CN116010764A - 一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法 - Google Patents
一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法 Download PDFInfo
- Publication number
- CN116010764A CN116010764A CN202211525983.1A CN202211525983A CN116010764A CN 116010764 A CN116010764 A CN 116010764A CN 202211525983 A CN202211525983 A CN 202211525983A CN 116010764 A CN116010764 A CN 116010764A
- Authority
- CN
- China
- Prior art keywords
- data
- bee
- model
- matrix space
- dimensional
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明通过人工智能领域的方法,实现了一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法。通过物联网养蜂设备将采集处理后的数据通过无线通信模块传输到云计算平台,所述云计算平台收到数据后,使用针对养蜂的模型识别算法处理数据、建立识别模型,对蜜蜂当前行为与活动状态进行识别,输出指导蜂农作业的信息。模型识别算法采用快速识别蜜蜂行为的多级矩阵空间优化算法,构建基于蜜蜂活动数据的多级多维矩阵空间提供解蜜蜂活动和所需实施的操作的信息。本发明提供的方法通过对蜜蜂行为记录、蜂农工作记录构建的多级矩阵空间进行计算,形成快速识别蜜蜂行为的识别模型,指导蜂农养蜂生产活动。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法。
背景技术
本发明专利提出了一种基于物联网数据采集,快速识别蜜蜂行为的多级矩阵空间优化算法,通过对采集物联网数据、蜜蜂行为记录、蜂农工作记录构建的多级矩阵空间进行计算,形成快速识别蜜蜂行为的识别模型,并将模型应用到实时采集数据的分析和行为识别中,指导蜂农饲喂蜜蜂、繁育蜜蜂、分群、取蜜、加继箱、酿制成熟蜜、防治病害等养蜂生产活动。
本专利目的在于解决如下的技术问题:
分析影响蜜蜂行为因素,构建多维矩阵空间,采用分级多维矩阵空间算法,快速识别蜜蜂行为和蜂农操作;
通过物联网采集多种传感器采集蜜蜂蜂箱内的温湿度、音频、蜜蜂进出蜂门的次数\频率、蜂箱的重量\蜂箱内巢脾的重量、气象数据等多维度数据,结合现场人工采集的工作记录、蜂群状态等数据构建多级多维矩阵空间,以上各种数据类型构成多维空间的维度因子;
分级形成4维、6维和9维矩阵空间,对每条采集数据进行分级多维空间方格标注;
对多级多维空间的每个方格空间内的数据进行拟合计算,形成代表该方格空间的标准行为曲线或标准音频曲线;
对测试验证过的曲线和相应空间方格的多维维度因子进行空间定义,形成识别模型;
模型识别算法将标准的蜜蜂行为模型与实时采集的数据进行分级矩阵空间差值计算,快速识别蜜蜂当前的实时行为和需要进行的操作,提供给蜂农参考;
蜂农了解平台发布的蜜蜂行为,指导其养蜂生产活动,减少蜂农在养蜂场巡查蜜蜂活动的工作,更准确的指导蜂农生产;
蜜蜂行为识别模型在蜂农的实际使用中深度学习和进化;
发明内容
为此,本发明提供一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,通过物联网养蜂设备将采集处理后的数据通过无线通信模块传输到云计算平台,所述云计算平台收到数据后,使用针对养蜂的模型识别算法处理数据、建立识别模型,对蜜蜂当前行为与活动状态进行识别,输出指导蜂农作业的信息。
所述物联网养蜂设备包括:蜂箱、音频传感器、温湿度传感器、电子蜂门传感器或出入计数传感器、称重传感器、采集计算和传输主机、太阳能电池板。
所述模型识别算法采用快速识别蜜蜂行为的多级矩阵空间优化算法,首先读取所述云计算平台收到的蜜蜂进出蜂门的数量、蜂箱的重量、蜂箱内的音频构成的蜜蜂活动数据,以及蜂箱内的温度和湿度,进行数据预处理和数据存储;而后构建基于蜜蜂活动数据的多级多维矩阵空间,并执行数据空间分级关联标注操作以及分级多维矩阵空间曲线计算操作;之后利用得到的空间曲线作为基础,分级建立多维矩阵空间识别模型并进行数据模型深度学习优化,利用优化后的模型执行实时数据动态行为的分级识别操作,并利用蜂箱内的温度和湿度信息建立二维矩阵空间进行分析,筛选出的模型所对应的蜜蜂活动和蜂农活动,提供了解蜜蜂活动和所需实施的操作的信息。
所述数据预处理方法具体为:首先读取各种传感器数据,识别错误数据进行清洗,对清洗的数据保留数据位并进行清洗标注,之后根据数据的时间戳,识别数据的丢失,对丢失的数据空出数据位并进行丢失标注;
所述数据存储方法:首先根据各自数据的特征,建立不同的数据库及数据表,实时采集的音频数据和蜜蜂出入蜂门的数据,并根据其他数据采集的时间间隔,对所述音频数据和蜜蜂出入蜂门的数据建立分段存储表单,之后将数据按照数据表中的格式、类型完整进行存储,并将各数据表间通过蜂箱设备编号、时间戳进行数据关联。
