CN114638536A - 基于人工智能的畜牧健康监测方法与系统 - Google Patents

基于人工智能的畜牧健康监测方法与系统 Download PDF

Info

Publication number
CN114638536A
CN114638536A CN202210342637.3A CN202210342637A CN114638536A CN 114638536 A CN114638536 A CN 114638536A CN 202210342637 A CN202210342637 A CN 202210342637A CN 114638536 A CN114638536 A CN 114638536A
Authority
CN
China
Prior art keywords
forage
livestock
health
actual
image
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.)
Pending
Application number
CN202210342637.3A
Other languages
English (en)
Inventor
白欣洁
李守现
刘长铎
杨胜萍
林太明
巩新廷
刘斌
张智
董建华
李矞
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.)
Beijing Agricultural Vocational College Party School Of Rural Work Committee Of Beijing Municipal Committee Of Communist Party Of China
Original Assignee
Beijing Agricultural Vocational College Party School Of Rural Work Committee Of Beijing Municipal Committee Of Communist Party Of China
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 Beijing Agricultural Vocational College Party School Of Rural Work Committee Of Beijing Municipal Committee Of Communist Party Of China filed Critical Beijing Agricultural Vocational College Party School Of Rural Work Committee Of Beijing Municipal Committee Of Communist Party Of China
Priority to CN202210342637.3A priority Critical patent/CN114638536A/zh
Publication of CN114638536A publication Critical patent/CN114638536A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Abstract

本发明涉及人工智能技术领域，具体涉及一种基于人工智能的畜牧健康监测方法与系统，该方法包括：获取牲畜的标准健康数据，构成多维健康数据向量；对多维健康数据向量进行分析得到每一维度的异常概率，选取异常概率最大时对应维度的健康数据作为异常数据；当所述异常数据为进食时间时，获取当前草料黏稠度；根据牲畜健康状态为正常时的进食时间与草料黏稠度的对应关系，对当前牲畜实际进食时间和实际草料黏稠度进行分析，确定实际进食时间与实际草料黏稠度的对应关系是否为异常，当为异常时，则牲畜健康状态为不健康；当为正常时，对除异常数据外其他健康数据进行分析，确定牲畜健康检测结果。本发明能够提高健康监测的监测精度。

