CN113971227B - 基于大数据的牲畜监测方法、系统和可读存储介质 - Google Patents
基于大数据的牲畜监测方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN113971227B CN113971227B CN202111203931.8A CN202111203931A CN113971227B CN 113971227 B CN113971227 B CN 113971227B CN 202111203931 A CN202111203931 A CN 202111203931A CN 113971227 B CN113971227 B CN 113971227B
- Authority
- CN
- China
- Prior art keywords
- livestock
- fence
- information
- distribution
- preset
- 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
- 244000144972 livestock Species 0.000 title claims abstract description 254
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 189
- 230000007613 environmental effect Effects 0.000 claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000007405 data analysis Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 29
- 241001465754 Metazoa Species 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 244000144980 herd Species 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 3
- 238000009395 breeding Methods 0.000 abstract description 6
- 230000001488 breeding effect Effects 0.000 abstract description 5
- 244000144992 flock Species 0.000 description 16
- 244000025254 Cannabis sativa Species 0.000 description 9
- 241001494479 Pecora Species 0.000 description 9
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 206010035148 Plague Diseases 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- A01K29/00—Other apparatus for animal husbandry
- A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Environmental Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Animal Husbandry (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种基于大数据的牲畜监测方法、系统和可读存储介质，其中方法包括：基于预设的传感器组获取围栏预设范围内的环境因子，输入到识别神经网络模型中，得到模拟输出值；识别当前所述围栏内的牲畜群的分布信息，以获取目标匹配值；判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息；基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径。本发明可对牲畜于围栏内外的情况进行多点监测，于栏外可以自动生成栏外牲畜的回栏路径，于栏内可以自动识别围栏内的牲畜分布信息，并基于预设算法自动进行二次分布计算，以合理分配牲畜的栏内数量进行有序畜养。
Description
技术领域
本发明涉及牲畜监测技术领域，更具体的，涉及一种基于大数据的牲畜监测方法、系统和可读存储介质。
背景技术
牲畜一般是指由人类饲养使之繁殖而利用，有利于农业生产的畜类，可理解为家畜,家禽的统称，例如有猪、牛、羊等动物。
随着社会的进步，对于食用肉类的需求量愈发增加，对于畜牧业的牲畜饲养也慢慢得以规范，应对不同的季节，天气都有不同的饲养方法，但是目前，仍然存在着对于牲畜的监测不到位的情况，容易出现集体瘟疫或者个体丢失的情况以及在栏内圈养过程中出现的群体性失温等问题，亟待解决。
发明内容
鉴于上述问题，本发明的目的是提供一种基于大数据的牲畜监测方法、系统和可读存储介质，能够对围栏内外的牲畜进行全方位监测，能够有效避免牲畜丢失或者出现集体性突发事件，增强牲畜的存活率，以降低饲养成本。
本发明第一方面提供了一种基于大数据的牲畜监测方法，包括以下步骤：
基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值；
识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值；
判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测；
基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测。
本方案中，所述基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值，具体为：
建立与所述传感器组的通信连接，基于预设周期获取所述传感器组各传感器采集的数据信息；
基于采集到的所述数据信息得到所述环境因子，其中，所述环境因子包括但不仅限于温度，湿度，空气流速以及空气质量；
