303，用于将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
肉品质评价模块304，用于确定所述肉品质参数预测值中的最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
本发明实施例提供了基于动态运输监测的动物肉品质评价装置，该装置中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确地确定出目标动物肉的有效贮藏期。
本实施例所述的基于动态运输监测的动物肉品质评价装置可以用于执行上述对应的方法实施例，其原理和技术效果类似，此处不再赘述。
图4是本发明实施例提供的一种基于动态运输监测的动物肉品质评价系统的结构示意图，如图4所示，包括：
感知端、执行如上所述基于动态运输监测的动物肉品质评价方法的云平台和智能设备，其中，所述感知端用于动态、实时和连续采集动态参数监测数据，所述智能设备用于通过访问所述云平台进行数据管理及分析，并向所述感知端发送指令，所述云平台与所述感知端和智能设备通信连接。
具体地，感知端001用于感知环境和动物生理信息，包括信号采集、信号处理、信息记录和信息传输等功能；读写端002用于读取感知端001记录的环境和动物生理信息，并可向感知端001发送指令和将数据信息上传至云平台003，具有信号处理、信息存储、信息传输和发送指令等功能；云平台003提供数据管理服务，具有数据接收、数据分析、数据存储和数据下载等功能；智能设备004包括计算机和智能手机等，在智能设备004上可通过客户端和浏览器两种方式访问云平台003进行数据管理及分析，此外，还可向感知端001发送指令。
一般地，所述感知端001可设计为穿戴式设备或电子标签，并具有动态、实时和连续采集信息的功能；当感知端001设计为穿戴式设备时，安装方式为束缚式，通信方式为远距无线通信，感知端001可设计成直接将信息上传至云平台003和智能设备004，也可设计成通过网络汇聚节点005将信息上传至云平台003和智能设备004；当感知端001设计为电子标签时，安装方式为贴覆式，通信方式为近距无线通信，须首先利用扫描端提取感知端001记录的信息，然后上传至云平台003和智能设备004。
图5是本发明实施例提供的一种基于动态运输监测的动物肉品质评价子系统的结构示意图，如图5所示：
感知端001、读写端002、云平台003和智能设备004组成车载动态监测系统100，车载动态监测系统100具有效率高、智能化和信息化等特征；
基于动态运输监测的动物肉品质评价系统还包括获取肉类品质信息的检测仪器，所述检测仪器组成辅助检测系统200，辅助检测系统200效率低，但精度高；辅助检测系统200一方面为车载动态监测系统100提供足量品质数据用于训练，另一方面提供辅助校验手段；当预测模型完成训练后，则可以去掉辅助检测系统200，直接由车载动态监测系统100完成品质监测。
所述车载动态监测系统100又分为环境参数监测子系统101、生化参数监测子系统102和体征参数监测子系统103，各子系统结合起来可组成综合参数监测子系统104；所述辅助检测系统200又分为安全参数检测子系统201、食用参数检测子系统202和营养参数检测子系统203，各子系统结合起来可组成综合参数检测子系统204；所述车载动态监测系统100的各个子系统可分别与辅助检测系统200的各个子系统组成肉品质评价子系统。
本发明实施例提供了基于动态运输监测的动物肉品质评价系统，该系统中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确的确定出目标动物肉的有效贮藏期。
本实施例所述的基于动态运输监测的动物肉品质评价系统可以用于执行上述对应的方法实施例，其原理和技术效果类似，此处不再赘述。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(Processor)601、存储器(Memory)602、通信接口(Communications Interface)603和通信总线604，其中，处理器601，存储器602，通信接口603通过通信总线604完成相互间的通信。处理器601可以调用存储器602中的逻辑指令，以执行上述各方法实施例所提供的方法，例如包括：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
此外，上述的存储器602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。
本发明实施例还提供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方法实施例所提供的方法，例如包括：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述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所述的方法。
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)

