CN114970755A - 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法 - Google Patents
一种基于穿戴技术的鸡胸肉品质预测装置及分级方法 Download PDFInfo
- Publication number
- CN114970755A CN114970755A CN202210696452.2A CN202210696452A CN114970755A CN 114970755 A CN114970755 A CN 114970755A CN 202210696452 A CN202210696452 A CN 202210696452A CN 114970755 A CN114970755 A CN 114970755A
- Authority
- CN
- China
- Prior art keywords
- chicken
- chicken breast
- quality
- breast
- module
- 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
- 206010034203 Pectus Carinatum Diseases 0.000 title claims abstract description 134
- 235000013372 meat Nutrition 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 241000287828 Gallus gallus Species 0.000 claims abstract description 79
- 230000001133 acceleration Effects 0.000 claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 40
- 230000036760 body temperature Effects 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 230000033001 locomotion Effects 0.000 claims abstract description 39
- 210000000481 breast Anatomy 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000003307 slaughter Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 235000013330 chicken meat Nutrition 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 230000001537 neural effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010009 beating Methods 0.000 claims description 2
- 239000013013 elastic material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008054 signal transmission Effects 0.000 claims description 2
- 238000001727 in vivo Methods 0.000 claims 1
- 244000144977 poultry Species 0.000 abstract description 10
- 238000009395 breeding Methods 0.000 abstract description 9
- 230000001488 breeding effect Effects 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 235000013594 poultry meat Nutrition 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 210000001562 sternum Anatomy 0.000 description 3