将所述环境因子输入到训练好的所述识别神经网络模型中，得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息。
本方案中，所述识别神经网络模型训练方法为：
获取历史检测数据的环境因子与牲畜群分布信息；
将所述历史检测数据的环境因子与牲畜群分布信息进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
本方案中，所述识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值，具体为：
基于设置在所述围栏内的预设监控摄像头获取所述牲畜群的分布信息，并定义为第一分布信息；
定义所述模拟输出值中所述围栏内所述牲畜群的分布信息为第二分布信息；
基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值。
本方案中，所述判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测，具体为：
待获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息；
基于所述落点信息获取需再分布的牲畜群数据信息，并调用所述分布算法对所述牲畜群数据信息进行再分布计算；
根据计算结果输出所述二次分布数据信息以完成所述牲畜于所述围栏内的监测。
本方案中，所述基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测，具体为：
建立与预设无人机的通信连接并获取所述无人机采集到的所述图像；
基于所述图像获取所述围栏外目标区域内的所述牲畜群位置信息；
基于所述牲畜群位置信息进行大数据分析得到所述牲畜的回栏路径并输出给用户端，以完成所述牲畜于所述围栏外的监测。
本发明第二方面还提供一种基于大数据的牲畜监测系统，包括存储器和处理器，所述存储器中包括基于大数据的牲畜监测方法程序，所述基于大数据的牲畜监测方法程序被所述处理器执行时实现如下步骤：
基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值；
识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值；
判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测；
基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测。
本方案中，所述基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值，具体为：
建立与所述传感器组的通信连接，基于预设周期获取所述传感器组各传感器采集的数据信息；
基于采集到的所述数据信息得到所述环境因子，其中，所述环境因子包括但不仅限于温度，湿度，空气流速以及空气质量；
将所述环境因子输入到训练好的所述识别神经网络模型中，得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息。
本方案中，所述识别神经网络模型训练方法为：
获取历史检测数据的环境因子与牲畜群分布信息；
将所述历史检测数据的环境因子与牲畜群分布信息进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
本方案中，所述识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值，具体为：
基于设置在所述围栏内的预设监控摄像头获取所述牲畜群的分布信息，并定义为第一分布信息；
定义所述模拟输出值中所述围栏内所述牲畜群的分布信息为第二分布信息；
基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值。
本方案中，所述判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测，具体为：
待获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息；
基于所述落点信息获取需再分布的牲畜群数据信息，并调用所述分布算法对所述牲畜群数据信息进行再分布计算；
根据计算结果输出所述二次分布数据信息以完成所述牲畜于所述围栏内的监测。
本方案中，所述基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测，具体为：
建立与预设无人机的通信连接并获取所述无人机采集到的所述图像；
基于所述图像获取所述围栏外目标区域内的所述牲畜群位置信息；
基于所述牲畜群位置信息进行大数据分析得到所述牲畜的回栏路径并输出给用户端，以完成所述牲畜于所述围栏外的监测。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于大数据的牲畜监测方法程序，所述基于大数据的牲畜监测方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据的牲畜监测方法的步骤。
本发明公开的一种基于大数据的牲畜监测方法、系统和可读存储介质，可对牲畜于围栏内外的情况进行多点监测，于栏外可以自动生成栏外牲畜的回栏路径，于栏内可以自动识别围栏内的牲畜分布信息，并基于预设算法自动进行二次分布计算，以合理分配牲畜的栏内数量进行有序畜养。
附图说明
图1示出了本发明一种基于大数据的牲畜监测方法的流程图；
图2示出了本发明一种基于大数据的牲畜监测系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种基于大数据的牲畜监测方法的流程图。
如图1所示，本申请公开了一种基于大数据的牲畜监测方法，包括以下步骤：
S102，基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值；
S104，识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值；
S106，判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测；