Description

基于人工智能的畜牧健康监测方法与系统
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于人工智能的畜牧健康监测方法与系统。
背景技术
随着人工智能技术在畜牧业管理中应用越来越广泛，基于人工智能技术的信息化畜牧管理系统层出不穷，它大幅提高畜牧业的管理效率、降低了管理成本，并且能够实时监测畜牧的健康状况。目前，现有的健康监测方法中通过热成像图数据进行体温监测和图像特征分析，往往获得仅是与牲畜相关的单一特征，容易造成误识别，导致分析结果不准确。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于人工智能的畜牧健康监测方法与系统，所采用的技术方案具体如下：
获取牲畜的标准健康数据，构成多维健康数据向量；对多维健康数据向量进行分析得到每一维度的异常概率，选取异常概率最大时对应维度的健康数据作为异常数据；
当所述异常数据为进食时间时，获取当前草料黏稠度；
其中，所述草料黏稠度的获取方法为：
采集牲畜在进食时食槽区域图像，并对食槽区域图像进行划分，得到牲畜进食区域的初始草料图像；
获取初始草料图像的边缘信息，将各边缘信息作为图像特征点，对图像特征点进行聚类得到不同分布区域，并将所述分布区域记为草料分布图像；
计算初始草料图像和草料分布图像的差值得到草料空洞区域图像，对草料空洞区域进行聚类得到空洞区域分布簇，根据空洞区域分布簇中空洞区域的面积、数量以及草料分布图像的面积得到空洞区域分布熵；
利用初始草料图像中任意像素点与相邻像素点组成像素点对，构建灰度共生矩阵，获取灰度共生矩阵的对比度信息；根据所述空洞区域分布熵和对比度信息得到草料黏稠度；
根据牲畜健康状态正常时的进食时间与草料黏稠度的对应关系，对当前牲畜实际进食时间和实际草料黏稠度进行分析，确定实际进食时间与实际草料黏稠度的对应关系是否为异常，当为异常时，则牲畜健康状态为不健康；当为正常时，对除异常数据外其他健康数据进行分析，确定牲畜健康检测结果。
优选地，所述对当前牲畜实际进食时间和实际草料黏稠度进行分析的方法具体为：
计算牲畜健康正常时的进食时间和当前实际进食时间的差值得到进食时间差，当进食时间差大于或等于差值阈值时，实际进食时间与实际草料黏稠度的对应关系为异常状态，则判断为牲畜健康状态为不健康；
当进食时间差小于差值阈值时，则实际进食时间与实际草料黏稠度的对应关系为正常状态，将当前牲畜实际进食时间删除后，对剩余健康数据进行分析，确定牲畜健康检测结果。
优选地，所述空洞区域分布熵的计算方法为：
Figure BDA0003575247480000021
其中，N1为空洞区域分布熵，K为空洞区域分布簇中空洞区域的数量，Sj,j＝1,2,…,K，为空洞区域的面积，S为草料分布图像的面积。
优选地，所述草料黏稠度的计算方法为：
Figure BDA0003575247480000022
其中，N为草料黏稠度，N1为空洞区域分布熵，con为对比度信息。
优选地，所述标准健康数据包括牲畜的进食动作信息、行走异常程度、体温、运动量以及进食时间。
优选地，所述对多维健康数据向量进行分析的方法具体为：将多维健康数据向量输入异常检测网络，输出每一维度的异常概率。
优选地，所述进食时间的获取方法具体为：将牲畜图像输入动作识别网络，输出牲畜进食状态概率，当进食状态概率最大时，检测到牲畜的进食动作信息，获取牲畜的进食时间。
本发明还提供了一种基于人工智能的畜牧健康监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的牲畜健康监测方法的步骤。
本发明实施例至少具有如下有益效果：
