CN114463701A - 一种基于多源大数据动物养殖数据挖掘的监测预警系统 - Google Patents

一种基于多源大数据动物养殖数据挖掘的监测预警系统 Download PDF

Info

Publication number
CN114463701A
CN114463701A CN202210387398.3A CN202210387398A CN114463701A CN 114463701 A CN114463701 A CN 114463701A CN 202210387398 A CN202210387398 A CN 202210387398A CN 114463701 A CN114463701 A CN 114463701A
Authority
CN
China
Prior art keywords
data
animal
unit
animals
cultured animals
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
CN202210387398.3A
Other languages
English (en)
Other versions
CN114463701B (zh
Inventor
肖德琴
黄一桂
刘又夫
刘俊彬
谭祖杰
曾瑞麟
陈淼彬
刘克坚
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.)
South China Agricultural University
Original Assignee
South 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202210387398.3A priority Critical patent/CN114463701B/zh
Publication of CN114463701A publication Critical patent/CN114463701A/zh
Application granted granted Critical
Publication of CN114463701B publication Critical patent/CN114463701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A01K29/00—Other apparatus for animal husbandry
    • A01K29/005—Monitoring or measuring activity, e.g. detecting heat or mating
    • 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
    • A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques 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
    • G10L21/0232—Processing in the frequency domain
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Animal Husbandry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Birds (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)

Abstract

本发明公开了一种基于多源大数据动物养殖数据挖掘的监测预警系统，属于动物养殖检测预警系统设计技术领域，包括动物体征传感器、动物声音传感器、环境传感器、轨道机器人、算法训练模块、动物健康数据产生模块、动物健康数字矩阵模块和动物健康分析模块；本方案提供一种多源动物养殖数据采集、处理及动物健康分析预警的系统，通过构建动物数字矩阵信息，并对养殖动物状态进行分析和预警，解决了通过多源大数据的方式挖掘动物养殖数据，并对非健康养殖动物健康预警的问题，本系统对于动物养殖具有通用性。