S108，基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测。
需要说明的是，所述牲畜在所述围栏内圈养时，需要对数量进行合理分配，以使得围栏内空气流通以及温度适宜所述牲畜进行生存，首先基于所述传感器组获取所述围栏预设范围内的环境因子，其中，所述预设范围可设为三米，获取到所述环境因子后，将其输入到训练好的所述识别神经网络模型中以得到所述模拟输出值，而后基于所述围栏内的摄像头识别当前所述围栏内的牲畜群的分布信息，与所述模拟输出值中的分布数据进行匹配分析，得到所述目标匹配值，进而判断所述目标匹配值位于所述等级区间的落点信息，并根据所述落点信息调用所述分布算法进行再分布计算以输出所述二次分布数据信息，以此完成所述牲畜于所述围栏内的监测；所述牲畜在所述围栏外进食时，可以基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，以记录所述牲畜群的行进路线，并通过大数据分析输出其所述回栏路径，以此完成所述牲畜于所述围栏外的监测。
根据本发明实施例，所述基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值，具体为：
建立与所述传感器组的通信连接，基于预设周期获取所述传感器组各传感器采集的数据信息；
基于采集到的所述数据信息得到所述环境因子，其中，所述环境因子包括但不仅限于温度，湿度，空气流速以及空气质量；
将所述环境因子输入到训练好的所述识别神经网络模型中，得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息。
需要说明的是，所述环境因子包括但不仅限于温度，湿度，空气流速以及空气质量，相应地，所述传感器组包括但不仅限于温度传感器，湿度传感器，空气流速传感器以及空气质量传感器，基于不同的所述传感器可以获取对应的所述围栏预设范围内的采集数据，进而得到所述环境因子，并将所述环境因子输入到训练好的所述识别神经网络模型中进行模拟训练，以得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息。
根据本发明实施例，所述识别神经网络模型训练方法为：
获取历史检测数据的环境因子与牲畜群分布信息；
将所述历史检测数据的环境因子与牲畜群分布信息进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
需要说明的是，所述识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的所述识别神经网络模型可以通过历史检测数据的环境因子与牲畜群分布信息作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史检测数据的环境因子与牲畜群分布信息进行训练，还需要结合确定的牲畜数量值进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得所述识别神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为95％。
根据本发明实施例，所述识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值，具体为：
基于设置在所述围栏内的预设监控摄像头获取所述牲畜群的分布信息，并定义为第一分布信息；
定义所述模拟输出值中所述围栏内所述牲畜群的分布信息为第二分布信息；
基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值。
需要说明的是，所述围栏内的所述第一分布信息由设置在所述围栏内的所述监控摄像头获得，而所述第二分布信息为所述模拟输出值的所述牲畜群的分布信息，基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值，例如，以羊群为例，所述羊群数量为80只，所述围栏内共有10个羊圈，根据所述羊圈位置以及所述环境因子的影响，例如空气流速的变化，湿度的变化等等，所述第二分布信息为序号前五的每个所述羊圈圈养6只羊，剩下的五个所述羊圈每个圈养10只羊，而所述第一分布信息显示为八个所述羊圈每个圈养10只羊，故根据匹配公式计算得到所述目标匹配值为1。
值得一提的是，所述匹配公式计算式为：
其中，R为所述目标匹配值，n为所述牲畜圈养地数量级，Pi所述第一分布信息中第i个所述圈养地内圈养所述牲畜的数量值，Qi为所述第二分布信息中第i个所述圈养地内圈养所述牲畜的数量值。
根据本发明实施例，所述判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测，具体为：
待获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息；
基于所述落点信息获取需再分布的牲畜群数据信息，并调用所述分布算法对所述牲畜群数据信息进行再分布计算；
根据计算结果输出所述二次分布数据信息以完成所述牲畜于所述围栏内的监测。
需要说明的是，获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息，其中，若所述目标匹配值低于“75％”，则需要进行二次分布，调用所述分布算法对所述牲畜群数据信息进行再分布计算以输出所述二次分布数据信息，以完成所述牲畜于所述围栏内的监测工作。
值得一提的是，所述分布算法的公式如下：
其中，N为需要二次分布的所述牲畜总量，
为需要二次分布的所述牲畜位于单个所述圈养地的数量值，R为所述目标匹配值，n为所述牲畜圈养地数量级，Pi所述第一分布信息中第i个所述圈养地内圈养所述牲畜的数量值。
根据本发明实施例，所述基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测，具体为：
建立与预设无人机的通信连接并获取所述无人机采集到的所述图像；
基于所述图像获取所述围栏外目标区域内的所述牲畜群位置信息；
基于所述牲畜群位置信息进行大数据分析得到所述牲畜的回栏路径并输出给用户端，以完成所述牲畜于所述围栏外的监测。
