CN115359050B - 家畜采食量异常检测方法及装置 - Google Patents
家畜采食量异常检测方法及装置 Download PDFInfo
- Publication number
- CN115359050B CN115359050B CN202211277131.5A CN202211277131A CN115359050B CN 115359050 B CN115359050 B CN 115359050B CN 202211277131 A CN202211277131 A CN 202211277131A CN 115359050 B CN115359050 B CN 115359050B
- Authority
- CN
- China
- Prior art keywords
- sample
- feed intake
- behavior
- environment
- 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.)
- Active
Links
- 235000021050 feed intake Nutrition 0.000 title claims abstract description 156
- 244000144972 livestock Species 0.000 title claims abstract description 72
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 115
- 238000009395 breeding Methods 0.000 claims abstract description 57
- 230000001488 breeding effect Effects 0.000 claims abstract description 57
- 230000037406 food intake Effects 0.000 claims abstract description 40
- 235000012631 food intake Nutrition 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 230000006399 behavior Effects 0.000 claims description 182
- 230000007613 environmental effect Effects 0.000 claims description 34
- 238000012544 monitoring process Methods 0.000 claims description 30
- 239000013598 vector Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000004634 feeding behavior Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 241000282887 Suidae Species 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000002354 daily effect Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 241000282898 Sus scrofa Species 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004659 sterilization and disinfection Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及畜牧技术领域,提供一种家畜采食量异常检测方法及装置,包括:采集待测行为图像和待测环境数据;将所述待测行为图像和所述待测环境数据输入采食量异常检测模型,得到所述采食量异常检测模型输出的采食量检测结果;其中,所述采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。通过采集农场中养殖操作人员的待测行为图像和农场中家畜生长环境对应的待测环境数据,输入采食量异常检测模型,得到采食量检测结果。有效提高了对家畜头均采食量的检测准确度,同时,更准确地检测采食量异常情况,从而更精确地评估养殖场的家畜养殖状况。
Description
技术领域
本发明涉及畜牧技术领域,尤其涉及一种家畜采食量异常检测方法及装置。
背景技术
在一般农场的养殖过程中,监控在养家畜的健康情况是保证农场有优质家畜产出的重要基础,而监控各个区域农场在养家畜的每日的标准采食量是衡量其养殖状况的重要指标之一。传统的养殖场由于技术能力、监管水平、人手不足和现代化采集设备不足等现实问题导致每日统计家畜采食量的方式仅仅依靠记录业务员每日投放的饲料量。然而在实际的农场养殖环境下,家畜采食量并不完全由业务员每日投放的饲料量决定。由上述方式统计得到的家畜采食量存在误差,同时以此作为依据来评判养殖场的家畜养殖状况也是不准确的。
