CN113973739A - 一种多功能的牛用电子耳标 - Google Patents
一种多功能的牛用电子耳标 Download PDFInfo
- Publication number
- CN113973739A CN113973739A CN202111069753.4A CN202111069753A CN113973739A CN 113973739 A CN113973739 A CN 113973739A CN 202111069753 A CN202111069753 A CN 202111069753A CN 113973739 A CN113973739 A CN 113973739A
- Authority
- CN
- China
- Prior art keywords
- temperature
- cattle
- layer
- ear tag
- sensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000283690 Bos taurus Species 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 46
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000036760 body temperature Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 210000003128 head Anatomy 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000004886 head movement Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 229910052744 lithium Inorganic materials 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 206010000117 Abnormal behaviour Diseases 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 235000015278 beef Nutrition 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000009529 body temperature measurement Methods 0.000 abstract description 3
- 238000009395 breeding Methods 0.000 abstract description 3
- 230000001488 breeding effect Effects 0.000 abstract description 3
- 235000013365 dairy product Nutrition 0.000 abstract description 2
- 230000035939 shock Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 230000008506 pathogenesis Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K11/00—Marking of animals
- A01K11/001—Ear-tags
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Environmental Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Birds (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Zoology (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种多功能的牛用电子耳标，涉及电子耳标技术领域，包括主标和辅标，所述主标的内部固定安装有主控电路板，所述辅标卡合安装于主标的外部，所述主控电路板中安装有微处理器、霍尔传感器、温度传感器以及震动开关，所述辅标的内部嵌入安装有一块微型磁片。本发明通过利用传感器、数字信号处理和人工智能技术，解决规模化奶牛和肉牛养殖场中身份识别、温度测量和异常行为检测三个问题，从而实现牛养殖过程中的精准管理，降低人力成本的目的，且利用微型磁片与霍尔传感器配合，辅标掉落导致微型磁片远离主控电路板时电平发生变化，从而可以及时的感知耳标的掉落，从而极大地提高了耳标的功能性和实用性。