1.一种基于动态运输监测的动物肉品质评价方法，其特征在于，包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
2.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述计算所述动态参数监测值对应的同质参数期望值，具体包括：
若所述动态参数监测值为环境参数监测值，则根据所述环境参数监测值计算同质环境参数期望值；
若所述动态参数监测值为生化参数监测值，则根据所述生化参数监测值计算同质生化参数期望值；
若所述动态参数监测值为体征参数监测值，则根据所述体征参数监测值计算同质体征参数期望值；或者，
若所述动态参数监测值为综合参数监测值，则根据所述综合参数监测值所包含的各类参数监测值分别计算得到各类参数监测值的同质参数期望值，将所述各类参数监测值的同质参数期望值进行组合，获得同质综合参数期望值；
其中，采用如下公式计算同质环境参数期望值：
Figure FDA0002481175730000021
Figure FDA0002481175730000022
其中，
Figure FDA0002481175730000023
为第i种环境参数的同质环境参数期望值；
Figure FDA0002481175730000024
为第i种环境参数的同质环境参数维度；
Figure FDA0002481175730000025
为第i种环境参数的第a维度的同质环境参数监测值权重；
Figure FDA0002481175730000026
为第i种环境参数的第a维度的环境参数监测值，
Figure FDA0002481175730000027
为预先获取的第i种环境参数的第a维度的环境参数监测标准误差；
其中，采用如下公式计算同质生化参数期望值：
Figure FDA0002481175730000028
Figure FDA0002481175730000029
其中，
Figure FDA00024811757300000210
为第j种生化参数的同质生化参数期望值；
Figure FDA00024811757300000211
为第j种生化参数的同质生化参数维度；
Figure FDA00024811757300000212
为第j种生化参数的第b维度的同质生化参数监测值权重；
Figure FDA00024811757300000213
为第j种生化参数的第b维度的生化参数监测值；
Figure FDA00024811757300000214
为预先获取的第j种生化参数的第b维度的生化参数监测标准误差；
其中，采用如下公式计算同质体征参数期望值：
Figure FDA00024811757300000215
Figure FDA00024811757300000216
其中，为第k种体征参数的同质体征参数期望值；
Figure FDA00024811757300000218
为第k种体征参数的同质体征参数维度；
Figure FDA00024811757300000219
为第k种体征参数的第c维度的同质体征参数监测值权重；
Figure FDA00024811757300000220
为第k种体征参数的第c维度的体征参数监测值；
Figure FDA00024811757300000221
为预先获取的第k种体征参数的第c维度的体征参数监测标准误差。
3.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，训练获得所述肉品质预测模型的步骤，具体包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值样本，并获取所述动态参数监测值样本对应的肉品质参数试验值样本，所述动态参数监测值样本具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值样本；
计算所述动态参数监测值样本的同质参数期望值，以及所述肉品质参数试验值样本的同质品质参数期望值；
根据所述动态参数监测值样本的同质参数期望值构建训练样本，并将所述同质品质参数期望值作为所述训练样本对应的样本标签；
从所述训练样本中提取出N个样本，构成总体样本，并从所述总体样本中无规则提取M个样本作为初始基准样本；
分别计算所述初始基准样本与所述总体样本中的其他样本之间的欧氏距离的大小，按照欧式距离最小原则将所述总体样本划分为M个输入子样本；
计算每个输入子样本的样本均值，将所有输入子样本的样本均值作为下一代基准样本，当基准样本不再发生变化时，获得最终基准样本；
利用所述最终基准样本计算函数标准差和连接权值；
根据所述最终基准样本、函数标准差和连接权值计算获得所述训练样本对应的肉品质参数预测值，并根据所述肉品质参数预测值与样本标签，计算预测误差；
若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，直至计算获得的预测误差小于等于预设阈值时，保存当前迭代的最终基准样本、函数标准差和连接权值，获得训练完成的肉品质预测模型；
其中，N和M为大于0的自然数。
4.根据权利要求3所述的基于动态运输监测的动物肉品质评价方法，其特征在于，利用所述最终基准样本计算函数标准差和连接权值，具体为：
根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差；
根据所述最终基准样本对应的样本标签确定连接权值。
5.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，具体包括：
采用如下公式计算“环境参数-品质参数”预测输出结果：
Figure FDA0002481175730000041
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“生化参数-品质参数”预测输出结果：
Figure FDA0002481175730000042
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“体征参数-品质参数”预测输出结果：
Figure FDA0002481175730000043
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本个数；或者，
采用如下公式计算“综合参数-品质参数”预测输出结果：
Figure FDA0002481175730000044
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个综合参数；εξ为综合函数标准差；M为最终基准样本的样本个数。
6.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，具体包括：
基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值。
7.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述根据所述同质参数期望值构建输入参数矩阵，具体包括：
获取品质调控参数，并确定品质调控参数值；
根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵；
相应地，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到，包括：
所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
8.根据权利要求7所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述方法还包括：
根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案。
9.一种基于动态运输监测的动物肉品质评价装置，其特征在于，包括：
动态参数监测模块，用于按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
预处理模块，用于计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
预测模块，用于将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
肉品质评价模块，用于确定所述肉品质参数预测值中的最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
10.一种基于动态运输监测的动物肉品质评价系统，其特征在于，包括：感知端、执行如权利要求1至8任一所述基于动态运输监测的动物肉品质评价方法的云平台和智能设备，其中，所述感知端用于动态、实时和连续采集动态参数监测数据，所述智能设备用于通过访问所述云平台进行数据管理及分析，并向所述感知端发送指令，所述云平台与所述感知端和智能设备通信连接。
CN202010378958.XA 2020-05-07 2020-05-07 一种基于动态运输监测的动物肉品质评价方法及系统 Active CN111626481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010378958.XA CN111626481B (zh) 2020-05-07 2020-05-07 一种基于动态运输监测的动物肉品质评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010378958.XA CN111626481B (zh) 2020-05-07 2020-05-07 一种基于动态运输监测的动物肉品质评价方法及系统