Description

一种基于多源大数据动物养殖数据挖掘的监测预警系统
技术领域
本发明属于动物养殖检测预警系统设计技术领域，尤其涉及一种基于多源大数据动物养殖数据挖掘的监测预警系统。
背景技术
在规模化的动物养殖过程中，动物健康出现变化而患病的情况是无法避免的，并需要及时采取对应措施才能保证养殖效益，因此实时准确且有效的动物健康预警技术对保证动物养殖的稳定与高产具有重要意义。当动物患病时必定会出现异常行为和病理特征，例如猪只就会出现爬跨、嚎叫、厌食、咬尾、久卧、蓝耳、吐血、体温升高、红皮和腹泻等情况。只要根据以上异常行为和病理特征，利用彩色摄像头、红外摄像头、声音传感器、耳标和定位器等设备进行对应的数据获取和检测，就能判断出动物健康状态。
目前，对动物健康判断主要是通过人工观察的方式，需要养殖人员根据养殖经验进行实时监测。但该方法费时、费力且容易出错。随着计算机视觉技术的成熟与普及，越来越多的学者通过摄像头获取动物生活图像或视频，并根据图像特征对动物行为进行检测，该方法是实现动物健康自动检测的重要途径。但目前从图像特征上对动物行为的自动检测方法都仅针对动物某一种特定行为进行研究，并且缺少其他维度的数据分析和进一步的健康状态分析。以猪为例，目前实现了识别视频中的猪只采食行为，但该方法可行的前提条件是要在猪只的背部打上标记，否则该方法失效，而在真实的养殖环境中猪只身体非常容易出现因沾染污渍而看不见标记的情况。目前也实现了猪只爬跨行为的识别，但仍然未进一步对猪只进行是否属于发情期分析并判断健康状态。此外，已有的生猪生理信息数据库往往都是通过单一角度进行数据获取，缺少多维度的数据，即使存在多维度的数据也没有对应的时间序列和个体身份信息实现数据关联，因此不具备多种数据融合分析的功能，也难以实现猪只健康监测及预警的功能。牛和鸡在规模化养殖中也存在着类似的问题，并且同样对猪只的方法却难以直接应用于鸡和牛上，因此目前非常需要一套具有一定通用性的动物健康养殖数据挖掘模型及监测预警系统应用于养殖业。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于多源大数据动物养殖数据挖掘的监测预警系统解决了通过多源大数据的方式挖掘动物养殖数据，并对非健康养殖动物健康预警的问题。
为了达到上述发明目的，本发明采用的技术方案为：
本方案提供一种基于多源大数据动物养殖数据挖掘的监测预警系统，包括：
动物体征传感器，用于获取养殖动物的体征原始数据，并向轨道机器人传输体征原始数据，所述体征原始数据包括养殖动物的身份、位置、体温和运动量；
动物声音传感器，用于获取各养殖栏中养殖动物的夜间声音原始数据，并向轨道机器人传输夜间声音原始数据；
环境传感器，用于获取养殖栏中的环境监测数据，其中，所述环境监测数据包括环境温度、环境湿度和环境气压；
轨道机器人，用于控制自动饲喂器逐一对养殖动物投喂饲料，并同时通过滑轨定位器定位获取各栏养殖中的养殖动物的定位数据，得到养殖动物的视频原始数据、体征原始数据、夜间声音原始数据，其中，所述视频原始数据包括养殖动物的彩色图像、热红外图像和3D图像；
算法训练模块，用于利用养殖动物的视频原始数据、体征原始数据和夜间声音原始数据对系统算法进行训练和参数调整，得到训练好的系统算法，其中，系统算法包括数据清洗校验算法、Yolov4行为和局部温度识别算法、点云图体尺测量算法和咳嗽检测算法；
动物健康数据产生模块，用于根据训练好的系统算法处理视频原始数据、体征原始数据和夜间声音原始数据，得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据；
动物健康数字矩阵模块，用于根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据，构建若干关联养殖动物身份和位置的数字信息矩阵；
动物健康分析模块，用于利用各数字信息矩阵对其对应的养殖动物进行健康评分，并根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据对养殖动物健康分析，且对非健康养殖动物进行健康预警。
本发明的有益效果为：本发明提供的一种基于多源大数据动物养殖数据挖掘的监测预警系统，分别通过动物体征传感器、动物声音传感器、环境传感器、轨道机器人获取养殖动物的体征原始数据、夜间声音原始数据、环境监测数据和视频原始数据；通过算法训练模块实现通过体征原始数据、夜间声音原始数据、环境监测数据和视频原始数据对系统算法进行训练和参数调整，得到训练好的系统算法；通过动物健康数据产生模块通过训练好的系统算法处理视频原始数据、体征原始数据和夜间声音原始数据得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据；通过动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵，并通过动物健康分析模块计算对应的养殖动物的健康矩阵评分，且对非健康养殖动物进行健康预警，实现了通过多源大数据对动物养殖数据的挖掘，并通过多维度数据融合分析实现了对养殖动物的健康检测及预警，公开了一种具有一定通用性的动物养殖数据挖掘模型及检测预警的系统。
进一步地，所述轨道机器人包括：
微型中央处理器，用于控制自动饲喂器逐一对各栏位内的养殖动物投喂饲料；
养殖动物传感器接收器，用于获取养殖动物耳标传递的体征原始数据；
双目摄像头，用于通过滑轨定位器定位获取养殖动物的彩色图像和热红外图像；
3D摄像头，用于通过滑轨定位器定位获取养殖动物的3D图像。
采用上述进一步方案的有益效果为：通过轨道机器人实现动物投喂饲料，并采集养殖动物的视频原始数据和体征原始数据。
进一步地，所述动物健康数据产生模块包括：
数据清洗校验子模块，用于根据训练好的数据清洗校验算法校验、过滤、计算和填充体征原始数据，得到数据库格式的养殖动物的体征数据，并将养殖动物体征数据存储至数据库；
Yolov4行为和温度识别子模块，用于根据训练好的Yolov4行为和局部温度识别算法提取视频原始数据，得到养殖动物的行为数据、身体区域坐标信息和部位温度数据；
点云图体尺测量子模块，用于根据训练好的点云图体尺测量算法计算养殖动物的行为数据和身体区域坐标信息，得到养殖动物的体长数据和体高数据；
咳嗽检测子模块，用于根据训练好的咳嗽检测算法对夜间声音原始数据进行去噪声和相似性检测，得到养殖动物的咳嗽次数数据。