Description
技术领域
本发明涉及电子耳标技术领域，具体涉及一种多功能的牛用电子耳标。
背景技术
电子耳标是用于证明牲畜身份，承载牲畜个体信息的标志物，耳标由主标和辅标两部分组成；主标由主标耳标面、耳标颈、耳标头组成；主标耳标面的背面与耳标颈相连，使用时耳标头穿透牲畜耳部、嵌入辅标以固定耳标，耳标颈留在穿孔内。我国开始在部分地区尝试应用电子耳标(RFID)，由于 RFID具有非接触、远距离自动识别移动物体的特性，一些自动化计量、测量、定量系统在畜牧业中得以推广使用。
先现代化大规模肉牛养殖场中，为识别与去呗牛的身份，会为牛佩戴电子耳标，但现有的电子耳标结构简单，功能单一，且容易脱落，脱落时无法及时发现，容易导致耳标丢失。
发明内容
本发明的目的是提供一种多功能的牛用电子耳标，以解决现有技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：一种多功能的牛用电子耳标，包括主标和辅标，所述主标的内部固定安装有主控电路板，所述辅标卡合安装于主标的外部，所述主控电路板中安装有微处理器、霍尔传感器、温度传感器以及震动开关，所述辅标的内部嵌入安装有一块微型磁片。
优选的，所述主标的内部安装有可充电纽扣锂电池。
优选的，所述辅标的外侧设置有供牧场管理人员肉眼识读牛的文字及编号。
优选的，所述微处理器每隔一定时间采集一次温度，通过无线射频发送给牛棚中的汇聚网关，最后到达服务器后台，牛体温异常时服务器后台预警。
优选的，所述震动开关检测牛头部运动信号，牛头晃动的力度达到触发震动开关的力度，微处理器便得到一个脉冲信号，每隔一定时间通过无线射频发送给牛棚中的汇聚网关，最后到达服务后台。
优选的，所述微型磁片靠近主控电路板中霍尔传感器处于低电平状态，辅标掉落导致微型磁片远离主控电路板时，则主标中的霍尔传感器处于高电平。
一种牛用电子耳标的体温数据优化算法，包括系统建模和基于卡尔曼滤波的参数优化算法，所述系统建模包括以下内容：
温度传感器每隔一定时间向管理平台发送一次采集的数据，其温度转换公式如下：
其中ST是温度传感器的原始数据输出，公式(I)和(II)分别为温度的摄氏度和开尔文形式，牛的正常体温在39℃附近，超过40℃则会出现体温异常预警；
由于传感器在测量温度时受季节、每天日照温度等的影响，温度传感器测量的温度有漂移，假定环境的温度为Te，传感器的测量噪声为v，则在k时刻公式(I)中电子耳标测得的温度则修正为，
Ts(k)＝Tr(k)+βTe(k)+d(k)+v(k) (III)
其中Ts为传感器测量温度，Tr为牛真实的体温值，Te为环境温度，β为影响因子，d为温度漂移常数，v为测量噪声；
显然，优化算法的目的在于使测量值Ts无限接近牛的真实体温Tr。本发明采用卡尔曼滤波算法对测量的温度进行优化；
首先对系统的运行状态建模，假定温度k时刻与k-1时刻测量的温度基本一致，只是受过程噪声w(k)的影响而不同，则系统的状态方程为，
X(k)＝ΦX(k-1)+w(k) (IV)
其中X(k)＝[Ts(k) Te(k) d(k)]T，w(k)为过程噪声。由于状态各维中，仅牛的体温Ts和环境温度Te可用传感器测得，因此观测方程为，
Z(k+1)＝HX(k)+v(k) (IV)
其中v为测量噪声。
基于卡尔曼滤波的参数优化算法包括以下步骤：
以公式(IV)和(V)为系统的状态方程和观测方程，其中过程噪声w 的均值为0，方差为Q；测量噪声v的均值为0，方差为R；
Step1.k＝0，初始化估计值X(k)，即为X(0)；
Step2.对系统状态变量进行卡尔曼滤波的一步预测，算法公式为：
X(k+1|k)＝ΦX(k) (VI)
Step3.计算新预测值与真实值的协方差矩阵
P(k+1|k)＝ΦP(k)ΦT+Q (VII)
Step4.计算卡尔曼增益矩阵G
G(k)＝P(k+1|k)HT(HP(k+1|k)HT+R)-1 (VIII)
Step5.利用卡尔曼增益、一步预测值和测量值对状态进行更新
X(k+1|k+1)＝X(k+1|k)+G(k)(Z(k+1)-HX(k+1|k)) (IX)
Step6.最后更新估计值与真实值的协方差矩阵
P(k+1|k+1)＝(I-G(k)H)P(k+1|k) (X)
Step7.i＝i+1，重复Step2至Step7
得到优化后的状态值X(k|k)＝[Ts(k) Te(k) d(k)]T，即作为本系统的最终测量值。
一种牛用电子耳标的基于深度学习的牛异常行为检测算法，包括以下八层内容：
通过震动开关检测牛24小时头部动作，其中每半个小时牛运动产生的震动信号占用一个字节(一维向量N＝48)，即输入深度神经网络的向量为：
