CN116034904B - 基于轨道式巡检机器人的猪只健康监测系统及方法 - Google Patents
基于轨道式巡检机器人的猪只健康监测系统及方法 Download PDFInfo
- Publication number
- CN116034904B CN116034904B CN202310331237.7A CN202310331237A CN116034904B CN 116034904 B CN116034904 B CN 116034904B CN 202310331237 A CN202310331237 A CN 202310331237A CN 116034904 B CN116034904 B CN 116034904B
- Authority
- CN
- China
- Prior art keywords
- health
- data
- matrix
- module
- pig
- 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
- 230000036541 health Effects 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007689 inspection Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 74
- 238000012216 screening Methods 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 20
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 43
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 241000282887 Suidae Species 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 13
- 206010011224 Cough Diseases 0.000 claims description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 230000036760 body temperature Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000005548 health behavior Effects 0.000 claims description 4
- 208000034507 Haematemesis Diseases 0.000 claims description 3
- 206010047700 Vomiting Diseases 0.000 claims description 3
- 208000022531 anorexia Diseases 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 206010061428 decreased appetite Diseases 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 230000008673 vomiting Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 238000009395 breeding Methods 0.000 description 6
- 230000001488 breeding effect Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 210000000746 body region Anatomy 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000037396 body weight Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本发明公开了一种基于轨道式巡检机器人的猪只健康监测系统及方法，所述方法包括以下步骤：当机器人按照设定时间到达设定巡检位置时，利用数据采集模块通过多线程按照时间顺序进行数据采集，并将采集的原始元数据传输至数据分析存储模块；利用数据分析存储模块将采集的原始元数据进行存储和分析处理，转化为健康向量的形式进行存储，并传输至数据筛选模块；基于健康向量形式数据，利用数据筛选模块进行健康异常行为的筛选，获得异常预警信息；将异常预警信息和相应原始元数据上传至云服务器进行预报，进行人工核对。本发明实现无人24小时自动采集多项数据，能够准确定位并快速运动至目标位置，完成高效准确的数据采集工作。
Description
技术领域
