CN114167922A - 一种基于多传感器数据采集的农牧智能分析的方法及系统 - Google Patents

Abstract

本发明属于畜禽养殖技术领域，公开一种基于多传感器数据采集的农牧智能分析的方法，包括S1、获取畜禽养殖环境内的温度，湿度，及换气风压，并对畜禽的生长数据进行记录；S2、获取养殖区域内畜禽的运动图像数据，并从畜禽的运动图像数据中提取出畜禽图像的中心位置的像素坐标；S3、构建和训练对畜禽进行生长预测的神经网络模型，将畜禽养殖环境的数据和与畜禽相关的生长数据输入到神经网络模型，模型预测输出畜禽生长到其成熟状态的天数；S4、对像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，并判断运动图像中的畜禽的活动行为是否异常，本发明能预测畜禽生长到其成熟状态所要花费的时间，还能自动识别出畜禽的异常行为。

Description

一种基于多传感器数据采集的农牧智能分析的方法及系统

技术领域

本发明属于畜禽养殖技术领域，具体涉及一种基于多传感器数据采集的农牧智能分析的方法及系统。

背景技术

畜禽养殖作为我国农牧业的一部分，始终在农牧业中占有十分重要的地位，畜禽养殖不仅能为人们提供肉、蛋、奶等农产品，还能够为人们带来良好的经济效益，而在进行畜禽养殖的过程中，畜禽的生长会受到诸多因素的影响，举例如畜禽舍环境的温度和湿度等，将畜禽养殖在不同的畜禽舍环境中，将收到不同的养殖效果，举例如畜禽的生长速度不同，畜禽的生产性能不同等，但在现有技术中较少有根据畜禽所处的养殖环境对其生长状况进行预测的方法，除此之外，在进行畜禽养殖的过程中，还有可能出现畜禽患病的问题，患病畜禽通常伴随着一些异常行为的发生，举例如无目标的移动行为或是对自身或者其他畜禽的有害行为，然而在现有技术中也缺少对于畜禽类似异常行为的自动监测方法，导致不能及时发现患病的畜禽，最终降低养殖的效果。

发明内容

针对上述提出的技术问题，本发明提供一种基于多传感器数据采集的农牧智能分析的方法，本发明根据畜禽所处的养殖环境对其生长状况进行预测，从而帮助养殖人员按需调节畜禽的养殖环境、对畜禽的饲喂方法等，本发明还用于对畜禽的异常行为进行自动监测，使养殖人员能够及时定位到可能患病的畜禽，从而保证畜禽养殖的效果。

为了实现上述的发明目的，给出如下所述的一种基于多传感器数据采集的农牧智能分析的方法，具体通过以下的步骤来实现：

步骤一、通过在畜禽舍内布置温度传感器，湿度传感器，及负压传感器，来获取畜禽养殖环境内的温度，湿度，及换气风压，并对畜禽的生长数据进行记录，该生长数据具体包括畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度；

步骤二、通过在畜禽舍内布置摄像装置，来获取养殖区域内畜禽的运动图像数据，并建立畜禽的运动图像数据的图像坐标系，还从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标；

步骤三、构建对畜禽进行生长预测的神经网络模型，将畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度，畜禽养殖环境内的平均温度，平均湿度，及平均换气风压输入神经网络模型，模型输出畜禽生长到成熟状态的天数；

步骤四、获取不同时刻的养殖区域内的畜禽的运动图像数据，并分别从其中提取出畜禽的中心位置的像素坐标，共同组成像素坐标的时序数据，还对该像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，从而判断运动图像中的畜禽的活动行为是否异常；

步骤四中对像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，从而判断运动图像中的畜禽的活动行为是否异常，具体包括如下步骤：

第一步、分别计算时序数据中包含的各个像素坐标的X坐标值的均值和Y坐标值的均值，并通过从时序数据中包含的各个像素坐标分别减去该X坐标值的均值和该Y坐标值的均值，从而得到更新后的像素坐标的时序数据，还基于该更新后的像素坐标的时序数据，绘制出与其相对应的时序曲线，具体将该时序曲线上的像素坐标(X_i,Y_i)表示如下：