因此,准确地检测家畜的采食量异常情况,是未来自动化养殖工厂的基础监控手段。
发明内容
本发明提供一种家畜采食量异常检测方法及装置,用以解决现有技术中家畜采食量异常检测不准确的缺陷,实现更准确的采食量异常检测以及家畜养殖状况评估。
本发明提供一种家畜采食量异常检测方法,包括:
采集待测行为图像和待测环境数据;
将所述待测行为图像和所述待测环境数据输入采食量异常检测模型,得到所述采食量异常检测模型输出的采食量检测结果;
其中,所述采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。
根据本发明提供的一种家畜采食量异常检测方法,所述采食量异常检测模型的训练过程,包括:
采集样本行为图像和样本环境数据,所述样本环境数据包括样本环境图像和样本环境监控指标;
基于所述样本行为图像和所述样本环境数据,得到样本结构化数据;
将所述样本结构化数据和所述采食量标签数据输入所述预设的神经网络进行训练,得到所述采食量异常检测模型。
根据本发明提供的一种家畜采食量异常检测方法,所述基于所述样本行为图像和所述样本环境数据,得到样本结构化数据,包括:
基于预设的行为识别网络提取所述样本行为图像的特征,确定所述样本行为图像的养殖水平等级;
基于预设的环境识别网络,提取所述样本环境图像的环境等级;
基于所述样本行为图像的养殖水平等级、所述样本环境图像的环境等级和所述样本环境监控指标,得到所述样本结构化数据。
根据本发明提供的一种家畜采食量异常检测方法,所述基于预设的行为识别网络提取所述样本行为图像的特征,确定所述样本行为图像的养殖水平等级,包括:
对所述样本行为图像进行编码,获得所述样本行为图像的样本行为序列;
基于所述预设的行为识别网络提取所述样本行为序列的特征,得到行为特征序列;
基于所述行为特征序列,基于距离算法确定所述样本行为图像的养殖水平等级。
根据本发明提供的一种家畜采食量异常检测方法,所述行为特征序列包括操作员执行喂食行为和清洁行为的特征向量。
根据本发明提供的一种家畜采食量异常检测方法,所述环境等级包括农场的自动化等级,所述样本环境监控指标包括农场的湿度、温度和风力。
根据本发明提供的一种家畜采食量异常检测方法,所述预设的行为识别网络采用循环神经网络,所述预设的环境识别网络采用深度残差网络。
根据本发明提供的一种家畜采食量异常检测方法,所述将所述待测行为图像和所述待测环境数据输入采食量异常检测模型,得到所述采食量异常检测模型输出的采食量检测结果,包括:
将所述待测行为图像和所述待测环境数据输入采食量异常检测模型的特征提取层,生成待测结构化数据;
将所述待测结构化数据输入采食量异常检测模型的异常检测层,所述异常检测层通过Iforest异常检测算法输出所述待测结构化数据对应的采食量检测结果。
根据本发明提供的一种家畜采食量异常检测方法,所述采食量标签数据包括历史采食量和所述历史采食量对应的类别标签,所述类别标签包括采食量正常和采食量异常。
本发明还提供一种家畜采食量异常检测装置,包括:
输入模块,用于采集待测行为图像和待测环境数据;
输出模块,用于将所述待测行为图像和所述待测环境数据输入采食量异常检测模型,得到所述采食量异常检测模型输出的采食量检测结果;
其中,所述采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。
本发明提供的家畜采食量异常检测方法及装置,通过采集农场中养殖操作人员的待测行为图像和农场中家畜生长环境对应的待测环境数据,输入采食量异常检测模型,得到采食量检测结果,检测结果中包含采食量以及当前家畜采食量水平属于正常还是异常。本发明有效提高了对家畜头均采食量的检测准确度,同时,由于本发明在研究采食量时还考虑了人为因素和环境因素,因此本发明能比传统监测方式更准确地检测采食量异常情况,从而更精确地评估养殖水平。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明提供的家畜采食量异常检测方法的流程示意图;
图2是本发明提供的采食量异常检测模型的训练过程的流程示意图;
图3是本发明提供的家畜采食量异常检测装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
传统的养殖场由于技术能力、监管水平、人手不足和现代化采集设备不足等现实问题导致每日统计家畜采食量的方式仅仅是记录业务员每日投放的饲料量而从不考虑其他的环境影响,但是在实际的农场养殖情况中存在许许多多的自然环境因素、操作人员的行为因素、农场所在区域因素等影响到在养家畜的每日头均采食量,例如操作员在养殖方面的水平差异导致在养家畜的每日头均采食量不同、农场的环境温度不同导致家畜采食量产生差异、农场家畜的活动空间不同导致家畜头均采食量不同等情况。
结合上述情况,本发明实施例在全面考虑农场的各种非结构化数据后,对家畜的采食量异常情况进行合理且准确地检测,进一步还可以对农场的养殖水平进行评估,下面结合图1至图3描述本发明的家畜采食量异常检测方法。
如图1所示,方法至少包括如下步骤:
步骤101、采集待测行为图像和待测环境数据;