本发明涉及养殖业领域，具体涉及一种基于轨道式巡检机器人的猪只健康监测系统及方法。
背景技术
随着养殖业的不断发展，结构化、工厂化养殖开始不断兴起，生猪养殖行业楼房养猪规模不断扩大。结构化、工厂化养殖的最大好处就是节省土地面积、减少运输成本。工厂化养殖也存在一系列问题，例如由于养殖密度增大，疫病侵入时更容易造成大面积感染，人工无法实现24小时巡检等。由于猪只健康巡检机器人能够更加安全，更加全面地采集猪只生长的各类生理指标和环境指标，为猪只健康监测提供大量的数据支持，所以结构化、工厂化养殖更加需要猪只健康巡检机器人来完成猪只健康监测的巡检任务。利用猪只健康巡检机器人能够为工厂化猪只养殖健康监测提供支撑，具有重要的意义。
在传统的猪只养殖中，猪只健康数据依赖人工记录，由于猪只养殖的数量不断增长，人工测量和记录的方法费时费力且容易出现记录错漏。随着机器人技术的发展与普及，越来越多的学者利用机器人完成巡检任务，然而目前的检测方法大多采用单一传感器数据，无法全面体现猪只的健康状况。
发明内容
针对现有技术中的上述不足，本发明提供的基于轨道式巡检机器人的猪只健康监测系统及方法解决了人工采集数据费时费力、容易出现记录错漏、无法24小时巡检，以及使用单一传感器数据无法全面体现猪只的健康状况的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于轨道式巡检机器人的猪只健康监测系统，所述系统包括运动模块、数据采集模块、数据分析存储模块、数据筛选模块和云服务器，所述运动模块与数据采集模块连接，所述数据采集模块与数据分析存储模块连接，所述数据分析存储模块与数据筛选模块连接，所述数据筛选模块与云服务器连接，所述运动模块用于移动巡检位置，所述数据采集模块用于采集原始元数据，所述数据分析存储模块用于将原始元数据转化为健康向量的形式，并进行存储，所述数据筛选模块用于获得异常预警信息。
上述方案的有益效果是：通过上述技术方案，基于巡检机器人完成对猪只健康状况的监测，由上述各个模块构成的监测系统能够高效完成巡检任务，解决了人工采集数据费时费力、容易出现记录错漏、无法24小时巡检，以及使用单一传感器数据无法全面体现猪只的健康状况的问题。
进一步地，数据采集模块包括彩色摄像头、红外摄像头、深度摄像头、温湿度传感器、二氧化碳传感器和声音传感器。
上述进一步方案的有益效果是：通过上述技术方案，实现对猪只健康状况的多指标数据采集，包括生理数据和环境数据，为猪只健康监测提供大量的数据支持，并实现长时间的无人自动采集，提高猪只养殖场巡检效率，减轻人工巡检负担，降低疫病感染风险，保证数据采集的规范性和可用性。
除此之外，本发明还采用的技术方案为：一种基于轨道式巡检机器人的猪只健康监测方法，所述方法包括以下步骤：
S1：当机器人按照设定时间到达设定巡检位置时，利用数据采集模块通过多线程按照时间顺序进行数据采集，并将采集的原始元数据传输至数据分析存储模块；
S2：利用数据分析存储模块将采集的原始元数据进行存储和分析处理，转化为健康向量的形式进行存储，并传输至数据筛选模块；
S3：基于健康向量形式数据，利用数据筛选模块进行健康异常行为的筛选，获得异常预警信息；
S4：将异常预警信息和相应原始元数据上传至云服务器进行预报，进行人工核对，完成猪只的健康监测。
上述方案的有益效果是：通过上述技术方案，实现无人24小时自动采集彩色、红外和深度视频数据，温湿度、二氧化碳浓度和环境声音数据，能够准确定位并快速运动至目标位置，完成高效准确的数据采集工作。
进一步地，S1中数据采集包括以下分步骤：
S1-1：当数据时间长度同时覆盖时长达到30秒，并且所有采集设备在当前采集位置已采集数据时长达60秒时，选取数据采集最晚起始时间作为当前位置数据时间戳；
S1-2：截取当前位置数据时间戳后30秒的数据，并为各段数据添加时间戳和位置信息。
上述进一步方案的有益效果是：通过上述技术方案，基于时间顺序对数据进行采集，并添加时间戳和相应的位置信息，便于后期对数据进行相应处理。
进一步地，S2中对多个传感器上获取的原始元数据分别按照相应的分析方法进行处理，具体包括以下情况：
（1）利用YoloV4的行为识别算法对彩色元数据进行分析处理，用于监测猪只异常行为，所述异常行为包括爬跨、厌食、咬尾、久卧、吐血和呕吐；
（2）利用YoloV4的体温跟踪方法对红外元数据进行分析处理，用于监测与猪只温度相关的健康异常情形，所述健康异常情形包括体温升高和红皮现象；
（3）利用YoloV4的体尺和体重测量方法对深度元数据进行分析处理，用于监测猪只生长指标与健康关联信息，所述健康关联信息包括猪只体长信息和猪只质量信息；
（4）利用声音频谱的匹配方法对声音元数据进行分析处理，用于捕捉环境中与猪只健康相关异常声音数据，所述异常声音数据包括咳嗽。
上述进一步方案的有益效果是：通过上述技术方案，对不同的数据采用不同的处理方法，实现对猪只各种情况的监测，便于后期对猪只异常行为进行筛选。
进一步地，S2中健康向量包括栏舍编号、行为编号、传感器识别温度、传感器猪只体尺估测、传感器猪只质量估测、声音编号、环境温度、环境湿度和环境二氧化碳浓度。