(X_i,Y_i)＝(x_i-E(x_i),(y_i-E(y_i))，i∈[1,n]，且满足

其中，x_i为原时序数据中像素坐标的X坐标值，y_i为原时序数据中像素坐标的Y坐标值，E(x_i)为原时序数据中各个像素坐标的X坐标值的均值，E(y_i)为原时序数据中各个像素坐标的Y坐标值的均值，i为时序数据中像素坐标的序号，n为时序数据中像素坐标的个数，

为时序曲线的方程；

第二步、将上述的时序曲线按照X轴上的坐标值分割成等间隔的K段时序曲线，对于每一段时序曲线，分别利用最小二乘法得到该段时序曲线的拟合直线，并从该段时序曲线上的像素坐标的Y坐标值减去与该像素坐标的X坐标值相同的拟合直线上的X坐标值所对应的Y坐标值，还计算每段时序曲线的F值，具体将该F值的计算描述成如下公式：

m∈[1,k]，其中，m为时序曲线分割后的不同时序曲线段的段号，r为时序曲线段上包含的像素坐标的个数，u为时序曲线段上包含的像素坐标的序号，X_u为时序曲线段上的像素坐标的X坐标值，

为时序曲线的方程，υ为拟合直线的方程；

第三步、关于上述的每一段时序曲线，分别计算与其对应的logm的值，及logF_m的值，且m∈[1,k]，并以不同的时序曲线段对应的logm的值作为X轴上的坐标值，以不同的时序曲线段对应的logF_m的值作为Y轴上的坐标值绘制出直线，还求出该直线的斜率；

第四步、判断当上述的直线的斜率小于系统提前设定的斜率阈值时，将运动图像中的畜禽的活动行为识别为异常行为。

与现有技术相比，本发明的有益效果至少如下所述：

1、本发明的一种基于多传感器数据采集的农牧智能分析的方法，首先获取畜禽养殖环境内的温度，湿度，及换气风压，并对畜禽的生长数据进行记录，然后获取养殖区域内畜禽的运动图像数据，并从畜禽的运动图像数据中提取出畜禽图像的中心位置的像素坐标，接着构建和训练对畜禽进行生长预测的神经网络模型，将畜禽养殖环境的数据和与畜禽相关的生长数据输入到神经网络模型，模型预测输出畜禽生长到其成熟状态的天数，最后对像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，并判断运动图像中的畜禽的活动行为是否异常；

2、本发明能够根据畜禽养殖环境的数据和与畜禽相关的生长数据预测出畜禽的生长时间，并能基于该时间调整畜禽所处的养殖环境及对畜禽的饲养方法等，实现对畜禽从出生到成熟状态的生长天数进行按需的调节；

3、本发明能够基于时序数据中像素坐标所代表的畜禽的中心位置的变动轨迹，对运动图像数据中的畜禽的异常活动行为进行自动识别，进而保证畜禽养殖的效果。

附图说明

图1为本发明的一种基于多传感器数据采集的农牧智能分析的方法的步骤流程图；

图2为本发明的神经网络模型对畜禽生长状况进行预测的步骤流程图；

图3为本发明的判断运动图像中的畜禽的活动行为是否异常的步骤流程图；

图4为本发明的一种基于多传感器数据采集的农牧智能分析的系统的组成结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。

参考如图1所示，本发明提供一种基于多传感器数据采集的农牧智能分析的方法，具体通过执行如下的步骤来实现：

步骤一、通过在畜禽舍内布置温度传感器，湿度传感器，及负压传感器，来获取畜禽养殖环境内的温度，湿度，及换气风压，并对畜禽的生长数据进行记录，该生长数据具体包括畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度。

步骤二、通过在畜禽舍内布置摄像装置，来获取养殖区域内畜禽的运动图像数据，并建立畜禽的运动图像数据的图像坐标系，还从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标。

步骤三、构建对畜禽进行生长预测的神经网络模型，将畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度，畜禽养殖环境内的平均温度，平均湿度，及平均换气风压输入神经网络模型，模型输出畜禽生长到成熟状态的天数。

