CN114841203A - 一种牲畜状态监测方法、装置、终端及存储介质 - Google Patents
一种牲畜状态监测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114841203A CN114841203A CN202210446868.9A CN202210446868A CN114841203A CN 114841203 A CN114841203 A CN 114841203A CN 202210446868 A CN202210446868 A CN 202210446868A CN 114841203 A CN114841203 A CN 114841203A
- Authority
- CN
- China
- Prior art keywords
- livestock
- data
- monitoring
- death
- target
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; CARE OF BIRDS, FISHES, INSECTS; 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
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Environmental Sciences (AREA)
- Signal Processing (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种牲畜状态监测方法、装置、终端及存储介质,该方法包括:获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,多维监测数据包括至少两个牲畜监测维度下的监测数据;基于每个多维监测数据的采集时间确定监测时序数据,监测时序数据中多维监测数据按照采集时间的顺序排列;通过训练完成的牲畜死亡判别模型基于牲畜监测时序数据进行牲畜死亡概率预测,得到目标牲畜的死亡概率,牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;当目标牲畜的死亡概率大于预设的死亡概率阈值,确定目标牲畜处于死亡状态。本方案可以快速判断牲畜是否死亡,成本低廉且对牲畜本身没有伤害。
Description
技术领域
本申请涉及畜牧业技术领域,具体涉及一种牲畜状态监测方法、装置、终端及存储介质。
背景技术
在我国,畜牧养殖业已经成为一种具有很高经济效益的产业,其自身的高效性使其成为现代农业不可或缺的组成部分之一。在养殖牲畜的过程中,需要监测牲畜的健康状态,现有技术是利用GC-MS检测死后牲畜脑组织的代谢产物,来进行牲畜的死亡时间的研究,由于现有技术需要通过对牲畜的大脑进行监测来判断牲畜的死亡时间,实现较为困难,并且对牲畜本身有较大的伤害。
因此,现有技术需要改进。
发明内容
本申请实施例提供一种牲畜状态监测方法、装置、终端及存储介质,可以通过训练完成的牲畜死亡判别模型快速判断牲畜是否死亡,成本低廉且对牲畜本身没有伤害。
本申请实施例提供一种牲畜状态监测方法,包括:
获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;
基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;
通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;
当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
在一个可选的实施例中,所述获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,包括:
获取前一次预测的预设采集时间段内针对所述目标牲畜的历史多维监测数据;
获取当前时刻之前预设运行时间段内针对所述目标牲畜的第一多维监测数据;
将所述第一多维监测数据添加到所述历史多维监测数据中,并剔除所述历史多维监测数据中最早的预设运行时间段内的多维监测数据。
在一个可选的实施例中,所述基于每个多维监测数据的所述采集时间确定监测时序数据,包括:
基于采集时间,确定每个多维监测数据在监测时序数据中的排列位置,得到所述监测时序数据;
若所述监测时序数据中相邻的多维监测数据的采集时间之间的间隔大于所述多维监测数据的标准采集时间间隔,基于所述相邻的多维监测数据在所述相邻的多维监测数据填充新的多维监测数据,得到更新后的监测时序数据。
在一个可选的实施例中,在所述通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测之前,还包括:
获取监测时序数据样本,所述监测时序数据样本的标签为对应的牲畜样本的标签,所述牲畜样本的标签包括牲畜样本的死亡状态和未死亡状态;
基于所述监测时序数据样本建立待训练的牲畜死亡判别模型;
通过所述待训练的牲畜死亡判别模型基于所述监测时序数据样本进行牲畜死亡概率预测,得到对应牲畜样本的死亡概率;
基于所述对应牲畜样本的死亡概率与所述对应牲畜样本的标签确定所述牲畜死亡判别模型的损失;
基于所述损失调整所述牲畜死亡判别模型的参数,得到训练完成的牲畜死亡判别模型。
在一个可选的实施例中,所述获取监测时序数据样本,包括:
获取历史时间段内针对牲畜样本的多维监测数据样本,以及每个多维监测数据样本的采集时间,其中,多维监测数据样本包括至少两个牲畜监测维度下的监测数据样本,所述牲畜样本包括处于死亡状态的牲畜与处于未死亡状态的牲畜;
基于每个多维监测数据样本的所述采集时间确定监测时序数据样本,其中,所述监测时序数据样本中所述多维监测数据样本按照所述采集时间的顺序排列。
在一个可选的实施例中,所述当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态,包括:
当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜对应的当前时刻是否处于预设时间区间内;
若是,则确定所述目标牲畜处于死亡状态;
若否,则确定所述目标牲畜为待定状态,以及在对应的当前时刻达到所述预设时间区间内时,返回执行所述获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据的步骤。
在一个可选的实施例中,所述多维监测数据包括温度数据和运动数据,所述目标牲畜佩戴有智能耳标,所述智能耳标包括温度传感器和加速度传感器,所述获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,包括:
确定采集开始时刻与采集间隔;
通过所述温度传感器基于所述采集开始时刻与所述采集间隔获取所述目标牲畜的温度数据;
通过所述加速度传感器基于所述采集开始时刻与所述采集间隔获取所述目标牲畜的运动数据,以使所述温度传感器与所述加速度传感器对同一时刻的温度数据与运动数据进行采集。
本申请实施例还提供一种牲畜状态监测装置,包括:
获取单元,用户获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;
第一确定单元,用于基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;
预测单元,用于通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;
第二确定单元,用于当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
本申请实施例还提供了一种终端,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,处理器执行计算机程序时实现如上述牲畜状态监测方法的步骤。
本申请实施例还提供了一种存储介质,其上存储有计算机程序,其中,计算机程序被处理器执行时实现如上述牲畜状态监测方法的步骤。
本申请实施例提供了一种牲畜状态监测方法,通过获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,基于每个多维监测数据的所述采集时间确定监测时序数据,通过训练完成的牲畜死亡判别模型基于牲畜监测时序数据进行牲畜死亡概率预测,得到目标牲畜的死亡概率,当目标牲畜的死亡概率大于预设的死亡概率阈值,确定目标牲畜处于死亡状态。由此,本方案可以通过训练完成的牲畜死亡判别模型快速判断牲畜是否死亡,成本低廉且对牲畜本身没有伤害。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1是本申请实施例提供的一种牲畜状态监测方法的流程示意图;
图2是本申请实施例提供的一种数据提取模块的数据提取的流程图;
图3是本申请实施例提供的一种模型预测的流程示意图;
图4是本申请实施例提供的一种牲畜状态判别流程的示意图;
图5是本申请实施例提供的一种牲畜数据入库模块的流程示意图;
图6是本申请实施例提供的一种牲畜状态监测装置的结构示意图;
图7是本申请实施例提供的一种终端的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供一种牲畜状态监测方法、装置、终端及存储介质。具体地,本实施例提供适用于牲畜状态监测装置的牲畜状态监测方法,该牲畜状态监测装置可以集成在计算机设备中。
该计算机设备可以为终端等设备,例如可以为手机、平板电脑、笔记本电脑、台式电脑等。该计算机设备还可以为服务器等设备,该服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,但并不局限于此。
本申请实施例提供的牲畜状态监测方法,包括:获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
以下分别进行详细说明。需说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
请参阅图1,图1为本申请实施例提供的一种牲畜状态监测方法的流程示意图。所述牲畜状态监测方法,应用于计算机设备中,所述牲畜状态监测方法具体流程主要包括步骤101至步骤104,详细说明如下:
101、获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据。
本申请实施例中,例如预设采集时间段可以是12小时,设当前时刻为12点,则获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据为获取0点到12点之间针对目标牲畜的多维监测数据。其中,多维监测数据包括至少两个牲畜监测维度下的监测数据,牲畜监测维度可以包括牲畜温度、牲畜的三轴加速度、牲畜所处环境温度等。
其中,多维监测数据可以包括温度数据和运动数据,目标牲畜佩戴有智能耳标,智能耳标包括温度传感器和加速度传感器,确定各传感器的采集开始时刻与采集间隔;通过温度传感器基于采集开始时刻与采集间隔获取目标牲畜的温度数据;通过加速度传感器基于采集开始时刻与采集间隔获取目标牲畜的运动数据,以使温度传感器与加速度传感器对同一时刻的温度数据与运动数据进行采集。
其中,温度传感器工作原理为测量表面温度作为温度数据。运动传感器工作原理为采用3轴加速度传感器,当运动量达到一定阈值时输出加速度大小作为运动数据。例如可以设采集间隔为一分钟,在确定需要开始对牲畜进行生活状态监控后,即在采集开始时刻后,温度传感器和运动传感器开始每隔一分钟对目标牲畜的温度数据与运动数据进行采集。其中,每隔一段时间需要对温度传感器与运动传感器进行检测,确保温度传感器与运动传感器是同步进行数据采集的,即每一次采集的数据是同一时刻的。在温度传感器与运动传感器采集到数据后,上传到基站,以使基站读取当前的环境温度和时间戳连同传感器数据一起上传到服务器中并保存。其中,时间戳也就是数据的采集时间,即在服务器中保存有采集时间,采集时间对应的环境温度和传感器的数据,温度传感器与运动传感器每一次采集并保存到服务器中的温度数据与运动数据是同一时刻的。