所述构建多级多维矩阵空间方法具体为:首先根据蜂箱中蜂群的活动情况建立“蜂群行为类型”,之后根据蜂农对蜂箱的操作情况建立“蜂农操作类型”,并对气象数据进行分段;按影响蜜蜂行为的重要性,对气象数据类型气温、湿度、雨量、风力、光照、气压进行分级,第一级包括:雨量;第二级:风力、气温;第三级湿度、光照、气压;最后建立基于蜂群行为类型、蜂农操作类型、气象数据类型和季节的全集多维空间矩阵,建立9维矩阵空间的空间方格,方格的个数为:其中N1代表蜂箱日志记录的蜂群活动种类,N2代表蜂农日志中操作种类,N3代表一年四季中的季节,N4-N9代表各气象数据分段数,每个方格设置一个独立的“蜜蜂行为方格编号”,并根据气象数据类型的分级,建立多级多维矩阵空间。
所述蜂群行为类型包括:正常采蜜、蜂闹、自然分群、逃逸、抵御外敌入侵、产生新的蜂王、繁育、生病、+怠工;所述蜂农操作类型包括:开箱巡查、取脾观察蜂王或蜂群情况、饲喂蜜蜂、取蜜、增加继箱、人工分群、合群、搬运蜂箱、给蜂箱保温。
所述建立多级多维矩阵空间的具体方法为:第一级:4维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量;4D=[‘BeeAct’,‘BeeFAct’,‘Season’,
第二级:6维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量、风力、气温;6D=[‘BeeAct’,‘BeeFAct’,‘Season’,‘Rain’,‘Wind’,‘Tempe’],X=[n][6],其中n表示单条数据的采集数量,矩阵方格的个数:
第三级为全集9维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量、风力、气温、湿度、气压、光照;9D=[‘BeeAct’,‘BeeFAct’,‘Season’,‘Rain’,‘Wind’,‘Tempe’,‘Humi’,‘Press’,‘Illumi’],X=[n][9],其中n表示单条数据的采集数量,矩阵方格的个数:
所述数据空间分级关联标注操作的具体过程为:首先在云计算平台的运营管理业务中,录入每天的蜂箱日志和蜂农工作日志,之后在云计算平台采集每天的物联网气象站数据,并计算每天的气象数据平均值,而后将采集的所述蜂箱日志和蜂农工作日志、所述气象数据以“天.蜂箱”为单位,分级对应到4维矩阵空间、6维矩阵空间、9维矩阵空间的相应方格中,对相应日期采集的蜜蜂进出次数、蜂脾重量数据关联相应方格的“行为编号”,之后按音频数据的音频值大小对音频数据进行分段,计算蜂箱内每个区间音频相对稳定的平均时间长度,定义为该区间的“单位时间”,并将采集的温湿度以“单位时间.蜂箱”为单位,对应到二维矩阵空间的相应方格中,对相应时间片段采集的音频数据关联相应的“环境编号”。
所述蜂箱日志和蜂农工作日志内容包括:日期、蜂箱编号、蜂箱中蜂群的活动情况类型、蜂农对蜂箱的操作类型;所述物联网气象站数据包括日期、气温、湿度、雨量、风力、光照、气压;所述气象数据平均值包括平均气温、平均湿度、当天总降雨量、平均风力、平均光照、平均气压。
所述分级多维矩阵空间曲线计算操作的具体过程为:步骤一,按照4维、6维、9维矩阵空间分级计算,从4维矩阵空间开始计算,将4维、6维、9维矩阵空间的每个方格中的所有蜂箱数据分为训练数据和测试数据,每个方格的训练数据不少于50天数据,每个方格中的测试数据不少于5天数据,满足条件的方格数据,继续进行步骤二计算;步骤二,将蜜蜂进出次数按数据采集间隔进行计算,计算出每时间间隔的蜜蜂进出蜂门频率,在将数据进行归一化处理,消除蜂箱间蜂群强弱的差异,并将计算的处理后的频率数据存入中间数据表中;步骤三,将蜂箱内蜂脾的相关数据进行类去皮操作,即最低重量数据置位为标准0值,其他数据减去标准0值所对应的重量数据,然后进行归一化处理,将归一化处理的重量数据存入中间数据表中;步骤四,读取进出频率数据与蜂箱蜂脾重量变化数据的中间数据,按照相同的时间轴绘制时间变化曲线;步骤五,将4维、6维、9维矩阵空间的符合条件的方格中的训练数据所对应的曲线矩阵进行拟合运算:其中Xi为m×2的二维行为矩阵,n表示用于训练的数据条数,m表示单条数据的采集数量,二维是指蜜蜂进出频率、蜂脾重量变化两个维度,X为拟合后的二维行为矩阵,并绘制每个方格的“标准蜜蜂行为曲线”,简称“行为曲线”;步骤六,将温湿度二维空间中的每个方格的“环境编号”所对应的音频数据划分为训练数据和测试数据;步骤七,每个方格的训练数据不少于50“单位时间”段数据,每个方格中的测试数据不少于5“单位时间”段数据,满足条件的方格数据,继续步骤八计算;步骤八,读取符合条件的“环境编号”所对应的音频数据,绘制相应时间片段的“蜂箱环境音频变化曲线”;步骤九,将温湿度二维空间方格中的所有变化曲线进行拟合运算:为音频变化曲线向量,n表示用于训练的数据条数,m表示单条数据的采集数量,即音频数据的数量,输出Y为拟合后的音频变化曲线,简称“音频曲线”。
所述分级建立多维矩阵空间识别模型的具体方法为:步骤一,以4维、6维、9维矩阵空间的符合条件的方格中的所述“行为曲线“为基础,读取该空间方格所对应的气象变量取值和季节取值,定义为“行为曲线条件边界”,简称“条件边界”;步骤二,分级将4维、6维、9维矩阵空间中相应于的方格中的测试数据与模型曲线进行差值运算,计算出平均差值,即模型对蜜蜂行为活动识别误差,简称“行为识别误差”:
其中Xi代表第i个空间方格中的拟合行为曲线,Xi,j代表第i个空间方格中第j条测试数据,误差值Loss(i)小于初始设定的门限值,则成功在“条件边界”内建立“蜜蜂行为识别模型”,简称“行为模型”:
ActM(i)=Xi,(N3[i1,i2],N4[i3,i4],N5[i5,i6],N6[i7,i8],N7[i9,i10],N8[i11,i12],N9[i13,i14])