步骤四、获取不同时刻的养殖区域内的畜禽的运动图像数据，并分别从其中提取出畜禽的中心位置的像素坐标，共同组成像素坐标的时序数据，还对该像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，从而判断运动图像中的畜禽的活动行为是否异常。

进一步的，步骤一中的畜禽的饲养密度的计算过程，具体包括使用畜禽所在的养殖区域内饲养的畜禽的总个数除以该养殖区域的总面积。

具体的，在步骤一中，考虑到畜禽的生长过程容易受到养殖环境内的温度，湿度，和换气风压的影响，当畜禽处于较为舒适的养殖环境时，其生长速度会较快，其生产性能也会较高，因此步骤一通过在畜禽舍内布置温度传感器，湿度传感器，及负压传感器来获取畜禽养殖环境内的相关数据，而在饲养畜禽的过程中产生的畜禽的生长数据，包括畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，及畜禽的饲养密度，也都能够从一定程度上影响着畜禽的生长过程，因此步骤一还对这些数据进行存储记录，由此，发明人能够想到畜禽养殖环境的数据及和畜禽相关的生长数据，与畜禽生长到其成熟状态将要花费的时间之间存在着一定的内在联系，而该内在联系可以由神经网络模型对经验数据进行学习来得到。

进一步的，上述步骤二中建立畜禽的运动图像数据的图像坐标系且从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标的过程包括，首先对图像数据进行裁剪，来获得与养殖区域内畜禽的运动范围相对应的图像数据，然后以图像数据左下角为原点建立以像素为单位的平面坐标系XOY，横坐标X的值与纵坐标Y的值分别是像素在其图像中所在的列数和行数，最后提取出畜禽对应图像的中心位置所在像素的像素坐标值。

具体的，步骤二中在畜禽舍内布置摄像装置，用来对养殖区域内的畜禽的活动行为进行图像采集，因为在养殖区域内，通常会使用隔板或栅栏将整个养殖区域分隔成若干个单独的养殖圈，畜禽只能在养殖圈中活动，所以步骤二中需要对畜禽的运动图像数据进行裁剪，从而获得与单个养殖圈对应的图像数据，除此之外，发明人还考虑到在进行畜禽养殖的过程中，还有可能出现畜禽患病的问题，患病畜禽通常伴随着一些异常行为的发生，举例如无目标的移动行为或是对自身或者其他畜禽的有害行为，对于畜禽类似异常行为的自动识别是十分必要的，因此步骤二中还从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标，该像素坐标将用于在后续的步骤中对运动图像中畜禽的活动行为进行是否异常的分析。

进一步的，参考如图2所示，上述的步骤三具体包括如下的执行过程：

第一步、根据获取到的与畜禽生长相关的数据的个数确定神经网络模型的输入层的神经元个数，将神经网络模型的输出层的神经元个数设为1，并基于输入层的神经元个数和输出层的神经元个数，通过使用几何平均法确定神经网络模型的隐含层的神经元个数。

第二步、依据输入层的神经元个数，输出层的神经元个数，及隐含层的神经元个数，搭建包含二层隐含层的神经网络模型，并两两连接位于模型不同层的神经元，在每两个神经元的连接关系上设置一个连接权重。

第三步、建立神经网络模型的训练数据集，该训练数据集中包括与过去在畜禽舍内养殖的大量畜禽相关的生长数据，及不同的畜禽生长到成熟状态时所经历的天数。

第四步、使用随机数法初始化神经网络模型的连接权重，并将训练数据集中的数据提供给输入层神经元，模型的神经元逐层将数据前传，直到产生输出层的结果，同时计算输出结果的误差，再将误差逆向传播至隐层神经元，根据隐层神经元的误差对模型的连接权重进行调整。

第五步、将不同的畜禽的性别、出生时体重、每隔一月的体重增量、每日的饲喂量、饲养密度，及畜禽养殖环境内的平均温度、平均湿度、平均换气风压作为训练好的神经网络模型的输入数据，模型输出不同的畜禽生长到成熟状态将要花费的天数。