步骤102、将待测行为图像和待测环境数据输入采食量异常检测模型,得到采食量异常检测模型输出的采食量检测结果;
其中,采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。
针对步骤101,需要说明的是,待测行为图像可通过农场的监控视频采集,采集的对象为饲养员或操作员,采集的地点为农舍内与喂养行为有关,因此监控拍摄的重点区域为养殖区域内。待测行为图像包括一组图像,每张待测行为图像中包含的喂养行为不同。待测环境数据包括通过农场监控视频采集到的待测环境图像还包括通过各种物联网(Internet of Things,IOT)设备或传感器采集到的待测环境监控指标。除此之外,若当前待测农场可直接获取历史设计图,则可通过历史设计图获取待测环境图像。
针对步骤102,需要说明的是,样本行为图像需要通过监控采集大量的不同农场中不同操作员的喂养行为相关图像,样本环境图像需要收集农场的各个位置监控的环境照片,以检测样本的多样性保证对养殖等级和环境等级评级的准确性。采食量异常检测模型实际是一个分类模型,其输入的是结构化的农场环境数据和农场操作员行为数据,输出的是采食量是否异常的分类结果。
另外,需要说明的是,采食量标签数据中包括各农场批栋、各批次在养家畜的采食量记录,其中包括每个记录的采食量数据以及对应的正常或异常的标签。
本发明实施例的家畜采食量异常检测方法,通过采集农场中养殖操作人员的待测行为图像和农场中家畜生长环境对应的待测环境数据,输入采食量异常检测模型,得到采食量检测结果。本发明实施例有效提高了对家畜头均采食量的检测准确度,同时,由于本发明在研究采食量时还考虑了人为因素和环境因素,因此本发明能比传统监测方式更准确地检测采食量异常情况,从而更精确地评估养殖水平。
在一些实施例中,采食量异常检测模型的训练过程,如图2所示,包括:
步骤201、采集样本行为图像和样本环境数据,样本环境数据包括样本环境图像和样本环境监控指标;
步骤202、基于样本行为图像和样本环境数据,得到样本结构化数据;
步骤203、将样本结构化数据和采食量标签数据输入预设的神经网络进行训练,得到采食量异常检测模型。
需要说明的是,样本行为图像和样本环境数据属于非结构化数据,其不能直接说明农场的养殖水平和环境水平,因此,在输入神经网络进行训练前需要先对其进行结构化转换,而样本环境监控指标往往是由IOT设备检测得到的数值,其属于结构化数据可以直接输入模型进行训练。
本发明实施例的家畜采食量异常检测方法,采用深度学习框架对农场中的生长环境、养殖操作人员的行为序列等非结构数据转化为结构化数据以便于提高对农场家畜头均采食量的监控准确度。
在一些实施例中,基于样本行为图像和样本环境数据,得到样本结构化数据,包括:
步骤301、基于预设的行为识别网络提取样本行为图像的特征,确定样本行为图像的养殖水平等级;
步骤302、基于预设的环境识别网络,提取样本环境图像的环境等级;
步骤303、基于样本行为图像的养殖水平等级、样本环境图像的环境等级和样本环境监控指标,得到样本结构化数据。
需要说明的是,养殖水平等级表明某一种操作员对家畜的一些列操作性行为下对应的养殖水平,养殖水平等级可以由劣到优递增并根据需要设定为多个等级,等级越高,养殖水平越好。
作为示例性的,养殖水平等级设定为五个等级,等级1-5分别代表:极差,不及格,及格,良好,优秀。样本行为图像的行为特征包括五种,分别为,若五种均进行则养殖水平等级为优秀,五种均未进行则为养殖水平等级极差。该等级设定下采集到的一组操作员B的样本行为图像,其中,操作员B未进行标准消毒,未进行合理搅拌食物,未进行合理投喂食物,未进行清扫,也未进行开窗透风。此时,对应的养殖水平等级为1,对应极差。
另外,需要说明的是,本发明实施例中根据预设的环境识别网络,可以识别出对样本环境图像进行训练,输出样本环境图像的环境等级,此处的环境等级由历史设计图/或人工进行标注。环境等级表明对家畜的进食量有影响的某一种农场环境,环境等级可以由劣到优递增并根据需要设定为多个等级,等级越高,养殖水平越好。
作为示例性的,环境等级设定为五个等级,等级1-5分别代表:极差,不及格,及格,良好,优秀。等级越高,养殖环境越好。环境特征包括:养殖规模、养殖空间、地理位置、预估配置人员人数、预估配置空调数量等。对于各种环境特征的进行归一化后按照评分对应不同的等级,将相似的农场环境划分在同一个等级内。该等级设定下采集了农场A一组样本环境图像,其中养殖规模为6000头, 地理位置为襄阳地区,养殖空间为2平/头猪,预估配置人员人数20头/人管理,预估配置空调数量为60台,3匹空调/100平。此时,对应的环境等级为5,对应优秀。
本发明实施例的家畜采食量异常检测方法,考虑实际的农场养殖情况中存在的许许多多的自然环境因素、操作人员的行为因素、农场所在区域因素等影响到在养肥猪的每日头均采食量的多种影响因素。结合多种影响因素对检测家畜的采食量情况进行预测,能够更准确的获知异常情况的原因。
在一些实施例中,基于预设的行为识别网络提取样本行为图像的特征,确定样本行为图像的养殖水平等级,包括:
对样本行为图像进行编码,获得样本行为图像的样本行为序列;
基于预设的行为识别网络提取样本行为序列的特征,得到行为特征序列;