采用上述进一步方案的有益效果为：所述动物健康数据产生模块通过数据清洗校验子模块对体征原始数据校验、过滤、计算和填充，得到养殖动物的体征数据；通过Yolov4行为和温度识别子模块，得到养殖动物的行为数据、身体区域坐标信息和部位温度数据；通过点云图体尺测量子模块得到养殖动物的体长数据和体高数据；通过咳嗽检测子模块得到养殖动物的咳嗽次数数据；为构建关联养殖动物身份和位置的数字信息矩阵提供基础。
进一步地，所述数据清洗校验算法包括如下步骤：
S1、通过轨道机器人对养殖动物进行位置和身份绑定设为主键；
S2、基于养殖动物的位置和身份，计算得到养殖动物每两次间隔体征原始数据中运动量增量；
S3、判断运动量增量是否大于零米且小于预设动物最大运动量，若是则进入步骤S4，否则报警动物体征传感器故障，并结束；
S4、将养殖动物的运动量增量与位置和身份关联；
S5、基于养殖动物的位置和身份，计算得到连续二十次获取的体征原始数据中的体温平均值；
S5、判断体温平均值是否大于零度且小于预设动物最大体温，若是则进入步骤S6，否则报警动物体征传感器故障，并结束；
S6、将体温平均值与位置和身份关联；
S7、将养殖栏中的环境温度、环境湿度和环境气压与位置和身份关联；
S8、将养殖动物的位置和身份，以及与位置和身份关联的运动量增量、体温平均值、环境温度、环境湿度和环境气压作为养殖动物体征数据存储至数据库。
采用上述进一步方案的有益效果为：提供数据清洗校验算法，通过所述数据清洗校验算法得到养殖动物的体征数据，并将养殖动物体征数据存储至数据库，可用作历史数据用于以后数据挖掘和研究分析，同时为构建关联养殖动物身份和位置的数字信息矩阵提供基础。
进一步地，所述Yolov4行为和温度识别子模块包括：
图像输入单元Inputs、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2、第四残差单元Resblock_body()×8、第五残差单元Resblock_body()×8、第六残差单元Resblock_body()×4、第一空间金字单元SPP1、第二空间金字塔单元SPP2、第一Concat拼接堆叠卷积单元、第二Concat拼接堆叠卷积单元、第三Concat拼接堆叠卷积单元、第四Concat拼接堆叠卷积单元、第五Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元、第一YOLOHead检测头、第二YOLOHead检测头和第三YOLOHead检测头、图像输出单元Oouts；
所述图像输入单元、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2和第四残差单元Resblock_body()×8依次连接；所述第四残差单元Resblock_body()×8分别与第五残差单元Resblock_body()×8和第一Concat拼接堆叠卷积单元连接；所述第五残差单元Resblock_body()×8分别与第六残差单元Resblock_body()×4和第一空间金字单元SPP1连接；所述第六残差单元Resblock_body()×4与第二空间金字塔单元SPP2连接；所述第一空间金字单元SPP1与第二Concat拼接堆叠卷积单元连接；所述第二空间金字单元SPP2与第三Concat拼接堆叠卷积单元连接；所述第三Concat拼接堆叠卷积单元分别与第二Concat拼接堆叠卷积单元和第六Concat拼接堆叠卷积单元连接；所述第二Concat拼接堆叠卷积单元分别与第一Concat拼接堆叠卷积单元和第五Concat拼接堆叠卷积单元连接；所述第一Concat拼接堆叠卷积单元与第四Concat拼接堆叠卷积单元连接；所述第四Concat拼接堆叠卷积单元分别与第一YOLOHead检测头和第五Concat拼接堆叠卷积单元连接；所述第五Concat拼接堆叠卷积单元分别与第二YOLOHead检测头和第六Concat拼接堆叠卷积单元连接；所述第六Concat拼接堆叠卷积单元与第三YOLOHead检测头连接；所述第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头均与图像输出单元Outs连接；
所述第六残差单元Resblock_body()×4、第二空间金字塔单元SPP2、第三Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元和第三YOLOHead检测头构成彩色图像专用特征提取网络。
采用上述进一步方案的有益效果为：所述Yolov4行为和温度识别子模块提供基于Yolov4D 行为和温度识别神经网络结构，能够对彩色图像和热红外图像的数字信息处理得到养殖动物的行为数据、坐标信息和部位温度数据，为构建关联养殖动物身份和位置的数字信息矩阵提供基础。
进一步地，所述点云图体尺测量算法包括如下步骤：
B1、利用养殖动物身体区域坐标信息将3D图像与彩色图像进行位置校准，得到身体区域坐标信息对应的点云图动物身体区域 (x1,y1,x2,y2)，其中（x1,y1）为点云图动物身体区域的左上角坐标点，（x2,y2）为点云图动物身体区域的右下角坐标点，(x2,y1）为点云图动物身体区域的右上角坐标点，（x1,y2）为点云图动物身体区域的左边下角坐标点；
B2、利用邻接点扩散法逐一计算得到点云图动物身体区域 (x1,y1,x2,y2)内所有点的连通区域；
B3、判断点云图动物身体区域内任一点X1连通区域内的全部相邻三维点高度差是否大于预设高度差值，若是则进入步骤B5，否则进入步骤B4；
B4、将高度差小于或等于预设高度差的相邻三维点归入点X1连通区域，并返回步骤B3；
B5、将高度差大于预设高度差的相邻三维点不纳入点X1连通区域；
B6、计算利用邻接点扩散法得到的面积最大连通区域的长度，并将面积最大连通区域的长度作为养殖动物的体长数据；
B7、计算利用邻接点扩散法得到的面积最大连通区域的平均高度，并将面积最大连通区域的平均高度作为养殖动物的体高数据。
采用上述进一步方案的有益效果为：所述点云图体尺测量算法通过将3D图像与彩色图像进行位置校准，并通过邻接点扩散法得到点云图动物身体区域、养殖动物的体长数据和体高数据，为构建关联养殖动物身份和位置的数字信息矩阵以及养殖动物健康分析提供基础。
进一步地，所述咳嗽检测算法包括如下步骤：
C1、获取各养殖栏中养殖动物的夜间声音原始数据；
C2、通过汉明窗处理夜间声音原始数据，并对各窗口进行傅里叶变换后减去平均窗口，得到降噪后的夜间声音数据；
C3、根据分贝大小对降噪后的夜间声音数据进行数值转换，并根据频率高低对降噪后的夜间声音数据20等分，得到咳嗽特征粗频谱图；
C4、计算得到咳嗽特征粗频谱与标准咳嗽频谱的马氏距离E；