- 238000007920 subcutaneous administration Methods 0.000 description 3
- 210000003462 vein Anatomy 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000001991 scapula Anatomy 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A22—BUTCHERING; MEAT TREATMENT; PROCESSING POULTRY OR FISH
- A22B—SLAUGHTERING
- A22B5/00—Accessories for use during or after slaughtering
- A22B5/0064—Accessories for use during or after slaughtering for classifying or grading carcasses; for measuring back fat
- A22B5/007—Non-invasive scanning of carcasses, e.g. using image recognition, tomography, X-rays, ultrasound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Pulmonology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Food Science & Technology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于穿戴技术的鸡胸肉品质预测装置及分级方法,公开了一种穿戴式的鸡胸肉品质监测分析装置,由硬件模块、参数提取模块及鸡胸肉品质分级模块组成;硬件模块包括:由工控机控制的检测模块、无线传输模块,所述检测模块:心率传感器、体温传感器、运动传感器、数据采集卡、三轴加速度振动传感器;参数提取模块主要包括体态指标提取、振动部位标定;肉鸡品质分级模块主要包括由工控机控制的BP神经网络模型和输出鸡胸肉品质。本发明实现了活鸡鸡胸肉品质的动态检测和鉴定,减少人工、运输、屠宰及检测成本,同时也为家禽育种过程中高品质肉鸡品种的选育工作提供理论及技术支撑,实现了活鸡鸡胸肉品质等级的检测。
Description
技术领域
本发明涉及一种穿戴式活体鸡胸肉品质监测分析装置,其涉及活鸡的鸡胸肉品质类别的动态检测和鉴定,属于禽类选育与检测技术领域。
背景技术
随着禽肉市场规模的不断增长,鸡肉异质化问题也随之出现,每年因此问题对禽肉市场造成巨大的经济损失。目前鸡胸肉异质问题并未能从根源上解决,而鸡胸肉的品质划分仍需要屠宰后取出鸡胸肉进行,成本提高。因此,为了在屠宰前确定鸡胸肉品质,现急需对鸡胸肉品质分级进行深入地探索研究,致力于开发出一种穿戴式的、动态的鸡胸肉品质检测系统及分级方法,减少人工、运输、屠宰及检测成本,实现活鸡检测鸡胸肉品质等级,同时也为家禽育种过程中高品质鸡肉品种的选育工作提供理论及技术支撑。
发明内容
本发明所要解决的技术问题:本发明设计了一种基于穿戴技术的鸡胸肉品质预测装置及分级方法,来检测活鸡鸡胸肉的品质,其构架在活禽育种及禽肉屠宰加工前端,能够鉴别正常鸡胸肉、中度鸡胸肉、严重鸡胸肉的品质特性。
为解决上述技术问题,本发明提供以下的技术方案:
一种基于穿戴技术的鸡胸肉品质预测装置,由硬件模块、参数提取模块及鸡胸肉品质分级模块组成;所述参数提取模块及鸡胸肉品质分级模块组均内置于工控机中;
所述硬件模块包括由工控机控制的检测模块、无线传输模块,所述检测模块包括体温传感器、运动传感器、三轴加速度振动传感器、心率传感器、数据采集卡;
所述参数提取模块控制体温传感器、运动传感器、三轴加速度振动传感器及心率传感器启动,所述体温传感器完成肉鸡右侧腋下体温特征的测量并由数据采集卡接收信号后传递至无线传输模块,再传输至工控机;所述运动传感器将肉鸡运动信息传递至信息采集卡,再由数据采集卡传输至无线传输模块,再传输至工控机;所述三轴加速度振动传感器设于左侧鸡胸肉中部采集参数并将信号传输至信息数据采集卡,信息数据采集卡接收信号并传递至无线传输模块,再传输至工控机;所述心率传感器测量脉搏跳动频率间接检测心跳频率,并将信息传输到数据采集卡,数据采集卡接收信号并传递至无线传输模块,再传输至工控机;
