CN111916096B - 一种基于树莓派的藏羊牧食行为监测方法 - Google Patents
一种基于树莓派的藏羊牧食行为监测方法 Download PDFInfo
- Publication number
- CN111916096B CN111916096B CN201910400451.7A CN201910400451A CN111916096B CN 111916096 B CN111916096 B CN 111916096B CN 201910400451 A CN201910400451 A CN 201910400451A CN 111916096 B CN111916096 B CN 111916096B
- Authority
- CN
- China
- Prior art keywords
- rumination
- tibetan sheep
- sheep
- feed intake
- sound
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
- G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
Abstract
一种基于树莓派的藏羊牧食行为监测方法,解决了藏羊牧食行为的实时监测问题。其实现步骤是:(1)树莓派实时读取藏羊牧食行为监测设备中的声音传感器及薄膜压力传感器数据;(2)将声音数据进行分割并自动识别为采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声(3)树莓派每δ时间间隔将藏羊采食量及反刍次数值通过无线通信链路传输至上位机服务器,上位机服务器接收树莓派发送的采食量及反刍次数值并记录在藏羊牧食行为数据库中;(4)上位机服务器对藏羊采食量与反刍次数信息进行保存与分析,对藏羊健康状况进行判断,当藏羊被判断为非健康状态时,上位机服务器将该藏羊编号以短信方式发送至羊场管理员手机。
Description
技术领域
本发明涉及藏羊声学监测、树莓派技术、传感器技术、无线传输技术、自动化控制技术领域。具体讲一种基于智能穿戴设备实时采集、分析放牧式藏羊采食期间咀嚼与反刍,从而进一步得到羊只日采食量与日反刍次数的方法,此方法可对藏羊健康状况进行提前预警。
背景技术
藏羊采食量与反刍次数的精准监测是制定藏羊良好营养方案及提前规划放牧草场的基础,也是提前预判其健康状况的基础,由于在放牧采食情况下藏羊的活动范围广,采用一般的方法难以监测他们的采食量与反刍次数。
藏羊采用放牧式采食,现今不能准确对羊群日采食量进行准确估计,导致部分草场采食严重,对草原造成不可逆转的破坏。
目前无线通信及传感器技术已经在农业生产领域得到广泛应用。设计基于树莓派的牧食行为监测设备对藏羊牧食信息进行实时采集,在无线通信技术的支撑下,可以远程采集藏羊在放牧状态下的音频数据,利用音频处理技术自动提取藏羊采食咀嚼信息,结合已训练模型可以实现藏羊采食量估算。
反刍是藏羊的一个重要的消化生理特征,它与藏羊的健康和生产性能都有一定关系,是衡量藏羊健康状况的一个重要指标;反刍是指反刍动物在食物消化前将食进的食物再逆出、咀嚼,然后吞咽的连续动作,藏羊在患病时,日反刍次数减少,甚至不反刍,通过监测反刍次数,可以对藏羊健康状况进行早期预警。
树莓派是尺寸只有信用卡大小的一个小型电脑,具有完整的操作系统,且自带的接口比较全面,内置芯片处理信号速度较快,适合作为动物穿戴式设备的数据处理装置。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是实现放牧式藏羊采食量与反刍次数的精准监测,推动藏羊的福利化、精细化养殖。
(二)本发明的技术方案是
为解决上述问题,本发明提出一种基于树莓派的藏羊牧食行为监测方法,其特征在于它包括以下步骤(S1至S5):
S1、树莓派实时读取藏羊牧食行为监测设备中的三个声音传感器及一个薄膜压力传感器数据;
S2、设定树莓派运算时间间隔为δ,通过对牧食音频进行预处理、分割、分类、采食量估计,获得此段时间内藏羊的采食量与反刍次数;
步骤S2中,计算采食量与反刍次数的具体步骤为:
S2-1、导入并通过谱减法(MMSE)对δ时间间隔内的原始牧食音频信号进行预处理降噪,记第一声音传感器所采集音频信号为α1,第二声音传感器所采集音频信号为α2,第三声音传感器所采集音频信号为α3,取α=α1-α2-α3作为纯净牧食音频;
S2-2、树莓派设置压力信号采样频率为sam1,提取头戴装置的压力传感器数据并形成波形文件,根据压力数据变化特征对δ时间间隔内的纯净牧食音频进行分割;
S2-3、通过零填充与随机偏置的方法将所有分割出的音频片段置为相同时长d;
S2-4、提取时长为δ的音频片段信号的降维动态差分梅尔倒谱系数(PD-MFCC);
步骤S2-4中,提取PD-MFCC的步骤包括:
S2-4-1、执行快速傅里叶变化(FFT),将时域上的信号转化为频域上的能量分布;