所述马氏距离E的计算表达式如下：
Figure 450067DEST_PATH_IMAGE001
其中，S表示咳嗽特征粗频谱与标准咳嗽频谱间的协方差矩阵，x表示协方差矩阵S的多边向量，x p 表示多边向量x的第p个向量，
Figure 348753DEST_PATH_IMAGE002
表示协方差矩阵S的均值向量，
Figure 59220DEST_PATH_IMAGE003
表示均值向量
Figure 288339DEST_PATH_IMAGE002
的第p个向量，
Figure 400651DEST_PATH_IMAGE004
表示多边向量x与均值向量
Figure 204659DEST_PATH_IMAGE002
对应相减后的转置
Figure 402422DEST_PATH_IMAGE005
表示协方差矩阵的逆矩阵；
C5、判断马氏距离是否小于预设距离阈值K，若是则进入步骤C6，否则返回步骤C1；
C6、认定咳嗽特征粗频谱与标准咳嗽频谱相似，并得到该咳嗽特征粗频谱对应养殖动物的咳嗽次数数据。
采用上述进一步方案的有益效果为：所述咳嗽检测算法通过对养殖动物的夜间声音原始数据进行降噪、数值转换和等分后得到咳嗽特征粗频谱图，并通过马氏距离判断与标准咳嗽频谱相似性，得到养殖动物的咳嗽次数数据，为构建关联养殖动物身份和位置的数字信息矩阵以及养殖动物健康分析提供基础。
进一步地，所述动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵的具体过程如下：
D1、将养殖动物的身体区域坐标信息与位置和身份关联，并将位置和身份对应的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据关联，得到若干养殖动物关联数据矩阵；
D2、将各养殖动物关联数据矩阵根据位置排序，完成若干关联养殖动物身份和位置的数字信息矩阵的构建。
采用上述进一步方案的有益效果为：通过动物健康数字矩阵模块根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据与养殖动物的位置和身份关联，并将各养殖动物关联数据矩阵根据位置排序，构建成关联养殖动物身份和位置的数字信息矩阵，为养殖动物健康评估提供基础。
进一步地，所述利用各数字信息矩阵对其对应的养殖动物进行健康评估，并对非健康养殖动物进行健康预警的具体过程如下：
E1、根据评分规则对各数字信息矩阵评分，得到各数字信息矩阵的评分矩阵D；
E2、基于各评分矩阵D计算得到各数字信息矩阵对应的各养殖动物的健康评分P；
所述健康评分的计算表达式如下：
Figure 199346DEST_PATH_IMAGE006
E3、逐个判断各健康评分P是否等于0，若是则进入步骤E4，否则进入步骤E5；
E4、将该健康评分P对应的养殖动物认定为健康养殖动物；
E5、对该健康评分P对应的养殖动物做出健康预警。
采用上述进一步方案的有益效果为：所述动物健康分析模块通过对各数字信息矩阵评分，得到评分矩阵后，基于评分矩阵计算矩阵评分，并对评分非健康的养殖动物做出健康预警。
附图说明
图1为本发明实施例中基于多源大数据动物养殖数据挖掘的监测预警系统的系统结构图。
图2为本发明实施例中数据采集设备部署方案示意图。
图3为本发明实施例中Yolov4行为和温度识别子模块的结构图。
图4为本发明实施例中Yolov4行为和温度识别子模块的具体结构例图。
图5为本发明实施例中关联养殖动物身份和位置的数字信息矩阵。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1和图2所示，在本发明的一个实施例中，本方案提供一种基于多源大数据动物养殖数据挖掘的监测预警系统，包括：
动物体征传感器，用于获取养殖动物的体征原始数据，并向轨道机器人传输体征原始数据，所述体征原始数据包括养殖动物的身份、位置、体温和运动量；
所述动物体征传感器当养殖动物为猪只时，采用猪只耳标，当养殖动物为牛时，采用项圈，当养殖动物为鸡时，采用脚环，且所述动物体征传感器采用超宽带Ultra Wideband定位技术，可采集养殖动物体温和运动量；
所述体征原始数据包括获取时长大于三天且获取数量大于1500条的养殖动物的身份、位置、体温和运动量数据；
动物声音传感器，用于获取各养殖栏中养殖动物的夜间声音原始数据，并向轨道机器人传输夜间声音原始数据；所述动物声音传感器以16位精度和22050hz的采样频率波形格式录制动物咳嗽声音；
所述夜间声音原始数据包括获取时间于凌晨一点到五点，且超过三段以上的养殖动物的咳嗽声；
环境传感器，用于获取养殖栏中的环境监测数据，其中，所述环境监测数据包括环境温度、环境湿度和环境气压；
所述环境监测数据可用于分析养殖动物的养殖环境，以及比较养殖动物体温与养殖环境温度相比是否异常；
轨道机器人，用于控制自动饲喂器逐一对养殖动物投喂饲料，并同时通过滑轨定位器定位获取各栏养殖中的养殖动物的定位数据，得到养殖动物的视频原始数据、体征原始数据、夜间声音原始数据，其中，所述视频原始数据包括养殖动物的彩色图像、热红外图像和3D图像；
所述视频原始数据包括获取时长大于三天、获取数量大于1000张且具有不同养殖栏中成年体型和幼年体型的养殖动物的彩色图像、热红外图像和3D图像；
算法训练模块，用于利用养殖动物的视频原始数据、体征原始数据和夜间声音原始数据对系统算法进行训练和参数调整，得到训练好的系统算法，其中，系统算法包括数据清洗校验算法、Yolov4行为和局部温度识别算法、点云图体尺测量算法和咳嗽检测算法，若发现视频原始数据、体征原始数据和夜间声音原始数据存在异常，则根据实际情况对现场设备进行精度校准以及维护；
动物健康数据产生模块，用于根据训练好的系统算法处理视频原始数据、体征原始数据和夜间声音原始数据，得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据；
动物健康数字矩阵模块，用于根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据，构建若干关联养殖动物身份和位置的数字信息矩阵；
动物健康分析模块，用于利用各数字信息矩阵对其对应的养殖动物进行健康评分，并对非健康养殖动物进行健康预警；
所述轨道机器人包括：
微型中央处理器，用于控制自动饲喂器逐一对各栏位内的养殖动物投喂饲料；
养殖动物传感器接收器，用于获取养殖动物耳标传递的体征原始数据；
双目摄像头，用于通过滑轨定位器定位获取养殖动物的彩色图像和热红外图像；