其中,步骤“获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据”,具体包括:获取前一次预测的预设采集时间段内针对目标牲畜的历史多维监测数据;获取当前时刻之前预设运行时间段内针对目标牲畜的第一多维监测数据;将第一多维监测数据添加到历史多维监测数据中,并剔除历史多维监测数据中最早的预设运行时间段内的多维监测数据。比如,若是首次运行牲畜死亡判别模型,若预设采集时间段为12小时,则可以直接获取此刻前12小时内针对目标牲畜的多维监测数据,作为历史多维监测数据。之后每隔预设运行时间段再运行模型,可以设预设运行时间段为半小时,则可以只获取这半个小时的多维监测数据作为第一多维监测数据,然后添加到历史多维监测数据中,并剔除最早的半小时数据,得到新的针对目标牲畜的多维监测数据,且数据区间仍然是12小时的数据量。采用上述的数据提取方法相比于每次都提取12小时的数据,每次只需要提取半小时的数据,可以减少提取的数据量,提升模型的运行效率,达到牲畜死亡判别模型的时效性要求。
本申请实施例中,牲畜死亡判别模型部署完成后,每隔半个小时运行一次,先通过数据提取模块回溯所有牲畜12小时的数据量(模型实际所需的数据长度为256条,其实只有2个多小时的数据区间,但是由于读取的数据可能存在缺失,所以尽可能多提取一些数据,尽可能避免出现数据不足导致无法判别的情况),然后历遍所有的耳标号,提取每一个耳标号总数据量的最后256条数据,然后送入预测模块进行预测,将预测出来的结果送入判别模块进行判别,再将判别的结果通过数据入库模块按给定的规则进行记录,同时将预测模块的结果和判别模块的判别输出节点通过参数记录模块进行记录。
请参阅图2,图2为本申请实施例提供的一种数据提取模块的数据提取示意图。数据提取模块的主要作用为提取数据,为模型预测实时提供数据,每次模型运行时,都会进行一次数据提取,由于提取的数据量较多,模型的运行效率会降低,可能会导致模型的时效性达不到要求,因此,本申请采用了一种特殊的数据提取方式——分布式数据提取。如图2所示,在模型首次启动时,会回溯12小时的数据量,在之后每隔半小时运行时,只获取与上次模型运行之间的半小时数据,然后添加到上一次获取的数据桶中,并剔除最旧的半小时数据,形成新的数据桶,数据区间仍然为12小时的数据量。
本申请实施例中,在将多维监测数据输入模型进行预测之前,需要对多维监测数据进行预处理。如果获取到的多维监测数据有缺失,比如某一维度下的数据是空值,则需要进行空值填充。具体步骤包括:基于采集时间,确定每个多维监测数据在监测时序数据中的排列位置,得到监测时序数据;若监测时序数据中相邻的多维监测数据的采集时间之间的间隔大于多维监测数据的标准采集时间间隔,基于相邻的多维监测数据在相邻的多维监测数据填充新的多维监测数据,得到更新后的监测时序数据。或者,如果某一维度的数据与相邻的数据相比,明显是异常数据,比如数据值是一个明显不可能的数值,则需要基于相邻的数据替换掉该异常数据。例如,温度数据有其对应的预设温度区间,当某项温度数据的值位于该预设温度区间内,可以认为这是一个有效的温度数据,若某项温度数据的值位于该预设温度区间外,这可以认为这是一个无效的温度数据,该无效的温度数据在采集时可能受到了室温的影响,导致采集到的温度过高或过低,不能代表目标牲畜的真实体温,因而,在将多维监测数据输入牲畜死亡判别模型之前,需要将该无效的温度数据过滤掉。
102、基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列。
本申请实施例中,基于空值填充后的多维监测数据的采集时间确定监测时序数据,其中,监测时序数据中多维监测数据按照采集时间的顺序排列。在将目标牲畜的监测时序数据输入牲畜死亡判别模型之前,还可以对监测时序数据进行数据归一化,例如,确定待处理数据类所处的实际数据区间,获取目标数据区间,根据实际数据区间以及目标数据区间,确定缩放比例,根据缩放比例对待处理数据类中所有监测数据的值进行缩放。
请参阅图3,图3为本申请实施例提供的一种模型预测的流程示意图。模型预测模块的作用是将提取完成的数据送入深度学习模型进行预测,如图3所示,模型开始运行时,先加载之前训练好的模型文件,然后从提取的数据中查询出所有的耳标号,历遍所有的耳标号,由于模型的数据长度为256,所以对每一个耳标的数据只提取最新256条数据送入模型进行判别,如果数据量不足256条,则不进行处理和预测。在送入模型进行预测之前,需要对提取的原始数据进行预处理,先对原始数据进行空值填充,按照制作样本数据的方式将数据转化为同样的特征维度,然后用加载好的归一化参数按训练的标准进行归一化处理,之后送入模型进行预测,输出预测为死亡的概率值。
103、通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到。
在本申请实施例中,获取监测时序数据样本,监测时序数据样本的标签为对应的牲畜样本的标签,牲畜样本的标签包括牲畜样本的死亡状态和未死亡状态;基于监测时序数据样本建立待训练的牲畜死亡判别模型;通过待训练的牲畜死亡判别模型基于监测时序数据样本进行牲畜死亡概率预测,得到对应牲畜样本的死亡概率;基于对应牲畜样本的死亡概率与对应牲畜样本的标签确定牲畜死亡判别模型的损失;基于损失调整牲畜死亡判别模型的参数,得到训练完成的牲畜死亡判别模型。其中,死亡概率的取值范围可以为:0<死亡概率≤1,可以反映目标牲畜在当前时间段的死亡概率。