S2-4-2、能量谱通过一组Mel尺度的三角形滤波器组进行平滑并消除谐波,三角滤波器的频率响应定义为:
S2-4-3、计算每个滤波器组输出的对数能量为:
S2-4-4、经离散余弦变换(DCT)得到梅尔倒谱系数(MFCC):
S2-4-5、提取MFCC动态差分参数(包括一阶差分和二阶差分)记为D-MFCC,差分参数的计算公式为:
式(4)中,dt表示第t个一阶差分,Ct表示第t个倒谱系数;
S2-4-6、将MFCC与D-MFCC合并为一个矩阵,对此矩阵进行PCA降维,取累计贡献率在85%以上的特征向量构成PD-MFCC作为特征参数;
S2-5、通过2D卷积神经网络模型将藏羊咀嚼音频片段自动识别分类为采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声四类,记食团回流开始至其所伴随的最后一次反刍咀嚼结束为一次完整反刍发生,统计反刍次数,利用基于回归分析方法建立的采食量估算模型处理采食咀嚼音频片段,估算δ时间间隔内藏羊采食量;
步骤S2-5中,采食量与反刍次数统计计算具体步骤为:
S2-5-1、识别开始;
S2-5-2、将样本数据集PD-MFCC参数输入至2D卷积神经网络模型,识别分类采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声;
S2-5-3、记录食团回流、反刍咀嚼音频发生位置,记食团回流开始至其所伴随的最后一次反刍咀嚼结束为一次完整反刍发生,成功识别一次反刍发生记为“1”;
S2-5-4、一次计算完成后,统计δ时间间隔内“1”的个数,记为该时间段内藏羊反刍次数;
S2-5-5、提取采食咀嚼音频的行为度量与声学度量,其中,行为度量包括采食咀嚼次数和采食咀嚼总持续时间,声学度量包括采食咀嚼平均声强和咀嚼总能量密度,将采食咀嚼音频的行为度量与声学度量输入至采食量估算模型,获得δ时间间隔内藏羊采食量;
S3、树莓派以δ为周期,将前δ时间间隔内的藏羊采食量及反刍次数值通过无线通信链路传输至上位机服务器,上位机服务器接收树莓派发送的采食量及反刍次数值并记录在藏羊牧食行为数据库中;
S4、上位机服务器以24小时为周期,从数据库中提取前24小时内获取的采食量及反刍次数数据,形成采食量序列I与反刍次数序列R,I={i1,i2,i3......in},R={r1,r2,r3.....rn},其中n=24/δ,上位机服务器针对序列I与R计算藏羊在前24小时内的采食量与反刍次数;
S5、上位机服务器对藏羊采食量与反刍次数信息进行保存与分析,基于日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比建立逻辑回归方程对藏羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机;
步骤S5中,利用逻辑回归分析方法处理日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比,进而评判藏羊健康状况,逻辑回归分析可以以多个解释变量为条件进行回归分析,逻辑回归的因变量只有0和1两种状态。
在本发明中,因变量为羊只是否存在潜在健康问题,其中0代表不健康,1代表健康。
自变量为日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比,故具体的:
S5-1、对于编号为kj的藏羊,自变量的具体计算方法如下:
羊只第N天日采食量变化百分比计算方式为:
羊只第N天日反刍次数变化百分比计算方式为:
S5-2、利用逻辑回归方程处理上述自变量,引入Sigmoid函数,评判藏羊健康状况,其中Sigmoid函数公式如下:
其中,xi为步骤S5-2计算出的四项参数,i=1,2,3,4,θi为四项参数对应的系数,i=1,2,3,4;所述θ0和θi均通过藏羊健康与非健康采食量、反刍次数对比数据集输入式(9)训练得到;
当hθ(x)=0时,判断藏羊存在潜在健康问题,当hθ(x)=1时,判断藏羊为健康状态;
优选的,树莓派计算所得数据通过无线通讯技术传至上位机服务器进行数据储存于分析。
优选的,基于日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比建立逻辑回归方程对藏羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机。
本发明的有益效果:
本发明可以对活动范围广的放牧式藏羊日采食量和日反刍次数信息进行实时监测,对判断为非健康状态的羊只进行预警,方便羊场工作人员及时对羊只进行针对性检查,判断其是否存在疾病发作前的预兆,及时进行喂药或者接种疫苗,避免损失。
本发明可以对活动范围广的放牧式藏羊采食量信息进行实时监测,计算羊场羊只日总采食量,对放牧草场进行提前规划,避免因过度放牧对草场造成的不可逆转的破坏。