其中,N3(i1,i2),…N9(i13,i14)是行为模型的空间定义;步骤三,以温湿度环境二维空间的符合条件的方格中的音频曲线为基础,建立“温湿度与音频关系模型”,简称“音频模型”,模型包括波形、时长和环境“条件边界”;步骤四,将温湿度环境二维矩阵空间中相应于的方格中的音频测试数据与模型曲线进行差值运算,计算出平均差值,即模型对蜜蜂温湿度调节行为的识别误差,简称“音频识别误差”,误差值小于初始设定的门限值,则成功在“条件边界”内建立“音频模型”:
VocM(i)=Yi,(N3[i1,i2],N4[i3,i4])
其中,N3(i1,i2),N4(i3,i4)是音频模型的空间定义;步骤五,通过“识别误差”判断数据模型有效性、对模型进行优化,并排出错误的模型修正数据;根据“识别误差”的有效性和准确性定义“有效识别临界值”=有效识别的最高“识别误差”数值。
所述数据模型深度学习优化的具体方法为:首先设计反馈节点;通过读取模型使用过程中的反馈数据,判断模型的有效性和准确性,对相应的采集数据进行标识;积累到一定数量的标示数据,形成训练数据和测试数据,再次训练模型,使用差值运算和损失函数递归优化模型。
所述反馈节点包括使用评价、功能重复使用频率、使用时间、信息转发、信息重复查看次数。
所述实时数据动态行为的分级识别的具体方法为:
步骤一,实时采集蜂箱数据、气象数据,进行预处理和预计算;
步骤二,根据气象数据在4维、6维和9维矩阵空间中,分级分批筛选出当前气象条件下的所有模型;
其中在4维矩阵空间运算的具体方法为:首先将采集的数据与4维模型中相应时间段的模型数据进行差值运算,运算公式为:Loss=(X-Y)2,其中X为识别模型曲线,Y为实时采集的数据曲线,输出所有模型对当前采集数据的“行为识别误差”Loss;之后筛选出“行为识别误差”低于“有效识别临界值”的所有模型;如果没有模型筛选出来,进入下一级识别运算,即6维矩阵空间识别运算;如果有模型筛选出来,跳转到步骤三;
在6维矩阵空间运算的具体方法为:首先将采集的数据与6维模型中相应时间段的模型数据进行差值运算,输出所有模型对当前采集数据的“行为识别误差”;之后筛选出“行为识别误差”低于“有效识别临界值”的所有模型;如果没有模型筛选出来,进入下一级识别运算,即9维矩阵空间识别运算;如果有模型筛选出来,跳转到步骤三;
在9维矩阵空间运算的具体方法为:首先将采集的数据与9维模型中相应时间段的模型数据进行差值运算,输出所有模型对当前采集数据的“行为识别误差”;之后筛选出“行为识别误差”低于“有效识别临界值”的所有模型;如果没有模型筛选出来,则本次识别失败,结束识别;如果有模型筛选出来,跳转到步骤三;
步骤三,按照“行为识别误差”Loss值从低到高,依次输出筛选出的所有模型;
步骤四,按照输出模型的顺序,依次输出最终识别结果,即筛选出的模型所对应的蜜蜂活动和蜂农活动,为蜂农实时了解蜜蜂活动和所需实施的操作提供参考依据;
步骤五,环境调节行为识别,具体识别方法为:首先实时采集蜂箱内音频数据和温湿度数据;之后在温湿度环境二维矩阵空间中,根据温湿度数据找到实时数据片段所在的方格及其对应的音频模型;最后根据实时数据片段与模型数据进行差值运算,识别当前蜜蜂的蜂箱温湿度环境调节行为是否正常,差值达到或超过有效识别临界值,预警蜜蜂的环境调节行为异常。
本发明所要实现的技术效果在于:
提出一种基于物联网数据采集,快速识别蜜蜂行为的多级矩阵空间优化算法,通过对采集物联网数据、蜜蜂行为记录、蜂农工作记录构建的多级矩阵空间进行计算,形成快速识别蜜蜂行为的识别模型,并将模型应用到实时采集数据的分析和行为识别中,指导蜂农饲喂蜜蜂、繁育蜜蜂、分群、取蜜、加继箱、酿制成熟蜜、防治病害等养蜂生产活动。
附图说明
图1数据采集与识别模型算法;
图2智能养蜂设备;
图3多级矩阵空间优化算法概要流程;
图4有效识别临界值变化趋势图;
图5多维矩阵空间分级识别算法流程图;
具体实施方式
以下是本发明的优选实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于此实施例。
本发明提出了一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,是基于物联网数据采集,快速识别蜜蜂行为的多级矩阵空间优化方法。
方法基于的系统平台拓扑图由图1所示,物联网养蜂设备将采集处理后的数据通过无线通信模块传输到云计算平台,计算平台收到数据后,按模型识别算法处理数据、建立识别模型和实时识别蜜蜂当前行为与活动状态,指导蜂农工作。
物联网养蜂设备包括:蜂箱、音频传感器、温湿度传感器、电子蜂门传感器(/出入计数传感器)、称重传感器、采集计算和传输主机、太阳能电池板等;如图2所示。
本发明采用基于多级矩阵空间的优化算法,用于快速识别蜜蜂行为的采用多级矩阵空间优化方法的养蜂的模型识别算法,其总流程图如图3。
首先读取所述云计算平台收到的数据,进行数据预处理和数据存储;而后构建基于蜜蜂活动数据的多级多维矩阵空间,并执行数据空间分级关联标注操作以及分级多维矩阵空间曲线计算操作;之后利用得到的空间曲线作为基础,分级建立多维矩阵空间识别模型并进行数据模型深度学习优化,利用优化后的模型执行实时数据动态行为的分级识别操作,筛选出的模型所对应的蜜蜂活动和蜂农活动,提供了解蜜蜂活动和所需实施的操作的信息。
其中具体而言各具体模块如下:
一、数据预处理:
步骤1,读取各种传感器数据,识别错误数据进行清洗,对清洗的数据保留数据位并进行清洗标注;