3D摄像头，用于通过滑轨定位器定位获取养殖动物的3D图像；
所述双目摄像头和3D摄像头以1秒1张的速度进行图片拍摄；所述轨道机器人在5分钟数据采集后，便走向下一栏位，直至全部栏位投喂完毕后，回到原位进行充电并等待下次投喂时再次启动；
所述动物健康数据产生模块包括：
数据清洗校验子模块，用于根据训练好的数据清洗校验算法校验、过滤、计算和填充体征原始数据，得到养殖动物的体征数据，并将养殖动物体征数据存储至数据库；
Yolov4行为和温度识别子模块，用于根据训练好的Yolov4行为和局部温度识别算法提取视频原始数据，得到养殖动物的行为数据、身体区域坐标信息和部位温度数据；
点云图体尺测量子模块，用于根据训练好的点云图体尺测量算法计算养殖动物的行为数据和身体区域坐标信息，得到养殖动物的体长数据和体高数据；
咳嗽检测子模块，用于根据训练好的咳嗽检测算法对夜间声音原始数据进行去噪声和相似性检测，得到养殖动物的咳嗽次数数据；
所述数据清洗校验算法包括如下步骤：
S1、通过轨道机器人对养殖动物进行位置和身份绑定设为主键；
S2、基于养殖动物的位置和身份，计算得到养殖动物每两次间隔体征原始数据中运动量增量；
S3、判断运动量增量是否大于零米且小于预设动物最大运动量，若是则进入步骤S4，否则报警动物体征传感器故障，并结束，其中预设动物最大运动量为10000步；
S4、将养殖动物的运动量增量与位置和身份关联；
S5、基于养殖动物的位置和身份，计算得到连续二十次获取的体征原始数据中的体温平均值；
S5、判断体温平均值是否大于零度且小于预设动物最大体温，若是则进入步骤S6，否则报警动物体征传感器故障，并结束，其中预设动物最大体温为40℃；
S6、将体温平均值与位置和身份关联；
S7、将养殖栏中的环境温度、环境湿度和环境气压与位置和身份关联；
S8、将养殖动物的位置和身份，以及与位置和身份关联的运动量增量、体温平均值、环境温度、环境湿度和环境气压作为养殖动物体征数据存储至数据库；所述环境温度用于当养殖动物体温平均值和热红外图像的温度与环境温度存在差异时，选取精度更高的养殖动物体温平均值和热红外图像的温度用作养殖动物健康分析；
如图3所示，所述Yolov4行为和温度识别子模块包括：
图像输入单元Inputs、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2、第四残差单元Resblock_body()×8、第五残差单元Resblock_body()×8、第六残差单元Resblock_body()×4、第一空间金字单元SPP1、第二空间金字塔单元SPP2、第一Concat拼接堆叠卷积单元、第二Concat拼接堆叠卷积单元、第三Concat拼接堆叠卷积单元、第四Concat拼接堆叠卷积单元、第五Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元、第一YOLOHead检测头、第二YOLOHead检测头和第三YOLOHead检测头、图像输出单元Oouts；
所述图像输入单元、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2和第四残差单元Resblock_body()×8依次连接；所述第四残差单元Resblock_body()×8分别与第五残差单元Resblock_body()×8和第一Concat拼接堆叠卷积单元连接；所述第五残差单元Resblock_body()×8分别与第六残差单元Resblock_body()×4和第一空间金字单元SPP1连接；所述第六残差单元Resblock_body()×4与第二空间金字塔单元SPP2连接；所述第一空间金字单元SPP1与第二Concat拼接堆叠卷积单元连接；所述第二空间金字单元SPP2与第三Concat拼接堆叠卷积单元连接；所述第三Concat拼接堆叠卷积单元分别与第二Concat拼接堆叠卷积单元和第六Concat拼接堆叠卷积单元连接；所述第二Concat拼接堆叠卷积单元分别与第一Concat拼接堆叠卷积单元和第五Concat拼接堆叠卷积单元连接；所述第一Concat拼接堆叠卷积单元与第四Concat拼接堆叠卷积单元连接；所述第四Concat拼接堆叠卷积单元分别与第一YOLOHead检测头和第五Concat拼接堆叠卷积单元连接；所述第五Concat拼接堆叠卷积单元分别与第二YOLOHead检测头和第六Concat拼接堆叠卷积单元连接；所述第六Concat拼接堆叠卷积单元与第三YOLOHead检测头连接；所述第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头均与图像输出单元Outs连接；
所述第六残差单元Resblock_body()×4、第二空间金字塔单元SPP2、第三Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元和第三YOLOHead检测头构成彩色图像专用特征提取网络；
所述Yolov4行为和温度识别子模块中改进的Yolov4神经网络相较于传统的Yolov4神经网络增加了第三残差单元Resblock_body()×2和第五残差单元Resblock_body()×8，所述第三残差单元Resblock_body()×2可实现提取更多红外图像的特征和体型较小动物（彩色图像）的特征但又不至于出现拟合，所述第五残差单元Resblock_body()×8和第一空间金字单元SPP1连接可实现将提取的红外图像特征信息转换为坐标，类别等信息；所述改进的Yolov4网络中彩色图像不会进行计算，仅当彩色图像经处理进入彩色图像专用特征提取网络才会进行计算；
如图4所示，所述Yolov4行为和温度识别子模块中改进的Yolov4神经网络可实现Yolov4行为识别算法和Yolov4局部温度识别算法；当实现Yolov4行为识别算法时，所述图像输入单元Inputs输入
Figure 166165DEST_PATH_IMAGE008
的彩色图像，当实现Yolov4局部温度识别算法使，所述图像输入单元Inputs输入
Figure 406653DEST_PATH_IMAGE010
的热红外图像；
所述Yolov4行为识别算法和Yolov4局部温度识别算法包括如下步骤：
A1、获取养殖动物的视频原始数据；
A2、对视频原始数据中的彩色图像和热红外图像分别添加饮水标签、进食标签、头部标签和尾部标签；
A3、利用Yolov4行为和温度识别子模块对添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像均分别按照8:1:1的比例输入训练集、测试集和验证集进行参数训练，得到训练好的Yolov4行为和温度识别子模块；