本发明采用树莓派在本地对音频数据及咀嚼压力数据进行处理,减少了传输的数据量,使数据传输更加稳定,保证实时监测系统的工作效率。
附图说明
图1为本发明的工作流程图
图2为本发明工作流程图中信号传输/转换部分示意放大图
图3为本发明的头戴装置结构示意图
图4为本发明的身穿装置结构示意图
图5为本发明方法整体流程图
图6为本发明优化的MFCC(PD-MFCC)特征提取算法流程图
图7为本发明音频识别算法流程图
图8为藏羊一次完整反刍音频时域图
图9为本发明藏羊健康评判计算方法图
具体实施方式
下面结合附图和实施例,对本发明作进一步的说明。
如图3和图4所示,一种基于树莓派的放牧式藏羊牧食行为监测装置,该装置包括:
头戴装置,包括第一扁宽带(1)、第一插扣(2)、第一声音传感器模块(3)、薄膜压力传感器(4)、第二声音传感器模块(5)、第二扁宽带(6)、第二插扣(7),所述第一扁宽带(1)固定于藏羊嘴部上方,通过第一插扣(2)对其尺寸进行调整以适合不同大小羊只,所述第一声音传感器模块(3)固定于第一扁宽带(1)内侧,贴近藏羊前额,采集通过骨传导得到的声音信号,所述薄膜压力传感器(4)固定于扁宽带内侧,贴近藏羊咀嚼肌,采集藏羊咀嚼肌压力信号,所述第二声音传感器模块(5)固定于扁宽带外侧,采集通过空气传播得到的声音信号。
身穿装置,包括鞍(8)、压力传感器电路模块(9)、AD模块(10)、第三声音传感器模块(11)、树莓派(12)、防水罩(13)、电源(14)、固定带(15),所述电源(14)置于鞍(8)一侧为树莓派(12)供电,所述压力传感器电路模块(9)、AD模块(10)、树莓派(12)置于防水罩(13)中,所述压力传感器电路模块(9)将来自薄膜压力传感器(4)的电阻信号转换为电压信号,输出电压为:V0=Rref*Vcc/(R),其中V0是输出电压,R是压力传感器的电阻,单位是千欧,Vcc是电源电压,Rref是反馈电阻,单位是千欧,所述AD模块(10)将由压力传感器电路模块(9)所输出的电压模拟量转换为数字量输出至树莓派(12)中,所述第三声音传感器(11)模块固定于鞍上,采集相对于采食声音而言的环境噪声,所述树莓派(12)同时接收来自第一声音传感器(3)、第二声音传感器(5)、第三声音传感器(11)的音频数字量信号。
优选的,所述第一扁宽带(1)尺寸通过第一插扣(2)进行调节,以适应不同大小羊只。
优选的,第一声音传感器(3)、第二声音传感器(5)、第三声音传感器(11)与薄膜压力传感器(4)配合使用。
优选的,第一声音传感器模块(3)安装在藏羊前额,面向内,头骨放大口腔中产生的摄食声。
优选的,第一声音传感器(3)、第二声音传感器(5)、第三声音传感器(11)配合使用,第一声音传感器(3)安装在藏羊前额,面向内,采集通过藏羊头骨传播的牧食过程中口腔产生的啃咬声、咀嚼声及环境噪声,第二声音传感器(5)采集通过空气传播获得的藏羊啃咬声、咀嚼声与环境噪声,第三声音传感器(11)置于藏羊背部,采集环境噪声。
优选的,压力传感器电路模块(9)将来自薄膜压力传感器(4)的电阻信号转换为电压信号,AD模块(10)将由压力传感器电路模块(9)所输出的电压模拟量转换为数字量输出至树莓派(12)中。
优选的,树莓派以时间间隔δ为周期,对来自第一、第二、第三声音传感器的音频数字量信号及经由压力传感器电路模块、AD转换模块转换后的咀嚼压力数字量信号进行处理,自动识别分类为采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声四类,记食团回流开始至其所伴随的最后一次反刍咀嚼结束为一次完整反刍发生,统计反刍次数,利用基于回归分析方法建立的采食量估算模型处理采食咀嚼音频片段,估算δ时间间隔内藏羊采食量。
优选的,压力传感器电路模块(9)、AD模块(10)、第三声音传感器模块(11)、树莓派(12)置于防水罩(13)中,避免恶劣天气对设备的影响。
基于本发明所述的基于树莓派的放牧式藏羊牧食行为监测设备,提供一种藏羊牧食行为监测方法,它包括以下步骤(S1至S5):
S1、树莓派(12)实时读取藏羊牧食行为监测设备中的三个声音传感器(3、5、11)及一个薄膜压力传感器(4)数据;
S2、设定树莓派(12)运算时间间隔为δ,通过对牧食音频进行预处理、分割、分类、采食量估计,获得此段时间内藏羊的采食量与反刍次数;
步骤S2中,计算采食量与反刍次数的具体步骤为:
S2-1、导入并通过谱减法(MMSE)对δ时间间隔内的原始牧食音频信号进行预处理降噪,记第一声音传感器(3)所采集音频信号为α1,第二声音传感器(5)所采集音频信号为α2,第三声音传感器(11)所采集音频信号为α3,取α=α1-α2-α3作为纯净牧食音频;
S2-2、树莓派(12)设置压力信号采样频率为sam1,提取头戴装置的薄膜压力传感器(4)数据并形成波形文件,根据压力数据变化特征对δ时间间隔内的纯净牧食音频进行分割;
S2-3、通过零填充与随机偏置的方法将所有分割出的音频片段置为相同时长d;