上述进一步方案的有益效果是：根据上述健康向量，利用数据筛选模块筛选出猪只健康异常的行为，从而发出健康预警信息。
进一步地，S3中健康异常行为的筛选包括以下比较方法：
（1）基于单值的比较方法：对进行过归一化处理后的健康向量的各个坐标方向的值进行单值筛选，若坐标分量单值>1，则得到预警信息产生报警，否则继续执行筛选任务；
（2）基于巡检批次的健康矩阵间的比较方法，所述比较方法包括以下分步骤：
A1：以巡检批次号作为主键，按栏舍编号对健康向量进行排序，将健康向量序列组成健康矩阵；
A2：提取时间间隔最近一次的健康矩阵，计算健康向量序列组成的健康矩阵与时间间隔最近一次的健康矩阵的相似度，若相似度<0.5，则得到预警信息产生报警，否则继续执行筛选任务；
（3）基于相同栏舍的历史健康矩阵间比较方法，所述历史健康矩阵间比较方法包括以下分步骤：
B1：以栏舍编号作为主键，按巡检批次号对健康向量进行排序，从按序的第二条数据开始，与过去24小时内的N-1条健康向量序列组成待比较的健康矩阵，其中N为过去24小时内巡检批次号的巡检次数；
B2：从按序的第一条数据开始，将过去24小时内的N条健康向量序列组成基准健康矩阵，计算N-1条健康向量序列组成的待比较的健康矩阵与基准健康矩阵的相似度，若相似度<0.5，则得到预警信息产生报警，否则继续执行筛选任务。
上述进一步方案的有益效果是：通过上述三种健康向量的比较模式，完成对猪只异常行为的筛选。
进一步地，相似度计算公式如下：
对于向量中的每一位坐标值
，将/>
归一化到/>
范围内的/>
，公式如下所示：
其中，
为自适应的经验预设值最小值，/>
为自适应的经验预设值最大值；
经归一化处理后，健康向量进行比较并计算相似度值，公式如下所示：
其中，
为比较的两个/>
维健康向量间的距离，/>
和/>
分别为比较的两个健康向量，/>
为维度，/>
分别为两个/>
维健康向量；
相似度
公式如下：
将相似度值进行归一化处理，基于向量间的欧氏距离的计算，得出矩阵间距离的欧式距离
，设矩阵/>
为/>
的矩阵，矩阵/>
为/>
的矩阵，公式如下所示：/>
其中，
表示矩阵/>
的每一行的总和，/>
表示参数指定总和是沿着矩阵的行计算的，/>
表示创建一个形状为/>
的矩阵，
表示创建一个形状为/>
的矩阵，/>
表示矩阵/>
的每一行的总和，上标/>
表示矩阵的转置。
上述进一步方案的有益效果是：通过上述技术方案，根据健康向量的距离比较和相似度的计算，完成对异常行为的筛选，基于公式(5)向量间的欧式距离的计算，本方案还进一步拓展提出了矩阵间的欧式计算的方法，用于同时计算多组向量间的相似度情况，充分利用了计算机资源，提高了计算效率。
附图说明
图1为一种基于轨道式巡检机器人的猪只健康监测系统结构图。
图2为一种基于轨道式巡检机器人的猪只健康监测方法流程图。
图3为Yolov4检测算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
实施例1，如图1所示，一种基于轨道式巡检机器人的猪只健康监测系统，所述系统包括运动模块、数据采集模块、数据分析存储模块、数据筛选模块和云服务器，所述运动模块与数据采集模块连接，所述数据采集模块与数据分析存储模块连接，所述数据分析存储模块与数据筛选模块连接，所述数据筛选模块与云服务器连接，所述运动模块用于移动巡检位置，所述数据采集模块用于采集原始元数据，所述数据分析存储模块用于将原始元数据转化为健康向量的形式，并进行存储，所述数据筛选模块用于获得异常预警信息。
数据采集模块包括彩色摄像头、红外摄像头、深度摄像头、温湿度传感器、二氧化碳传感器和声音传感器。
在本发明的一个实施例中，数据存储模块，结合多元信息的分析方法融合机器人上一时刻的位置信息、通过计算得到当前时刻多传感器数据的健康向量信息并进行存储；数据筛选模块，基于单值的阈值筛选方法、基于历史数据的纵向比较方法、基于周边数据的横向比较方法完成筛选；数据上传模块采集彩色、红外和深度视频数据，温湿度、二氧化碳和声音数据，根据预警信息情况，对于时序对视频数据和环境数据进行分段并加上时间戳和位置信息，将带有时间戳和位置信息的视频数据和环境数据上传至云服务器。
实施例2，如图2所示，一种基于轨道式巡检机器人的猪只健康监测方法，所述方法包括以下步骤：
S1：当机器人按照设定时间到达设定巡检位置时，利用数据采集模块通过多线程按照时间顺序进行数据采集，并将采集的原始元数据传输至数据分析存储模块；
S2：利用数据分析存储模块将采集的原始元数据进行存储和分析处理，转化为健康向量的形式进行存储，并传输至数据筛选模块；
S3：基于健康向量形式数据，利用数据筛选模块进行健康异常行为的筛选，获得异常预警信息；
S4：将异常预警信息和相应原始元数据上传至云服务器进行预报，进行人工核对，完成猪只的健康监测。
S1中数据采集包括以下分步骤：
S1-1：当数据时间长度同时覆盖时长达到30秒，并且所有采集设备在当前采集位置已采集数据时长达60秒时，选取数据采集最晚起始时间作为当前位置数据时间戳；