基于行为特征序列,基于距离算法确定样本行为图像的养殖水平等级。
需要说明的是,由于不同样本行为图像的样本行为序列代表不同的养殖水平,因此需要对样本行为图像打标签,确定行为的养殖水平等级,打标签可以通过专家经验或历史记录进行。
具体的,距离算法可以采用余弦相似度或其他距离算法。
本发明实施例的家畜采食量异常检测方法,针对不同操作员的行为序列,可以通过预设的行为识别网络将行为编码成向量特征,通过对特征向量将操作员不同的行为序列进行分类分级。
在一些实施例中,行为特征包括操作员执行喂食行为和清洁行为的特征向量。
需要说明的是,行为特征是对喂食、清洁等行为通过One-hot进行编码后提取特征后得到的特征向量。其中,喂食行为中需要监控操作员是否有标准消毒行为、是否有合理搅拌食物、是否有合理投喂食物,清理卫生中需要监控操作员是否有清扫行为、是否有开窗透风行为。
在一些实施例中,环境等级包括农场的自动化等级,样本环境监控指标包括农场的湿度、温度和风力。
需要说明的是,获取农场的自动化等级、农场的湿度、温度和风力,其目的是基于这些环境因素可以依据经验标记出不同的家畜生长情况。在某些自动化等级较低的农场中,可能未配备或较少配备有IOT设备用来检测环境监控指标,此时可以调取当地气象数据用于计算。
在一些实施例中,预设的行为识别网络采用循环神经网络,预设的环境识别网络采用深度残差网络。
需要说明的是,预设的行为识别网络在训练阶段采用孪生网络(Siamese)结构,通过嵌入层(Embedding)对操作员行为进行编码,并选择循环神经网络中的长短期记忆网络(Long Short-Term Memory,LSTM)抽取行为序列的特征向量,通过对特征向量将操作员不同的行为序列进行分类分级,得到养殖水平等级。采用LSTM网络更加适用于本发明实施例中行为识别网络的输入,对于输入的一组图像对应的行为序列特征有更好的识别效果。
行为识别网络在训练阶段包括三个阶段,首先,输入行为图像序列,将农场操作员的非结构化数据通过模型转化得到的量化序列;其次,建立损失函数,计算量化序列提取到的特征向量间的损失, 两个向量的指数密度距离,距离越大,则行为差异越大;最后,将预测结果反馈给行为识别网络的参数,其中是差距越大则行为越不相似,反之则否。
预设的环境识别网络在训练阶段采用深度残差网络(ResNet)对样本环境图片进行训练,将相似的农场环境划分在同一个等级,得到环境等级。
在一些实施例中,将待测行为图像和待测环境数据输入采食量异常检测模型,得到采食量异常检测模型输出的采食量检测结果,包括:
将所述待测行为图像和所述待测环境数据输入采食量异常检测模型的特征提取层,生成待测结构化数据;
将所述待测结构化数据输入采食量异常检测模型的异常检测层,所述异常检测层通过Iforest异常检测算法输出所述待测结构化数据对应的采食量检测结果。
需要说明的是,特征提取层中基于待测结构化数据可以获取每个农场的养殖水平等级向量和环境等级向量,最终可以获得农场的特征向量表达式。将农场的特征向量表达式输入将其输入采食量异常检测模型的异常检测层,采用监督学习的方式,可以获取每批家畜的采食量。除此之外,模型中依靠Iforest异常检测算法框架,在预测采食量的前提下进一步预测采食异常或正常。
在一些实施例中,采食量标签数据包括历史采食量和历史采食量对应的类别标签,类别标签包括采食量正常和采食量异常。
需要说明的是,历史采食量数据包括各农场批栋、各批次在养肥猪的采食量记录。历史采食量数据中环境优秀、行为规范、养殖合理,则在不同日龄的猪在合理的的采食区间正常,不同的因素可能导致标准采食区间会有变化;例如,糟糕的环境,猪采食应该在标准区间中的偏下位置。
在一些实施例中,本发明实施例的方法采用深度学习框架对农场中的肥猪生长环境、养殖操作人员的行为序列等非结构数据转化为结构化数据以便于提高对农场肥猪头均采食量的监控准确度。例如,采用农场的监控视频通过多层的卷积神经网络抽取所拍摄到的养殖环境的特征向量,将相似的肥猪生长环境可以通过业务员打标签的形式或通过农场建造的设计标准自动/半自动的匹配农场环境的相似度。针对不同操作员的行为序列,可以通过循环神经网络将行为编码成向量特征,通过对特征向量将操作员不同的行为序列进行分类分级。同时,现代化的养殖工厂中也存在各种IOT设备以监控肥猪所处环境的温度、湿度、通风情况等指标。因此,通过本实施例方法能比传统监测方式更准确的监控肥猪的采食量异常情况。
下面对本发明实施例提供的一种家畜采食量异常检测装置进行描述,下文描述的家畜采食量异常检测装置与上文描述的家畜采食量异常检测方法可相互对应参照。如图3所示,本发明实施例的家畜采食量异常检测装置,包括:
输入模块401,用于采集待测行为图像和待测环境数据;
输出模块402,用于将待测行为图像和待测环境数据输入采食量异常检测模型,得到采食量异常检测模型输出的采食量检测结果;
其中,采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。
需要说明的是,采食量异常检测模型用于提取待测行为图像的行为特征和待测环境数据中待测环境图像的环境特征,并基于行为特征、环境特征和环境指标确定采食量检测结果。