S2-4、提取时长为δ的音频片段信号的降维动态差分梅尔倒谱系数(PD-MFCC);
步骤S2-4中,提取PD-MFCC的步骤包括:
S2-4-1、执行快速傅里叶变化(FFT),将时域上的信号转化为频域上的能量分布;
S2-4-2、能量谱通过一组Mel尺度的三角形滤波器组进行平滑并消除谐波,三角滤波器的频率响应定义为:
S2-4-3、计算每个滤波器组输出的对数能量为:
S2-4-4、经离散余弦变换(DCT)得到梅尔倒谱系数(MFCC):
S2-4-5、提取MFCC动态差分参数(包括一阶差分和二阶差分),记为D-MFCC,差分参数的计算公式为:
式(4)中,dt表示第t个一阶差分,Ct表示第t个倒谱系数;
S2-4-6、将MFCC与D-MFCC合并为一个矩阵,对此矩阵进行PCA降维,取累计贡献率在85%以上的特征向量构成PD-MFCC作为特征参数;
S2-5、通过2D卷积神经网络模型将藏羊咀嚼音频片段自动识别分类为采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声四类,记食团回流开始至其所伴随的最后一次反刍咀嚼结束为一次完整反刍发生,统计反刍次数,利用基于回归分析方法建立的采食量估算模型处理采食咀嚼音频片段,估算δ时间间隔内藏羊采食量;
步骤S2-5中,采食量与反刍次数统计计算具体步骤为:
S2-5-1、识别开始;
S2-5-2、将样本数据集PD-MFCC参数输入至2D卷积神经网络模型,识别分类采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声;
S2-5-3、记录食团回流、反刍咀嚼音频发生位置,记食团回流开始至其所伴随的最后一次反刍咀嚼结束为一次完整反刍发生,成功识别一次反刍发生记为“1”;
S2-5-4、一次计算完成后,统计δ时间间隔内“1”的个数,记为该时间段内藏羊反刍次数;
S2-5-5、提取采食咀嚼音频的行为度量与声学度量,其中,行为度量包括采食咀嚼次数和采食咀嚼总持续时间,声学度量包括采食咀嚼平均声强和咀嚼总能量密度,将采食咀嚼音频的行为度量与声学度量输入至采食量估算模型,获得δ时间间隔内藏羊采食量;
S3、树莓派(12)以δ为周期,将前δ时间间隔内的藏羊采食量及反刍次数值通过无线通信链路传输至上位机服务器,上位机服务器接收树莓派发送的采食量及反刍次数值并记录在藏羊牧食行为数据库中;
S4、上位机服务器以24小时为周期,从数据库中提取前24小时内获取的采食量及反刍次数数据,形成采食量序列I与反刍次数序列R,I={i1,i2,i3....in},R={r1,r2,r3......rn},其中n=24/δ,上位机服务器针对序列I与R计算藏羊在前24小时内的采食量与反刍次数;
S5、上位机服务器对藏羊采食量与反刍次数信息进行保存与分析,基于日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比建立逻辑回归方程对藏羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以短信方式发送至羊场管理员手机;
步骤S5中,利用逻辑回归分析方法处理日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比,进而评判藏羊健康状况,逻辑回归分析可以以多个解释变量为条件进行回归分析,逻辑回归的因变量只有0和1两种状态。
在本发明中,因变量为羊只是否存在潜在健康问题,其中0代表不健康,1代表健康。
自变量为日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比,故具体的:
S5-1、对于编号为kj的藏羊,自变量的具体计算方法如下:
羊只第N天日采食量变化百分比计算方式为:
羊只第N天日反刍次数变化百分比计算方式为:
S5-2、利用逻辑回归方程处理上述自变量,引入Sigmoid函数,评判藏羊健康状况,其中,Sigmoid函数公式如下:
其中,xi为步骤S5-2计算出的四项参数,i=1,2,3,4,θi为四项参数对应的系数,i=1,2,3,4;所述θ0和θi均通过藏羊健康与非健康采食反刍次数对比数据集,输入式(9)训练得到;
当hθ(x)=0时,判断藏羊存在潜在健康问题,当hθ(x)=1时,判断藏羊为健康状态;
优选的,树莓派(12)以时间间隔δ为周期,将处理得到的藏羊采食量及反刍次数数据通过无线通信链路发送到上位机服务器,上位机服务器将收到的藏羊采食量及反刍次数数据存入藏羊牧食行为监测数据库;
优选的,基于日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比建立逻辑回归方程对藏羊健康状况进行判断,当判断为非健康状态时,上位机服务器将羊只编号以手机短信方式发送至羊场管理员手机。
Claims (4)
1.一种基于树莓派的藏羊牧食行为监测方法,其特征在于它包括以下步骤:
S1、树莓派实时读取藏羊牧食行为监测设备中的三个声音传感器及一个薄膜压力传感器数据;