S1-2：截取当前位置数据时间戳后30秒的数据，并为各段数据添加时间戳和位置信息。
S2中对多个传感器上获取的原始元数据分别按照相应的分析方法进行处理，具体包括以下情况：
（1）利用YoloV4的行为识别算法对彩色元数据进行分析处理，用于监测猪只异常行为，所述异常行为包括爬跨、厌食、咬尾、久卧、吐血和呕吐；
（2）利用YoloV4的体温跟踪方法对红外元数据进行分析处理，用于监测与猪只温度相关的健康异常情形，所述健康异常情形包括体温升高和红皮现象；
（3）利用YoloV4的体尺和体重测量方法对深度元数据进行分析处理，用于监测猪只生长指标与健康关联信息，所述健康关联信息包括猪只体长信息和猪只质量信息；
（4）利用声音频谱的匹配方法对声音元数据进行分析处理，用于捕捉环境中与猪只健康相关异常声音数据，所述异常声音数据包括咳嗽。
在本发明的一个实施例中，Yolov4行为识别算法和Yolov4局部温度识别算法采用的是基于Yolov4网络，如图3所示，首先加入了Resblock_body()x8和Convx3(5,9,13) 目标将提取的红外图像特征信息转换为坐标、类别等信息，值注意的是红外图像的输入时会自动按照（416，416，3）输入并计算，而不是图3中的（1280，1280，3）输入，且改进的Yolov4网络中彩色图像不会进行计算，只有输入彩色图像时改进的Yolov4网络才会按照图3的流程进行计算。本网络训练方法只需要将采集到的彩色图像和红外图像使用人工进行标注，标注时的标签为饮水、进食、头部、尾部，按照8:1:1的比例输入训练集、测试集和验证集进行算参数训练即可，Yolov4行为识别算法和Yolov4局部温度识别算法在训练完成后可以对图像进行检测并给出对应坐标信息和检测结果。
其中Yolov4的猪只体重、体尺算法需要根据深度数据得出的点云图像获得，而算法中的关于猪只位置信息需要由Yolov4行为识别算法提供。因此首先需要做点云图（3D图像一种表现形式）和彩色图像进行位置校准（奥比中光相机内置算法提供）。然后将Yolov4行为识别算法检测出来的猪只身体区域（x1,y1,x2,y2）对应到点云图中的猪只身体区域（x3,y3,x4,y4）。紧接着，在猪只身体区域（x3,y3,x4,y4）使用邻接点扩散法，设点3维点X（x7,y7,z7）与其相邻点X1(x8,y8,z8)存在符合 |z8-z7|>10，则认为这两个点存在相连关系（即通过高度寻找关联，猪身上的3维度点和地板上的点在高度上就是不存在关联），如果符合相连关系则相邻点X1继续寻找关联点并将X和X1归为同一区域，否则X1则不属于X同一区域，只要对所有的点使用邻接点扩散法找到最大相连区域并计算该区域的长度，就可以得出猪只体长Y。关于猪只体高，也是先使用由Yolov4行为识别算法识别出猪只的尾部区域，邻接点扩散法找到高度最大的区域再取高度平均值，便是可以求出体高H。基于上述求出的猪只体长Y、猪只体高H，以及猪只身体区域（x1,y1,x2,y2）的深度数据，在Yolov4的猪只体重网络在末端加入了全连接层来得到猪只体重W。本网络训练方法只需要将采集到的深度数据、以及猪只在地磅秤下的真实体重使用人工进行标注，按照8:1:1的比例输入训练集、测试集和验证集进行算参数训练即可。
其中基于声音元数据的咳嗽检测算法主要由声音事件监测、特征计算和分类三部分组成：
（1）声音事件监测的目标是寻找要比对的声音（咳嗽）波段，因此必须要使用人工在算法训练采集阶段采集到声音中找到猪只咳嗽的声音波段，并提取出来。
（2）特征计算目的是确定猪只咳嗽声的频谱特征。首先针对提取出来的咳嗽声使用汉明窗口进行降噪，然后对每个窗口计算傅里叶变换（通过减去平均窗口来达到进一步降噪效果）。最后按分贝作为大小进行数值转换和按照（0-22050）赫兹进行20等分，得到一个粗略频谱图（咳嗽特征）。
（3）分类作用是确定要判断的声音频谱与咳嗽频谱是否相似。首先是计算两个频谱之间的马氏距离
，/>
是它们之间的协方差矩阵，/>
为/>
的多变向量，/>
，/>
为均值向量。设置初始化阈值/>
(基于实际生产环境进行动态调整)，若两个频谱之间的马氏距离/>
，则认为该猪只存在咳嗽行为。
S2中健康向量包括栏舍编号、行为编号、传感器识别温度、传感器猪只体尺估测、传感器猪只质量估测、声音编号、环境温度、环境湿度和环境二氧化碳浓度。
S3中健康异常行为的筛选包括以下比较方法：
（1）基于单值的比较方法：对进行过归一化处理后的健康向量的各个坐标方向的值进行单值筛选，若坐标分量单值>1，则得到预警信息产生报警，否则继续执行筛选任务；
（2）基于巡检批次的健康矩阵间的比较方法，所述比较方法包括以下分步骤：
A1：以巡检批次号作为主键，按栏舍编号对健康向量进行排序，将健康向量序列组成健康矩阵；
A2：提取时间间隔最近一次的健康矩阵，计算健康向量序列组成的健康矩阵与时间间隔最近一次的健康矩阵的相似度，若相似度<0.5，则得到预警信息产生报警，否则继续执行筛选任务；
（3）基于相同栏舍的历史健康矩阵间比较方法，所述历史健康矩阵间比较方法包括以下分步骤：