步骤2,根据数据的时间戳,识别数据的丢失,对丢失的数据空出数据位并进行丢失标注;
二、数据存储:
步骤1,根据各自数据的特征,建立不同的数据库及数据表,例如实时采集的音频数据和蜜蜂出入蜂门的数据,数据采集间隔短,数据量大,需要根据其他数据采集的时间间隔,建立分段存储表单,便于后期数据对比处理;
步骤2,将数据按照数据表中的格式、类型完整进行存储;
步骤3,各数据表间通过蜂箱设备编号、时间戳等进行数据关联,便于后期的数据多级多维矩阵空间计算
三、构建多级多维矩阵空间:
步骤1,根据蜂箱中蜂群的活动情况建立“蜂群行为类型”,包括:正常采蜜、蜂闹、自然分群、逃逸、抵御外敌入侵、产生新的蜂王、繁育、生病、+怠工等
步骤2,根据蜂农对蜂箱的操作情况建立“蜂农操作类型”,包括:开箱巡查、取脾观察蜂王或蜂群情况、饲喂蜜蜂、取蜜、增加继箱、人工分群、合群、搬运蜂箱、给蜂箱保温等;
步骤3,对气象数据进行分段,例如:雨量分为三段:无雨(日降雨量小于5mm)、小雨(日降雨量小于15mm)、大雨(日降雨量大于15mm);气温分为八段:-20℃以下、-20℃—-10℃、-10℃—0℃、0℃—10℃、10℃—20℃、20℃—30℃、30℃—40℃、40℃以上;等等
步骤4,按影响蜜蜂行为的重要性,对气象数据类型气温、湿度、雨量、风力、光照、气压进行分级重要性减弱。第一级包括:雨量;第二级:风力、气温;第三级湿度、光照、气压;
步骤5,建立基于蜂群行为类型、蜂农操作类型、气象数据类型(气温、湿度、雨量、风力、光照、气压)和季节(一年四季)的全集多维空间矩阵,即9维矩阵空间;建立9维矩阵空间的空间方格,方格的个数:=
(N1代表蜂箱日志记录的蜂群活动种类,N2代表蜂农日志中操作种类,N3代表一年四季中的季节,N4-N9代表各气象数据分段数),每个方格设置一个独立的“蜜蜂行为方格编号”,简称“行为编号”code.
步骤6,由于9维矩阵空间的需要的数据量和计算量巨大,为提高运算效率,降低系统的数据门槛,根据气象数据类型的分级,建立多级多维矩阵空间:
第一级:4维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量;
第二级:6维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量、风力、气温;6D=[‘BeeAct’,‘BeeFAct’,‘Season’,‘Rain’,‘Wind’,‘Tempe’],X=[n][6];(n表示单条数据的采集数量)矩阵方格的个数:
第三级为全集9维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量、风力、气温、湿度、气压、光照;9D=[‘BeeAct’,‘BeeFAct’,‘Season’,‘Rain’,‘Wind’,
四、数据空间分级关联标注;
步骤1,在云计算平台的运营管理业务中,录入每天的蜂箱日志和蜂农的工作日志,日志包括:
日期、蜂箱编号、蜂箱中蜂群的活动情况类型、蜂农对蜂箱的操作类型;
步骤2,在云计算平台采集每天的物联网气象站数据,包括日期、气温、湿度、雨量、风力、光照、气压等,计算每天的气象数据平均值,包括平均气温、平均湿度、当天总降雨量、平均风力、平均光照、平均气压等;;
步骤3,将采集的蜂箱日志、蜂农日志和气象数据以“天.蜂箱”为单位,分级对应到4维矩阵空间、6维矩阵空间、9维矩阵空间的相应方格中,对相应日期采集的蜜蜂进出次数、蜂脾重量数据关联相应方格的“行为编号”。
步骤4,按音频数据的音频值大小对音频数据进行分段,计算蜂箱内每个区间音频相对稳定的平均时间长度,定义为该区间的“单位时间”;
步骤5,将采集的温湿度以“单位时间.蜂箱”为单位,对应到二维矩阵空间的相应方格中,对相应时间片段采集的音频数据关联相应的“环境编号”。
五、分级多维矩阵空间曲线计算;
步骤1,按照4维、6维、9维矩阵空间分级计算,从4维矩阵空间开始计算;
步骤2,将4维、6维、9维矩阵空间的每个方格中的所有蜂箱数据分为训练数据和测试数据,每个方格的训练数据不少于50天数据,每个方格中的测试数据不少于5天数据,满足条件的方格数据,继续下面的计算;
步骤3,将蜜蜂进出次数按数据采集间隔进行计算,计算出每时间间隔的蜜蜂进出蜂门频率,在将数据进行归一化处理,消除蜂箱间蜂群强弱的差异,并将计算的处理后的频率数据存入中间数据表中;
步骤4,将蜂箱中的蜂脾的数据进行类去皮操作(最低重量数据置位标准0值,其他数据减去标准0值所对应的重量数据),然后在进行归一化处理(目的也是消除蜂箱间蜂群强弱的差异),将归一化处理的重量数据存入中间数据表中;
步骤5,读取进出频率数据与蜂箱蜂脾重量变化数据的中间数据,按照相同的时间轴绘制时间变化曲线;
步骤6,将4维、6维、9维矩阵空间的符合条件(55天以上的数据)的方格中的训练数据所对应的曲线矩阵进行拟合运算:
Xi为m×2的二维行为矩阵(n表示用于训练的数据条数,m表示单条数据的采集数量,二维是指蜜蜂进出频率、蜂脾重量变化两个维度),X为拟合后的二维行为矩阵。绘制每个方格的“标准蜜蜂行为曲线”,简称“行为曲线”;
步骤7,将温湿度二维空间中的每个方格的“环境编号”所对应的音频数据划分为训练数据和测试数据;每个方格的训练数据不少于50段(即“单位时间”段)数据,每个方格中的测试数据不少于5段数据,满足条件的方格数据,继续下面的计算;
步骤8,读取符合条件的“环境编号”所对应的音频数据,绘制相应时间片段的“蜂箱环境音频变化曲线”;
步骤9,将温湿度二维空间方格中的所有变化曲线进行拟合运算:
Yi为音频变化曲线向量(n表示用于训练的数据条数,m表示单条数据的采集数量,即音频数据的数量),输出Y为拟合后的音频变化曲线,简称“音频曲线”
六、分级建立多维矩阵空间识别模型:
步骤1,以4维、6维、9维矩阵空间的符合条件的方格中的“行为曲线“为基础,读取该空间方格所对应的气象变量取值和季节取值,定义为“行为曲线条件边界”,简称“条件边界”。
步骤2,分级将4维、6维、9维矩阵空间中相应于的方格中的测试数据与模型曲线进行差值运算,计算出平均差值,即模型对蜜蜂行为活动识别误差,简称“行为识别误差”:
(Xi代表第i个空间方格中的拟合行为曲线,Xi,j代表第i个空间方格中第j条测试数据)。误差值Loss(i)小于初始设定的门限值,则成功在“条件边界”内建立“蜜蜂行为识别模型”,简称“行为模型”:
ActM(i)=Xi,(N3[i1,i2],N4[i3,i4],N5[i5,i6],N6[i7,i8],N7[i9,i10],N8[i11,i12],N9[i13,i14])
(N3(i1,i2),…N9(i13,i14)是行为模型的空间定义)。
步骤3,以温湿度环境二维空间的符合条件的方格中的音频曲线为基础,建立“温湿度与音频关系模型”,简称“音频模型”,模型包括波形、时长和环境“条件边界”。
步骤4,将温湿度环境二维矩阵空间中相应于的方格中的音频测试数据与模型曲线进行差值运算,计算出平均差值,即模型对蜜蜂温湿度调节行为的识别误差,简称“音频识别误差”。误差值小于初始设定的门限值,则成功在“条件边界”内建立“音频模型”:
VocM(i)=Yi,(N3[i1,i2],N4[i3,i4])
(N3(i1,i2),N4(i3,i4)是音频模型的空间定义)。
步骤5,“识别误差”是判断数据模型有效性的重要依据,也是不断优化模型的指标指向,持续在使用中不断优化,并排出一些错误的模型修正数据。
步骤6,“识别误差”数值越大,识别的有效性和准确性越低,反之识别有效性和准确性越高;
步骤7,根据“识别误差”的有效性和准确性定义“有效识别临界值”=有效识别的最高“识别误差”数值。随着模型的不断优化,“有效识别临界值”也不断缩小,其变化趋势如图4所示。
七、数据模型深度学习优化
步骤1,模型在使用过程中的自我学习、自我修正、自我完善,是模型深度学习优化的主要形式;
步骤2,在模型的使用流程中,设计一些模型使用反馈节点,如使用评价、功能重复使用频率、使用时间、信息转发、信息重复查看次数等反馈信息。
步骤3,通过读取模型使用过程中的反馈数据,判断模型的有效性和准确性,对相应的采集数据进行标识;
步骤4,积累到一定数量的标示数据,形成训练数据和测试数据,再次训练模型,使用差值运算和损失函数递归优化模型;
步骤5,“识别误差”是学习优化的唯一衡量指标,不断减低“识别误差”是深度学习优化的方向;
八、实时数据动态行为的分级识别
步骤1,实时采集蜂箱数据、气象数据,进行预处理和预计算。
步骤2,根据气象数据在4维、6维和9维矩阵空间中,分级分批筛选出当前气象条件下的所有模型;
步骤3,4维矩阵空间运算
首先,将采集的数据与4维模型中相应时间段的模型数据进行差值运算,运算公式为:Loss=(X-Y)2(X为识别模型曲线,Y为实时采集的数据曲线),输出所有模型对当前采集数据的“行为识别误差”Loss;
之后筛选出“行为识别误差”低于“有效识别临界值”的所有模型;
如果没有模型筛选出来,进入下一级识别运算,即6维矩阵空间识别运算;如果有模型筛选出来,跳转到步骤4。
6维矩阵空间运算
首先将采集的数据与6维模型中相应时间段的模型数据进行差值运算,输出所有模型对当前采集数据的“行为识别误差”;
筛选出“行为识别误差”低于“有效识别临界值”的所有模型;
如果没有模型筛选出来,进入下一级识别运算,即9维矩阵空间识别运算;如果有模型筛选出来,跳转到步骤4。
9维矩阵空间运算
首先将采集的数据与9维模型中相应时间段的模型数据进行差值运算,输出所有模型对当前采集数据的“行为识别误差”;
筛选出“行为识别误差”低于“有效识别临界值”的所有模型;
如果没有模型筛选出来,则本次识别失败,结束识别;如果有模型筛选出来,跳转到步骤4。
步骤4,按照“行为识别误差”Loss值从低到高,依次输出筛选出的所有模型;
步骤5,按照输出模型的顺序,依次输出最终识别结果,即筛选出的模型所对应的蜜蜂活动和蜂农活动,为蜂农实时了解蜜蜂活动和所需实施的操作提供参考依据;
步骤6,环境调节行为识别:
实时采集蜂箱内音频数据和温湿度数据;
在温湿度环境二维矩阵空间中,根据温湿度数据找到实时数据片段所在的方格及其对应的音频模型;
实时数据片段与模型数据进行差值运算,识别当前蜜蜂的蜂箱温湿度环境调节行为是否正常(差值达到或超过有效识别临界值,预警蜜蜂的环境调节行为异常)
步骤7,多维矩阵空间分级行为识别流程图如图5。
Claims (10)
1.一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:通过物联网养蜂设备将采集处理后的数据通过无线通信模块传输到云计算平台,所述云计算平台收到数据后,使用针对养蜂的模型识别算法处理数据、建立识别模型,对蜜蜂当前行为与活动状态进行识别,输出指导蜂农作业的信息。
2.如权利要求1所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述物联网养蜂设备包括:蜂箱、音频传感器、温湿度传感器、电子蜂门传感器或出入计数传感器、称重传感器、采集计算和传输主机、太阳能电池板。