所述鸡胸肉品质分级模块包括BP神经网络和输出鸡胸肉等级;
所述检测模块、无线传输模块、BP神经网络和输出鸡胸肉等级依次连接。
优选地,所述工控机利用蓝牙技术与无线传输模块连接,所述无线传输模块安装在固定支架上,所述三轴加速度振动传感器、心率传感器在左侧鸡胸肉中部位置安装,由无线传输模块提供电力;工控机通过无线传输模块接受由数据采集卡采集的心跳参数、体温参数、三轴加速度参数、运动参数,实现对鸡胸肉等级的评定;所述固定支架选用弹性材料边界圆角无应力集中,无线传输模块采用低频电信号传输。
优选地,所述BP神经网络包括输入层、隐藏层I、隐藏层II、输出层,其输入层包含4个神经单元(d=4),输入层与隐藏层I之间连接的权值用v表示,隐藏层I包含4个神经单元(q=4),隐藏层I与隐藏层II之间连接的权值用H表示,隐藏层II包含3个神经单元(p=3)隐藏层II与输出层之间连接的权值用W表示,输出层包含1个神经单元,其阈值用γ表示,学习率用η表示,预测结果的误差用最小二值法表示;隐藏层与输出层的激活函数均采用了sigmoid函数。
优选地,所述鸡胸肉品质分级模块通过参数提取模块得到心跳参数、体温参数、三轴加速度参数、运动参数并处理得到平均值进行预测分级,等级分为正常鸡胸肉、中度鸡胸肉、严重鸡胸肉三个等级。
一种鸡胸肉活体分级方法,采用上述基于穿戴技术的鸡胸肉品质预测装置对活体鸡进行检测分级,其具体步骤如下:
步骤1、首先将穿戴有检测设备的肉鸡进行屠宰,再由经过专业化训练且具有一定评判经验的研究人员或工作人员对行鸡胸肉进行评级,分为正常鸡胸肉、中度鸡胸肉、重度鸡胸肉;在对其生长过程中检测所得到的心率、振动加速度、体温以及运动信息(以下称为四项指标)进行数据分析处理,正常鸡胸肉的四项指标均记为1,中度鸡胸肉的四项指标均记为2,严重鸡胸肉的四项指标均记为3;分类标准为四项指标平均数值范围在0~0.35(包含0.35)为正常鸡胸肉,范围在0.35~0.7(包含0.7)为中度鸡胸肉,范围在0.7及以上为严重鸡胸肉;
步骤2、对肉鸡进行生长过程中四项指标进行信息提取和数据处理:将穿戴式设备穿戴至活鸡上,按下启动开关,心率传感器、体温传感器、三轴加速度振动传感器以及运动传感器开始工作,为期一个小时,每日进行三次,分别为上午、中午和晚上;将四项指标工作时间内的数值实时传输至数据采集卡,再由无线传输设备将数据传递给工控机,工控机将各项指标的平均值数据上传至数据库,计算得出结果;所述三轴加速度振动传感器每15min工作一次;
步骤3、建立预测活鸡鸡胸肉品质分类数据库,重复步骤1~2,建立预测活鸡鸡胸肉品质分类数据库,数据库中每条记录均为各传感器每次工作测量数据所得的平均值;
步骤4、建立预测活鸡鸡胸肉品质分类学习模型:将所建立的预测活鸡鸡胸肉品质分类数据库中80%的数据作为训练集,建立预测活鸡鸡胸肉品质分类模型,将20%的数据作为测试集,用于测试模型的准确性;
步骤5、对活鸡鸡胸肉品质进行预测分类:将穿戴检测设备肉鸡的生长周期中所提取的心率、体温、三轴加速度以及运动传感器所得到的数据实时传输至数据采集卡,将得到相关参数传输至工控机终端进行处理,得出实时四项指标平均值,最后根据步骤4所建立的BP神经网络模型,计算出鸡胸肉品质情况。
优选地,步骤5中所述的鸡胸肉等级判定规则为:
BP神经网络计算所得数值范围为0~0.35(包含0.35)为正常鸡胸肉;
BP神经网络计算所得数值范围为0.35~0.7(包含0.7)为中度鸡胸肉;
BP神经网络计算所得数值范围为0.7及以上为严重鸡胸肉。
本发明获得的有益效果:
本发明能够有效选育出高质量鸡胸肉的肉鸡品种,并解决屠宰后鸡胸肉品质问题产生的损失,为活禽育种及禽肉屠宰企业提供了鸡胸肉品质分级方案。本发明实现了活禽培育及禽肉屠宰企业中鸡胸肉品质分级的定期检测,极大地减少了人力成本,缩减活禽培育及禽肉屠宰企业损失,便于检测肉鸡鸡胸肉情况,实现肉鸡鸡胸肉等级的定期检测及分级方案。
本发明硬件模块中所使用的无线传输模块使用Bluetooth chip,其型号为NU1618CSP,此型号下的无线传输模块输出功率大能够传输完整的特征参数且内置闪光灯便于检查设备运行状态,可调节的电压电流适用于各个场合,其上安装的无线快速充电解决方案,大大减轻劳动负担。其安装于肉鸡背部,保证信号稳定,设备安全。