需要说明的是，利用所述无人机采集到的所述图像可以得到每个所述牲畜的位置，防止其意外丢失时难以找回，另外，基于所述图像可以获取所述围栏外目标区域内的所述牲畜群位置信息，并且可以基于所述牲畜群位置信息进行大数据分析得到所述牲畜的回栏路径并输出给用户端，供其进行回栏引导使用，以此完成所述牲畜于所述围栏外的监测。
值得一提的是，所述方法还包括识别所述牲畜的进食喜好，具体为：
基于所述牲畜群位置信息获取所述牲畜的行进路径；
基于所述图像识别位于所述行进路径预设间距内的草群信息；
基于所述草群信息提取所述牲畜的进食喜好。
需要说明的是，牲畜在所述围栏外自由进食时，都会优先进行更为喜好的草群草种，基于所述图像可以快速定位所述牲畜的进食区域以及该区域内的草群信息，以得到所述牲畜的进食喜好，进一步完善人工饲养的饲料储备信息。
图2示出了本发明一种基于大数据的牲畜监测系统的框图。
如图2所示，本发明公开了一种基于大数据的牲畜监测系统，包括存储器和处理器，所述存储器中包括基于大数据的牲畜监测方法程序，所述基于大数据的牲畜监测方法程序被所述处理器执行时实现如下步骤：
基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值；
识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值；
判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测；
基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测。
需要说明的是，所述牲畜在所述围栏内圈养时，需要对数量进行合理分配，以使得围栏内空气流通以及温度适宜所述牲畜进行生存，首先基于所述传感器组获取所述围栏预设范围内的环境因子，其中，所述预设范围可设为三米，获取到所述环境因子后，将其输入到训练好的所述识别神经网络模型中以得到所述模拟输出值，而后基于所述围栏内的摄像头识别当前所述围栏内的牲畜群的分布信息，与所述模拟输出值中的分布数据进行匹配分析，得到所述目标匹配值，进而判断所述目标匹配值位于所述等级区间的落点信息，并根据所述落点信息调用所述分布算法进行再分布计算以输出所述二次分布数据信息，以此完成所述牲畜于所述围栏内的监测；所述牲畜在所述围栏外进食时，可以基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，以记录所述牲畜群的行进路线，并通过大数据分析输出其所述回栏路径，以此完成所述牲畜于所述围栏外的监测。
根据本发明实施例，所述基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值，具体为：
建立与所述传感器组的通信连接，基于预设周期获取所述传感器组各传感器采集的数据信息；
基于采集到的所述数据信息得到所述环境因子，其中，所述环境因子包括但不仅限于温度，湿度，空气流速以及空气质量；
将所述环境因子输入到训练好的所述识别神经网络模型中，得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息。
需要说明的是，所述环境因子包括但不仅限于温度，湿度，空气流速以及空气质量，相应地，所述传感器组包括但不仅限于温度传感器，湿度传感器，空气流速传感器以及空气质量传感器，基于不同的所述传感器可以获取对应的所述围栏预设范围内的采集数据，进而得到所述环境因子，并将所述环境因子输入到训练好的所述识别神经网络模型中进行模拟训练，以得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息。
根据本发明实施例，所述识别神经网络模型训练方法为：
获取历史检测数据的环境因子与牲畜群分布信息；
将所述历史检测数据的环境因子与牲畜群分布信息进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
需要说明的是，所述识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的所述识别神经网络模型可以通过历史检测数据的环境因子与牲畜群分布信息作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史检测数据的环境因子与牲畜群分布信息进行训练，还需要结合确定的牲畜数量值进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得所述识别神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为95％。
根据本发明实施例，所述识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值，具体为：
基于设置在所述围栏内的预设监控摄像头获取所述牲畜群的分布信息，并定义为第一分布信息；
定义所述模拟输出值中所述围栏内所述牲畜群的分布信息为第二分布信息；
基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值。
需要说明的是，所述围栏内的所述第一分布信息由设置在所述围栏内的所述监控摄像头获得，而所述第二分布信息为所述模拟输出值的所述牲畜群的分布信息，基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值，例如，以羊群为例，所述羊群数量为80只，所述围栏内共有10个羊圈，根据所述羊圈位置以及所述环境因子的影响，例如空气流速的变化，湿度的变化等等，所述第二分布信息为序号前五的每个所述羊圈圈养6只羊，剩下的五个所述羊圈每个圈养10只羊，而所述第一分布信息显示为八个所述羊圈每个圈养10只羊，故根据匹配公式计算得到所述目标匹配值为1。
值得一提的是，所述匹配公式计算式为：
其中，R为所述目标匹配值，n为所述牲畜圈养地数量级，Pi所述第一分布信息中第i个所述圈养地内圈养所述牲畜的数量值，Qi为所述第二分布信息中第i个所述圈养地内圈养所述牲畜的数量值。
根据本发明实施例，所述判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测，具体为：
待获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息；
基于所述落点信息获取需再分布的牲畜群数据信息，并调用所述分布算法对所述牲畜群数据信息进行再分布计算；