本发明通过草料图像特征对草料黏稠度进行分析，同时通过正常牲畜的进食时间和草料黏稠度的对应关系，对当前牲畜实际进食时间和实际草料黏稠度进行分析，得到健康检测结果。本发明能够通过草料的质量评价对黄牛的健康监测中的误识别进行优化，并且提高了健康监测的监测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为一种基于人工智能的畜牧健康监测方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的畜牧健康监测方法与系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的畜牧健康监测方法与系统的具体方案。
实施例1：
本发明所针对的具体场景为：牲畜养殖生产基地内的健康监测，通过监控摄像头采集牲畜的图像数据和食槽内部图像数据，监控摄像头焦距可变，有利于更好的获取养殖区的全景图像和食槽内部的局部图像。
具体地，本实施例以黄牛为例，并结合附图1进行说明，图1示出了本发明一个实施例提供的一种基于人工智能的畜牧健康监测方法的步骤流程图，该方法包括以下步骤：
首先，通过监控摄像头获取养殖区域黄牛视频图像，然后利用目标检测网络对采集到的视频图像进行目标检测，得到黄牛区域图像。目标检测网络采用训练好的网络，例如：RCNN目标检测网络、YOLO目标检测网络，实施者可以根据需求进行选择。
通过连续帧的视频图像对黄牛进行跟踪识别，为了避免多个黄牛之间的误跟踪识别，可通过黄牛自身佩戴智能耳标(智能耳标的作用是：带有GPS定位功能，实现不同黄牛的区别和定位，也能过用来存储健康数据)，对不同黄牛图像之间实现区分。根据黄牛的位置信息，完成对单个黄牛的连续帧图像采集。
然后，对单个黄牛的连续帧图像中的行为动作识别，行为动作识别包括：进食动作识别、行走动作识别。动作识别网络采用关键点检测网络，例如：OpenPose网络、AlphaPose网络，实施者可根据需求进行选择，本实施例中采用AlphaPose网络。具体的，通过网络输入单个黄牛区域图像，利用Encoder编码器获取黄牛的进食姿态特征向量，利用进食姿态的标准特征向量，与进食姿态特征向量进行相似度度量，通过特征向量之间的余弦距离来作为进食动作识别的判别损失函数，最终，通过Decoder解码器输出黄牛的进食状态概率，来实现黄牛进食动作识别。
同样的，通过动作识别网络的Encoder编码器获取黄牛的行走姿态特征向量，对连续帧图像的行走姿态特征向量之间进行姿态相似性评估，利用标准行走姿态特征向量与输入黄牛区域图像的行走姿态特征向量进行相似性度量，通过Decoder解码器输出黄牛区域图像的行走姿态的异常概率值，输出的概率值越小，说明当前黄牛的行走姿态异常程度越大。动作识别网络的损失函数均为余弦距离损失函数。至此，得到黄牛的进食信息和行走异常程度信息。
通过上述步骤可知当黄牛的进食状态概率最大时，检测到黄牛的进食动作信息，通过黄牛佩戴的智能耳标获取黄牛的进食时间数据。同时，通过黄牛佩戴的智能耳标还可以获取黄牛的其他生理健康信息，包括：体温、运动量。所述黄牛的进食动作信息、行走异常程度、体温、运动量以及进食时间构成黄牛的健康数据。
接着，根据黄牛的健康数据，构成多维健康数据向量；对多维健康数据向量进行分析得到每一维度的异常概率，选取异常概率最大时对应维度的健康数据作为异常数据，并对其进行分析。
具体地，获取上述步骤中得到的黄牛健康数据，构成多维健康数据向量。将黄牛的标准健康数据进行标记处理，作为判断标签，进而对多维健康数据向量进行训练，通过异常检测网络编码器，卷积、池化，获取多维健康数据向量的特征张量，利用异常检测网络全连接层输出多维健康数据向量中每一维的异常概率，经过Softmax函数得到异常数据向量。异常检测网络的结构为：Encoder-FC，异常检测网络的损失函数为：交叉熵损失函数。同时，选取异常概率最大时对应维度的健康数据作为异常数据。
当所述异常数据为进食时间时，获取当前草料黏稠度。