B1：以栏舍编号作为主键，按巡检批次号对健康向量进行排序，从按序的第二条数据开始，与过去24小时内的N-1条健康向量序列组成待比较的健康矩阵，其中N为过去24小时内巡检批次号的巡检次数；
B2：从按序的第一条数据开始，将过去24小时内的N条健康向量序列组成基准健康矩阵，计算N-1条健康向量序列组成的待比较的健康矩阵与基准健康矩阵的相似度，若相似度<0.5，则得到预警信息产生报警，否则继续执行筛选任务。
相似度计算公式如下：
对于向量中的每一位坐标值
，将/>
归一化到/>
范围内的/>
，公式如下所示：
其中，
为自适应的经验预设值最小值，/>
为自适应的经验预设值最大值，本实施例中“行为编号”预设值分别为1、6，“传感器识别温度”预设值为35、45，“传感器猪只体尺估测”预设值为0、160，“传感器猪只质量估测”预设值为0、250，“声音编号”预设值为0、1，“环境温度”预设值为10、35，“环境湿度”预设值为0.45，0.80，“环境二氧化碳浓度”预设值为0.0002，0.0025；
经归一化处理后，健康向量进行比较并计算相似度值，公式如下所示：
其中，
为比较的两个/>
维健康向量间的距离，/>
和/>
分别为比较的两个健康向量，/>
为维度，/>
分别为两个/>
维健康向量；
相似度
公式如下：
将相似度值进行归一化处理，基于向量间的欧氏距离的计算，得出矩阵间距离的欧式距离
，设矩阵/>
为/>
的矩阵，矩阵/>
为/>
的矩阵，公式如下所示：
其中，
表示矩阵/>
的每一行的总和，/>
表示参数指定总和是沿着矩阵的行计算的，/>
表示创建一个形状为/>
的矩阵，
表示创建一个形状为/>
的矩阵，/>
表示矩阵/>
的每一行的总和，上标/>
表示矩阵的转置。
在本发明的一个实施例中，当机器人按照设定时间到达设定巡检位置后，控制系统执行数据采集处理子模块，彩色摄像头、红外摄像头、深度摄像头、温湿度传感器、二氧化碳传感器和声音采集器通过多线程按照时间顺序执行数据采集程序。当所有采集设备在当前采集位置的（数据时间长度同时覆盖时长达到30秒）已采集数据时长达60秒，选取数据采集最晚起始时间作为当前位置数据时间戳，截取当前位置数据时间戳后30秒的视频数据和环境数据，为各段数据添加时间戳和位置信息，随后将采集后的数据进行数据提取工作，将图像、音频、环境数据转化为健康向量的形式进行存储，再基于健康向量形式数据进行健康异常行为的筛选，最终得出异常预警信息，并将相关异常情况和相应元数据进行上传云服务器预报，寻求进一步的人工核对。
本发明基于运动协同的多传感器协同采集控制方法能够更好地适应养殖场中数据协同采集和相应的巡检需求，能够稳定地完成定时定点地巡检需求；本发明多传感器元数据的分析和存储方法，融合机器人上一时刻的位置信息、结合多元信息的分析方法，计算得到当前时刻多传感器数据的健康向量信息并进行存储，提高了存储数据地信息密度，为预警分析提供了更精准的数据来源；采用基于健康向量的异常预警筛选方法，通过基于单值的阈值筛选方法、基于历史数据的纵向比较方法、基于周边数据的横向比较方法，提高了异常值发现效率减少功率损耗，提高了复杂条件下的健康异常发现能力，使更高效地完成巡检任务；本发明能够自动完成按照设定时间和位置进行视频和环境数据的采集任务，使用自己设计视频数据和环境数据分段方法对数据进行存储、处理和预警，相较以往的数据采集方法，不仅能够提供全面准确的数据，并且能够在无人条件下自主运行，突破时间限制，提升效率，使猪只健康监测更加全面。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在发明的保护范围内。
Claims (4)
1.一种基于轨道式巡检机器人的猪只健康监测方法，基于轨道式巡检机器人的猪只健康监测系统实现，所述系统包括运动模块、数据采集模块、数据分析存储模块、数据筛选模块和云服务器，所述运动模块与数据采集模块连接，所述数据采集模块与数据分析存储模块连接，所述数据分析存储模块与数据筛选模块连接，所述数据筛选模块与云服务器连接，所述运动模块用于移动巡检位置，所述数据采集模块用于采集原始元数据，所述数据分析存储模块用于将原始元数据转化为健康向量的形式，并进行存储，所述数据筛选模块用于获得异常预警信息；
所述数据采集模块包括彩色摄像头、红外摄像头、深度摄像头、温湿度传感器、二氧化碳传感器和声音传感器；
其特征在于，所述方法包括以下步骤：
S1：当机器人按照设定时间到达设定巡检位置时，利用数据采集模块通过多线程按照时间顺序进行数据采集，并将采集的原始元数据传输至数据分析存储模块；
S2：利用数据分析存储模块将采集的原始元数据进行存储和分析处理，转化为健康向量的形式进行存储，并传输至数据筛选模块；
S3：基于健康向量形式数据，利用数据筛选模块进行健康异常行为的筛选，获得异常预警信息；
S4：将异常预警信息和相应原始元数据上传至云服务器进行预报，进行人工核对，完成猪只的健康监测；
所述S3中健康异常行为的筛选包括以下比较方法：