其中,在训练牲畜死亡判别模型的过程中,可以通过人员辅助,判断该牲畜死亡判别模型的准确率,在该牲畜死亡判别模型的准确率大于或等于90%时结束训练,得到训练完成的牲畜死亡判别模型。例如,根据牲畜死亡判别模型得出牲畜群中各牲畜的死亡指数后,通过与对应牲畜样本的标签进行对比,可以确定出牲畜群中的死亡牲畜,并通过智能耳标的标识符准确地指示给用户。用户可以进入围栏查看这些被模型判定为死亡的牲畜是否真的死亡,进而可以得出模型判断的准确率,同时,若模型对某个牲畜的判断结果不准确,可以将该牲畜的判断结果由死亡修改为未死亡,并将该牲畜重新作为样本,将其相关数据重新投入到模型训练中,以此类推,反复训练,直至该牲畜死亡判别模型的准确率大于或等于预设的比例阈值,如90%。当牲畜死亡判别模型的准确率大于或等于预设的比例阈值时,即可以认为该健康监控模型已经比较准确,不再进行人员的辅助校准,可以结束训练,得到训练好的牲畜死亡判别模型,用该训练好的牲畜死亡判别模型来监控牲畜群中各个牲畜的死亡状态。
其中,获取监测时序样本的具体步骤包括:获取历史时间段内针对牲畜样本的多维监测数据样本,以及每个多维监测数据样本的采集时间,其中,多维监测数据样本包括至少两个牲畜监测维度下的监测数据样本,牲畜样本包括处于死亡状态的牲畜与处于未死亡状态的牲畜;基于每个多维监测数据样本的采集时间确定监测时序数据样本,其中,监测时序数据样本中多维监测数据样本按照采集时间的顺序排列。
在本申请实施例中,根据设计需求,可以把牲畜的状态分为两种,死亡状态和未死亡状态。其中,死亡状态表示牲畜处于死亡的状态,有着明显的温度下降和运动骤减的特征;未死亡状态表示牲畜没有死亡的其他任何状态,温度值与运动值处于正常的数值区间内。其中,通过收集历史死亡的牲畜数据来制作多维监测数据样本,再添加部分正常牲畜的数据到样本中,从数据库中下载所需样本数据并按耳标编号保存为csv文件,原始数据一共有6个维度,分别为读取时间,耳标温度,环境温度以及x,y,z三轴的运动数据。例如,耳标编号可以是100000100003130,则在该耳标编号文件下可以是一个数据表格,每一行按照读取时间,耳标温度,环境温度以及x,y,z三轴的运动数据填写的获取的数据,比如采集时间为2021/10/9,22:30、耳标温度为34.1724987、环境温度为21.2750001、X轴的数据为0、Y轴的数据为0、Z轴的数据为0。
对于死亡状态的牲畜数据,在死亡时间点之后的数据标注为1,即耳标编号文件中的数据表格中的字段label标注为1,其他区间的数据以及未死亡的其他数据全部标记为0。将每一个原始数据以步长为10,区间为256条数据切片为多个样本数据,同时增加一个维度的数据(耳标温度减去环境温度的差值),每一个新的样本都是一个长度为256的时间序列数据,并按最后一条数据的时间戳和此数据的耳标号命名新的样本数据,同时,对于原始数据中标注为1的数据条数大于50%的作为新的标签标记为1并添加到命名的文件名后面,其他的标记为0,文件名为:耳标号+时间戳+标签。这样可以得到多个满足特征维度的样本文件。
其中,基于监测时序数据样本建立待训练的牲畜死亡判别模型,具体包括:基于监测时序样本,采用深度学习模型里面的CNN(Convolutional Neural Network卷积神经网络)和LSTM(Long-Short Term Memory长短期记忆)模型进行搭建,通过CNN模型的1D卷积将样本数据按时间维度进行卷积操作,自动提取出各维度随时间变化的特征,然后将样本数据与卷积完的数据按维度进行拼接,将拼接的数据送入后续LSTM,再经过全连接层输出类别信息。其中,LSTM是长短期记忆网络,用于实现对时序数据的预测。模型的输入[batch_size,seq_len,n_channels]包括:模型分别单次输入的数据量、时序数据的长度、特征数;模型的输出[n_classes]为每个类别的概率值。在形成的网络结构中,Conv1D为1D卷积,按时间维度进行卷积操作,提取6个特征在时间维度上的特征信息;f表示通道数,表示卷积完成后生成的特征维度;s表示步长,每隔一个时间步进行卷积,k表示卷积核数,每次参与卷积的时序长度为3;p=same表示填充,在s=1的情况下可以保证输入的尺寸和输出尺寸一致;从而才能进行后续concatenate操作。TimeDistributed应用于每一个输入的时间片,相当于对每一个时间片的特征维度进行一次全连接。Dropout对神经网络的参数节点进行随机剔除,用来防止过拟合。Concatenate将输入数据和卷积后的数据按特征维度进行拼接,在原始数据的特征信息和卷积完的特征信息进行合并。Reshape将数据转换为LSTM模型的输入尺寸(batch_size,temp_step,input_size),batch_size表示输入的数据量,temp_step表示时序数据的长度,input_size表示输入的特征维度。Dense为全连接网络,用于将LSTM输出的预测值转为为类别概率值。其中,在模型的网络结构上,可以增加1D卷积的层数提取更高维度的时序特征,也可以添加更多残差模块将不同卷积层的输出与原始出入数据进行拼接,可以获取更多的特征信息。
其中,可以将监测时序数据样本以6:4的比例切分为训练集和测试集,并进行归一化操作;设置模型的训练参数,包括:学习率lr=0.01,迭代步数epochs=30,训练的批次batch_szie=64。然后进行模型训练:将训练集送入模型进行一轮训练;再进行模型测试:用训练完成的模型对测试集数据进行预测,准确率达到95%。最后,将归一化参数和模型结果及其参数进行保存。本申请采用深度学习的方式建模,将采集到的数据喂给模型训练,让其自动学习牲畜死亡和未死亡的特征,从而对新的数据进行准确的分类。从模型的搭建来看,由于训练和预测是分开进行的,对于模型的修改优化比较方便,可以随时添加新的数据到模型训练,从而不断提高模型的泛化能力。
其中,对于第一轮训练完成的模型可以继续训练优化,步骤如下:加载第一轮训练保存的模型参数,降低学习率,设置为0.005,在第一轮训练的基础上在进行一轮训练,在测试集上的准确率达到96%,有1个百分点的提升。