本发明中三轴加速度振动传感器的安装位置,位于左侧鸡胸肉中部。心率传感器的安装位置,位于胸骨走向肩胛的皮下大静脉的分支下侧;体温传感器的安装位置,位于左侧腋下。
本发明中建立的BP神经网络,在心率传感器、三轴加速度振动传感器、体温传感器、安装位置及选型、无线传输模块的选型基本一致时,可以直接将所得数据输入到BP神经网络当中不做任何修改,就可适用于不同规模的鸡胸肉品质分级检测。
本发明的预测模型可根据不同的应用场景进行调整,在未来用于工业持续加工检测情况下,也可以添加其他特征参数进行预处理后再进行深度学习实现模型的建立和调整,以满足更多的禽肉品质检测需求。
附图说明
图1为整体品质分类系统组成图;
图2~4为不同视角的设备穿戴效果图;
图5为设备展平后的结构示意图;
其中,1-体温传感器,2-运动传感器,3-三轴加速度振动传感器,4-心率传感器,5-鸡心,6-数据采集卡,7-无线传输模块。
图6为品质分类系统工作流程图;
图7为三种不同鸡胸肉品质类别的BP神经网络预测模型示意图。
具体实施方式
下面通过对实施例的描述,对本发明的具体实施方式作进一步详细的说明,以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
实施例1:一种基于穿戴技术的鸡胸肉品质预测装置及系统,整体工作流程图如图1所示,该方法包括硬件模块、参数提取模块及鸡胸肉品质分级模块;其中硬件模块主要由工控机控制的特征参数检测装置组成,所述特征参数检测装置包括:体温传感器1、运动传感器2、三轴加速度振动传感器3、心率传感器4。所述工控机与数据采集卡6、特征参数检测装置连接,所述体温传感器1、心率传感器4、三轴加速度振动传感器3分别安装在肉鸡的右侧鸡翅下、左侧胸骨走向肩胛的皮下大静脉的分支下侧、左侧鸡胸肉中部三个部分的位置,所述特征参数检测装置绑定在肉鸡的指定部位上,由无线传输模块7提供动力源输出特定的电流信号;所述数据采集卡6通过接受参数检测装置传递到肉鸡的振动信号和体态指标,实现对肉鸡心率、体温、运动状况及振动频率特征参数的采集。
工控机控制特征参数检测装置输出振动信号和体态指标,特征参数检测装置动力源由无线传输模块7提供,工控机控制数据采集卡6收集信号并进行转换,并将转换后数据传输至工控机终端设备。工控机控制体温传感器1、运动传感器2、三轴加速度振动传感器3以及心率传感器4开始工作,为期一个小时,每日进行三次,分别为上午、中午和晚上。通过体温传感器和运动传感器去探测肉鸡的实时体温和运动情况;心率传感器利用血管搏动时造成透光率不同来进行脉搏测量的,通过穿戴设备固定在肉鸡的皮肤上,从而得出肉鸡的心率;三轴加速度振动传感器3则固定在肉鸡左侧鸡胸肉中部,每隔15分钟开始工作一次,三轴加速度振动传感器3测出垂向、径向、轴向加速度,三轴加速度振动传感器3得出结果后将数据传输至数据采集卡。四项指标测得后将数据输送至无线传输设备7,由无线传输设备7将信号通过无线蓝牙装置传递至工控机。工控机,处理数据进行鸡胸肉品质分级。首先将设备安装于肉鸡鸡体上固定,将体温传感器1、心率传感器4、三轴加速度振动传感器3分别紧贴在肉鸡的右侧鸡翅下、左侧胸骨走向肩胛的皮下大静脉的分支下侧、左侧鸡胸肉中部三个部分的位置,设备安装结束后,工控机通过控制特征参数检测装置对肉鸡进行特征参数检测,其中传感器所需的电能由无线传输模块6提供;其次体温传感器1、运动传感器2、心率传感器4接收肉鸡在正常活动过程中产生的体态指标和三轴加速度振动传感器3接收由肉鸡运动撞击产生的鸡胸的振动数据,并将其传输至数据采集卡6再传输至无线传输模块7;最后工控机控制无线传输模块7将其中的体态指标和振动数据传输至终端工控机,由终端工控机进行数据分析处理。
振动参数提取模块和体态指标提取模块包含在无线传输模块7内,再由工控机将无线传输模块7提取到的肉鸡的体态指标和振动信号进行处理计算,分别得到肉鸡在自然状态下的体态指标和其左侧鸡胸的轴向、径向、垂向加速度信号;
鸡胸肉品质分级模块由BP神经网络预测模型构成,其示意图如图5所示,主要包括输入层、隐藏层I、隐藏层II、输出层,其输入层包含4个神经单元(d=4),输入层与隐藏层之间连接的权值用v表示,隐藏层包含4个神经单元(q=4),其阈值用θ表示,隐藏层II与输出层之间连接的权值用w表示,输出层包含1个神经单元,其阈值用γ表示,学习率用η表示,预测结果的误差用最小二值法表示。隐藏层与输出层的激活函数均采用了sigmoid函数。