具体的，在步骤三的执行过程中，上述的第一步和上述的第二步用于搭建起对畜禽的生长状况进行预测的神经网络模型的具体结构，上述的第三步主要通过使用关于畜禽养殖的历史经验数据构建该神经网络模型的训练数据集，上述的第四步的作用主要是基于训练数据集中的数据对神经网络模型中的权重值进行训练，系统重复执行该第四步，直到神经网络模型的输出结果的误差达到系统提前设定的误差标准，因为经过了对神经网络模型进行训练的步骤，神经网络模型已经学到了畜禽养殖环境的数据及和畜禽相关的生长数据，与畜禽生长到其成熟状态将要花费的时间之间存在的内在联系，所以在上述的第五步中将畜禽养殖环境的数据，及和畜禽相关的生长数据输入到神经网络模型，神经网络模型将预测输出畜禽生长到其成熟状态所要花费的天数，在实际的应用情况中，人们可以根据该天数值调整畜禽所处的养殖环境，及对畜禽的饲养方法等，进而来对畜禽从出生到成熟状态的生长天数进行按需的调节。

进一步的，参考如图3所示，上述的步骤四中对像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，从而判断运动图像中的畜禽的活动行为是否异常，具体包括如下步骤：

第一步、分别计算时序数据中包含的各个像素坐标的X坐标值的均值和Y坐标值的均值，并通过从时序数据中包含的各个像素坐标分别减去该X坐标值的均值和该Y坐标值的均值，从而得到更新后的像素坐标的时序数据，还基于该更新后的像素坐标的时序数据，绘制出与其相对应的时序曲线，具体将该时序曲线上的像素坐标(X_i,Y_i)表示如下：

(X_i,Y_i)＝(x_i-E(x_i),(y_i-E(y_i))，i∈[1,n]，且满足

其中，x_i为原时序数据中像素坐标的X坐标值，y_i为原时序数据中像素坐标的Y坐标值，E(x_i)为原时序数据中各个像素坐标的X坐标值的均值，E(y_i)为原时序数据中各个像素坐标的Y坐标值的均值，i为时序数据中像素坐标的序号，n为时序数据中像素坐标的个数，

为时序曲线的方程。

第二步、将上述的时序曲线按照X轴上的坐标值分割成等间隔的K段时序曲线，对于每一段时序曲线，分别利用最小二乘法得到该段时序曲线的拟合直线，并从该段时序曲线上的像素坐标的Y坐标值减去与该像素坐标的X坐标值相同的拟合直线上的X坐标值所对应的Y坐标值，还计算每段时序曲线的F值，具体将该F值的计算描述成如下公式：

m∈[1,k]，其中，m为时序曲线分割后的不同时序曲线段的段号，r为时序曲线段上包含的像素坐标的个数，u为时序曲线段上包含的像素坐标的序号，X_u为时序曲线段上的像素坐标的X坐标值，

为时序曲线的方程，υ为拟合直线的方程。

第三步、关于上述的每一段时序曲线，分别计算与其对应的logm的值，及logF_m的值，且m∈[1,k]，并以不同的时序曲线段对应的logm的值作为X轴上的坐标值，以不同的时序曲线段对应的logF_m的值作为Y轴上的坐标值绘制出直线，还求出该直线的斜率。

第四步、判断当上述的直线的斜率小于系统提前设定的斜率阈值时，将运动图像中的畜禽的活动行为识别为异常行为。

具体的，发明人在实践中验证，当上述的直线的斜率相对较大时，时序数据所代表的畜禽图像的中心位置的变动轨迹则相对平滑，当上述的直线的斜率相对较小时，时序数据所代表的畜禽图像的中心位置的变动轨迹则有相对振动的现象，并且与普通情况相比，当运动图像数据中的畜禽的活动行为是异常行为时，直线的斜率则会发生一定的减小，由此，能够根据步骤四中得到的直线的斜率的大小来判断畜禽的活动行为是否异常，当判定畜禽的活动行为是异常的时候，系统及时地通知饲养人员，使饲养人员能够采取特定的行动来保证畜禽饲养的效果。