S2、设定树莓派运算时间间隔为δ,通过对藏羊牧食音频进行预处理、分割、分类、采食量估计、反刍判定步骤,获得此段时间内藏羊的采食量和反刍次数;
步骤S2中,计算采食量与反刍次数的具体步骤为:
S2-1、导入并通过谱减法MMSE对δ时间间隔内的原始牧食音频信号进行预处理降噪,记第一声音传感器模块所采集音频信号为α1,第二声音传感器模块所采集音频信号为α2,第三声音传感器模块所采集音频信号为α3,取α=α1-α2-α3作为纯净牧食音频;
S2-2、树莓派设置压力信号采样频率为sam1,提取头戴装置的薄膜压力传感器数据并形成波形文件,根据压力数据变化特征对δ时间间隔内的纯净牧食音频进行分割;
S2-3、通过零填充与随机偏置的方法将所有分割出的音频片段置为相同时长d;
S2-4、提取时长为d的音频片段信号的降维动态差分梅尔倒谱系数PD-MFCC;
步骤S2-4中,提取PD-MFCC的步骤包括:
S2-4-1、执行快速傅里叶变换FFT,将时域上的音频信号转化为频域上的能量分布;
S2-4-2、能量谱通过一组Mel尺度的三角形滤波器组进行平滑并消除谐波,三角滤波器的频率响应定义为:
S2-4-3、计算每个滤波器组输出的对数能量为:
S2-4-4、经离散余弦变换DCT得到梅尔倒谱系数MFCC:
S2-4-5、提取包括一阶差分和二阶差分的MFCC动态差分参数,记该动态差分参数为D-MFCC,差分参数的计算公式为:
式(4)中,dt表示第t个一阶差分,Ct表示第t个倒谱系数;
S2-4-6、将MFCC与D-MFCC合并为一个矩阵,对此矩阵进行PCA降维,取累计贡献率在85%以上的特征向量构成PD-MFCC作为特征参数;
S2-5、通过2D卷积神经网络模型将音频片段自动识别分类为采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声四类,记食团回流开始至其所伴随的最后一次反刍咀嚼结束为一次完整反刍发生,统计反刍次数,利用基于回归分析方法建立的采食量估算模型处理采食咀嚼音频片段,估算δ时间间隔内藏羊采食量;
步骤S2-5中,采食量估算与反刍次数统计计算具体步骤为:
S2-5-1、识别开始;
S2-5-2、将样本数据集PD-MFCC参数输入至2D卷积神经网络模型,识别分类采食啃咬声、采食咀嚼声、食团回流声、反刍咀嚼声;
S2-5-3、记录食团回流、反刍咀嚼音频发生位置,记食团回流开始至其所伴随的最后一次反刍咀嚼结束为一次完整反刍发生,成功识别一次反刍发生记为“1”;
S2-5-4、一次计算完成后,统计δ时间间隔内“1”的个数,记为该时间段内藏羊反刍次数;
S2-5-5、提取采食咀嚼音频的行为度量与声学度量,其中,行为度量包括采食咀嚼次数和采食咀嚼总持续时间,声学度量包括采食咀嚼平均声强和咀嚼总能量密度,将采食咀嚼音频的行为度量与声学度量输入至采食量估算模型,获得δ时间间隔内藏羊采食量;
S3、树莓派以δ为周期,将前δ时间间隔内的藏羊采食量及反刍次数值通过无线通信链路传输至上位机服务器,上位机服务器接收树莓派发送的采食量及反刍次数值并记录在藏羊牧食行为数据库中;
S4、上位机服务器以24小时为周期,从数据库中提取前24小时内获取的采食量及反刍次数数据,形成采食量序列I与反刍次数序列R,其中,I={i1,i2,i3……in},R={r1,r2,r3……rn}n=24/δ,上位机服务器针对序列I与R计算藏羊在前24小时内的采食量与反刍次数;
S5、上位机服务器对藏羊采食量与反刍次数信息进行保存与分析,基于日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比建立逻辑回归方程对藏羊健康状况进行判断,当藏羊被判断为非健康状态时,上位机服务器将该藏羊编号以短信方式发送至羊场管理员手机。
2.根据权利要求1所述的一种基于树莓派的藏羊牧食行为监测方法,其特征在于步骤S5中,利用逻辑回归分析方法处理日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比,进而评判藏羊健康状况,逻辑回归分析的自变量为日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比,对于编号为kj的藏羊,自变量的具体计算方法如下:
(ii)羊只第N天日采食量相对变化百分比计算方式为:
(iv)羊只第N天日反刍次数相对变化百分比计算方式为:
利用逻辑回归方程处理上述自变量,引入Sigmoid函数,评判藏羊健康状况,其中,Sigmoid函数公式如下:
其中,xi为步骤S5计算出的四项参数,i=1,2,3,4,x1、x2、x3、x4分别表示日采食量、日采食量变化百分比、日反刍次数、日反刍次数变化百分比,θi为四项参数对应的系数,i=1,2,3,4;所述θ0和θi均通过藏羊健康与非健康采食量、反刍次数对比数据集输入式(9)训练得到。