BP神经网络预测模型以心率传感器、运动传感器、体温传感器、三轴加速度振动传感器4个参数作为模型输入参数,鸡胸肉品质作为模型输出。模型总样本数为1000不变,不断改变模型训练集与测试集样本比例,找出最优模型。为防止模型出现欠拟合现象,所设初始迭代次数为1800次,初始学习率为0.8,初始动量参数为0.9,输入层与隐藏层的权值设定为0.3,隐藏层与输出层权值设定为0.2,初始阈值均设定为1.2,训练目标允许误差为0.003,神经元结点之间函数选用sigmoid函数,利用最小二乘法及梯度下降法不断寻找各项最优参数,降低误差权重。训练模型结果如表1所示,设定训练集与测试集的正常鸡胸肉、中度鸡胸肉、严重鸡胸肉的样本数比例均为7:2:1,不断改变训练集与测试集比例,9:1时,利用测试样本,测试模型,其识别鸡胸肉品质准确率为94.16%;8:2时,为95.68%;7:3时,为91.25%;3:1时,为86.97%;6:4时,为78.12%。得出在初始值相同情况下训练集与测试集为8:2时得出最高识别准确率。在训练集与测试集比例为8:2的基础上不断优化迭代次数、学习率等各项参数,在迭代次数为2600,学习率为0.64时,模型准确率达到97.12%,误检率为0.003%。模型预测值与真实值的拟合系数(R2)为0.9735;平均相对误差(AVG)4.78%,其预测结果的相对误差值绝大多数低于6%;均方误差(MSE)为0.23;平均绝对误差(MAE)为0.42,均方根误差(RMSE)为0.47,即此模型的建模与测试精度均高,可实现鸡胸肉品质精确分类。
为进一步突出选取BP神经网络模型的优势,将其与支持向量机(SVR)回归预测模型、多元线性回归预测模型以及logistic回归预测模型进行比较,其结果见表2。为了保证模型具有一致比较性,建立其他模型时,选取相同的初始自变量作为输入变量,并选用与模型相同的样本进行训练与测试。表2为所有模型测试的结果,评价指标为MAE、MSE、RMSE、AVG、R2。首先在其余三个模型的预测结果中出现多数样本的相对误差高于8%,平均相对误差也均高于8%,表明了预测模型整体稳定性较差。其次,在拟合效果上,BP神经网络预测模型均高于其余预测模型,展示出优秀的拟合程度。最后,在MAE、MSE、RMSE的对比中,突出了BP预测模型在预测中优秀的精准度,较小的误差及数值波动。因此选取BP神经网络预测模型为最佳选择。但是多元线性回归模型在预测的精度和稳定性上虽然略逊于BP预测模型,在算法的时间复杂度和空间复杂度上略优于BP预测模型,且其也展现出优秀的拟合程度,因此在考虑设备配置较低的情况下,也可采用多元线性回归模型作为预测模型。综上所述,在不考虑算法限制的情况下,BP神经网络回归预测模型依然是最佳选择。
表1三种不同品质鸡胸肉在BP神经网络的预测结果
表2不同模型的估测结果对比
鸡胸肉品质分类系统工作流程图如图4所示。鸡胸肉品质分级模块通过振动参数提取模块所得到的加速度参数进行鸡胸肉品质分类,最后输出正常鸡胸肉、中度鸡胸肉、重度鸡胸肉三种鸡胸肉品质。
实施例2:利用如上所述基于振动传感的鸡胸肉品质分类系统进行鸡胸肉活体检测,包括以下步骤:
(1)人工评判鸡胸肉品质并进行分类:首先将穿戴有检测设备的肉鸡进行屠宰,再由经过专业化训练且具有一定评判经验的研究人员或工作人员对行鸡胸肉进行评级,分为正常鸡胸肉、中度鸡胸肉、重度鸡胸肉;在对其生长过程中检测所得到的心率、三轴加速度、体温以及运动情况(以下称为四项指标)进行数据分析处理,正常鸡胸肉的四项指标标注为序号1,中度鸡胸肉的四项指标标注为序号2,严重鸡胸肉的四项指标标注为序号3;分类标准为四项指标平均数范围在0~0.35(包含0.35)为正常鸡胸肉,范围在0.35~0.7(包含0.7)为中度鸡胸肉,范围在0.7及以上为严重鸡胸肉。
(2)对肉鸡进行生长过程中四项指标进行信息提取和数据处理。将穿戴式设备穿戴至活鸡上,按下启动开关,心率传感器、体温传感器、三轴加速度振动传感器(该传感器每隔15分钟工作一次)以及运动传感器开始工作,为期一个小时,每日进行三次,分别为上午、中午和晚上。心率传感器利用血管搏动时造成透光率不同来进行脉搏测量的,通过穿戴设备固定在肉鸡的皮肤上,从而得出肉鸡的心率;分别通过体温传感器和运动传感器去探测肉鸡的实时体温和运动情况;三轴加速度振动传感器则固定在肉鸡左侧鸡胸肉中部,每隔15分钟开始工作一次,三轴加速度振动传感器测出垂向、径向、轴向加速度,三轴加速度振动传感器得出结果后将数据传输至数据采集卡。四项指标测得后将数据输送至无线传输设备。
(3)输出四项指标实时平均参数,将心率、体温、三轴加速度以及运动参数收集至工控机中,由工控机输入特定的命令,四项平均参数传输至数据库进行品质预测分类。