V＝(n1，n2，n3，…nn) (XI)
在数据标注过程的时候，每次输入的向量为一个数据样本；
第一层：该层为深度神经网络的输入层，对每隔半个小时得到牛的头部震动数据进行数据的预处理，并记录每次预处理的结果，每次记录包含48个数据点，得到48X1的向量V，再将向量V输入到深度神经网络；
第二层：在第一层定义100个6x6的卷积核，每一个卷积核具有滤波器的作用，用于深度神经网络的学习和提取特征，并且100个卷积核能够帮助系统提取足够多的特征，第一层的输出是维度为43x100的矩阵，其中矩阵的每一列都包含一个滤波器权重；
第三层：将上一层的输出矩阵输入到该卷积层，在该层当中，同样定义 100个不同的滤波器用于深度神经网络的训练，得到一个维度为38x100的输出矩阵，该层输出矩阵每一列都包含一个滤波器的权重；
第四层：采用最大池化方法，在该层中最大池化尺度为3x3，该层输出矩阵是输入矩阵的三分之一，即矩阵维度为12x100；
第五层和第六层：第采用卷积方法，均设置96个6x6的卷积核，其中第五层输出矩阵维度为7x96，第六层输出矩阵维度为2x96；
第七层：采用平均池化方法，平均池化方法尺度为2x2，每个特征检测在深度神经网络的该层只剩下一个权重，最后第七层输出矩阵维度是1x96；
第八层：采用dropout方法，对于神经网络单元，按照一定的概率将其权重赋值为0，该层输出矩阵维度为1x96；
全连接层：使用softmax激活函数，最后将长度为96的向量按四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。
在上述技术方案中，本发明提供的技术效果和优点：
本发明通过利用传感器、数字信号处理和人工智能技术，通过温度传感器每隔一定时间采集一次温度，通过无线射频发送给牛棚中的汇聚网关，最后到达服务器后台，利用震动开关检测牛头部运动信号，牛头晃动的力度达到触发震动开关的力度，微处理器便得到一个脉冲信号，每隔一定时间通过无线射频发送给牛棚中的汇聚网关，最后到达服务后台，从而通过数据处理解决规模化奶牛和肉牛养殖场中身份识别、温度测量和异常行为检测三个问题，从而实现牛养殖过程中的精准管理，降低人力成本的目的，且利用微型磁片靠近主控电路板中霍尔传感器处于低电平状态，辅标掉落导致微型磁片远离主控电路板时，则主标中的霍尔传感器处于高电平的状态变化，可以及时的感知耳标的掉落，从而极大地提高了耳标的功能性和实用性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明电子耳标的整体结构示意图。
图2为本发明牛体温数据采集示例图。
图3为本发明牛头耳部运动数据采集示例图。
图4为本发明耳标脱落信号感应示例图。
附图标记说明：
1、主标；2、辅标；3、主控电路板。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明做进一步的详细介绍。
一种多功能的牛用电子耳标，包括主标1和辅标2，所述主标1的内部固定安装有主控电路板3，所述辅标2卡合安装于主标1的外部，所述主控电路板3中安装有微处理器、霍尔传感器、温度传感器以及震动开关，所述辅标2 的内部嵌入安装有一块微型磁片，其中：
微处理器MCU：采用南京沁恒微电子生产的芯片CH573，其集成低功耗蓝牙BLE无线通讯的32位RISC-V内核微控制器。内有SPI，4个串口，ADC， RTC等丰富的外设资源；
A3144E霍尔传感器：用于检测耳标是否脱落，一旦脱落便触发CH573的一个IO口高电平，并发送警报信息给后台管理系统；
温度传感器：采用北京中科银河芯片GXTS02S，I2C通信接口，标准精度±0.3℃，最高±0.1℃，静态电流150nA，尺寸1.38mm*1.8mm。同时具备极快的温度转换速度和温度稳定速度，最快温度转换速度可达1.5ms；
SW18020P震动开关：用于检测牛头部的运动，头晃动的力度达到触发震动开关的力度，CPU便得到一个脉冲信号，从而记录牛一天的运动信息，为行为分析提供数据支撑。
进一步的，在上述技术方案中，所述主标1的内部安装有LIR2032锂电池，为可充电纽扣锂电池。
进一步的，在上述技术方案中，所述辅标2的外侧设置有供牧场管理人员肉眼识读牛的文字及编号。
进一步的，在上述技术方案中，如图2所示，处理器CH573每隔一定时间(可软件设置)采集一次温度，通过无线射频发送给牛棚中的汇聚网关，最后到达服务器后台。GXTS02S温度传感器采用16位AD转换器，牛的正常体温在39℃附近，超过40℃则会出现体温异常预警。