3.如权利要求1所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述模型识别算法采用快速识别蜜蜂行为的多级矩阵空间优化算法,首先读取所述云计算平台收到的蜜蜂进出蜂门的数量、蜂箱的重量、蜂箱内的音频构成的蜜蜂活动数据,以及蜂箱内的温度和湿度,进行数据预处理和数据存储;而后构建基于蜜蜂活动数据的多级多维矩阵空间,并执行数据空间分级关联标注操作以及分级多维矩阵空间曲线计算操作;之后利用得到的空间曲线作为基础,分级建立多维矩阵空间识别模型并进行数据模型深度学习优化,利用优化后的模型执行实时数据动态行为的分级识别操作,并利用蜂箱内的温度和湿度信息建立二维矩阵空间进行分析,筛选出的模型所对应的蜜蜂活动和蜂农活动,提供了解蜜蜂活动和所需实施的操作的信息。
4.如权利要求3所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述数据预处理方法具体为:首先读取各种传感器数据,识别错误数据进行清洗,对清洗的数据保留数据位并进行清洗标注,之后根据数据的时间戳,识别数据的丢失,对丢失的数据空出数据位并进行丢失标注;
所述数据存储方法:首先根据各自数据的特征,建立不同的数据库及数据表,实时采集的音频数据和蜜蜂出入蜂门的数据,并根据其他数据采集的时间间隔,对所述音频数据和蜜蜂出入蜂门的数据建立分段存储表单,之后将数据按照数据表中的格式、类型完整进行存储,并将各数据表间通过蜂箱设备编号、时间戳进行数据关联。
5.如权利要求3所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述构建多级多维矩阵空间方法具体为:首先根据蜂箱中蜂群的活动情况,以蜜蜂进出蜂门的数量、蜂箱的重量、蜂箱内的音频构成的蜜蜂活动数据建立“蜂群行为类型”,之后根据蜂农对蜂箱的操作情况建立“蜂农操作类型”,并对气象数据进行分段;按影响蜜蜂行为的重要性,对气象数据类型气温、湿度、雨量、风力、光照、气压进行分级,第一级包括:雨量;第二级:风力、气温;第三级湿度、光照、气压;最后建立基于蜂群行为类型、蜂农操作类型、气象数据类型和季节的全集多维空间矩阵,建立9维矩阵空间的空间方格,方格的个数为:其中N1代表蜂箱日志记录的蜂群活动种类,N2代表蜂农日志中操作种类,N3代表一年四季中的季节,N4-N9代表各气象数据分段数,每个方格设置一个独立的“蜜蜂行为方格编号”,并根据气象数据类型的分级,进而建立矩阵空间;
所述建立矩阵空间的具体方法为:第一级:4维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量;4D=[‘BeeAct’,‘BeeFAct’,‘Season’,‘Rain’],X=[n][4],其中n表示单条数据的采集数量,矩阵方格的个数:
第二级:6维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量、风力、气温;6D=[‘BeeAct’,‘BeeFAct’,‘Season’,
第三级为全集9维矩阵空间,维度因子包括蜂群行为类型、蜂农操作类型、季节、雨量、风力、气温、湿度、气压、光照;9D=[‘BeeAct’,‘BeeFAct’,‘Season’,‘Rain’,‘Wind’,‘Tempe’,‘Humi’,‘Press’,
6.如权利要求5所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述数据空间分级关联标注操作的具体过程为:首先在云计算平台的运营管理业务中,录入每天的蜂箱日志和蜂农工作日志,之后在云计算平台采集每天的物联网气象站数据,并计算每天的气象数据平均值,而后将采集的所述蜂箱日志和蜂农工作日志、所述气象数据以“天.蜂箱”为单位,分级对应到4维矩阵空间、6维矩阵空间、9维矩阵空间的相应方格中,对相应日期采集的蜜蜂进出次数、蜂脾重量数据关联相应方格的“行为编号”,之后按所述音频数据的音频值大小对音频数据进行分段,计算蜂箱内每个区间音频相对稳定的平均时间长度,定义为该区间的“单位时间”,并将采集的温湿度以“单位时间.蜂箱”为单位,对应到二维矩阵空间的相应方格中,对相应时间片段采集的音频数据关联相应的“环境编号”。
7.如权利要求6所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述蜂箱日志和蜂农工作日志内容包括:日期、蜂箱编号、蜂箱中蜂群的活动情况类型、蜂农对蜂箱的操作类型;所述物联网气象站数据包括日期、气温、湿度、雨量、风力、光照、气压;所述气象数据平均值包括平均气温、平均湿度、当天总降雨量、平均风力、平均光照、平均气压。
8.如权利要求7所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述分级多维矩阵空间曲线计算操作的具体过程为:步骤一,按照4维、6维、9维矩阵空间分级计算,从4维矩阵空间开始计算,将4维、6维、9维矩阵空间的每个方格中的所有蜂箱数据分为训练数据和测试数据,每个方格的训练数据不少于50天数据,每个方格中的测试数据不少于5天数据,满足条件的方格数据,继续进行步骤二计算;步骤二,将蜜蜂进出次数按数据采集间隔进行计算,计算出每时间间隔的蜜蜂进出蜂门频率,在将数据进行归一化处理,消除蜂箱间蜂群强弱的差异,并将计算的处理后的频率数据存入中间数据表中;步骤三,将蜂箱蜂脾的数据进行类去皮操作,即最低重量数据置位为标准0值,其他数据减去标准0值所对应的重量数据,然后进行归一化处理,将归一化处理的重量数据存入中间数据表中;步骤四,读取进出频率数据与蜂箱蜂脾重量变化数据的中间数据,按照相同的时间轴绘制时