A4、利用训练好的Yolov4行为和温度识别子模块识别添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像，得到养殖动物的行为数据、坐标信息和部位温度数据；
A5、删除部位温度数据中小于预设动物最低体温的部位温度数据，并对剩余部位温度数据去除最高部位温度数据后进行分部位求平均部位温度数据，其中，预设动物最低体温为34℃；
A6、将平均部位温度数据作为养殖动物的部位温度数据；
所述点云图体尺测量算法包括如下步骤：
B1、利用养殖动物身体区域坐标信息将3D图像与彩色图像进行位置校准，得到身体区域坐标信息对应的点云图动物身体区域 (x1,y1,x2,y2)，其中（x1,y1）为点云图动物身体区域的左上角坐标点，（x2,y2）为点云图动物身体区域的右下角坐标点，(x2,y1）为点云图动物身体区域的右上角坐标点，（x1,y2）为点云图动物身体区域的左边下角坐标点；
B2、利用邻接点扩散法逐一计算得到点云图动物身体区域 (x1,y1,x2,y2)内所有点的连通区域；
B3、判断点云图动物身体区域内任一点X1连通区域内的全部相邻三维点高度差是否大于预设高度差值，若是则进入步骤B5，否则进入步骤B4；
如，设H为高度差，XY1为X1连通区域内的点，XY2为X1连通区域外的相邻点|XY1 -XY2|>H(猪的预设高度差为10cm，鸡的预设高度差为为5cm，牛的预设高度差为50cm)；
B4、将高度差小于或等于预设高度差的相邻三维点归入点X1连通区域，并返回步骤B3；
B5、将高度差大于预设高度差的相邻三维点不纳入点X1连通区域；
B6、计算利用邻接点扩散法得到的面积最大连通区域的长度，并将面积最大连通区域的长度作为养殖动物的体长数据；
B7、计算利用邻接点扩散法得到的面积最大连通区域的平均高度，并将面积最大连通区域的平均高度作为养殖动物的体高数据；
所述咳嗽检测算法包括如下步骤：
C1、获取各养殖栏中养殖动物的夜间声音原始数据；
C2、通过汉明窗处理夜间声音原始数据，并对各窗口进行傅里叶变换后减去平均窗口，得到降噪后的夜间声音数据；
C3、根据分贝大小对降噪后的夜间声音数据进行数值转换，并根据频率高低对降噪后的夜间声音数据20等分，得到咳嗽特征粗频谱图；
C4、计算得到咳嗽特征粗频谱与标准咳嗽频谱的马氏距离E；
所述马氏距离E的计算表达式如下：
Figure 826133DEST_PATH_IMAGE001
其中，S表示咳嗽特征粗频谱与标准咳嗽频谱间的协方差矩阵，x表示协方差矩阵S的多边向量，x p 表示多边向量x的第p个向量，
Figure 925283DEST_PATH_IMAGE002
表示协方差矩阵S的均值向量，
Figure 746608DEST_PATH_IMAGE003
表示均值向量
Figure 157998DEST_PATH_IMAGE002
的第p个向量，
Figure 64774DEST_PATH_IMAGE004
表示多边向量x与均值向量
Figure 203501DEST_PATH_IMAGE002
对应相减后的转置
Figure 144912DEST_PATH_IMAGE005
表示协方差矩阵的逆矩阵；
C5、判断马氏距离是否小于预设距离阈值K，若是则进入步骤C6，否则返回步骤C1；
C6、认定咳嗽特征粗频谱与标准咳嗽频谱相似，并得到该咳嗽特征粗频谱对应养殖动物的咳嗽次数数据；
所述动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵的具体过程如下：
D1、将养殖动物的身体区域坐标信息与位置和身份关联，并将位置和身份对应的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据关联，得到若干养殖动物关联数据矩阵；
D2、将各养殖动物关联数据矩阵根据位置排序，完成若干关联养殖动物身份和位置的数字信息矩阵的构建；
如图5所示，所述利用各数字信息矩阵对其对应的养殖动物进行健康评估，并对非健康养殖动物进行健康预警的具体过程如下：
E1、根据评分规则对各数字信息矩阵评分，得到各数字信息矩阵的评分矩阵D；
E2、基于各评分矩阵D计算得到各数字信息矩阵对应的各养殖动物的健康评分P；
所述健康评分的计算表达式如下：
Figure 727203DEST_PATH_IMAGE006
E3、逐个判断各健康评分P是否等于0，若是则进入步骤E4，否则进入步骤E5；
E4、将该健康评分P对应的养殖动物认定为健康养殖动物；
E5、对该健康评分P对应的养殖动物做出健康预警。
所述评分规则如下：
若部位温度数据小于预设养殖动物最低健康温度，则动物体温评分为-1，若部位温度数据大于预设养殖动物最高健康温度，则动物体温评分为1，若部位温度数据大于预设养殖动物最低健康温度且小于预设养殖动物最高健康温度，则动物体温评分为0；
所述预设养殖动物最低健康温度在养殖动物为猪时设置为35℃，在养殖动物为鸡时设置为34℃，在养殖动物为牛时设置为35℃；所述预设养殖动物最高健康温度在养殖动物为猪时设置为38℃，在养殖动物为鸡时设置为37℃，在养殖动物为牛时设置为39℃；
若热红外图像温度小于预设养殖动物最低健康温度，则图像温度评分为-1，若热红外图像温度大于预设养殖动物最高健康温度，则图像温度评分为1，若热红外图像温度大于预设养殖动物最低健康温度且小于预设养殖动物最高健康温度，则图像温度评分为0；
若所述体征数据中运动量增量小于预设单日养殖动物最低健康运动量，则动物运动量评分为-1，若运动量增量大于预设单日养殖动物最高健康运动量，则动物运动量评分为1，若运动量增量大于预设单日养殖动物最低健康运动量且小于预设单日养殖动物最高健康运动量，则动物运动量评分为0；
所述预设养殖动物最低健康运动量在养殖动物为猪时设置为25步，在养殖动物为鸡时设置为10步，在养殖动物为牛时设置为60步；所述预设养殖动物最高健康温度在养殖动物为猪时设置为120步，在养殖动物为鸡时设置为10步，在养殖动物为牛时设置为200步；
所述养殖动物的身份和位置默认评分为0；
若所述养殖动物出现饮水行为，则饮水行为得分为0，否则为1；
若所述养殖动物出现进食行为，则进食行为得分为0，否则为1；
若养殖动物体高小于同栏养殖动物平均体高，则养殖动物体高得分为1，否则为0；
若养殖动物体长小于同栏养殖动物平均体长，则养殖动物体高长分为1，否则为0；
若养殖动物出现咳嗽，则咳嗽次数得分为1，否则为0。