参考如图4所示，本发明还提供一种基于多传感器数据采集的农牧智能分析的系统，用来实现上述内容所描述的一种基于多传感器数据采集的农牧智能分析的方法，具体包括如下的模块：

第一模块，用于在畜禽舍内布置温度传感器，湿度传感器，及负压传感器，来获取畜禽养殖环境内的温度，湿度，及换气风压，还用于对畜禽的生长数据进行记录，包括畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度。

第二模块，用于在畜禽舍内布置摄像装置，获取养殖区域内畜禽的运动图像数据，并建立畜禽的运动图像数据的图像坐标系，还从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标。

第三模块，用于构建和训练对畜禽进行生长预测的神经网络模型，并将不同的畜禽的性别、出生时体重、每隔一月的体重增量、每日的饲喂量、饲养密度，及畜禽养殖环境内的平均温度、平均湿度、平均换气风压作为神经网络模型的输入数据，输出不同畜禽生长到其成熟状态将要花费的天数。

第四模块，用于获取不同时刻的养殖区域内的畜禽的运动图像数据，并分别从其中提取出畜禽的中心位置的像素坐标，共同组成像素坐标的时序数据，还对像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，来判断运动图像中的畜禽的活动行为是否异常。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一个非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上上述的仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于多传感器数据采集的农牧智能分析的方法，其特征在于，包括如下步骤：

S1、通过在畜禽舍内布置温度传感器，湿度传感器，及负压传感器，来获取畜禽养殖环境内的温度，湿度，及换气风压，并对畜禽的生长数据进行记录，该生长数据具体包括畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度；

S2、通过在畜禽舍内布置摄像装置，来获取养殖区域内畜禽的运动图像数据，并建立畜禽的运动图像数据的图像坐标系，还从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标；

S3、构建对畜禽进行生长预测的神经网络模型，将畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度，畜禽养殖环境内的平均温度，平均湿度，及平均换气风压输入神经网络模型，模型输出畜禽生长到成熟状态的天数；

S4、获取不同时刻的养殖区域内的畜禽的运动图像数据，并分别从其中提取出畜禽的中心位置的像素坐标，共同组成像素坐标的时序数据，还对该像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，从而判断运动图像中的畜禽的活动行为是否异常；

S4中对像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，从而判断运动图像中的畜禽的活动行为是否异常，具体包括如下步骤：

S41、分别计算时序数据中包含的各个像素坐标的X坐标值的均值和Y坐标值的均值，并通过从时序数据中包含的各个像素坐标分别减去该X坐标值的均值和该Y坐标值的均值，从而得到更新后的像素坐标的时序数据，还基于该更新后的像素坐标的时序数据，绘制出与其相对应的时序曲线，具体将该时序曲线上的像素坐标(X_i,Y_i)表示如下：

(X_i,Y_i)＝(x_i-E(x_i),(y_i-E(y_i))，i∈[1,n]，且满足

其中，x_i为原时序数据中像素坐标的X坐标值，y_i为原时序数据中像素坐标的Y坐标值，E(x_i)为原时序数据中各个像素坐标的X坐标值的均值，E(y_i)为原时序数据中各个像素坐标的Y坐标值的均值，i为时序数据中像素坐标的序号，n为时序数据中像素坐标的个数，

为时序曲线的方程；

S42、将上述的时序曲线按照X轴上的坐标值分割成等间隔的K段时序曲线，对于每一段时序曲线，分别利用最小二乘法得到该段时序曲线的拟合直线，并从该段时序曲线上的像素坐标的Y坐标值减去与该像素坐标的X坐标值相同的拟合直线上的X坐标值所对应的Y坐标值，还计算每段时序曲线的F值，具体将该F值的计算描述成如下公式：

其中，m为时序曲线分割后的不同时序曲线段的段号，r为时序曲线段上包含的像素坐标的个数，u为时序曲线段上包含的像素坐标的序号，X_u为时序曲线段上的像素坐标的X坐标值，

为时序曲线的方程，υ为拟合直线的方程；

S43、关于上述的每一段时序曲线，分别计算与其对应的logm的值，及logF_m的值，且m∈[1,k]，并以不同的时序曲线段对应的logm的值作为X轴上的坐标值，以不同的时序曲线段对应的logF_m的值作为Y轴上的坐标值绘制出直线，还求出该直线的斜率；