(4)建立预测活鸡鸡胸肉品质分类数据库。经过长期观察发现,鸡胸肉品质情况与其心率、体温、三轴加速度以及运动情况有关。重复步骤1~2,建立预测活鸡鸡胸肉品质分类数据库,数据库中每条记录均为各传感器每次工作测量数据所得的平均值。
(5)建立预测活鸡鸡胸肉品质分类学习模型。将所建立的预测活鸡鸡胸肉品质分类数据库中80%的数据作为训练集,建立预测活鸡鸡胸肉品质分类模型,将20%的数据作为测试集,用于测试模型的准确性。
(6)对活鸡鸡胸肉品质进行预测分类。将穿戴检测设备肉鸡的生长周期中所提取的心率、体温、三轴加速度以及运动传感器所得到的数据实时传输至数据采集卡,将得到相关参数传输至工控机终端进行处理,得出实时四项指标平均值,最后根据(5)所建立的BP神经网络模型,计算出鸡胸肉品质等级。
鸡胸肉品质分类规则为:
正常鸡胸肉的平均值范围为0~0.35(包含0.35);
中度鸡胸肉的平均值范围为0.35~0.7(包含0.7);
严重鸡胸肉的平均值范围为0.7及以上。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内;本发明未涉及的技术均可通过现有技术加以实现。
Claims (6)
1.一种基于穿戴技术的鸡胸肉品质预测装置,其特征在于,由硬件模块、参数提取模块及鸡胸肉品质分级模块组成;所述参数提取模块及鸡胸肉品质分级模块组均内置于工控机中;
所述硬件模块包括由工控机控制的检测模块、无线传输模块,所述检测模块包括体温传感器、运动传感器、三轴加速度振动传感器、心率传感器、数据采集卡;
所述参数提取模块控制体温传感器、运动传感器、三轴加速度振动传感器及心率传感器启动,所述体温传感器完成肉鸡右侧腋下体温特征的测量并由数据采集卡接收信号后传递至无线传输模块,再传输至工控机;所述运动传感器将肉鸡运动信息传递至信息采集卡,再由数据采集卡传输至无线传输模块,再传输至工控机;所述三轴加速度振动传感器设于左侧鸡胸肉中部采集参数并将信号传输至信息数据采集卡,信息数据采集卡接收信号并传递至无线传输模块,再传输至工控机;所述心率传感器测量脉搏跳动频率间接检测心跳频率,并将信息传输到数据采集卡,数据采集卡接收信号并传递至无线传输模块,再传输至工控机;
所述鸡胸肉品质分级模块包括BP神经网络和输出鸡胸肉等级;
所述检测模块、无线传输模块、BP神经网络和输出鸡胸肉等级依次连接。
2.根据权利要求1中所述的一种基于穿戴技术的鸡胸肉品质预测装置,其特征在于:所述工控机利用蓝牙技术与无线传输模块连接,所述无线传输模块安装在固定支架上,所述三轴加速度振动传感器、心率传感器在左侧鸡胸肉中部位置安装,由无线传输模块提供电力;工控机通过无线传输模块接受由数据采集卡采集的心跳参数、体温参数、三轴加速度参数、运动参数,实现对鸡胸肉等级的评定;所述固定支架选用弹性材料边界圆角无应力集中,无线传输模块采用低频电信号传输。
3.根据权利要求1中所述的一种基于穿戴技术的鸡胸肉品质预测装置,其特征在于:所述BP神经网络包括输入层、隐藏层I、隐藏层II、输出层,其输入层包含4个神经单元(d=4),输入层与隐藏层I之间连接的权值用v表示,隐藏层I包含4个神经单元(q=4),隐藏层I与隐藏层II之间连接的权值用H表示,隐藏层II包含3个神经单元(p=3)隐藏层II与输出层之间连接的权值用W表示,输出层包含1个神经单元,其阈值用γ表示,学习率用η表示,预测结果的误差用最小二值法表示;隐藏层与输出层的激活函数均采用了sigmoid函数。
4.根据权利要求1中所述的一种基于穿戴技术的鸡胸肉品质预测装置,其特征在于:所述鸡胸肉品质分级模块通过参数提取模块得到心跳参数、体温参数、三轴加速度参数、运动参数并处理得到平均值进行预测分级,等级分为正常鸡胸肉、中度鸡胸肉、严重鸡胸肉三个等级。
5.一种鸡胸肉活体分级方法,其特征在于,采用权利要求1-4任一项所述基于穿戴技术的鸡胸肉品质预测装置对活体鸡进行检测分级,其具体步骤如下:
步骤1、首先将穿戴有检测设备的肉鸡进行屠宰,再由经过专业化训练且具有一定评判经验的研究人员或工作人员对行鸡胸肉进行评级,分为正常鸡胸肉、中度鸡胸肉、重度鸡胸肉;在对其生长过程中检测所得到的心率、振动加速度、体温以及运动信息(以下称为四项指标)进行数据分析处理,正常鸡胸肉的四项指标均记为1,中度鸡胸肉的四项指标均记为2,严重鸡胸肉的四项指标均记为3;分类标准为四项指标平均数值范围在0~0.35(包含0.35)为正常鸡胸肉,范围在0.35~0.7(包含0.7)为中度鸡胸肉,范围在0.7及以上为严重鸡胸肉;