104、当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
在本申请实施例中,当目标牲畜的死亡概率大于预设的死亡概率阈值,确定目标牲畜对应的当前时刻是否处于预设时间区间内;若是,则确定目标牲畜处于死亡状态;若否,则确定目标牲畜为待定状态,以及在对应的当前时刻达到预设时间区间内时,返回执行获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据的步骤。比如,预设时间区间为白天9点到夜晚21点期间,若目标牲畜对应的当前时刻处于该时段,则可以判断该目标牲畜为死亡状态,若目标牲畜对应的当前时刻不处于该时段,处于夜晚21点到早上9点之间,为避免夜晚牲畜睡眠导致模型误判,对于预测死亡概率大于死亡概率阈值的数据进入待定状态,在时间到早上9点之后,对此数据再次进行预测。
在本申请实施例中,请参阅图4,图4为本申请实施例提供的一种牲畜状态判别流程的示意图,如图4所示,设预设的死亡概率阈值为0.8,对于预测死亡概率值大于等于0.8的数据,如果时间区间为白天9点到夜晚21点期间,可以直接判断为死亡(概率值大于0.8,表示死亡的概率已经非常大),将死亡的数据记录到数据库;如果时间区间的夜晚21点到早上9点之间,为避免夜晚牲畜睡眠导致模型误判,对于预测死亡概率大于0.8的数据进入待定状态,记录到数据库,在时间到早上9点之后,对此数据再次进行预测,如果概率值大于0.5,即可判断为死亡,否则修改待定状态为未死亡;对于概率值大于等于0.5、小于0.8的数据,标记的待定状态(因为0.5到0.8的概率值表示死亡的可能性没有那么高),在两个小时后对此数据再次进行预测(时间同样保证在白天9点到21点之间),如果概率值大于等于0.5,即可判断为死亡,将待定状态修改为死亡;如果再次预测概率值小于0.5,修改待定状态为未死亡;对于概率值低于0.5的数据,表示死亡概率较低,不需要进行任何处理(只需要对死亡的数据进行记录,判别为未死亡的数据不需要记录)。
在本申请实施例中,还包括数据入库模块,用于对判断出来的有效数据进行记录,并按照一定的规则对数据进行写入和更新。请参阅图5,图5为本申请实施例提供的一种牲畜数据入库模块的流程示意图,如图5所示,对于判断为死亡和死亡待定的数据进行写入,并通过连接查询将死亡数据的耳标号,判断时间,牲畜类别,养殖场id、栋、栏号一并记录到数据库中;对于判断未死亡的数据不用处理,对于已经判断为死亡的数据在下次模型运行时可以直接跳过;对于标记为死亡待定的数据,在下次模型运行时需要进行更新(更新死亡标识和判断时间)而不是插入,避免出现重复数据。
在本申请实施例中,还包括参数记录模块,用于对预测模块输出的所有数据的概率值进行记录,并且记录模型额输出节点(在哪个位置结束运行),方便查看模型运行结果,此模块是对所有的数据进行记录,不管是否判断死亡,因此,记录的数据量非常多,为了减少资源占用,模型会在每天零点运行时自动清除30天之前的参数记录。
本方案通过代码建立深度学习模型,对采集到的时序数据进行特征提取,从而实现对这些数据的分类,找出符合牲畜死亡的数据然后记录到数据库中,通过完全自动化的方式去识别死亡牲畜的数据。用深度学习的方式建模,不需要手动提取特征,只需要将原始数据送入模型即可让其自动提取特征,不需要做大量的数据处理和特征挖掘工作。本方案的成本低廉、采集数据方便、数据的时效性高,能在第一时间判断出牲畜是否死亡,并且对牲畜本身没有任何伤害。
上述所有的技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
为了更好地实施以上方法,相应的,本申请实施例还提供一种牲畜状态监测装置,该牲畜状态监测装置具体可以集成在计算机设备中,例如以终端的形式。
参考图6,图6为本申请实施例提供的牲畜状态监测装置的结构示意图。该牲畜状态监测装置包括获取单元201、第一确定单元202、预测单元203和第二确定单元204,如下:
获取单元201,用户获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;
第一确定单元202,用于基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;
预测单元203,用于通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;
第二确定单元204,用于当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
在一个可选的实施例中,所述获取单元201,包括:
获取前一次预测的预设采集时间段内针对所述目标牲畜的历史多维监测数据;
获取当前时刻之前预设运行时间段内针对所述目标牲畜的第一多维监测数据;
将所述第一多维监测数据添加到所述历史多维监测数据中,并剔除所述历史多维监测数据中最早的预设运行时间段内的多维监测数据。
在一个可选的实施例中,所述第一确定单元202,包括:
基于采集时间,确定每个多维监测数据在监测时序数据中的排列位置,得到所述监测时序数据;
若所述监测时序数据中相邻的多维监测数据的采集时间之间的间隔大于所述多维监测数据的标准采集时间间隔,基于所述相邻的多维监测数据在所述相邻的多维监测数据填充新的多维监测数据,得到更新后的监测时序数据。
在一个可选的实施例中,所述预测单元203,还包括:
获取监测时序数据样本,所述监测时序数据样本的标签为对应的牲畜样本的标签,所述牲畜样本的标签包括牲畜样本的死亡状态和未死亡状态;
基于所述监测时序数据样本建立待训练的牲畜死亡判别模型;
通过所述待训练的牲畜死亡判别模型基于所述监测时序数据样本进行牲畜死亡概率预测,得到对应牲畜样本的死亡概率;
基于所述对应牲畜样本的死亡概率与所述对应牲畜样本的标签确定所述牲畜死亡判别模型的损失;
基于所述损失调整所述牲畜死亡判别模型的参数,得到训练完成的牲畜死亡判别模型。