3.根据权利要求2所述的一种基于树莓派的藏羊牧食行为监测方法,其特征在于当hθ(x)=0时,判断藏羊存在潜在健康问题,当hθ(x)=1时,判断藏羊为健康状态。
4.根据权利要求1所述的一种基于树莓派的藏羊牧食行为监测方法,其特征在于树莓派计算所得数据通过无线通讯技术传至上位机服务器进行数据储存与分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910400451.7A CN111916096B (zh) | 2019-05-09 | 2019-05-09 | 一种基于树莓派的藏羊牧食行为监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910400451.7A CN111916096B (zh) | 2019-05-09 | 2019-05-09 | 一种基于树莓派的藏羊牧食行为监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111916096A CN111916096A (zh) | 2020-11-10 |
CN111916096B true CN111916096B (zh) | 2021-04-27 |
Family
ID=73242911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910400451.7A Active CN111916096B (zh) | 2019-05-09 | 2019-05-09 | 一种基于树莓派的藏羊牧食行为监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111916096B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634941A (zh) * | 2020-12-16 | 2021-04-09 | 哈尔滨航天恒星数据系统科技有限公司 | 基于Logistic回归模型的肉牛反刍声波健康评价方法 |
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 (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1301068B1 (en) * | 2000-07-19 | 2008-03-05 | Avshalom Bar-Shalom | Method and system for monitoring physiological conditions of, and/or suitability of animal feed for ruminant animals |
CN103488148A (zh) * | 2013-09-24 | 2014-01-01 | 华北电力大学(保定) | 一种基于物联网和计算机视觉的家畜行为智能监控系统 |
CN103914732A (zh) * | 2014-03-17 | 2014-07-09 | 东华大学 | 一种反刍动物反刍与吞咽次数的音频识别算法 |
CN105845144A (zh) * | 2016-03-21 | 2016-08-10 | 陈宁 | 一种实现动物声音与形态翻译功能的智能健康管理系统 |
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 |
JP2017060407A (ja) * | 2015-09-21 | 2017-03-30 | 株式会社グリーン&ライフ・イノベーション | 反芻動物の健康管理システムおよび反芻動物の健康管理方法 |
CN106847293A (zh) * | 2017-01-19 | 2017-06-13 | 内蒙古农业大学 | 设施养殖羊应激行为的声信号监测方法 |
WO2017125805A2 (es) * | 2015-12-15 | 2017-07-27 | Consejo Nacional De Investigaciones Científicas Y Técnicas (Conicet) | Un metodo y un dispositivo para detectar, clasificar y cuantificar en tiempo real la actividad alimenticia de animales rumiantes |
CN107229691A (zh) * | 2017-05-19 | 2017-10-03 | 上海掌门科技有限公司 | 一种用于提供社交对象的方法与设备 |
CN108109613A (zh) * | 2017-12-12 | 2018-06-01 | 苏州思必驰信息科技有限公司 | 用于智能对话语音平台的音频训练和识别方法及电子设备 |