步骤2、对肉鸡进行生长过程中四项指标进行信息提取和数据处理:将穿戴式设备穿戴至活鸡上,按下启动开关,心率传感器、体温传感器、三轴加速度振动传感器以及运动传感器开始工作,为期一个小时,每日进行三次,分别为上午、中午和晚上;将四项指标工作时间内的数值实时传输至数据采集卡,再由无线传输设备将数据传递给工控机,工控机将各项指标的平均值数据上传至数据库,计算得出结果;所述三轴加速度振动传感器每15min工作一次;
步骤3、建立预测活鸡鸡胸肉品质分类数据库,重复步骤1~2,建立预测活鸡鸡胸肉品质分类数据库,数据库中每条记录均为各传感器每次工作测量数据所得的平均值;
步骤4、建立预测活鸡鸡胸肉品质分类学习模型:将所建立的预测活鸡鸡胸肉品质分类数据库中80%的数据作为训练集,建立预测活鸡鸡胸肉品质分类模型,将20%的数据作为测试集,用于测试模型的准确性;
步骤5、对活鸡鸡胸肉品质进行预测分类:将穿戴检测设备肉鸡的生长周期中所提取的心率、体温、三轴加速度以及运动传感器所得到的数据实时传输至数据采集卡,将得到相关参数传输至工控机终端进行处理,得出实时四项指标平均值,最后根据步骤4所建立的BP神经网络模型,计算出鸡胸肉品质情况。
6.根据权利要求5所述的基于穿戴技术的鸡胸肉品质预测装置及分级方法,其特征在于:步骤5中所述的鸡胸肉等级判定规则为:
BP神经网络计算所得数值范围为0~0.35(包含0.35)为正常鸡胸肉;
BP神经网络计算所得数值范围为0.35~0.7(包含0.7)为中度鸡胸肉;
BP神经网络计算所得数值范围为0.7及以上为严重鸡胸肉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210696452.2A CN114970755B (zh) | 2022-06-20 | 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210696452.2A CN114970755B (zh) | 2022-06-20 | 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970755A true CN114970755A (zh) | 2022-08-30 |
CN114970755B CN114970755B (zh) | 2024-05-31 |
Family
ID=
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109115777A (zh) * | 2018-09-12 | 2019-01-01 | 滁州学院 | 一种基于图像形变特征的鸡胸肉木质化程度分级系统及分级方法 |
CN110174401A (zh) * | 2019-04-30 | 2019-08-27 | 滁州学院 | 一种基于视觉成像技术的鸡胸肉木质化程度分级装置及其方法 |
CN110458027A (zh) * | 2019-07-11 | 2019-11-15 | 中国农业大学 | 一种基于大理石花纹的生鲜肉分级方法、系统及装置 |
US20200173926A1 (en) * | 2017-05-16 | 2020-06-04 | MEQ Probe Pty Ltd | Methods and systems for assessing quality of a meat product |
CN112345717A (zh) * | 2020-10-15 | 2021-02-09 | 武汉轻工大学 | 基于神经网络的冷鲜猪肉品质预测方法 |
CN112906773A (zh) * | 2021-02-04 | 2021-06-04 | 中国农业大学 | 基于云服务的生猪屠宰线胴体品质分级和监控方法及系统 |
CN113674265A (zh) * | 2021-08-27 | 2021-11-19 | 石河子大学 | 一种基于时序变温过程中热成像和视觉成像融合的肉类品质定性检测方法 |
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200173926A1 (en) * | 2017-05-16 | 2020-06-04 | MEQ Probe Pty Ltd | Methods and systems for assessing quality of a meat product |