Claims (10)

1.一种基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，包括：
动物体征传感器，用于获取养殖动物的体征原始数据，并向轨道机器人传输体征原始数据；
动物声音传感器，用于获取各养殖栏中养殖动物的夜间声音原始数据，并向轨道机器人传输夜间声音原始数据；
环境传感器，用于获取养殖栏中的环境监测数据；
轨道机器人，用于控制自动饲喂器逐一对养殖动物投喂饲料，并同时通过滑轨定位器定位获取各栏养殖中的养殖动物的定位数据，得到养殖动物的视频原始数据、体征原始数据和夜间声音原始数据；
算法训练模块，用于利用养殖动物的视频原始数据、体征原始数据和夜间声音原始数据对系统算法进行训练和参数调整，得到训练好的系统算法；
动物健康数据产生模块，用于根据训练好的系统算法处理视频原始数据、体征原始数据和夜间声音原始数据，得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据；
动物健康数字矩阵模块，用于根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据，构建若干关联养殖动物身份和位置的数字信息矩阵；
动物健康分析模块，用于利用各数字信息矩阵对其对应的养殖动物进行健康评分，并对非健康养殖动物进行健康预警。
2.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述轨道机器人包括：
微型中央处理器，用于控制自动饲喂器逐一对各栏位内的养殖动物投喂饲料；
养殖动物传感器接收器，用于获取养殖动物耳标传递的体征原始数据；
双目摄像头，用于通过滑轨定位器定位获取养殖动物的彩色图像和热红外图像；
3D摄像头，用于通过滑轨定位器定位获取养殖动物的3D图像。
3.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述动物健康数据产生模块包括：
数据清洗校验子模块，用于根据训练好的数据清洗校验算法校验、过滤、计算和填充体征原始数据，得到养殖动物的体征数据，并将养殖动物体征数据存储至数据库；
Yolov4行为和温度识别子模块，用于根据训练好的Yolov4行为和局部温度识别算法提取视频原始数据，得到养殖动物的行为数据、身体区域坐标信息和部位温度数据；
点云图体尺测量子模块，用于根据训练好的点云图体尺测量算法计算养殖动物的行为数据和身体区域坐标信息，得到养殖动物的体长数据和体高数据；
咳嗽检测子模块，用于根据训练好的咳嗽检测算法对夜间声音原始数据进行去噪声和相似性检测，得到养殖动物的咳嗽次数数据。
4.根据权利要求3所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述数据清洗校验算法包括如下步骤：
S1、通过轨道机器人对养殖动物进行位置和身份绑定设为主键；
S2、基于养殖动物的位置和身份，计算得到养殖动物每两次间隔体征原始数据中运动量增量；
S3、判断运动量增量是否大于零米且小于预设动物最大运动量，若是则进入步骤S4，否则报警动物体征传感器故障，并结束；
S4、将养殖动物的运动量增量与位置和身份关联；
S5、基于养殖动物的位置和身份，计算得到连续二十次获取的体征原始数据中的体温平均值；
S5、判断体温平均值是否大于零度且小于预设动物最大体温，若是则进入步骤S6，否则报警动物体征传感器故障，并结束；
S6、将体温平均值与位置和身份关联；
S7、将养殖栏中的环境温度、环境湿度和环境气压与位置和身份关联；
S8、将养殖动物的位置和身份，以及与位置和身份关联的运动量增量、体温平均值、环境温度、环境湿度和环境气压作为养殖动物体征数据存储至数据库。
5.根据权利要求3所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述Yolov4行为和温度识别子模块包括：
图像输入单元、特征提取单元、第一残差单元、第二残差单元、第三残差单元、第四残差单元、第五残差单元、第六残差单元、第一空间金字单元、第二空间金字塔单元、第一Concat拼接堆叠卷积单元、第二Concat拼接堆叠卷积单元、第三Concat拼接堆叠卷积单元、第四Concat拼接堆叠卷积单元、第五Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元、第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头和图像输出单元；
所述图像输入单元、特征提取单元、第一残差单元、第二残差单元、第三残差单元和第四残差单元依次连接；所述第四残差单元分别与第五残差单元和第一Concat拼接堆叠卷积单元连接；所述第五残差单元分别与第六残差单元和第一空间金字单元连接；所述第六残差单元与第二空间金字塔单元连接；所述第一空间金字单元与第二Concat拼接堆叠卷积单元连接；所述第二空间金字单元与第三Concat拼接堆叠卷积单元连接；所述第三Concat拼接堆叠卷积单元分别与第二Concat拼接堆叠卷积单元和第六Concat拼接堆叠卷积单元连接；所述第二Concat拼接堆叠卷积单元分别与第一Concat拼接堆叠卷积单元和第五Concat拼接堆叠卷积单元连接；所述第一Concat拼接堆叠卷积单元与第四Concat拼接堆叠卷积单元连接；所述第四Concat拼接堆叠卷积单元分别与第一YOLOHead检测头和第五Concat拼接堆叠卷积单元连接；所述第五Concat拼接堆叠卷积单元分别与第二YOLOHead检测头和第六Concat拼接堆叠卷积单元连接；所述第六Concat拼接堆叠卷积单元与第三YOLOHead检测头连接；所述第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头均与图像输出单元连接；
所述第六残差单元、第二空间金字塔单元、第三Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元和第三YOLOHead检测头构成彩色图像专用特征提取网络。
6.根据权利要求5所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述Yolov4行为识别算法和Yolov4局部温度识别算法包括如下步骤：
A1、获取养殖动物的视频原始数据；
A2、对视频原始数据中的彩色图像和热红外图像分别添加饮水标签、进食标签、头部标签和尾部标签；
A3、利用Yolov4行为和温度识别子模块对添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像均分别按照8:1:1的比例输入训练集、测试集和验证集进行参数训练，得到训练好的Yolov4行为和温度识别子模块；
A4、利用训练好的Yolov4行为和温度识别子模块识别添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像，得到养殖动物的行为数据、坐标信息和部位温度数据；
A5、删除部位温度数据中小于预设动物最低体温的部位温度数据，并对剩余部位温度数据去除最高部位温度数据后进行分部位求平均部位温度数据；
A6、将平均部位温度数据作为养殖动物的部位温度数据。
7.根据权利要求3所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述点云图体尺测量算法包括如下步骤：
B1、利用养殖动物身体区域坐标信息将3D图像与彩色图像进行位置校准，得到身体区域坐标信息对应的点云图动物身体区域 (x1,y1,x2,y2)；
B2、利用邻接点扩散法逐一计算得到点云图动物身体区域 (x1,y1,x2,y2)内所有点的连通区域；
B3、判断点云图动物身体区域内任一点X1连通区域内的全部相邻三维点高度差是否大于预设高度差值，若是则进入步骤B5，否则进入步骤B4；
B4、将高度差小于或等于预设高度差的相邻三维点归入点X1连通区域，并返回步骤B3；
B5、将高度差大于预设高度差的相邻三维点不纳入点X1连通区域；
B6、计算利用邻接点扩散法得到的面积最大连通区域的长度，并将面积最大连通区域的长度作为养殖动物的体长数据；
B7、计算利用邻接点扩散法得到的面积最大连通区域的平均高度，并将面积最大连通区域的平均高度作为养殖动物的体高数据。
8.根据权利要求3所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述咳嗽检测算法包括如下步骤：
C1、获取各养殖栏中养殖动物的夜间声音原始数据；
C2、通过汉明窗处理夜间声音原始数据，并对各窗口进行傅里叶变换后减去平均窗口，得到降噪后的夜间声音数据；
C3、根据分贝大小对降噪后的夜间声音数据进行数值转换，并根据频率高低对降噪后的夜间声音数据20等分，得到咳嗽特征粗频谱图；
C4、计算得到咳嗽特征粗频谱与标准咳嗽频谱的马氏距离E；
所述马氏距离E的计算表达式如下：
Figure 581801DEST_PATH_IMAGE001
其中，S表示咳嗽特征粗频谱与标准咳嗽频谱间的协方差矩阵，x表示协方差矩阵S的多边向量，x p 表示多边向量x的第p个向量，
Figure 354585DEST_PATH_IMAGE002
表示协方差矩阵S的均值向量，
Figure 895288DEST_PATH_IMAGE003
表示均值向量
Figure 69917DEST_PATH_IMAGE002
的第p个向量，
Figure 670663DEST_PATH_IMAGE004
表示多边向量x与均值向量
Figure 933672DEST_PATH_IMAGE002
对应相减后的转置
Figure 543645DEST_PATH_IMAGE005
表示协方差矩阵的逆矩阵；
C5、判断马氏距离是否小于预设距离阈值K，若是则进入步骤C6，否则返回步骤C1；
C6、认定咳嗽特征粗频谱与标准咳嗽频谱相似，并得到该咳嗽特征粗频谱对应养殖动物的咳嗽次数数据。
9.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵的具体过程如下：
D1、将养殖动物的身体区域坐标信息与位置和身份关联，并将位置和身份对应的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据关联，得到若干养殖动物关联数据矩阵；
D2、将各养殖动物关联数据矩阵根据位置排序，完成若干关联养殖动物身份和位置的数字信息矩阵的构建。
10.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警系统，其特征在于，所述利用各数字信息矩阵对其对应的养殖动物进行健康评估，并对非健康养殖动物进行健康预警的具体过程如下：
E1、根据评分规则对各数字信息矩阵评分，得到各数字信息矩阵的评分矩阵D；
E2、基于各评分矩阵D计算得到各数字信息矩阵对应的各养殖动物的健康评分P；
所述健康评分的计算表达式如下：
Figure 307202DEST_PATH_IMAGE006
E3、逐个判断各健康评分P是否等于0，若是则进入步骤E4，否则进入步骤E5；
E4、将该健康评分P对应的养殖动物认定为健康养殖动物；
E5、对该健康评分P对应的养殖动物做出健康预警。
CN202210387398.3A 2022-04-14 2022-04-14 一种基于多源大数据动物养殖数据挖掘的监测预警系统 Active CN114463701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210387398.3A CN114463701B (zh) 2022-04-14 2022-04-14 一种基于多源大数据动物养殖数据挖掘的监测预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210387398.3A CN114463701B (zh) 2022-04-14 2022-04-14 一种基于多源大数据动物养殖数据挖掘的监测预警系统