在一个可选的实施例中,所述预测单元203,包括:
获取历史时间段内针对牲畜样本的多维监测数据样本,以及每个多维监测数据样本的采集时间,其中,多维监测数据样本包括至少两个牲畜监测维度下的监测数据样本,所述牲畜样本包括处于死亡状态的牲畜与处于未死亡状态的牲畜;
基于每个多维监测数据样本的所述采集时间确定监测时序数据样本,其中,所述监测时序数据样本中所述多维监测数据样本按照所述采集时间的顺序排列。
在一个可选的实施例中,所述第二确定单元204,包括:
当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜对应的当前时刻是否处于预设时间区间内;
若是,则确定所述目标牲畜处于死亡状态;
若否,则确定所述目标牲畜为待定状态,以及在对应的当前时刻达到所述预设时间区间内时,返回执行所述获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据的步骤。
在一个可选的实施例中,所述多维监测数据包括温度数据和运动数据,所述目标牲畜佩戴有智能耳标,所述智能耳标包括温度传感器和加速度传感器,所述获取单元201,包括:
确定采集开始时刻与采集间隔;
通过所述温度传感器基于所述采集开始时刻与所述采集间隔获取所述目标牲畜的温度数据;
通过所述加速度传感器基于所述采集开始时刻与所述采集间隔获取所述目标牲畜的运动数据,以使所述温度传感器与所述加速度传感器对同一时刻的温度数据与运动数据进行采集。
上述所有的技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
相应的,本申请实施例还提供一种终端,该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机(PC,Personal Computer)、个人数字助理(PersonalDigital Assistant,PDA)等计算机设备。如图7所示,图7为本发明实施例提供的终端300的结构示意图。该终端300包括有一个或者一个以上处理核心的处理器301、有一个或一个以上计算机可读存储介质的存储器302及存储在存储器302上并可在处理器上运行的计算机程序。其中,处理器301与存储器302电性连接。本领域技术人员可以理解,图中示出的终端300结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器301是终端300的控制中心,利用各种接口和线路连接整个终端300的各个部分,通过运行或加载存储在存储器302内的软件程序和/或模块,以及调用存储在存储器302内的数据,执行终端300的各种功能和处理数据,从而对终端300进行整体监控。
在本申请实施例中,终端300中的处理器301会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器302中,并由处理器301来运行存储在存储器302中的应用程序,从而实现各种功能:
获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
可选的,如图7所示,终端300还包括:触控显示屏303、射频电路304、音频电路305、输入单元306以及电源307。其中,处理器301分别与触控显示屏303、射频电路304、音频电路305、输入单元306以及电源307电性连接。本领域技术人员可以理解,图7中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
触控显示屏303可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏303可以包括显示面板和触控面板。其中,显示面板可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的,可以采用液晶显示器(LCD,Liquid Crystal Display)、有机发光二极管(OLED,Organic Light-Emitting Diode)等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作),并生成相应的操作指令,且操作指令执行对应程序。可选的,触控面板可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器301,并能接收处理器301发来的命令并加以执行。触控面板可覆盖显示面板,当触控面板检测到在其上或附近的触摸操作后,传送给处理器301以确定触摸事件的类型,随后处理器301根据触摸事件的类型在显示面板上提供相应的视觉输出。在本发明实施例中,可以将触控面板与显示面板集成到触控显示屏303而实现输入和输出功能。但是在某些实施例中,触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏303也可以作为输入单元306的一部分实现输入功能。
射频电路304可用于收发射频信号,以通过无线通信与网络设备或其他终端建立无线通讯,与网络设备或其他终端之间收发信号。
音频电路305可以用于通过扬声器、传声器提供用户与终端之间的音频接口。音频电路305可将接收到的音频数据转换后的电信号,传输到扬声器,由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路305接收后转换为音频数据,再将音频数据输出处理器301处理后,经射频电路304以发送给比如另一终端,或者将音频数据输出至存储器302以便进一步处理。音频电路305还可能包括耳塞插孔,以提供外设耳机与终端的通信。