CN109009129A (zh) * | 2018-08-20 | 2018-12-18 | 南京农业大学 | 基于声学分析的母猪呼吸系统疾病预警方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8838260B2 (en) * | 2009-10-07 | 2014-09-16 | Sony Corporation | Animal-machine audio interaction system |
KR101729443B1 (ko) * | 2016-06-15 | 2017-04-24 | 김국현 | 가축 모니터링 시스템 |
CN106781397A (zh) * | 2016-12-30 | 2017-05-31 | 浙江大学 | 一种牛羊监管系统 |
-
2019
- 2019-05-09 CN CN201910400451.7A patent/CN111916096B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1301068B1 (en) * | 2000-07-19 | 2008-03-05 | Avshalom Bar-Shalom | Method and system for monitoring physiological conditions of, and/or suitability of animal feed for ruminant animals |
CN103488148A (zh) * | 2013-09-24 | 2014-01-01 | 华北电力大学(保定) | 一种基于物联网和计算机视觉的家畜行为智能监控系统 |
CN103914732A (zh) * | 2014-03-17 | 2014-07-09 | 东华大学 | 一种反刍动物反刍与吞咽次数的音频识别算法 |
JP2017060407A (ja) * | 2015-09-21 | 2017-03-30 | 株式会社グリーン&ライフ・イノベーション | 反芻動物の健康管理システムおよび反芻動物の健康管理方法 |
WO2017125805A2 (es) * | 2015-12-15 | 2017-07-27 | Consejo Nacional De Investigaciones Científicas Y Técnicas (Conicet) | Un metodo y un dispositivo para detectar, clasificar y cuantificar en tiempo real la actividad alimenticia de animales rumiantes |
CN105845144A (zh) * | 2016-03-21 | 2016-08-10 | 陈宁 | 一种实现动物声音与形态翻译功能的智能健康管理系统 |
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 |
CN106847293A (zh) * | 2017-01-19 | 2017-06-13 | 内蒙古农业大学 | 设施养殖羊应激行为的声信号监测方法 |
CN107229691A (zh) * | 2017-05-19 | 2017-10-03 | 上海掌门科技有限公司 | 一种用于提供社交对象的方法与设备 |
CN108109613A (zh) * | 2017-12-12 | 2018-06-01 | 苏州思必驰信息科技有限公司 | 用于智能对话语音平台的音频训练和识别方法及电子设备 |
CN109009129A (zh) * | 2018-08-20 | 2018-12-18 | 南京农业大学 | 基于声学分析的母猪呼吸系统疾病预警方法 |
Non-Patent Citations (4)
Title |
---|
A regularity-based algorithm for identifying grazing cattle;Vanrell,S.R.,Chelotti,J.O.,et al;《Computers and Electronics in Agriculture》;ScienceDirect;20180831;第151卷;第392-402页 * |
Evaluation of eating and rumination behaviour in cows using a noseband pressure sensor;Braun,U.,Trösch,L,et al.;《BMC Veterinary Research》;Springer;20130813;第164卷(第9期);第1-8页 * |
放牧家畜采食量和采食成分测定技术评述;张晓庆等;《草业科学》;20120229;第29卷(第02期);第291-300页 * |