其中，所述草料黏稠度的获取方法为：采集黄牛在进食时食槽区域图像，并对食槽区域图像进行划分，得到黄牛进食区域的初始草料图像；获取初始草料图像的边缘信息，将各边缘信息作为图像特征点，对图像特征点进行聚类得到不同分布区域，并将所述分布区域记为草料分布图像。
计算初始草料图像和草料分布图像的差值得到草料空洞区域图像，对草料空洞区域进行聚类得到空洞区域分布簇，根据空洞区域分布簇中空洞区域的面积、数量以及草料分布图像的面积得到空洞区域分布熵；利用初始草料图像中任意像素点与相邻像素点组成像素点对，构建灰度共生矩阵，获取灰度共生矩阵的对比度信息；根据所述空洞区域分布熵和对比度信息得到草料黏稠度。
具体地，上述步骤检测到黄牛的进食动作信息时，触发监控摄像头放大焦距，获取食槽区域图像，为了更好的获取到每一头黄牛的进食的草料图像，本实施例不考虑黄牛进食对食槽遮挡的问题，仅分析黄牛即将进食的草料图像特征。
根据各个黄牛的位置信息作为区域分割点，对分割点与食槽垂直方向上做食槽区域分割线，以分割线之间距离对食槽区域图像进行区域划分，在本实施例中默认选取分割线之间区域的中线作为进食图像分割线，进而得到不同黄牛的进食区域，两条中线之间即为一头黄牛的进食区域。获取黄牛进食区域的初始草料图像，然后初始草料图像特征进行分析。
需要说明的是，黄牛对于投喂的草料的干湿度和粉碎程度有一定的要求，当草料不经过粉碎或粉碎不够完全时，黄牛不断咀嚼才能被最终的皱胃吸收，容易导致进食时间过长；当草料过于干硬时，会导致黄牛消化不良，进食时间过短。一般情况下，应该将草料进行粉碎并同精饲料和谁混合，增加饲料的黏稠性，才能保证黄牛不会因为草料的原因而出现进食时间异常问题，因此本实施例通过初始草料图像特征来对草料黏稠度进行分析，实现对草料质量检测和黄牛进食时间异常问题分析。其中，导致草料黏稠度变化的原因可能有：天气干燥、饲养员或自动投喂机加水比例出现问题等。
获取黄牛进食区域的初始草料图像，然后初始草料图像特征进行分析，根据空洞区域分布熵和对比度信息得到草料黏稠度，用公式表示为
Figure BDA0003575247480000051
其中N为草料黏稠度，N1为空洞区域分布熵，con为对比度信息。同时，为了排除量纲之间的影响，对草料黏稠度评价指标进行归一化处理，取值范围为[0,1]。
上述空洞区域分布熵的获取方法为：
将黄牛进食区域的初始草料图像进行灰度化处理得到灰度图，对灰度图进行Canny边缘检测，得到初始草料图像的所有边缘，将初始草料图像的边缘作为图像特征点。
当草料粉碎不完全时，会存在很多长的独立边缘，边缘之间存在缝隙，在灰度图像呈现较大灰度的空洞区域。当草料黏稠度过小时，草料的分布散乱，表面平滑。当草料黏稠度正常，草料之间存在黏连，形成团状，草料整体表面凹凸不平，边缘细节之间连接紧密，没有空洞区域。由于草料散乱分布，草料之间纵横交错，得到的边缘大多是为间断边缘，因此，将初始草料图像的边缘作为图像特征点进行分析。
对图像特征点进行DBSCAN聚类，聚类设置初始最小半径r，本实施例中r＝2，初始中心点选取初始草料图像中心点，聚类后的分布区域记为草料分布图像。
然后，计算初始草料图像和草料分布图像的差值得到草料空洞区域图像。接着对草料空洞区域图像上的空洞区域的分布情况进行分析，利用均值漂移聚类算法对空洞区域进行聚类，随机选取一个空洞区域的中心点作为聚类起始点，聚类半径设置为R，本实施例中R＝10，计算图像中所有空洞区域与初始聚类中心点的距离，得到一个偏移均值
Figure BDA0003575247480000052
其中，x表示中心点，k表示初始圆内的空洞区域中心点的数量。通过初始聚类半径内部，空洞区域的欧氏距离来选取距离较近的空洞区域作为初始聚类中心点更新的方向，得到空洞区域分布簇。
进一步的，根据空洞区域分布簇中空洞区域的面积、数量以及草料分布图像的面积得到空洞区域分布熵。
则空洞区域分布熵的计算方法为：