Publications (2)

Publication Number Publication Date
CN111626481A true CN111626481A (zh) 2020-09-04
CN111626481B CN111626481B (zh) 2023-08-15

Family

ID=72259741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010378958.XA Active CN111626481B (zh) 2020-05-07 2020-05-07 一种基于动态运输监测的动物肉品质评价方法及系统

Country Status (1)

Country Link
CN (1) CN111626481B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200446A (zh) * 2020-09-30 2021-01-08 中国农业科学院农业质量标准与检测技术研究所 一种猪肉品质综合评价的方法
CN113057598A (zh) * 2021-04-20 2021-07-02 中国农业大学 一种面向动物活体无屠宰的肉质品质分级方法与系统
CN113706053A (zh) * 2021-09-10 2021-11-26 游敏涛 一种物流配送实时在线监测分析方法、系统、终端及介质
CN114965910A (zh) * 2022-04-14 2022-08-30 北京市农林科学院信息技术研究中心 肉类品质感知方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DD228640A1 (de) * 1984-02-16 1985-10-16 Svb Delicata Leipzig Veb Verfahren zur frueherkennung der zu erwartenden fleischqualitaet lebender tiere
US20030062001A1 (en) * 2001-09-28 2003-04-03 Hakan Andersson Method and system for controlling meat products
CN102507882A (zh) * 2011-12-19 2012-06-20 中国农业大学 牛肉品质的多参数综合评价方法
CN102830027A (zh) * 2012-08-12 2012-12-19 南京农业大学 一种测定肉制品质构特性的方法
CN103424526A (zh) * 2013-08-01 2013-12-04 浙江工商大学 牛肉新鲜度检测装置及检测方法
CN109738600A (zh) * 2018-12-22 2019-05-10 河南农业大学 一种冷链肉制品微生物间歇性动态预测模型的构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DD228640A1 (de) * 1984-02-16 1985-10-16 Svb Delicata Leipzig Veb Verfahren zur frueherkennung der zu erwartenden fleischqualitaet lebender tiere
US20030062001A1 (en) * 2001-09-28 2003-04-03 Hakan Andersson Method and system for controlling meat products
CN102507882A (zh) * 2011-12-19 2012-06-20 中国农业大学 牛肉品质的多参数综合评价方法
CN102830027A (zh) * 2012-08-12 2012-12-19 南京农业大学 一种测定肉制品质构特性的方法
CN103424526A (zh) * 2013-08-01 2013-12-04 浙江工商大学 牛肉新鲜度检测装置及检测方法
CN109738600A (zh) * 2018-12-22 2019-05-10 河南农业大学 一种冷链肉制品微生物间歇性动态预测模型的构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张瑞芳;卞玉芳;左敏;张青川;: "基于改进LSTM的生鲜牛肉新鲜度预测模型研究", 计算机仿真 *
成芳;廖宜涛;马君伟: "猪肉品质无损检测研究进展", 浙江大学学报. 农业与生命科学版 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200446A (zh) * 2020-09-30 2021-01-08 中国农业科学院农业质量标准与检测技术研究所 一种猪肉品质综合评价的方法
CN113057598A (zh) * 2021-04-20 2021-07-02 中国农业大学 一种面向动物活体无屠宰的肉质品质分级方法与系统
CN113057598B (zh) * 2021-04-20 2022-02-11 中国农业大学 一种面向动物活体无屠宰的肉质品质分级方法与系统
CN113706053A (zh) * 2021-09-10 2021-11-26 游敏涛 一种物流配送实时在线监测分析方法、系统、终端及介质
CN114965910A (zh) * 2022-04-14 2022-08-30 北京市农林科学院信息技术研究中心 肉类品质感知方法及装置