Publications (2)

Publication Number Publication Date
CN114463701A true CN114463701A (zh) 2022-05-10
CN114463701B CN114463701B (zh) 2022-07-01

Family

ID=81418484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210387398.3A Active CN114463701B (zh) 2022-04-14 2022-04-14 一种基于多源大数据动物养殖数据挖掘的监测预警系统

Country Status (1)

Country Link
CN (1) CN114463701B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116034904A (zh) * 2023-03-31 2023-05-02 华南农业大学 基于轨道式巡检机器人的猪只健康监测系统及方法
CN116452667A (zh) * 2023-06-16 2023-07-18 成都实时技术股份有限公司 一种基于图像处理的目标识别与定位方法
CN117456472A (zh) * 2023-12-25 2024-01-26 北京市农林科学院信息技术研究中心 食草动物采食量监测方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894551A (zh) * 2010-07-02 2010-11-24 华南理工大学 一种咳嗽自动识别方法及装置
US20150039239A1 (en) * 2013-07-31 2015-02-05 AgLogica Holdings, LLC Processor-based methods, systems and programs for remote animal health monitoring, assessment, diagnosis, and management
WO2019046216A1 (en) * 2017-08-28 2019-03-07 Robbins David S SYSTEMS, METHODS AND APPARATUS FOR MONITORING ANIMAL HEALTH CONDITIONS
CN111883257A (zh) * 2020-09-25 2020-11-03 西南交通大学 基于多传感器的人体健康状态评估与预警系统及方法
CN112113603A (zh) * 2020-04-20 2020-12-22 中国矿业大学 一种基于移动机器人的室内多源环境健康指数监测评估方法
CN113223035A (zh) * 2021-06-07 2021-08-06 南京农业大学 笼养鸡智能巡检系统
CN113938503A (zh) * 2021-09-26 2022-01-14 云南追溯科技有限公司 一种通过生猪行为体征监测对疾病的预警系统及构建方法
CN114255357A (zh) * 2021-12-23 2022-03-29 东北大学 一种基于计算机视觉的群养生猪身份识别与健康监测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894551A (zh) * 2010-07-02 2010-11-24 华南理工大学 一种咳嗽自动识别方法及装置
US20150039239A1 (en) * 2013-07-31 2015-02-05 AgLogica Holdings, LLC Processor-based methods, systems and programs for remote animal health monitoring, assessment, diagnosis, and management
WO2019046216A1 (en) * 2017-08-28 2019-03-07 Robbins David S SYSTEMS, METHODS AND APPARATUS FOR MONITORING ANIMAL HEALTH CONDITIONS
CN112113603A (zh) * 2020-04-20 2020-12-22 中国矿业大学 一种基于移动机器人的室内多源环境健康指数监测评估方法
CN111883257A (zh) * 2020-09-25 2020-11-03 西南交通大学 基于多传感器的人体健康状态评估与预警系统及方法
CN113223035A (zh) * 2021-06-07 2021-08-06 南京农业大学 笼养鸡智能巡检系统
CN113938503A (zh) * 2021-09-26 2022-01-14 云南追溯科技有限公司 一种通过生猪行为体征监测对疾病的预警系统及构建方法
CN114255357A (zh) * 2021-12-23 2022-03-29 东北大学 一种基于计算机视觉的群养生猪身份识别与健康监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨秋妹等: "猪只饮水行为机器视觉自动识别", 《农业机械学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116034904A (zh) * 2023-03-31 2023-05-02 华南农业大学 基于轨道式巡检机器人的猪只健康监测系统及方法
CN116452667A (zh) * 2023-06-16 2023-07-18 成都实时技术股份有限公司 一种基于图像处理的目标识别与定位方法
CN116452667B (zh) * 2023-06-16 2023-08-22 成都实时技术股份有限公司 一种基于图像处理的目标识别与定位方法
CN117456472A (zh) * 2023-12-25 2024-01-26 北京市农林科学院信息技术研究中心 食草动物采食量监测方法、装置、电子设备及存储介质
CN117456472B (zh) * 2023-12-25 2024-04-23 北京市农林科学院信息技术研究中心 食草动物采食量监测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN114463701B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN114463701B (zh) 一种基于多源大数据动物养殖数据挖掘的监测预警系统
Bao et al. Artificial intelligence in animal farming: A systematic literature review
CN109785337B (zh) 一种基于实例分割算法的栏内哺乳动物清点方法
CN111104906A (zh) 一种基于yolo的输电塔鸟巢故障检测方法
KR20180057785A (ko) 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법
CN111209832B (zh) 变电站巡检机器人辅助避障训练方法、设备及介质
CN109784200B (zh) 基于双目视觉的奶牛行为图像获取与体况智能监测系统
CN116034904B (zh) 基于轨道式巡检机器人的猪只健康监测系统及方法
CN111985402B (zh) 一种变电站安全围栏翻越行为识别方法、系统及设备
CN110991222A (zh) 一种物体状态监测、母猪发情监测方法、装置及系统
CN114550212A (zh) 一种基于轻量级模型的羊脸检测与识别方法
Huang et al. Deep learning-based cow tail detection and tracking for precision livestock farming
US11100642B2 (en) Computer system, and method and program for diagnosing animals
CN111783751A (zh) 基于枪球联动与bim的养殖舍仔猪异常预警方法
Xu et al. Automatic sheep behaviour analysis using mask r-cnn
CN113516232B (zh) 一种基于自注意力机制的穿墙雷达人体姿态重构方法
CN116091786B (zh) 猪只估重的全息体尺自编码方法、系统、设备及存储介质
CN116052211A (zh) 一种基于知识蒸馏的YOLOv5s轻量级羊只品种识别方法及系统
CN109686032B (zh) 一种水产养殖生物防盗监测方法及系统
CN116778391A (zh) 一种多模态作物病害表型协同分析模型及装置
Hitelman et al. The effect of age on young sheep biometric identification
Li et al. Automatic dairy cow body condition scoring using depth images and 3D surface fitting
CN114022831A (zh) 一种基于双目视觉的牲畜体况监测方法及系统
CN113989745A (zh) 一种反刍动物饲养状况的非接触式监测方法
CN113743261A (zh) 一种猪体外伤的检测方法、装置和可读存储介质

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