S44、判断当上述的直线的斜率小于系统提前设定的斜率阈值时，将运动图像中的畜禽的活动行为识别为异常行为。

2.根据权利要求1所述的一种基于多传感器数据采集的农牧智能分析的方法，其特征在于，S2中建立畜禽的运动图像数据的图像坐标系且从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标的过程包括，首先对图像数据进行裁剪，来获得与养殖区域内畜禽的运动范围相对应的图像数据，然后以图像数据左下角为原点建立以像素为单位的平面坐标系XOY，横坐标X的值与纵坐标Y的值分别是像素在其图像中所在的列数和行数，最后提取出畜禽对应图像的中心位置所在像素的像素坐标值。

3.根据权利要求1所述的一种基于多传感器数据采集的农牧智能分析的方法，其特征在于，S3具体包括如下步骤：

S31、根据获取到的与畜禽生长相关的数据的个数确定神经网络模型的输入层的神经元个数，将神经网络模型的输出层的神经元个数设为1，并基于输入层的神经元个数和输出层的神经元个数，通过使用几何平均法确定神经网络模型的隐含层的神经元个数；

S32、依据输入层的神经元个数，输出层的神经元个数，及隐含层的神经元个数，搭建包含二层隐含层的神经网络模型，并两两连接位于模型不同层的神经元，在每两个神经元的连接关系上设置一个连接权重；

S33、建立神经网络模型的训练数据集，该训练数据集中包括与过去在畜禽舍内养殖的大量畜禽相关的生长数据，及不同的畜禽生长到成熟状态时所经历的天数；

S34、使用随机数法初始化神经网络模型的连接权重，并将训练数据集中的数据提供给输入层神经元，模型的神经元逐层将数据前传，直到产生输出层的结果，同时计算输出结果的误差，再将误差逆向传播至隐层神经元，根据隐层神经元的误差对模型的连接权重进行调整；

S35、将不同的畜禽的性别、出生时体重、每隔一月的体重增量、每日的饲喂量、饲养密度，及畜禽养殖环境内的平均温度、平均湿度、平均换气风压作为训练好的神经网络模型的输入数据，模型输出不同的畜禽生长到成熟状态将要花费的天数。

4.根据权利要求1所述的一种基于多传感器数据采集的农牧智能分析的方法，其特征在于，S1中的畜禽的饲养密度的计算过程，具体包括使用畜禽所在的养殖区域内饲养的畜禽的总个数除以该养殖区域的总面积。

5.一种基于多传感器数据采集的农牧智能分析的系统，用于实现如权利要求1-4任一项所述的方法，其特征在于，包括如下的模块：

第一模块，用于在畜禽舍内布置温度传感器，湿度传感器，及负压传感器，来获取畜禽养殖环境内的温度，湿度，及换气风压，还用于对畜禽的生长数据进行记录，包括畜禽性别，畜禽出生时体重，畜禽每隔一月的体重增量，对畜禽每日的饲喂量，畜禽的饲养密度；

第二模块，用于在畜禽舍内布置摄像装置，获取养殖区域内畜禽的运动图像数据，并建立畜禽的运动图像数据的图像坐标系，还从畜禽的运动图像数据中提取出畜禽的中心位置的像素坐标；

第三模块，用于构建和训练对畜禽进行生长预测的神经网络模型，并将不同的畜禽的性别、出生时体重、每隔一月的体重增量、每日的饲喂量、饲养密度，及畜禽养殖环境内的平均温度、平均湿度、平均换气风压作为神经网络模型的输入数据，输出不同畜禽生长到其成熟状态将要花费的天数；

第四模块，用于获取不同时刻的养殖区域内的畜禽的运动图像数据，并分别从其中提取出畜禽的中心位置的像素坐标，共同组成像素坐标的时序数据，还对像素坐标的时序数据所代表的畜禽的中心位置的变动轨迹进行数学分析，来判断运动图像中的畜禽的活动行为是否异常。

Images