间变化曲线;步骤五,将4维、6维、9维矩阵空间的符合条件的方格中的训练数据所对应的曲线矩阵进行拟合运算:其中Xi为m×2的二维行为矩阵,n表示用于训练的数据条数,m表示单条数据的采集数量,二维是指蜜蜂进出频率、蜂脾重量变化两个维度,X为拟合后的二维行为矩阵,并绘制每个方格的“标准蜜蜂行为曲线”,简称“行为曲线”;步骤六,将温湿度二维空间中的每个方格的“环境编号”所对应的音频数据划分为训练数据和测试数据;步骤七,每个方格的训练数据不少于50“单位时间”段数据,每个方格中的测试数据不少于5“单位时间”段数据,满足条件的方格数据,继续步骤八计算;步骤八,读取符合条件的“环境编号”所对应的音频数据,绘制相应时间片段的“蜂箱环境音频变化曲线”;步骤九,将温湿度二维空间方格中的所有变化曲线进行拟合运算:为音频变化曲线向量,n表示用于训练的数据条数,m表示单条数据的采集数量,即音频数据的数量,输出Y为拟合后的音频变化曲线,简称“音频曲线”。
9.如权利要求8所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述分级建立多维矩阵空间识别模型的具体方法为:步骤一,以4维、6维、9维矩阵空间的符合条件的方格中的所述“行为曲线“为基础,读取该空间方格所对应的气象变量取值和季节取值,定义为“行为曲线条件边界”,简称“条件边界”;步骤二,分级将4维、6维、9维矩阵空间中相应于的方格中的测试数据与模型曲线进行差值运算,计算出平均差值,即模型对蜜蜂行为活动识别误差,简称“行为识别误差”:
其中Xi代表第i个空间方格中的拟合行为曲线,Xi,j代表第i个空间方格中第j条测试数据,误差值Loss(i)小于初始设定的门限值,则成功在“条件边界”内建立“蜜蜂行为识别模型”,简称“行为模型”:
ActM(i)=Xi,(N3[i1,i2],N4[i3,i4],N5[i5,i6],N6[i7,i8],N7[i9,i10],N8[i11,i12],N9[i13,i14])
其中,N3(i1,i2),…N9(i13,i14)是行为模型的空间定义;步骤三,以温湿度环境二维空间的符合条件的方格中的音频曲线为基础,建立“温湿度与音频关系模型”,简称“音频模型”,模型包括波形、时长和环境“条件边界”;步骤四,将温湿度环境二维矩阵空间中相应于的方格中的音频测试数据与模型曲线进行差值运算,计算出平均差值,即模型对蜜蜂温湿度调节行为的识别误差,简称“音频识别误差”,误差值小于初始设定的门限值,则成功在“条件边界”内建立“音频模型”:
VocM(i)=Yi,(N3[i1,i2],N4[i3,i4])
其中,N3(i1,i2),N4(i3,i4)是音频模型的空间定义;步骤五,通过“识别误差”判断数据模型有效性、对模型进行优化,并排出错误的模型修正数据;根据“识别误差”的有效性和准确性定义“有效识别临界值”=有效识别的最高“识别误差”数值。
10.如权利要求9所述的一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法,其特征在于:所述实时数据动态行为的分级识别的具体方法为:
步骤一,实时采集蜂箱数据、气象数据,进行预处理和预计算;
步骤二,根据气象数据在4维、6维和9维矩阵空间中,分级分批筛选出当前气象条件下的所有模型;
其中在4维矩阵空间运算的具体方法为:首先将采集的数据与4维模型中相应时间段的模型数据进行差值运算,运算公式为:Loss=(X-Y)2,其中X为识别模型曲线,Y为实时采集的数据曲线,输出所有模型对当前采集数据的“行为识别误差”Loss;之后筛选出“行为识别误差”低于“有效识别临界值”的所有模型;如果没有模型筛选出来,进入下一级识别运算,即6维矩阵空间识别运算;如果有模型筛选出来,跳转到步骤三;
在6维矩阵空间运算的具体方法为:首先将采集的数据与6维模型中相应时间段的模型数据进行差值运算,输出所有模型对当前采集数据的“行为识别误差”;之后筛选出“行为识别误差”低于“有效识别临界值”的所有模型;如果没有模型筛选出来,进入下一级识别运算,即9维矩阵空间识别运算;如果有模型筛选出来,跳转到步骤三;
在9维矩阵空间运算的具体方法为:首先将采集的数据与9维模型中相应时间段的模型数据进行差值运算,输出所有模型对当前采集数据的“行为识别误差”;之后筛选出“行为识别误差”低于“有效识别临界值”的所有模型;如果没有模型筛选出来,则本次识别失败,结束识别;如果有模型筛选出来,跳转到步骤三;
步骤三,按照“行为识别误差”Loss值从低到高,依次输出筛选出的所有模型;
步骤四,按照输出模型的顺序,依次输出最终识别结果,即筛选出的模型所对应的蜜蜂活动和蜂农活动,为蜂农实时了解蜜蜂活动和所需实施的操作提供参考依据;
步骤五,环境调节行为识别,具体识别方法为:首先实时采集蜂箱内音频数据和温湿度数据;之后在温湿度环境二维矩阵空间中,根据温湿度数据找到实时数据片段所在的方格及其对应的音频模型;最后根据实时数据片段与模型数据进行差值运算,识别当前蜜蜂的蜂箱温湿度环境调节行为是否正常,差值达到或超过有效识别临界值,预警蜜蜂的环境调节行为异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525983.1A CN116010764A (zh) | 2022-12-01 | 2022-12-01 | 一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211525983.1A CN116010764A (zh) | 2022-12-01 | 2022-12-01 | 一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116010764A true CN116010764A (zh) | 2023-04-25 |