本发明提供的家畜采食量异常检测装置,通过采集农场中养殖操作人员的待测行为图像和农场中家畜生长环境对应的待测环境数据,输入采食量异常检测模型,得到采食量检测结果,检测结果中包含采食量以及当前家畜采食量水平属于正常还是异常。本发明有效提高了对家畜头均采食量的检测准确度,从而能更精确地评估农场的养殖水平。
在一些实施例中,采食量异常检测模型的训练过程,包括:
采集样本行为图像和样本环境数据,样本环境数据包括样本环境图像和样本环境监控指标;
基于样本行为图像和样本环境数据,得到样本结构化数据;
将样本结构化数据和采食量标签数据输入预设的神经网络进行训练,得到采食量异常检测模型。
在一些实施例中,基于样本行为图像和样本环境数据,得到样本结构化数据,包括:
基于预设的行为识别网络提取样本行为图像的特征,确定样本行为图像的养殖水平等级;
基于预设的环境识别网络,提取样本环境图像的环境等级;
基于样本行为图像的养殖水平等级、样本环境图像的环境等级和样本环境监控指标,得到样本结构化数据。
在一些实施例中,基于预设的行为识别网络提取样本行为图像的特征,确定样本行为图像的养殖水平等级,包括:
对样本行为图像进行编码,获得样本行为图像的样本行为序列;
基于预设的行为识别网络提取样本行为序列的特征,得到行为特征序列;
基于行为特征序列,基于距离算法确定样本行为图像的养殖水平等级。
在一些实施例中,行为特征包括操作员执行喂食行为和清洁行为的特征向量。
在一些实施例中,环境等级包括农场的自动化等级,样本环境监控指标包括农场的湿度、温度和风力。
在一些实施例中,预设的行为识别网络采用循环神经网络,预设的环境识别网络采用深度残差网络。
在一些实施例中,历史采食量数据包括各农场批栋、各批次在养肥猪的采食量记录
在一些实施例中,采食量标签数据包括历史采食量和历史采食量对应的类别标签,类别标签包括采食量正常和采食量异常。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行家畜采食量异常检测方法,该方法包括:
采集待测行为图像和待测环境数据;
将待测行为图像和待测环境数据输入采食量异常检测模型,得到采食量异常检测模型输出的采食量检测结果;
其中,采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各方法所提供的家畜采食量异常检测方法,该方法包括:
采集待测行为图像和待测环境数据;
将待测行为图像和待测环境数据输入采食量异常检测模型,得到采食量异常检测模型输出的采食量检测结果;
其中,采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的家畜采食量异常检测方法,该方法包括:
采集待测行为图像和待测环境数据;
将待测行为图像和待测环境数据输入采食量异常检测模型,得到采食量异常检测模型输出的采食量检测结果;
其中,采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种家畜采食量异常检测方法,其特征在于,包括:
采集待测行为图像和待测环境数据;
将所述待测行为图像和所述待测环境数据输入采食量异常检测模型,得到所述采食量异常检测模型输出的采食量检测结果;
其中,所述采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的;
所述采食量异常检测模型的训练过程,包括:
采集样本行为图像和样本环境数据,所述样本环境数据包括样本环境图像和样本环境监控指标;
基于所述样本行为图像和所述样本环境数据,得到样本结构化数据;
将所述样本结构化数据和所述采食量标签数据输入所述预设的神经网络进行训练,得到所述采食量异常检测模型;
所述基于所述样本行为图像和所述样本环境数据,得到样本结构化数据,包括:
基于预设的行为识别网络提取所述样本行为图像的特征,确定所述样本行为图像的养殖水平等级;
基于预设的环境识别网络,提取所述样本环境图像的环境等级;
基于所述样本行为图像的养殖水平等级、所述样本环境图像的环境等级和所述样本环境监控指标,得到所述样本结构化数据;
所述基于预设的行为识别网络提取所述样本行为图像的特征,确定所述样本行为图像的养殖水平等级,包括:
对所述样本行为图像进行编码,获得所述样本行为图像的样本行为序列;
基于所述预设的行为识别网络提取所述样本行为序列的特征,得到行为特征序列;
基于所述行为特征序列,基于距离算法确定所述样本行为图像的养殖水平等级。
2.根据权利要求1所述的家畜采食量异常检测方法,其特征在于,所述行为特征序列包括操作员执行喂食行为和清洁行为的特征向量。
3.根据权利要求1所述的家畜采食量异常检测方法,其特征在于,所述环境等级包括农场的自动化等级,所述样本环境监控指标包括农场的湿度、温度和风力。
4.根据权利要求1所述的家畜采食量异常检测方法,其特征在于,所述预设的行为识别网络采用循环神经网络,所述预设的环境识别网络采用深度残差网络。
5.根据权利要求1所述的家畜采食量异常检测方法,其特征在于,所述将所述待测行为图像和所述待测环境数据输入采食量异常检测模型,得到所述采食量异常检测模型输出的采食量检测结果,包括:
将所述待测行为图像和所述待测环境数据输入采食量异常检测模型的特征提取层,生成待测结构化数据;