输入单元306可用于接收输入的数字、字符信息或用户特征信息(例如指纹、虹膜、面部信息等),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源307用于给终端300的各个部件供电。可选的,电源307可以通过电源管理系统与处理器301逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源307还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管图7中未示出,终端300还可以包括摄像头、传感器、无线保真模块、蓝牙模块等,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
由上可知,本实施例提供的终端,可以获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请实施例提供一种计算机可读存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行本申请实施例所提供的任一种牲畜状态监测方法中的步骤。例如,该计算机程序可以执行如下步骤:
获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的一种牲畜状态监测方法、装置、终端及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种牲畜状态监测方法,其特征在于,包括:
获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,所述多维监测数据包括至少两个牲畜监测维度下的监测数据;
基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;
通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;
当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
2.根据权利要求1所述的牲畜状态监测方法,其特征在于,所述获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,包括:
获取前一次预测的预设采集时间段内针对所述目标牲畜的历史多维监测数据;
获取当前时刻之前预设运行时间段内针对所述目标牲畜的第一多维监测数据;
将所述第一多维监测数据添加到所述历史多维监测数据中,并剔除所述历史多维监测数据中最早的预设运行时间段内的多维监测数据。
3.根据权利要求1所述的牲畜状态监测方法,其特征在于,所述基于每个多维监测数据的所述采集时间确定监测时序数据,包括:
基于所述采集时间,确定每个多维监测数据在监测时序数据中的排列位置,得到所述监测时序数据;
若所述监测时序数据中相邻的多维监测数据的采集时间之间的间隔大于所述多维监测数据的标准采集时间间隔,基于所述相邻的多维监测数据在所述相邻的多维监测数据填充新的多维监测数据,得到更新后的监测时序数据。
4.根据权利要求1所述的牲畜状态监测方法,其特征在于,在所述通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测之前,还包括:
确定监测时序数据样本,所述监测时序数据样本的标签为对应的牲畜样本的标签,所述牲畜样本的标签包括牲畜样本的死亡状态和未死亡状态;
基于所述监测时序数据样本建立待训练的牲畜死亡判别模型;
通过所述待训练的牲畜死亡判别模型基于所述监测时序数据样本进行牲畜死亡概率预测,得到对应牲畜样本的死亡概率;
基于所述对应牲畜样本的死亡概率与所述对应牲畜样本的标签确定所述牲畜死亡判别模型的损失;
基于所述损失调整所述牲畜死亡判别模型的参数,得到训练完成的牲畜死亡判别模型。
5.根据权利要求4所述的牲畜状态监测方法,其特征在于,所述确定监测时序数据样本,包括:
获取历史时间段内针对牲畜样本的多维监测数据样本,以及每个多维监测数据样本的采集时间,其中,多维监测数据样本包括至少两个牲畜监测维度下的监测数据样本,所述牲畜样本包括处于死亡状态的牲畜与处于未死亡状态的牲畜;
基于每个多维监测数据样本的所述采集时间确定监测时序数据样本,其中,所述监测时序数据样本中所述多维监测数据样本按照所述采集时间的顺序排列。
6.根据权利要求1所述的牲畜状态监测方法,其特征在于,所述当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态,包括:
当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜对应的当前时刻是否处于预设时间区间内;
若是,则确定所述目标牲畜处于死亡状态;
若否,则确定所述目标牲畜为待定状态,以及在对应的当前时刻达到所述预设时间区间内时,返回执行所述获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据的步骤。
7.根据权利要求1所述的牲畜状态监测方法,其特征在于,所述多维监测数据包括温度数据和运动数据,所述目标牲畜佩戴有智能耳标,所述智能耳标包括温度传感器和加速度传感器,所述获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,包括:
确定采集开始时刻与采集间隔;
通过所述温度传感器基于所述采集开始时刻与所述采集间隔获取所述目标牲畜的温度数据;
通过所述加速度传感器基于所述采集开始时刻与所述采集间隔获取所述目标牲畜的运动数据,以使所述温度传感器与所述加速度传感器对同一时刻的温度数据与运动数据进行采集。
8.一种牲畜状态监测装置,其特征在于,包括:
获取单元,用户获取当前时刻之前的预设采集时间段内针对目标牲畜的多维监测数据,以及每个多维监测数据的采集时间,其中,多维监测数据包括至少两个牲畜监测维度下的监测数据;
第一确定单元,用于基于每个多维监测数据的所述采集时间确定监测时序数据,其中,所述监测时序数据中所述多维监测数据按照所述采集时间的顺序排列;