Figure BDA0003575247480000053
其中，N1为空洞区域分布熵，K为空洞区域分布簇中空洞区域的数量，Sj,j＝1,2,…,K，为空洞区域的面积，S为草料分布图像的面积。需要说明的是，一般情况下空洞区域的面积Sj不超过草料分布图像面积的30％。
上述对比度信息获取方法为：
利用初始草料图像中任意像素点与相邻像素点组成像素点对，构建灰度共生矩阵。通过灰度共生矩阵的对比度信息来反映图像中纹理的深浅程度。
对比度信息计算公式为：
Figure BDA0003575247480000061
其中，i,j表示灰度共生矩阵中的像素点对的行列数，反映的是偏离对角线的程度，P(i,j)表示像素点对在灰度共生矩阵中出现的概率，可通过统计频数计算得到。
需要说明的是，当空洞区域分布较多时，空洞区域分布熵N1较大，即草料分布散乱，同时草料表面平滑，对比度信息con较小，此时草料粘稠度N较小；当空洞区域分布较少时，空洞区域分布熵N1较小，即草料之间存在粘连，并且形成团状，同时草料表面凹凸不平，对比度信息con较大，此时草料黏稠度N较大。并且，草料粘稠度保持在一定大小区间内时，可以减少牲畜挑食的毛病，此为公知常识，在此不过多赘述。
最后，根据黄牛健康正常时的进食时间与草料黏稠度的对应关系，对当前黄牛实际进食时间和实际草料黏稠度进行分析，确定实际进食时间与实际草料黏稠度的对应关系是否为异常，当为异常时，则黄牛健康状态为不健康；当为正常时，对除异常数据外其他健康数据进行分析，确定黄牛健康检测结果。
具体地，上述步骤中的对应关系可为正常黄牛进食时间与草料黏稠度的映射关系，也可为一种函数关系。本实施例中利用正常黄牛进食时间与草料黏稠度的历史数据进行数据拟合，得到所述函数关系。所述函数关系可为线性函数，例如y＝kx+b，也可为非线性函数，例如y＝ex，具体的函数关系以实际数据拟合为准。
计算正常黄牛的进食时间和当前实际进食时间的差值得到进食时间差ρ，本实施例中，设置差值阈值为M1＝2min，当进食时间差大于或等于差值阈值时，即ρ≥M1，实际进食时间与实际草料黏稠度的对应关系为异常状态，认为实际草料黏稠度和实际进食时间不匹配，可知实际草料黏稠度与实际进食时间并无关联，则是由于其他原因导致黄牛进食时间异常，故判断为黄牛健康状态为不健康。
当进食时间差小于差值阈值时，即ρ<M1，则实际进食时间与实际草料黏稠度的对应关系为正常状态，认为实际草料黏稠度和实际进食时间匹配，可知当前实际草料黏稠度决定了黄牛的实际进食时间，故排除实际进食时间这一数据，并将当前黄牛多维健康数据向量中的实际进食时间删除后，重新利用异常检测网络进行分析，得到黄牛的健康检测结果。作为其他实施方式，还可以直接将其他多维健康数据与对应的设定阈值进行比较，判断黄牛的健康状态。
需要说明的是，上述中判断实际草料黏稠度和实际进食时间的匹配，能够确定实际草料粘稠度对牲畜的实际进食时间的影响，进而确定进食时间是否是由于牲畜的健康状态而出现异常，从而能够准确地进行牲畜健康状态的评估。同时在匹配正常时，也能够排除该进食时间异常这一因素对牲畜的健康状态的干扰，进而对其他健康数据进行进一步的分析。
实施例2：
本实施例提供一种基于人工智能的畜牧健康监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现一种基于人工智能的畜牧健康监测方法的步骤。由于实施例1已经对一种基于人工智能的畜牧健康监测方法进行了详细的介绍，此处不再过多介绍。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人工智能的畜牧健康监测方法，其特征在于，该方法包括以下步骤：
获取牲畜的标准健康数据，构成多维健康数据向量；对多维健康数据向量进行分析得到每一维度的异常概率，选取异常概率最大时对应维度的健康数据作为异常数据；