进一步的，在上述技术方案中，如图3所示，牛头部运动信号被震动开关检测，震动信息被CPU记录后，每隔一定时间(可软件设置)通过无线射频发送给牛棚中的汇聚网关，最后到达服务后台，震动开关连接CH573的PA_0 口，需要设置R16_PA_INT_EN＝0x10，即PA口的中断使能设置， R16_PA_INT_MODE＝0x10为上拉/下拉模式，PICTL&＝～0x01设置上升沿触发， P0IE＝1，EA＝1设置中断使能和开总中断，这样，一旦有震动信号震动开关(水银开关晃动滚珠时)电路导通，启动外部中断，从而CPU响应外部震动并记录时间，最终完成物理震动信号到脉冲电信号的转换。
震动开关引脚电压为高电平(5V)时表明电路导通，说明牛头部有动作，当震动开关为低电平时表明牛处于休息状态，进而可以对牛的运动数据的采集，可为动物学家进一步分析牛的行为习性和致病机理提供数据支撑。
进一步的，在上述技术方案中，所述微型磁片靠近主控电路板3中霍尔传感器处于低电平状态，辅标2掉落导致微型磁片远离主控电路板3时，则主标1中的霍尔传感器处于高电平，如图4所示，耳标脱落是可穿戴设备时有发生的现象，一旦发生耳标脱落时，本装置能立即向网关发送报警信息，管理员可从后台做出应对处理，霍尔开关与CH573的PB_0口相连，采用外部中断的工作模式，需要设置P1IEN＝0x10，即中断使能，P1INP＝0x10为上拉/下拉模式，PICTL&＝～0x01设置上升沿触发，P1IE＝1，EA＝1设置中断使能和开总中断。这样，一旦有霍尔开关触发高电平信号则启动外部中断，CPU立刻响应并向网关发送报警信息；
此功能很好地解决了耳标脱落及应对措施问题，给牧场管理带来了极大便利。
一种牛用电子耳标的体温数据优化算法，包括系统建模和基于卡尔曼滤波的参数优化算法，所述系统建模包括以下内容：
环境温度对温度传感器测量牛的体温有重要影响，例如冬天的温度和夏季的温度，南方与北方的维度差别等，本设计引入环境温度对电子耳标测量的温度做补偿矫正，并结合数字滤波技术对测量值进行优化，达到电子耳标的对环境的自适应；
温度传感器每隔一定时间向管理平台发送一次采集的数据，其温度转换公式如下：
其中ST是温度传感器的原始数据输出，公式(I)和(II)分别为温度的摄氏度和开尔文形式，牛的正常体温在39℃附近，超过40℃则会出现体温异常预警；
牛在牛棚中日常活动，温度传感器每隔一定时间(默认60分钟测量一次体温)向管理平台发送一次采集的数据，由于传感器在测量温度时受季节、每天日照温度等的影响，温度传感器测量的温度有漂移，假定环境的温度为 Te，传感器的测量噪声为v，则在k时刻公式(I)中电子耳标测得的温度则修正为，
Ts(k)＝Tr(k)+βTe(k)+d(k)+v(k) (III)
其中Ts为传感器测量温度，Tr为牛真实的体温值，Te为环境温度，β为影响因子，d为温度漂移常数，v为测量噪声；
显然，优化算法的目的在于使测量值Ts无限接近牛的真实体温Tr。本发明采用卡尔曼滤波算法对测量的温度进行优化；
首先对系统的运行状态建模，假定温度k时刻与k-1时刻测量的温度基本一致，只是受过程噪声w(k)的影响而不同，则系统的状态方程为，
X(k)＝ΦX(k-1)+w(k) (IV)
其中X(k)＝[Ts(k) Te(k) d(k)]T，w(k)为过程噪声。由于状态各维中，仅牛的体温Ts和环境温度Te可用传感器测得，因此观测方程为，
Z(k+1)＝HX(k)+v(k) (IV)
其中v为测量噪声。
基于卡尔曼滤波的参数优化算法包括以下步骤：
以公式(IV)和(V)为系统的状态方程和观测方程，其中过程噪声w 的均值为0，方差为Q；测量噪声v的均值为0，方差为R；
Step1.k＝0，初始化估计值X(k)，即为X(0)；
Step2.对系统状态变量进行卡尔曼滤波的一步预测，算法公式为：
X(k+1|k)＝ΦX(k) (VI)
Step3.计算新预测值与真实值的协方差矩阵
P(k+1|k)＝ΦP(k)ΦT+Q (VII)
Step4.计算卡尔曼增益矩阵G
G(k)＝P(k+1|k)HT(HP(k+1|k)HT+R)-1 (VIII)
Step5.利用卡尔曼增益、一步预测值和测量值对状态进行更新
X(k+1|k+1)＝X(k+1|k)+G(k)(Z(k+1)-HX(k+1|k)) (IX)
Step6.最后更新估计值与真实值的协方差矩阵
V＝(n1，n2，n3，…nn) (XI)
Step7.i＝i+1，重复Step2至Step7
得到优化后的状态值X(k|k)＝[Ts(k) Te(k) d(k)]T，即作为本系统的最终测量值。
一种牛用电子耳标的基于深度学习的牛异常行为检测算法，包括以下八层内容：
深度学习通过建立深度神经网络来模拟人脑分析、学习和解释数据，具有强大的表达能力和泛化能力，能够更好地表示图像的深层次信息，所以深度神经网络在图像识别邻域被广泛运用。与此同时，对于1维的信号，深度神经网络也能对其进行时间序列的分析，提取感兴趣特征，并且感兴趣特征不依赖其所在信号片段的位置，因此深度神经网络对于1维信号的分析具有高效性；