将所述待测结构化数据输入采食量异常检测模型的异常检测层,所述异常检测层通过Iforest异常检测算法输出所述待测结构化数据对应的采食量检测结果。
6.根据权利要求1所述的家畜采食量异常检测方法,其特征在于,所述采食量标签数据包括历史采食量和所述历史采食量对应的类别标签,所述类别标签包括采食量正常和采食量异常。
7.一种家畜采食量异常检测装置,其特征在于,包括:
输入模块,用于采集待测行为图像和待测环境数据;
输出模块,用于将所述待测行为图像和所述待测环境数据输入采食量异常检测模型,得到所述采食量异常检测模型输出的采食量检测结果;
其中,所述采食量异常检测模型是基于样本行为图像、样本环境数据和采食量标签数据训练预设的神经网络得到的;
所述采食量异常检测模型的训练过程,包括:
采集样本行为图像和样本环境数据,所述样本环境数据包括样本环境图像和样本环境监控指标;
基于所述样本行为图像和所述样本环境数据,得到样本结构化数据;
将所述样本结构化数据和所述采食量标签数据输入所述预设的神经网络进行训练,得到所述采食量异常检测模型;
所述基于所述样本行为图像和所述样本环境数据,得到样本结构化数据,包括:
基于预设的行为识别网络提取所述样本行为图像的特征,确定所述样本行为图像的养殖水平等级;
基于预设的环境识别网络,提取所述样本环境图像的环境等级;
基于所述样本行为图像的养殖水平等级、所述样本环境图像的环境等级和所述样本环境监控指标,得到所述样本结构化数据;
所述基于预设的行为识别网络提取所述样本行为图像的特征,确定所述样本行为图像的养殖水平等级,包括:
对所述样本行为图像进行编码,获得所述样本行为图像的样本行为序列;
基于所述预设的行为识别网络提取所述样本行为序列的特征,得到行为特征序列;
基于所述行为特征序列,基于距离算法确定所述样本行为图像的养殖水平等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277131.5A CN115359050B (zh) | 2022-10-19 | 2022-10-19 | 家畜采食量异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211277131.5A CN115359050B (zh) | 2022-10-19 | 2022-10-19 | 家畜采食量异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359050A CN115359050A (zh) | 2022-11-18 |
CN115359050B true CN115359050B (zh) | 2023-02-28 |
Family
ID=84008512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211277131.5A Active CN115359050B (zh) | 2022-10-19 | 2022-10-19 | 家畜采食量异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359050B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633698B (zh) * | 2024-01-26 | 2024-04-26 | 正大农业科学研究有限公司 | 基于养殖信息的家畜采食量监测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488148A (zh) * | 2013-09-24 | 2014-01-01 | 华北电力大学(保定) | 一种基于物联网和计算机视觉的家畜行为智能监控系统 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
KR20190046163A (ko) * | 2017-10-25 | 2019-05-07 | 엘지이노텍 주식회사 | 사육장 관리 장치 및 방법 |
CN111274975A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 猪只采食行为预测方法及装置 |
CN113344101A (zh) * | 2021-06-23 | 2021-09-03 | 物观科技(无锡)有限公司 | 一种针对家畜异常行为判断的智能识别方法及其识别系统 |
-
2022
- 2022-10-19 CN CN202211277131.5A patent/CN115359050B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488148A (zh) * | 2013-09-24 | 2014-01-01 | 华北电力大学(保定) | 一种基于物联网和计算机视觉的家畜行为智能监控系统 |
CN104008367A (zh) * | 2014-05-08 | 2014-08-27 | 中国农业大学 | 基于计算机视觉的育肥猪的自动行为分析系统及方法 |