（1）基于单值的比较方法：对进行过归一化处理后的健康向量的各个坐标方向的值进行单值筛选，若坐标分量单值>1，则得到预警信息产生报警，否则继续执行筛选任务；
（2）基于巡检批次的健康矩阵间的比较方法，所述比较方法包括以下分步骤：
A1：以巡检批次号作为主键，按栏舍编号对健康向量进行排序，将健康向量序列组成健康矩阵；
A2：提取时间间隔最近一次的健康矩阵，计算健康向量序列组成的健康矩阵与时间间隔最近一次的健康矩阵的相似度，若相似度<0.5，则得到预警信息产生报警，否则继续执行筛选任务；
（3）基于相同栏舍的历史健康矩阵间比较方法，所述历史健康矩阵间比较方法包括以下分步骤：
B1：以栏舍编号作为主键，按巡检批次号对健康向量进行排序，从按序的第二条数据开始，与过去24小时内的N-1条健康向量序列组成待比较的健康矩阵，其中N为过去24小时内巡检批次号的巡检次数；
B2：从按序的第一条数据开始，将过去24小时内的N条健康向量序列组成基准健康矩阵，计算N-1条健康向量序列组成的待比较的健康矩阵与基准健康矩阵的相似度，若相似度<0.5，则得到预警信息产生报警，否则继续执行筛选任务；
所述相似度计算公式如下：
对于向量中的每一位坐标值
，将/>
归一化到/>
范围内的/>
，公式如下所示：/>
其中，
为自适应的经验预设值最小值，/>
为自适应的经验预设值最大值；
经归一化处理后，健康向量进行比较并计算相似度值，公式如下所示：
其中，
为比较的两个/>
维健康向量间的距离，/>
和/>
分别为比较的两个健康向量，/>
为维度，/>
分别为两个/>
维健康向量；
相似度
公式如下：
将相似度值进行归一化处理，基于向量间的欧氏距离的计算，得出矩阵间距离的欧式距离
，设矩阵/>
为/>
的矩阵，矩阵/>
为/>
的矩阵，公式如下所示：
其中，
表示矩阵/>
的每一行的总和，/>
表示参数指定总和是沿着矩阵的行计算的，/>
表示创建一个形状为/>
的矩阵，
表示创建一个形状为/>
的矩阵，/>
表示矩阵/>
的每一行的总和，上标/>
表示矩阵的转置。
2.根据权利要求1所述的基于轨道式巡检机器人的猪只健康监测方法，其特征在于，所述S1中数据采集包括以下分步骤：
S1-1：当数据时间长度同时覆盖时长达到30秒，并且所有采集设备在当前采集位置已采集数据时长达60秒时，选取数据采集最晚起始时间作为当前位置数据时间戳；
S1-2：截取当前位置数据时间戳后30秒的数据，并为各段数据添加时间戳和位置信息。
3.根据权利要求1所述的基于轨道式巡检机器人的猪只健康监测方法，其特征在于，所述S2中对多个传感器上获取的原始元数据分别按照相应的分析方法进行处理，具体包括以下情况：
（1）利用YoloV4的行为识别算法对彩色元数据进行分析处理，用于监测猪只异常行为，所述异常行为包括爬跨、厌食、咬尾、久卧、吐血和呕吐；
（2）利用YoloV4的体温跟踪方法对红外元数据进行分析处理，用于监测与猪只温度相关的健康异常情形，所述健康异常情形包括体温升高和红皮现象；
（3）利用YoloV4的体尺和体重测量方法对深度元数据进行分析处理，用于监测猪只生长指标与健康关联信息，所述健康关联信息包括猪只体长信息和猪只质量信息；
（4）利用声音频谱的匹配方法对声音元数据进行分析处理，用于捕捉环境中与猪只健康相关异常声音数据，所述异常声音数据包括咳嗽。
4.根据权利要求1所述的基于轨道式巡检机器人的猪只健康监测方法，其特征在于，所述S2中健康向量包括栏舍编号、行为编号、传感器识别温度、传感器猪只体尺估测、传感器猪只质量估测、声音编号、环境温度、环境湿度和环境二氧化碳浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310331237.7A CN116034904B (zh) | 2023-03-31 | 2023-03-31 | 基于轨道式巡检机器人的猪只健康监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310331237.7A CN116034904B (zh) | 2023-03-31 | 2023-03-31 | 基于轨道式巡检机器人的猪只健康监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116034904A CN116034904A (zh) | 2023-05-02 |
| CN116034904B true CN116034904B (zh) | 2023-06-13 |
Family
ID=86131586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310331237.7A Active CN116034904B (zh) | 2023-03-31 | 2023-03-31 | 基于轨道式巡检机器人的猪只健康监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116034904B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423342A (zh) * | 2023-10-27 | 2024-01-19 | 东北农业大学 | 一种基于边缘计算的猪只异常状态监测方法及系统 |