通过震动开关检测牛24小时头部动作，其中每半个小时牛运动产生的震动信号占用一个字节(一维向量N＝48)，即输入深度神经网络的向量为：
V＝(n1，n2，n3，…nn) (XI)
在数据标注过程的时候，每次输入的向量为一个数据样本；
第一层：该层为深度神经网络的输入层，对每隔半个小时得到牛的头部震动数据进行数据的预处理，并记录每次预处理的结果，每次记录包含48个数据点，由此可得到48X1的向量V，再将向量V输入到深度神经网络。
第二层：本发明在第一层定义了100个6x6的卷积核，每一个卷积核具有滤波器的作用，可以用于深度神经网络的学习和提取特征，并且100个卷积核能够帮助系统提取足够多的特征。因此第一层的输出是维度为43x100的矩阵，其中矩阵的每一列都包含一个滤波器权重。
第三层：将上一层的输出矩阵输入到该卷积层，在该层当中，同样定义 100个不同的滤波器用于深度神经网络的训练，可以得到一个维度为38x100 的输出矩阵，与上层输出矩阵相似的是，该层输出矩阵每一列都包含一个滤波器的权重。
第四层：该层采用的是最大池化方法，最大池化方法具有降低数据输出的复杂程度以及防止实验结果过拟合的作用，在该层中最大池化尺度为3x3，因此该层输出矩阵是输入矩阵的三分之一，即矩阵维度为12x100.
第五层和第六层：在本发明中，第五层和第六层都是采用卷积方法，都设置了96个6x6的卷积核，其目的是为了提取到数据当中更高语义信息的特征，其中第五层输出矩阵维度为7x96，第六层输出矩阵维度为2x96。
第七层：该层采用的是平均池化方法，在该层平均池化方法尺度为2x2，其目的是防止实验结果过拟合，每个特征检测在深度神经网络的该层只剩下一个权重，最后第七层输出矩阵维度是1x96。
第八层：在本发明中，第八层采用dropout方法，在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其权重赋值为0，由于是随机丢弃，故而每次训练过程都在训练不同的网络，其目的是降低实验结果对某些网络参数的依赖性，从而防止实验结果过拟合。该层输出矩阵维度为 1x96。
全连接层：使用softmax激活函数，最后将长度为96的向量按照表1中的四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。
表1 神经网络各层次结构
实施方式具体为：本发明是对传统牛电子耳标的功能扩展，利用传感器、数字信号处理和人工智能技术，通过温度传感器每隔一定时间采集一次温度，通过无线射频发送给牛棚中的汇聚网关，最后到达服务器后台，利用震动开关检测牛头部运动信号，牛头晃动的力度达到触发震动开关的力度，微处理器便得到一个脉冲信号，每隔一定时间通过无线射频发送给牛棚中的汇聚网关，最后到达服务后台，从而通过数据处理解决规模化奶牛和肉牛养殖场中身份识别、温度测量和异常行为检测三个问题，从而实现牛养殖过程中的精准管理，降低人力成本的目的，且利用微型磁片靠近主控电路板3中霍尔传感器处于低电平状态，辅标2掉落导致微型磁片远离主控电路板3时，则主标1中的霍尔传感器处于高电平的状态变化，可以及时的感知耳标的掉落，从而极大地提高了耳标的功能性和实用性。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种多功能的牛用电子耳标，包括主标(1)和辅标(2)，其特征在于：所述主标(1)的内部固定安装有主控电路板(3)，所述辅标(2)卡合安装于主标(1)的外部，所述主控电路板(3)中安装有微处理器、霍尔传感器、温度传感器以及震动开关，所述辅标(2)的内部嵌入安装有一块微型磁片。
2.根据权利要求1所述的一种多功能的牛用电子耳标，其特征在于：所述主标(1)的内部安装有可充电纽扣锂电池。
3.根据权利要求1所述的一种多功能的牛用电子耳标，其特征在于：所述辅标(2)的外侧设置有供牧场管理人员肉眼识读牛的文字及编号。
4.根据权利要求1所述的一种多功能的牛用电子耳标，其特征在于：所述微处理器每隔一定时间采集一次温度，通过无线射频发送给牛棚中的汇聚网关，最后到达服务器后台，牛体温异常时服务器后台预警。
5.根据权利要求1所述的一种多功能的牛用电子耳标，其特征在于：所述震动开关检测牛头部运动信号，牛头晃动的力度达到触发震动开关的力度，微处理器便得到一个脉冲信号，每隔一定时间通过无线射频发送给牛棚中的汇聚网关，最后到达服务后台。
6.根据权利要求1所述的一种多功能的牛用电子耳标，其特征在于：所述微型磁片靠近主控电路板(3)中霍尔传感器处于低电平状态，辅标(2)掉落导致微型磁片远离主控电路板(3)时，则主标中的霍尔传感器处于高电平。
7.一种如权利要求1所述牛用电子耳标的体温数据优化算法，其特征在于：包括系统建模和基于卡尔曼滤波的参数优化算法。