根据计算结果输出所述二次分布数据信息以完成所述牲畜于所述围栏内的监测。
需要说明的是，获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息，其中，若所述目标匹配值低于“75％”，则需要进行二次分布，调用所述分布算法对所述牲畜群数据信息进行再分布计算以输出所述二次分布数据信息，以完成所述牲畜于所述围栏内的监测工作。
值得一提的是，所述分布算法的公式如下：
其中，N为需要二次分布的所述牲畜总量，
为需要二次分布的所述牲畜位于单个所述圈养地的数量值，R为所述目标匹配值，n为所述牲畜圈养地数量级，Pi所述第一分布信息中第i个所述圈养地内圈养所述牲畜的数量值。
根据本发明实施例，所述基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测，具体为：
建立与预设无人机的通信连接并获取所述无人机采集到的所述图像；
基于所述图像获取所述围栏外目标区域内的所述牲畜群位置信息；
基于所述牲畜群位置信息进行大数据分析得到所述牲畜的回栏路径并输出给用户端，以完成所述牲畜于所述围栏外的监测。
需要说明的是，利用所述无人机采集到的所述图像可以得到每个所述牲畜的位置，防止其意外丢失时难以找回，另外，基于所述图像可以获取所述围栏外目标区域内的所述牲畜群位置信息，并且可以基于所述牲畜群位置信息进行大数据分析得到所述牲畜的回栏路径并输出给用户端，供其进行回栏引导使用，以此完成所述牲畜于所述围栏外的监测。
值得一提的是，所述方法还包括识别所述牲畜的进食喜好，具体为：
基于所述牲畜群位置信息获取所述牲畜的行进路径；
基于所述图像识别位于所述行进路径预设间距内的草群信息；
基于所述草群信息提取所述牲畜的进食喜好。
需要说明的是，牲畜在所述围栏外自由进食时，都会优先进行更为喜好的草群草种，基于所述图像可以快速定位所述牲畜的进食区域以及该区域内的草群信息，以得到所述牲畜的进食喜好，进一步完善人工饲养的饲料储备信息。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种基于大数据的牲畜监测方法程序，所述基于大数据的牲畜监测方法程序被处理器执行时，实现如上述任一项所述的一种基于大数据的牲畜监测方法的步骤。
本发明公开的一种基于大数据的牲畜监测方法、系统和可读存储介质，可对牲畜于围栏内外的情况进行多点监测，于栏外可以自动生成栏外牲畜的回栏路径，于栏内可以自动识别围栏内的牲畜分布信息，并基于预设算法自动进行二次分布计算，以合理分配牲畜的栏内数量进行有序畜养。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的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。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (5)
1.一种基于大数据的牲畜监测方法，其特征在于，包括以下步骤：
基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值；
识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值；
判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测；
基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测；
所述基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值，具体为：
建立与所述传感器组的通信连接，基于预设周期获取所述传感器组各传感器采集的数据信息；
基于采集到的所述数据信息得到所述环境因子，其中，所述环境因子包括温度，湿度，空气流速以及空气质量；
将所述环境因子输入到训练好的所述识别神经网络模型中，得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息；
所述识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值，具体为：
基于设置在所述围栏内的预设监控摄像头获取所述牲畜群的分布信息，并定义为第一分布信息；
定义所述模拟输出值中所述围栏内牲畜群的分布信息为第二分布信息；
基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值；
所述目标匹配值计算式为：
其中，
为所述目标匹配值，
为所述牲畜圈养地数量级，
所述第一分布信息中第
个所述圈养地内圈养所述牲畜的数量值，
为所述第二分布信息中第
个所述圈养地内圈养所述牲畜的数量值；
所述判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测，具体为：
待获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息；
基于所述落点信息获取需再分布的牲畜群数据信息，并调用所述分布算法对所述牲畜群数据信息进行再分布计算；
根据计算结果输出所述二次分布数据信息以完成所述牲畜于所述围栏内的监测；
所述分布算法的公式如下：
其中，
为需要二次分布的所述牲畜总量，
为需要二次分布的所述牲畜位于单个所述圈养地的数量值，
为所述目标匹配值，
为所述牲畜圈养地数量级，
所述第一分布信息中第
个所述圈养地内圈养所述牲畜的数量值。
2.根据权利要求1所述的一种基于大数据的牲畜监测方法，其特征在于，所述识别神经网络模型训练方法为：
获取历史检测数据的环境因子与牲畜群分布信息；
将所述历史检测数据的环境因子与牲畜群分布信息进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
3.根据权利要求1所述的一种基于大数据的牲畜监测方法，其特征在于，所述基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测，具体为：
建立与预设无人机的通信连接并获取所述无人机采集到的所述图像；
基于所述图像获取所述围栏外目标区域内的所述牲畜群位置信息；