| CN117495594B (zh) * | 2023-12-29 | 2024-04-02 | 深圳市明心数智科技有限公司 | 生物资产的生长状态监控方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106472347A (zh) * | 2015-08-29 | 2017-03-08 | 范石军 | 一种用于母猪健康监控的智能侦测系统 |
| AU2020103515A4 (en) * | 2020-11-18 | 2021-01-28 | Mukta Goyal | A system and a method for real time monitoring and identification of endangered animals |
| WO2022126574A1 (zh) * | 2020-12-18 | 2022-06-23 | 钟杰东 | 动物和植物的ai环境监控和ai诊疗算法系统及其装置 |
| CN114869256A (zh) * | 2022-05-07 | 2022-08-09 | 上海智育教育科技有限公司 | 伴随式健康运动数据采集可穿戴智能机器人及其运作方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011062112A (ja) * | 2009-09-16 | 2011-03-31 | Casio Computer Co Ltd | コンパニオンアニマルの健康管理装置 |
| US9084411B1 (en) * | 2014-04-10 | 2015-07-21 | Animal Biotech Llc | Livestock identification system and method |
| CN105224786B (zh) * | 2015-08-30 | 2018-04-17 | 宋涛 | 一种调节体征参数的方法及智能设备 |
| CN107046554A (zh) * | 2016-02-05 | 2017-08-15 | 南京国雅信息科技有限公司 | 动物健康智能监测系统及其数据采集传输与查询方法 |
| CN107027650B (zh) * | 2017-03-21 | 2019-10-22 | 中国农业大学 | 一种基于pso-svm的种猪异常状态检测方法及装置 |
| US20200045929A1 (en) * | 2018-08-09 | 2020-02-13 | Krobel Corp | Hog health monitor |
| US20210076644A1 (en) * | 2019-09-18 | 2021-03-18 | Fort Supply Ip, Llc | Animal health, behavior, and inventory monitoring |
| CN111564213B (zh) * | 2020-05-12 | 2023-06-23 | 成都铂润信息技术有限公司 | 一种适用于反刍家畜的健康状态预警方法及系统 |
| CN112257608A (zh) * | 2020-10-23 | 2021-01-22 | 成都希盟泰克科技发展有限公司 | 一种牦牛养殖健康状态监测方法 |
| KR102516351B1 (ko) * | 2021-03-08 | 2023-03-31 | 근로복지공단 | 산재노동자를 위한 재활 프로그램 세트 추천 방법, 장치 및 시스템 |
| CN113273511A (zh) * | 2021-05-14 | 2021-08-20 | 深圳德技创新实业有限公司 | 动物监测装置及方法 |
| CN113902304A (zh) * | 2021-10-12 | 2022-01-07 | 国网辽宁省电力有限公司鞍山供电公司 | 一种基于总负荷曲线相似性的可控负荷筛选方法 |
| CN114463701B (zh) * | 2022-04-14 | 2022-07-01 | 华南农业大学 | 一种基于多源大数据动物养殖数据挖掘的监测预警系统 |
| CN114770607B (zh) * | 2022-06-20 | 2022-09-02 | 深圳希研工业科技有限公司 | 一种基于大数据的机器人健康监控方法及系统 |
| CN115099110A (zh) * | 2022-07-11 | 2022-09-23 | 中建八局新型建造工程有限公司 | 大跨度结构空间网架健康监测点布置优化方法 |
| CN115771153B (zh) * | 2023-01-10 | 2023-04-18 | 华南农业大学 | 一种多指标采集的畜禽健康巡检机器人控制方法及装备 |