CN109115777A (zh) * | 2018-09-12 | 2019-01-01 | 滁州学院 | 一种基于图像形变特征的鸡胸肉木质化程度分级系统及分级方法 |
CN110174401A (zh) * | 2019-04-30 | 2019-08-27 | 滁州学院 | 一种基于视觉成像技术的鸡胸肉木质化程度分级装置及其方法 |
CN110458027A (zh) * | 2019-07-11 | 2019-11-15 | 中国农业大学 | 一种基于大理石花纹的生鲜肉分级方法、系统及装置 |
CN112345717A (zh) * | 2020-10-15 | 2021-02-09 | 武汉轻工大学 | 基于神经网络的冷鲜猪肉品质预测方法 |
CN112906773A (zh) * | 2021-02-04 | 2021-06-04 | 中国农业大学 | 基于云服务的生猪屠宰线胴体品质分级和监控方法及系统 |
CN113674265A (zh) * | 2021-08-27 | 2021-11-19 | 石河子大学 | 一种基于时序变温过程中热成像和视觉成像融合的肉类品质定性检测方法 |
Non-Patent Citations (1)
Title |
---|
孙啸等, 《食品安全质量检测学报》/木质鸡胸肉生肉品质表征及检测方法研究, 29 February 2020 (2020-02-29) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111053549A (zh) | 一种智能生物信号异常检测方法及系统 | |
CN102715889B (zh) | 一种脑力负荷检测方法 | |
CN109060143B (zh) | 基于热红外技术的种猪体温监测系统及方法 | |
CN106419869A (zh) | 一种基于压电传感器的实时睡眠分期检测方法及其装置 | |
CN107506602A (zh) | 一种大数据健康预测系统 | |
CN104490407A (zh) | 一种可穿戴式心理压力评测装置及方法 | |
CN108717668A (zh) | 一种奶牛行为与生理特征物联网系统及其工作方法 | |
CN102246705A (zh) | 一种利用信号处理技术分析动物行为的方法和系统 | |
CN106725376A (zh) | 体征信号检测方法及装置 | |
CN103892830A (zh) | 一种基于人体皮肤电阻变化的情绪检测方法及系统 | |
CN115511367B (zh) | 生产线的质量智能管理系统 | |
CN113397494A (zh) | 动物体征监测装置和方法及智能可穿戴装置 | |
CN109567832A (zh) | 一种基于智能手环的检测愤怒驾驶状态的方法及系统 | |
CN104644151B (zh) | 一种基于光电容积脉搏信号的压力脉搏波波形传播预测方法 | |
CN115310804A (zh) | 基于决策层融合的飞行员情境意识判别方法和系统 | |
CN117598700B (zh) | 智能化血氧饱和度检测系统及方法 | |
Rau et al. | Developments on real-time monitoring of grazing cattle feeding behavior using sound | |
CN111513723A (zh) | 运动姿态监测方法、调整方法、装置和终端 | |
CN114970755B (zh) | 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法 | |
CN113456063B (zh) | 一种基于人工智能的死鸡病鸡检测系统及检测方法 | |
CN114970755A (zh) | 一种基于穿戴技术的鸡胸肉品质预测装置及分级方法 | |
CN108038586B (zh) | 一种河蟹养殖的水环境评价方法及系统 | |
CN116530981A (zh) | 一种基于面部识别气血状态分析系统及方法 | |
CN110123484A (zh) | 一种牲畜分娩检测方法和装置 | |
CN115770028A (zh) | 血压检测方法、系统、装置及存储介质 |
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 |