基于所述牲畜群位置信息进行大数据分析得到所述牲畜的回栏路径并输出给用户端，以完成所述牲畜于所述围栏外的监测。
4.一种基于大数据的牲畜监测系统，其特征在于，包括存储器和处理器，所述存储器中包括基于大数据的牲畜监测方法程序，所述基于大数据的牲畜监测方法程序被所述处理器执行时实现如下步骤：
基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值；
识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值；
判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测；
基于预设图像获取所述围栏外目标区域内的牲畜群位置信息，通过大数据分析输出回栏路径，完成所述牲畜于所述围栏外的监测；
所述基于预设的传感器组获取围栏预设范围内的环境因子，输入到训练好的识别神经网络模型中，得到模拟输出值，具体为：
建立与所述传感器组的通信连接，基于预设周期获取所述传感器组各传感器采集的数据信息；
基于采集到的所述数据信息得到所述环境因子，其中，所述环境因子包括温度，湿度，空气流速以及空气质量；
将所述环境因子输入到训练好的所述识别神经网络模型中，得到所述模拟输出值，其中，所述模拟输出值为所述围栏内所述牲畜群的分布信息；
所述识别当前所述围栏内的牲畜群的分布信息，调用所述模拟输出值进行数据分析，获取目标匹配值，具体为：
基于设置在所述围栏内的预设监控摄像头获取所述牲畜群的分布信息，并定义为第一分布信息；
定义所述模拟输出值中所述围栏内牲畜群的分布信息为第二分布信息；
基于所述第一分布信息与所述第二分布信息进行牲畜群分布分析，获取牲畜分布的所述目标匹配值；
所述目标匹配值计算式为：
其中，
为所述目标匹配值，
为所述牲畜圈养地数量级，
所述第一分布信息中第
个所述圈养地内圈养所述牲畜的数量值，
为所述第二分布信息中第
个所述圈养地内圈养所述牲畜的数量值；
所述判断所述目标匹配值位于等级区间内的落点，以根据落点信息调用预设的分布算法输出二次分布数据信息，完成所述牲畜于所述围栏内的监测，具体为：
待获取到所述目标匹配值后，判断所述目标匹配值的所述落点信息；
基于所述落点信息获取需再分布的牲畜群数据信息，并调用所述分布算法对所述牲畜群数据信息进行再分布计算；
根据计算结果输出所述二次分布数据信息以完成所述牲畜于所述围栏内的监测；
所述分布算法的公式如下：
其中，
为需要二次分布的所述牲畜总量，
为需要二次分布的所述牲畜位于单个所述圈养地的数量值，
为所述目标匹配值，
为所述牲畜圈养地数量级，
所述第一分布信息中第
个所述圈养地内圈养所述牲畜的数量值。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种基于大数据的牲畜监测方法程序，所述基于大数据的牲畜监测方法程序被处理器执行时，实现如权利要求1至3中任一项所述的一种基于大数据的牲畜监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203931.8A CN113971227B (zh) | 2021-10-15 | 2021-10-15 | 基于大数据的牲畜监测方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111203931.8A CN113971227B (zh) | 2021-10-15 | 2021-10-15 | 基于大数据的牲畜监测方法、系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113971227A CN113971227A (zh) | 2022-01-25 |
| CN113971227B true CN113971227B (zh) | 2023-03-10 |
Family
ID=79587550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111203931.8A Active CN113971227B (zh) | 2021-10-15 | 2021-10-15 | 基于大数据的牲畜监测方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113971227B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110221588A (zh) * | 2019-07-09 | 2019-09-10 | 哈尔滨商业大学 | 一种基于物联网的智慧畜牧系统 |
| KR20200013127A (ko) * | 2018-07-12 | 2020-02-06 | 이창우 | 빅데이터 기술을 이용한 가축관리시스템 및 빅데이터 기술을 이용한 가축관리방법 |
| CN210075433U (zh) * | 2019-07-17 | 2020-02-14 | 重庆市畜牧科学院 | 一种智能监测猪群圈内空间分布行为的装置 |
| CN111401386A (zh) * | 2020-03-30 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 牲畜舍栏的监控方法、装置、智能巡航机器人及存储介质 |
| CN111766827A (zh) * | 2020-07-09 | 2020-10-13 | 霍祥明 | 一种基于大数据的现代化生猪养殖基地实时监测管理系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6704164B1 (ja) * | 2019-03-11 | 2020-06-03 | 株式会社Ｅｃｏ‐Ｐｏｒｋ | 畜産自動管理システム |
| CN113225682A (zh) * | 2021-01-15 | 2021-08-06 | 深圳市芯中芯科技有限公司 | 一种智能电子围栏系统 |
-
2021
- 2021-10-15 CN CN202111203931.8A patent/CN113971227B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200013127A (ko) * | 2018-07-12 | 2020-02-06 | 이창우 | 빅데이터 기술을 이용한 가축관리시스템 및 빅데이터 기술을 이용한 가축관리방법 |