-
2023
- 2023-03-31 CN CN202310331237.7A patent/CN116034904B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106472347A (zh) * | 2015-08-29 | 2017-03-08 | 范石军 | 一种用于母猪健康监控的智能侦测系统 |
| AU2020103515A4 (en) * | 2020-11-18 | 2021-01-28 | Mukta Goyal | A system and a method for real time monitoring and identification of endangered animals |
| WO2022126574A1 (zh) * | 2020-12-18 | 2022-06-23 | 钟杰东 | 动物和植物的ai环境监控和ai诊疗算法系统及其装置 |
| CN114869256A (zh) * | 2022-05-07 | 2022-08-09 | 上海智育教育科技有限公司 | 伴随式健康运动数据采集可穿戴智能机器人及其运作方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116034904A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116034904B (zh) | 基于轨道式巡检机器人的猪只健康监测系统及方法 | |
| CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
| CN114463701B (zh) | 一种基于多源大数据动物养殖数据挖掘的监测预警系统 | |
| CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
| CN117073768B (zh) | 肉牛养殖管理系统及其方法 | |
| CN115115830A (zh) | 一种基于改进Transformer的家畜图像实例分割方法 | |
| CN114596448A (zh) | 一种肉鸭健康管理方法及其管理系统 | |
| CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
| CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN115812634A (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
| CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
| CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
| CN116703932A (zh) | 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法 | |
| CN110991300A (zh) | 一种肉鸡腹部异常肿胀状态的自动识别方法 | |
| CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
| CN115170942A (zh) | 一种声音与视觉多级融合的鱼类行为识别方法 | |
| CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
| CN112419288A (zh) | 一种基于计算机视觉的无人化蔬菜大棚种植方法 | |
| Song et al. | Analysis on Chlorophyll Diagnosis of Wheat Leaves Based on Digital Image Processing and Feature Selection. | |
| CN116051988B (zh) | 一种基于人工神经网络的火源定位方法及定位系统 | |
| CN111753640B (zh) | 一种采用卷积神经网络和长短期记忆检测群养猪玩耍行为的分析方法 | |
| CN116994204A (zh) | 基于5g+ai区块链智能化粮仓生物信息探测机器人 | |
| Jung et al. | Segmentation of Tomato Growing Truss a Depth Image Conversion Model Based on CycleGAN | |
| CN117789037A (zh) | 作物生长期预测方法及装置 | |
| CN117423149A (zh) | 基于人脸识别的智能考勤系统及其统计方法 |
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 |