Family
ID=86036150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211525983.1A Pending CN116010764A (zh) | 2022-12-01 | 2022-12-01 | 一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116010764A (zh) |
-
2022
- 2022-12-01 CN CN202211525983.1A patent/CN116010764A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346142B (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
Zuidema | Ecology and management of the Brazil nut tree (Bertholletia excelsa) | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
Johal et al. | A hybrid FPAB/BBO algorithm for satellite image classification | |
Löbel et al. | Dispersal and life history strategies in epiphyte metacommunities: alternative solutions to survival in patchy, dynamic landscapes | |
Magrach et al. | Niche complementarity among pollinators increases community-level plant reproductive success | |
CN117073768B (zh) | 肉牛养殖管理系统及其方法 | |
CN116227790B (zh) | 智慧养殖智能管理方法、装置、电子设备及智能管理系统 | |
CN115602337A (zh) | 一种基于机器学习的刺激隐核虫疾病预警方法及系统 | |
CN117634752B (zh) | 一种林业有害生物检疫信息管理系统 | |
Mekha et al. | Honey bee sound classification using spectrogram image features | |
CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
CN114895731A (zh) | 一种基于数字孪生的养殖监测系统及方法 | |
Chegini et al. | Designing and developing a weed detection model for California thistle | |
CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
CN116010764A (zh) | 一种基于物联网数据快速识别蜜蜂行为的多级矩阵空间优化方法 | |
CN113449893A (zh) | 虫害预测模型训练的方法、虫害预测的方法及装置 | |
Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
CN111950598A (zh) | 一种基于K-Means算法的梭子蟹群体个性分类方法及应用 | |
CN111242797A (zh) | 一种猪舍环境适宜度的预测系统及方法 | |
CN114637351B (zh) | 一种设施作物温室环境调控方法及系统 | |
Zhang et al. | Suitability Evaluation of Crop Variety via Graph Neural Network | |
CN115393715A (zh) | 一种基于机器视觉的穴盘种子漏播检测方法 | |
CN115147837B (zh) | 一种基于光学图像识别的二点委夜蛾饲养方法及系统 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及系统 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230909 Address after: 102477 Puwa Village, Puwa Township, Fangshan District, Beijing Applicant after: Beijing Fengyu Technology Co.,Ltd. Address before: Room 1808-0020, 18th Floor, Information Building, No. 13 Linyin North Street, Pinggu District, Beijing, 101299 Applicant before: BEIJING SMARTBOX SCIENCE & TECHNOLOGY Co.,Ltd. |