当所述异常数据为进食时间时，获取当前草料黏稠度；
其中，所述草料黏稠度的获取方法为：
采集牲畜在进食时食槽区域图像，并对食槽区域图像进行划分，得到牲畜进食区域的初始草料图像；
获取初始草料图像的边缘信息，将各边缘信息作为图像特征点，对图像特征点进行聚类得到不同分布区域，并将所述分布区域记为草料分布图像；
计算初始草料图像和草料分布图像的差值得到草料空洞区域图像，对草料空洞区域进行聚类得到空洞区域分布簇，根据空洞区域分布簇中空洞区域的面积、数量以及草料分布图像的面积得到空洞区域分布熵；
利用初始草料图像中任意像素点与相邻像素点组成像素点对，构建灰度共生矩阵，获取灰度共生矩阵的对比度信息；根据所述空洞区域分布熵和对比度信息得到草料黏稠度；
根据牲畜健康状态为正常时的进食时间与草料黏稠度的对应关系，对当前牲畜实际进食时间和实际草料黏稠度进行分析，确定实际进食时间与实际草料黏稠度的对应关系是否为异常，当为异常时，则牲畜健康状态为不健康；当为正常时，对除异常数据外其他健康数据进行分析，确定牲畜健康检测结果。
2.根据权利要求1所述的一种基于人工智能的畜牧健康监测方法，其特征在于，所述对当前牲畜实际进食时间和实际草料黏稠度进行分析的方法具体为：
计算牲畜健康正常时的进食时间和当前实际进食时间的差值得到进食时间差，当进食时间差大于或等于差值阈值时，实际进食时间与实际草料黏稠度的对应关系为异常状态，则判断为牲畜健康状态为不健康；
当进食时间差小于差值阈值时，则实际进食时间与实际草料黏稠度的对应关系为正常状态，将当前牲畜实际进食时间删除后，对剩余健康数据进行分析，确定牲畜健康检测结果。
3.根据权利要求1所述的一种基于人工智能的畜牧健康监测方法，其特征在于，所述空洞区域分布熵的计算方法为：
Figure FDA0003575247470000011
其中，N1为空洞区域分布熵，K为空洞区域分布簇中空洞区域的数量，Sj,j＝1,2,…,K，为空洞区域的面积，S为草料分布图像的面积。
4.根据权利要求1所述的一种基于人工智能的畜牧健康监测方法，其特征在于，所述草料黏稠度的计算方法为：
Figure FDA0003575247470000021
其中，N为草料黏稠度，N1为空洞区域分布熵，con为对比度信息。
5.根据权利要求1所述的一种基于人工智能的畜牧健康监测方法，其特征在于，所述标准健康数据包括牲畜的进食动作信息、行走异常程度、体温、运动量以及进食时间。
6.根据权利要求1所述的一种基于人工智能的牲畜健康监测方法，其特征在于，所述对多维健康数据向量进行分析的方法具体为：将多维健康数据向量输入异常检测网络，输出每一维度的异常概率。
7.根据权利要求6所述的一种基于人工智能的牲畜健康监测方法，其特征在于，所述进食时间的获取方法具体为：将牲畜图像输入动作识别网络，输出牲畜进食状态概率，当进食状态概率最大时，检测到牲畜的进食动作信息，获取牲畜的进食时间。
8.一种基于人工智能的畜牧健康监测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于人工智能的牲畜健康监测方法的步骤。
CN202210342637.3A 2022-03-31 2022-03-31 基于人工智能的畜牧健康监测方法与系统 Pending CN114638536A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210342637.3A CN114638536A (zh) 2022-03-31 2022-03-31 基于人工智能的畜牧健康监测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210342637.3A CN114638536A (zh) 2022-03-31 2022-03-31 基于人工智能的畜牧健康监测方法与系统