8.根据权利要求7所述的一种牛用电子耳标的体温数据优化算法，其特征在于，所述系统建模包括以下内容：
温度传感器每隔一定时间向管理平台发送一次采集的数据，其温度转换公式如下：
其中ST是温度传感器的原始数据输出，公式(Ⅰ)和(Ⅱ)分别为温度的摄氏度和开尔文形式，牛的正常体温在39℃附近，超过40℃则会出现体温异常预警；
由于传感器在测量温度时受季节、每天日照温度等的影响，温度传感器测量的温度有漂移，假定环境的温度为Te，传感器的测量噪声为v，则在k时刻公式(Ⅰ)中电子耳标测得的温度则修正为，
Ts(k)＝Tr(k)+βTe(k)+d(k)+v(k) (Ⅲ)
其中Ts为传感器测量温度，Tr为牛真实的体温值，Te为环境温度，β为影响因子，d为温度漂移常数，v为测量噪声；
显然，优化算法的目的在于使测量值Ts无限接近牛的真实体温Tr。本发明采用卡尔曼滤波算法对测量的温度进行优化；
首先对系统的运行状态建模，假定温度k时刻与k-1时刻测量的温度基本一致，只是受过程噪声w(k)的影响而不同，则系统的状态方程为，
X(k)＝ΦX(k-1)+w(k) (Ⅳ)
其中X(k)＝[Ts(k) Te(k) d(k)]T，w(k)为过程噪声。由于状态各维中，仅牛的体温Ts和环境温度Te可用传感器测得，因此观测方程为，
Z(k+1)＝HX(k)+v(k) (Ⅳ)
其中v为测量噪声。
9.根据权利要求7所述的一种牛用电子耳标的体温数据优化算法，其特征在于，基于卡尔曼滤波的参数优化算法包括以下步骤：
以公式(IV)和(V)为系统的状态方程和观测方程，其中过程噪声w的均值为0，方差为Q；测量噪声v的均值为0，方差为R；
Step1.k＝0，初始化估计值X(k)，即为X(0)；
Step2.对系统状态变量进行卡尔曼滤波的一步预测，算法公式为：
X(k+1|k)＝ΦX(k) (VI)
Step3.计算新预测值与真实值的协方差矩阵
P(k+1|k)＝ΦP(k)ΦT+Q (Ⅶ)
Step4.计算卡尔曼增益矩阵G
G(k)＝P(k+1|k)HT(HP(k+1|k)HT+R)-1 (VIII)
Step5.利用卡尔曼增益、一步预测值和测量值对状态进行更新
X(k+1|k+1)＝X(k+1|k)+G(k)(Z(k+1)-HX(k+1|k)) (IX)
Step6.最后更新估计值与真实值的协方差矩阵
P(k+1|k+1)＝(I-G(k)H)P(k+1|k) (X)
Step7.i＝i+1，重复Step2至Step7
得到优化后的状态值X(k|k)＝[Ts(k) Te(k) d(k)]T，即作为本系统的最终测量值。
10.一种如权利要求1所述的牛用电子耳标的基于深度学习的牛异常行为检测算法，其特征在于，包括以下八层内容：
通过震动开关检测牛24小时头部动作，其中每半个小时牛运动产生的震动信号占用一个字节(一维向量N＝48)，即输入深度神经网络的向量为：
V＝(n1,n2,n3,…nn) (Ⅺ)
在数据标注过程的时候，每次输入的向量为一个数据样本；
第一层：该层为深度神经网络的输入层，对每隔半个小时得到牛的头部震动数据进行数据的预处理，并记录每次预处理的结果，每次记录包含48个数据点，得到48X1的向量V，再将向量V输入到深度神经网络；
第二层：在第一层定义100个6x6的卷积核，每一个卷积核具有滤波器的作用，用于深度神经网络的学习和提取特征，并且100个卷积核能够帮助系统提取足够多的特征，第一层的输出是维度为43x100的矩阵，其中矩阵的每一列都包含一个滤波器权重；
第三层：将上一层的输出矩阵输入到该卷积层，在该层当中，同样定义100个不同的滤波器用于深度神经网络的训练，得到一个维度为38x100得输出矩阵，该层输出矩阵每一列都包含一个滤波器得权重；
第四层：采用最大池化方法，在该层中最大池化尺度为3x3，该层输出矩阵是输入矩阵的三分之一，即矩阵维度为12x100；
第五层和第六层：第采用卷积方法，均设置96个6x6的卷积核，其中第五层输出矩阵维度为7x96，第六层输出矩阵维度为2x96；
第七层：采用平均池化方法，平均池化方法尺度为2x2，每个特征检测在深度神经网络的该层只剩下一个权重，最后第七层输出矩阵维度是1x96；
第八层：采用dropout方法，对于神经网络单元，按照一定的概率将其权重赋值为0，该层输出矩阵维度为1x96；
全连接层：使用softmax激活函数，最后将长度为96的向量按四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069753.4A CN113973739B (zh) | 2021-09-13 | 2021-09-13 | 一种多功能的牛用电子耳标 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111069753.4A CN113973739B (zh) | 2021-09-13 | 2021-09-13 | 一种多功能的牛用电子耳标 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113973739A true CN113973739A (zh) | 2022-01-28 |