深层神经网络在家畜反刍行为识别上的应用;宋颢等;《科学技术与工程》;20170118;第17卷(第02期);第239-242页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111916096A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583962B (zh) | 一种基于声学分析的羊反刍行为监测方法 | |
Costa et al. | Symposium review: Precision technologies for dairy calves and management applications | |
Amft et al. | Bite weight prediction from acoustic recognition of chewing | |
Milone et al. | Automatic recognition of ingestive sounds of cattle based on hidden Markov models | |
Shen et al. | Automatic recognition of ingestive-related behaviors of dairy cows based on triaxial acceleration | |
CN111916096B (zh) | 一种基于树莓派的藏羊牧食行为监测方法 | |
Knauer et al. | Evaluation of applying statistical process control techniques to daily average feeding behaviors to detect disease in automatically fed group-housed preweaned dairy calves | |
CN110169375B (zh) | 一种奶牛采食行为与采食量的监测方法及装置 | |
CN105336331A (zh) | 基于声音的猪异常行为智能监测方法及智能监测系统 | |
Tian et al. | Real-time behavioral recognition in dairy cows based on geomagnetism and acceleration information | |
CN113785783B (zh) | 一种牲畜分群系统及方法 | |
Shen et al. | Rumination recognition method of dairy cows based on the change of noseband pressure | |
CN116934088B (zh) | 一种基于分析模型的鸽子养殖智能管理方法及其系统 | |
CN109479750A (zh) | 一种基于声学信息的梅山猪发情监测方法 | |
CN113397494A (zh) | 动物体征监测装置和方法及智能可穿戴装置 | |
Duan et al. | Short-term feeding behaviour sound classification method for sheep using LSTM networks | |
CN110720928A (zh) | 一种基于三轴加速度的奶牛进食和反刍识别方法 | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN115777560A (zh) | 一种基于机器视觉分析技术的母猪智能化饲喂系统 | |
de Campos et al. | Surface electromyography measurements for ingestive behaviour identification on goats | |
Milan et al. | Survey and future prospects in precision dairy farming | |
Cubitt et al. | Development of an intelligent reasoning system to distinguish hunger states in Rainbow trout (Oncorhynchus mykiss) | |
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 | |
CN115517664B (zh) | 动物体征量测量方法 | |
Singhal et al. | Cattle Collar: An End-to-End Multi-Model Framework for Cattle Monitoring |
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 |