| CN110221588A (zh) * | 2019-07-09 | 2019-09-10 | 哈尔滨商业大学 | 一种基于物联网的智慧畜牧系统 |
| CN210075433U (zh) * | 2019-07-17 | 2020-02-14 | 重庆市畜牧科学院 | 一种智能监测猪群圈内空间分布行为的装置 |
| CN111401386A (zh) * | 2020-03-30 | 2020-07-10 | 深圳前海微众银行股份有限公司 | 牲畜舍栏的监控方法、装置、智能巡航机器人及存储介质 |
| CN111766827A (zh) * | 2020-07-09 | 2020-10-13 | 霍祥明 | 一种基于大数据的现代化生猪养殖基地实时监测管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多尺度感知的高密度猪只计数网络研究;高云等;《农业机械学报》;20210925;第52卷(第9期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113971227A (zh) | 2022-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bao et al. | Artificial intelligence in animal farming: A systematic literature review | |
| Tedeschi et al. | Advancements in sensor technology and decision support intelligent tools to assist smart livestock farming | |
| JP6824199B2 (ja) | 背の画像に基づき個々の動物を識別するシステム及び方法 | |
| Jingqiu et al. | Cow behavior recognition based on image analysis and activities | |
| Greenwood et al. | Use of sensor-determined behaviours to develop algorithms for pasture intake by individual grazing cattle | |
| Bonnet et al. | Continuous bite monitoring: a method to assess the foraging dynamics of herbivores in natural grazing conditions | |
| Weber et al. | Cattle weight estimation using active contour models and regression trees Bagging | |
| CN114065481B (zh) | 基于大数据的草地数据监测方法、系统和可读存储介质 | |
| CN111274975A (zh) | 猪只采食行为预测方法及装置 | |
| CN112906734A (zh) | 牲畜智能选种方法、装置、计算机设备和存储介质 | |
| CN113785783A (zh) | 一种牲畜分群系统及方法 | |
| Visser et al. | Phenomics for sustainable production in the South African dairy and beef cattle industry | |
| Liu et al. | Classification of cow behavior patterns using inertial measurement units and a fully convolutional network model | |
| CN114118755A (zh) | 基于rpa和ai的牲畜养殖管理方法、装置、设备及存储介质 | |
| CN113971227B (zh) | 基于大数据的牲畜监测方法、系统和可读存储介质 | |
| CN114065801B (zh) | 基于神经网络模型的土壤监测方法、系统和可读存储介质 | |
| CN110414369B (zh) | 一种牛脸的训练方法及装置 | |
| CN114070862B (zh) | 基于物联网的畜牧控制方法、系统和可读存储介质 | |
| CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
| Ojukwu et al. | Development of a computer vision system to detect inactivity in group-housed pigs | |
| Bresolin et al. | Assessing optimal frequency for image acquisition in computer vision systems developed to monitor feeding behavior of group-housed Holstein heifers | |
| CN113989745A (zh) | 一种反刍动物饲养状况的非接触式监测方法 | |
| Malhotra et al. | Application of AI/ML approaches for livestock improvement and management | |
| Gu et al. | A two-stage recognition method based on deep learning for sheep behavior | |
| CN117745036B (zh) | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
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 |