| CN113973739B CN113973739B (zh) | 2023-07-18 |
Family
ID=79735699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111069753.4A Active CN113973739B (zh) | 2021-09-13 | 2021-09-13 | 一种多功能的牛用电子耳标 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113973739B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114557292A (zh) * | 2022-03-11 | 2022-05-31 | 安徽大学 | 一种用于奶牛行为检测的方法及电子项圈 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462847A (zh) * | 2014-12-23 | 2015-03-25 | 哈尔滨工业大学 | 一种电池内部温度实时预测方法 |
| CN205124664U (zh) * | 2015-08-12 | 2016-04-06 | 引通通讯科技（上海）有限公司 | 测温电子耳标及电子耳标测温系统 |
| CN107157458A (zh) * | 2017-05-25 | 2017-09-15 | 中国科学院合肥物质科学研究院 | 一种动物个体采食量与健康状况监测的传感系统及方法 |
| CN107959730A (zh) * | 2018-01-09 | 2018-04-24 | 成都睿畜电子科技有限公司 | 牲畜耳标的智能监控装置、监控系统及监控方法 |
| CN208143248U (zh) * | 2018-01-09 | 2018-11-23 | 成都睿畜电子科技有限公司 | 牲畜耳标的智能监控装置及监控系统 |
| CN109452196A (zh) * | 2019-01-15 | 2019-03-12 | 上海睿畜电子科技有限公司 | 二维码牲畜耳标的智能监控装置、监控系统和监控方法 |
| CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
| CN112883999A (zh) * | 2021-01-13 | 2021-06-01 | 安徽大学 | 一种用于奶牛运动异常检测计步器系统及其方法 |
| CN112947635A (zh) * | 2021-01-15 | 2021-06-11 | 江南大学 | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 |
-
2021
- 2021-09-13 CN CN202111069753.4A patent/CN113973739B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104462847A (zh) * | 2014-12-23 | 2015-03-25 | 哈尔滨工业大学 | 一种电池内部温度实时预测方法 |
| CN205124664U (zh) * | 2015-08-12 | 2016-04-06 | 引通通讯科技（上海）有限公司 | 测温电子耳标及电子耳标测温系统 |
| CN107157458A (zh) * | 2017-05-25 | 2017-09-15 | 中国科学院合肥物质科学研究院 | 一种动物个体采食量与健康状况监测的传感系统及方法 |
| CN107959730A (zh) * | 2018-01-09 | 2018-04-24 | 成都睿畜电子科技有限公司 | 牲畜耳标的智能监控装置、监控系统及监控方法 |
| CN208143248U (zh) * | 2018-01-09 | 2018-11-23 | 成都睿畜电子科技有限公司 | 牲畜耳标的智能监控装置及监控系统 |
| CN109452196A (zh) * | 2019-01-15 | 2019-03-12 | 上海睿畜电子科技有限公司 | 二维码牲畜耳标的智能监控装置、监控系统和监控方法 |
| CN112584306A (zh) * | 2020-11-27 | 2021-03-30 | 巢湖学院 | 一种基于卡尔曼滤波的室内机器人定位算法 |