预测单元,用于通过训练完成的牲畜死亡判别模型基于所述牲畜监测时序数据进行牲畜死亡概率预测,得到所述目标牲畜的死亡概率,所述牲畜死亡判别模型根据牲畜样本的监测时序数据样本训练得到;
第二确定单元,用于当所述目标牲畜的死亡概率大于预设的死亡概率阈值,确定所述目标牲畜处于死亡状态。
9.一种终端,其特征在于,包括存储器,处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述牲畜状态监测方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述牲畜状态监测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446868.9A CN114841203A (zh) | 2022-04-26 | 2022-04-26 | 一种牲畜状态监测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210446868.9A CN114841203A (zh) | 2022-04-26 | 2022-04-26 | 一种牲畜状态监测方法、装置、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841203A true CN114841203A (zh) | 2022-08-02 |
Family
ID=82566256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210446868.9A Pending CN114841203A (zh) | 2022-04-26 | 2022-04-26 | 一种牲畜状态监测方法、装置、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841203A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596167A (zh) * | 2023-07-17 | 2023-08-15 | 湖南华牧全安数字科技有限公司 | 一种基于数据深度融合处理的牲畜养殖方案优化方法 |
-
2022
- 2022-04-26 CN CN202210446868.9A patent/CN114841203A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596167A (zh) * | 2023-07-17 | 2023-08-15 | 湖南华牧全安数字科技有限公司 | 一种基于数据深度融合处理的牲畜养殖方案优化方法 |
CN116596167B (zh) * | 2023-07-17 | 2023-09-19 | 湖南华牧全安数字科技有限公司 | 一种基于数据深度融合处理的牲畜养殖方案优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
CN104636751A (zh) | 基于时间递归神经网络的人群异常检测和定位系统及方法 | |
EP3944148A2 (en) | Generation method for classification model, classification method, apparatus, and medium | |
CN103944977A (zh) | 基于可穿戴设备的云健康信息管理系统及方法 | |
CN109544862A (zh) | 基于智能家居的行为识别方法、装置、存储介质及设备 | |
CN108011928A (zh) | 一种信息推送方法、终端设备及计算机可读介质 | |
CN114841203A (zh) | 一种牲畜状态监测方法、装置、终端及存储介质 | |
CN113506045A (zh) | 基于移动设备的风险用户识别方法、装置、设备及介质 | |
CN115045714A (zh) | 矿物开采预警方法、设备及计算机可读存储介质 | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
CN110598599A (zh) | 基于Gabor原子分解的人体异常步态检测方法和装置 | |
CN111199187A (zh) | 一种基于算法的动物行为识别方法及相应存储介质与电子装置 | |
CN111797148A (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN112463205B (zh) | 基于ai和大数据的应用程序管理方法及人工智能服务器 | |
CN107666398B (zh) | 基于用户行为的群组通知方法、系统以及存储介质 | |
CN111709473A (zh) | 对象特征的聚类方法及装置 | |
CN105049615B (zh) | 一种应用于智能终端的用户出行提醒方法和智能终端 | |
CN114187751B (zh) | 预警系统的适应性评价方法、装置、设备及可读存储介质 | |
CN109726726B (zh) | 视频中的事件检测方法及装置 | |
CN107003930B (zh) | 用户信息记录方法、装置及电子设备 | |
CN110260884B (zh) | 一种生物监控方法、终端和服务器 | |
CN115862852A (zh) | 一种健康检测方法、装置、计算机设备及存储介质 | |
CN115147661B (zh) | 一种染色体分类方法、装置、设备及可读存储介质 | |
CN111142688B (zh) | 一种基于移动终端数据识别终端用户换机的方法和服务器 | |
CN115223235A (zh) | 单个体多耳标识别方法、装置、存储介质及计算机设备 |
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 |