Also Published As

Publication number Publication date
CN111626481B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN111626481A (zh) 一种基于动态运输监测的动物肉品质评价方法及系统
Dórea et al. Mining data from milk infrared spectroscopy to improve feed intake predictions in lactating dairy cows
Metcalfe et al. Conservation physiology for applied management of marine fish: an overview with perspectives on the role and value of telemetry
US11430576B2 (en) System and method for monitoring and quality evaluation of perishable food items
EP3716275A1 (en) System and method for monitoring and quality evaluation of perishable food items
WO2017217169A1 (ja) 情報処理装置、方法及びプログラム
US11209419B2 (en) Lifecycle assessment systems and methods for determining emissions from animal production
Difford et al. Ranking cows’ methane emissions under commercial conditions with sniffers versus respiration chambers
White et al. Big data analytics and precision animal agriculture symposium: data to decisions
Wisnieski et al. Predictive modeling of bovine respiratory disease outcomes in feedlot cattle: A narrative review
Szuwalski et al. Global fishery dynamics are poorly predicted by classical models
Biase et al. On supervised learning to model and predict cattle weight in precision livestock breeding
Wełeszczuk et al. Prediction of Polish Holstein's economical index and calving interval using machine learning
Bartlett et al. Advancing the quantitative characterization of farm animal welfare
Lee et al. Prediction of average daily gain of swine based on machine learning
Bergman et al. Variation in ungulate body fat: individual versus temporal effects
Feng et al. A novel genetic algorithm-based optimization framework for the improvement of near-infrared quantitative calibration models
CN116760719A (zh) 构建智慧养殖多模态物联网信息搜集、预警模型的方法
CN116205688A (zh) 生鲜产品信息处理方法、装置、计算机设备及存储介质
Cernicchiaro et al. Hierarchical Bayesian modeling of heterogeneous variances in average daily weight gain of commercial feedlot cattle
Caicedo et al. Association of the chemical composition and nutritional value of forage resources in Colombia with methane emissions by enteric fermentation
CN115757372A (zh) 一种基于gru模型的数据缺失值填充方法及系统
KR102590406B1 (ko) 가축 생육 기반의 바이오인증 장치
Dutta et al. A Fuzzy Goal Programming Model for Quality Monitoring of Fruits during Shipment Overseas
Fletcher et al. Species distributions

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