KR20190046163A (ko) * | 2017-10-25 | 2019-05-07 | 엘지이노텍 주식회사 | 사육장 관리 장치 및 방법 |
CN111274975A (zh) * | 2020-01-21 | 2020-06-12 | 中国农业大学 | 猪只采食行为预测方法及装置 |
CN113344101A (zh) * | 2021-06-23 | 2021-09-03 | 物观科技(无锡)有限公司 | 一种针对家畜异常行为判断的智能识别方法及其识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115359050A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145032B (zh) | 一种蜜蜂养殖智能监测方法与系统 | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
CN111696139B (zh) | 基于rgb图像的白羽种鸡群体体重估测系统和方法 | |
CN115359050B (zh) | 家畜采食量异常检测方法及装置 | |
CN110991222B (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN115250950B (zh) | 一种基于人工智能的畜禽养猪场巡检方法及系统 | |
CN116627082A (zh) | 一种适用于存栏量盘点的生猪养殖智能管理系统 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测系统 | |
CA3230401A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN113068657B (zh) | 一种智能化高效养猪方法及系统 | |
CN117350435A (zh) | 一种对虾工厂化养殖设备管理方法及系统 | |
González et al. | Real-time monitoring of poultry activity in breeding farms | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN117057822A (zh) | 一种蚕茧收购监管方法 | |
CN110779575A (zh) | 一种基于大数据平台的畜牧业监测系统 | |
La Madrid et al. | Real-Time Water Quality Monitoring System with Predictor for Tilapia Pond | |
CN115777560A (zh) | 一种基于机器视觉分析技术的母猪智能化饲喂系统 | |
CN115342937A (zh) | 温度异常检测方法及装置 | |
CN111713427B (zh) | 一种乳猪卫生健康状况监控系统 | |
CN109242219B (zh) | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 | |
Boyle et al. | Image-based estimation of oat panicle development using local texture patterns | |
Bastiaansen et al. | Continuous real-time cow identification by reading ear tags from live-stream video | |
Alsina-Pagès et al. | Dairy Cattle Welfare through Acoustic Analysis: Preliminary results of acoustic environment description | |
CN117934195B (zh) | 生猪全域数字智能育种系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231205 Address after: No. 17, Seventh Street, Binhai Economic and Technological Development Zone, Tianjin 300457 Patentee after: C.P. PREMIX (TIANJIN) CO.,LTD. Address before: No. 38-21045, Yuyang Road, Yukou New Energy Industrial Base, Pingguyuanyukou, Zhongguancun Science and Technology Park, Pinggu District, Beijing 101206 (cluster registration) Patentee before: Chia Tai Agricultural Science Research Co.,Ltd. |