Publications (1)

Publication Number Publication Date
CN114638536A true CN114638536A (zh) 2022-06-17

Family

ID=81952461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210342637.3A Pending CN114638536A (zh) 2022-03-31 2022-03-31 基于人工智能的畜牧健康监测方法与系统

Country Status (1)

Country Link
CN (1) CN114638536A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564971A (zh) * 2022-07-18 2023-01-03 南京靖冯胜科技有限公司 一种基于灰度共生矩阵的织带阻燃性能测试方法
CN116340801A (zh) * 2023-05-31 2023-06-27 烟台市福山区动物疫病预防控制中心 一种畜牧养殖环境数据异常智能监控方法
CN116649236A (zh) * 2023-07-11 2023-08-29 南通睿牧制造有限公司 一种奶牛养殖饲喂监控管理系统
CN117420195A (zh) * 2023-12-18 2024-01-19 天津安科达科技有限公司 固定式光离子探测系统及方法
CN117633697A (zh) * 2024-01-26 2024-03-01 西安艺琳农业发展有限公司 基于物联网的生猪智能监测方法及系统
CN117745036A (zh) * 2024-02-18 2024-03-22 四川金投科技股份有限公司 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

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564971A (zh) * 2022-07-18 2023-01-03 南京靖冯胜科技有限公司 一种基于灰度共生矩阵的织带阻燃性能测试方法
CN115564971B (zh) * 2022-07-18 2023-06-16 广东柏奴斯股份有限公司 一种基于灰度共生矩阵的织带阻燃性能测试方法
CN116340801A (zh) * 2023-05-31 2023-06-27 烟台市福山区动物疫病预防控制中心 一种畜牧养殖环境数据异常智能监控方法
CN116340801B (zh) * 2023-05-31 2023-07-28 烟台市福山区动物疫病预防控制中心 一种畜牧养殖环境数据异常智能监控方法
CN116649236A (zh) * 2023-07-11 2023-08-29 南通睿牧制造有限公司 一种奶牛养殖饲喂监控管理系统
CN116649236B (zh) * 2023-07-11 2024-04-16 南通睿牧制造有限公司 一种奶牛养殖饲喂监控管理系统
CN117420195A (zh) * 2023-12-18 2024-01-19 天津安科达科技有限公司 固定式光离子探测系统及方法
CN117420195B (zh) * 2023-12-18 2024-03-19 天津安科达科技有限公司 固定式光离子探测系统及方法
CN117633697A (zh) * 2024-01-26 2024-03-01 西安艺琳农业发展有限公司 基于物联网的生猪智能监测方法及系统
CN117633697B (zh) * 2024-01-26 2024-05-03 西安艺琳农业发展有限公司 基于物联网的生猪智能监测方法及系统
CN117745036A (zh) * 2024-02-18 2024-03-22 四川金投科技股份有限公司 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
CN117745036B (zh) * 2024-02-18 2024-04-30 四川金投科技股份有限公司 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

Similar Documents

Publication Publication Date Title
CN114638536A (zh) 基于人工智能的畜牧健康监测方法与系统
Achour et al. Image analysis for individual identification and feeding behaviour monitoring of dairy cows based on Convolutional Neural Networks (CNN)
Zheng et al. Automatic recognition of lactating sow postures from depth images by deep learning detector
Wongsriworaphon et al. An approach based on digital image analysis to estimate the live weights of pigs in farm environments
González et al. Behavioral classification of data from collars containing motion sensors in grazing cattle
CN103488148B (zh) 一种基于物联网和计算机视觉的家畜行为智能监控系统
US11568541B2 (en) System for high performance, AI-based dairy herd management and disease detection
Zhu et al. Recognition and drinking behaviour analysis of individual pigs based on machine vision
Lu et al. An automatic splitting method for the adhesive piglets’ gray scale image based on the ellipse shape feature
Feiyang et al. Monitoring behavior of poultry based on RFID radio frequency network
CN111259978A (zh) 一种融合多区域深度特征的奶牛个体身份识别方法
CN112544491A (zh) 一种识别圈养动物腹泻的方法及系统
KR102506029B1 (ko) 영상 기반 가축 개체 성장 추이 모니터링 장치 및 방법
Kuan et al. An imaging system based on deep learning for monitoring the feeding behavior of dairy cows
Shakeel et al. A deep learning-based cow behavior recognition scheme for improving cattle behavior modeling in smart farming
Güldenring et al. RumexWeeds: A grassland dataset for agricultural robotics
Pacheco et al. Deep learning-based model classifies thermal conditions in dairy cows using infrared thermography
CN116246223A (zh) 一种奶牛多目标跟踪算法及健康评估方法
Xiong et al. Estimating body weight and body condition score of mature beef cows using depth images
WO2023175095A1 (en) Characterization of pasture for improved and sustainable grazing and feeding management of livestock
CN115457468A (zh) 一种大型草场的智慧畜牧监测方法及系统
CN115424196A (zh) 一种基于人工智能的跟踪监测系统
CN113989745A (zh) 一种反刍动物饲养状况的非接触式监测方法
KR20230033068A (ko) 축산 동물의 행동 패턴을 기반으로 한 스마트 축사 관리 시스템 및 방법
CN114358163A (zh) 一种基于孪生网络与深度数据的采食量监测方法及系统

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