| CN112883999A (zh) * | 2021-01-13 | 2021-06-01 | 安徽大学 | 一种用于奶牛运动异常检测计步器系统及其方法 |
| CN112947635A (zh) * | 2021-01-15 | 2021-06-11 | 江南大学 | 基于卡尔曼滤波器多模型麦苗生长舱最优参数预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114557292A (zh) * | 2022-03-11 | 2022-05-31 | 安徽大学 | 一种用于奶牛行为检测的方法及电子项圈 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113973739B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tran et al. | An iot-based design using accelerometers in animal behavior recognition systems | |
| CN107959730B (zh) | 牲畜耳标的智能监控装置、监控系统及监控方法 | |
| WO2018109725A1 (en) | Process and device for the detection of estrus in a ruminant animal | |
| CN105997015A (zh) | 一种用于动物生命体征多参数监测的可穿戴设备 | |
| CN101849512A (zh) | 动物个体信息监测及无线传输的方法 | |
| CN101114372A (zh) | 基于rfid技术的奶牛养殖管理信息系统及其工作方法 | |
| CN113973739B (zh) | 一种多功能的牛用电子耳标 | |
| EP3779849A1 (en) | Device and method for monitoring activity in fish | |
| Darr et al. | Embedded sensor technology for real time determination of animal lying time | |
| CN102914668A (zh) | 一种研究鸟类飞行动力学的方法和装置 | |
| CN208187518U (zh) | 一种牲畜自动称重系统 | |
| CN112883999A (zh) | 一种用于奶牛运动异常检测计步器系统及其方法 | |
| Aoughlis et al. | Dairy cows' localisation and feeding behaviour monitoring using a combination of IMU and RFID network | |
| CN112966780A (zh) | 一种动物行为识别方法及系统 | |
| CN110448304B (zh) | 动物可穿戴智能设备、动物活动监测系统及方法 | |
| CN111405050A (zh) | 一种基于区块链技术的智能监测平台 | |
| CN114587701A (zh) | 一种用于小尾寒羊发情检测的电子项圈 | |
| CN114557292A (zh) | 一种用于奶牛行为检测的方法及电子项圈 | |
| CN213639266U (zh) | 一种可穿戴草食家畜个体特征识别装置 | |
| Gao et al. | Adaptive cow movement detection using evolving spiking neural network models | |
| CN110855797A (zh) | 一种基于动作识别的绵羊行为监测系统及方法 | |
| Wang | Research of the cow body evaluation system based on Internet of things | |
| CN112205319A (zh) | 一种分析肉牛行为和监测生命体征的智能项圈及其方法 | |
| CN114698564B (zh) | 耳标状态的检测方法、装置、存储介质及电子设备 | |
| Jahangir | Estrus Detection in Dairy Cows from Location and Acceleration Data using Machine Learning |
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 |