CN116034905A - 一种基于智能耳标运动量的猪只行为节律分析方法 - Google Patents
一种基于智能耳标运动量的猪只行为节律分析方法 Download PDFInfo
- Publication number
- CN116034905A CN116034905A CN202310331301.1A CN202310331301A CN116034905A CN 116034905 A CN116034905 A CN 116034905A CN 202310331301 A CN202310331301 A CN 202310331301A CN 116034905 A CN116034905 A CN 116034905A
- Authority
- CN
- China
- Prior art keywords
- pig
- behavior
- substep
- evaluation
- curve
- 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
- 230000033764 rhythmic process Effects 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 106
- 230000033001 locomotion Effects 0.000 claims abstract description 83
- 230000006399 behavior Effects 0.000 claims abstract description 79
- 230000001133 acceleration Effects 0.000 claims abstract description 65
- 241000282887 Suidae Species 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 24
- 230000001186 cumulative effect Effects 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K11/00—Marking of animals
- A01K11/001—Ear-tags
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biophysics (AREA)
- Birds (AREA)
- Zoology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于智能耳标运动量的猪只行为节律分析方法,涉及猪只行为节律分析领域,该方法包括以下步骤:采集猪只的三轴加速度数据,进而确定猪只在计算周期内的累计运动量;根据累计运动量确定猪只在统计周期内的行为;根据猪只在统计周期内的行为绘制行为表格;根据猪只在计算周期内的累计运动量绘制累计运动量变化曲线;将猪只的累计运动量变化曲线与评估曲线进行重合度对比,确定猪只行为节律精确分析结果。本发明通过量化猪只的运动量与不同行为之间的关系绘制行为表格,能对猪只行为节律进行更加快速的分析,通过确定一条评估曲线,表征猪只的行为节律,并对评估曲线进行动态调整,可以更准确地反映猪只的行为节律。
Description
技术领域
本发明涉及猪只行为节律分析领域,具体涉及一种基于智能耳标运动量的猪只行为节律分析方法。
背景技术
猪只在生长过程中会逐渐形成多种行为特性,其行为特性是对其周围环境、气候条件和饲养管理等各方面做出的反应。充分了解猪只行为节律是做好猪只饲养管理的基础,也是评估猪只健康状况的主要依据。因此,在养猪产业中,高效准确地获取猪只行为节律可以提高猪只的养殖管理效率,从而提升猪肉的产品品质,对提高猪场的经济效益有着重要意义。
传统的猪只行为节律分析通过人工观察来进行,但这种方法不仅耗时费力,而且容易出错。另外,也有基于图像的深度学习方法来对猪只进行行为识别,但这种方法需要价格较为高昂的相机摄像头,而且需要深度学习模型能够同时处理时间和空间信息,这对模型的要求相对较高,计算量也相对较大。此外,目前猪只运动量与不同行为之间的关系一般通过设置固定阈值来确定,但该方法适用范围小,算法可迁移性差。并且针对猪只的异常行为分析主要基于猪只单一时刻的行为表现。然而,由于行为活动存在昼夜节律性变化,单一时刻的行为表现往往不能准确地评估猪只的行为习性,因此急需解决这一问题,进而保障猪只行为习性得到准确有效的评估分析。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于智能耳标运动量的猪只行为节律分析方法,能更加快速、更加准确地反映猪只长时间的行为节律。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于智能耳标运动量的猪只行为节律分析方法,包括以下步骤:
S1、采集猪只的三轴加速度数据,并根据三轴加速度确定猪只在计算周期内的累计运动量;
S2、根据步骤S1中猪只在计算周期内的累计运动量确定猪只在统计周期内的行为;
S3、根据步骤S2中猪只在统计周期内的行为,绘制猪只每天在统计周期内的行为表格,得到猪只行为节律粗略分析结果;
S4、根据步骤S1中猪只在计算周期内的累计运动量,绘制猪只每天的累计运动量变化曲线;
S5、确定评估曲线,并将步骤S4中猪只每天的累计运动量变化曲线与评估曲线进行重合度对比,确定猪只行为节律精确分析结果。
进一步地,步骤S1包括以下分步骤:
S11、采集并传输猪只包括
x轴加速度、
y轴加速度和
z轴加速度的加速度数据;
S12、判断分步骤S11中采集的加速度数据的丢失数量是否大于丢失阈值;若是则进行数据重传并回到分步骤S12,否则进入分步骤S13;
S13、判断分步骤S12中丢失数量小于丢失阈值的加速度数据是否通过奇偶校验;若是则进入分步骤S14,否则进行数据重传并回到分步骤S12;
S14、并计算计算周期内的合加速度,得到合加速度数据,表示为:
其中:为猪只的合加速度,为猪只的
x轴加速度,为猪只的
y轴加速度,为猪只的
z轴加速度;
S15、利用降低噪声数据筛选数值去除分步骤S14中合加速度数据的最值;
S16、将分步骤S15中去除最值后的合加速度数据的各个合加速度值与非运动阈值进行比较,确定猪只在计算周期内的累计运动量。
进一步地,在分步骤S15中,降低噪声数据筛选数值的计算式为:
其中:为降低噪声数据筛选数值,为计算周期,为截断系数,为三轴加速度计采集一次数据的时间间隔。
进一步地,步骤S2包括以下分步骤:
S21、确定第一判别阈值和第二判别阈值,并根据第一判别阈值、第二判别阈值和步骤S1中猪只在计算周期内的累计运动量确定统计周期内的评价系数值;
S22、对分步骤S21中统计周期内的评价系数值进行归一化处理,表示为:
其中:为统计周期内的评价系数值经归一化后的数据,为统计周期内的评价系数值数据,为统计周期内的评价系数值数据的最小值,为统计周期内的评价系数值数据的最大值;
S23、对分步骤S22中经归一化处理后的统计周期内的评价系数值进行K均值聚类,确定猪只在统计周期内的行为。
进一步地,步骤S23包括以下分步骤:
S231、根据猪只行为确定聚类中心数量;
S232、根据分步骤S22中经归一化处理后的统计周期内的评价系数值和分步骤S231中的聚类中心数量,确定聚类中心;
S233、将分步骤S22中经归一化处理后的统计周期内的评价系数值以统计周期为单位划分为样本,并计算样本与聚类中心的分类距离;
S234、根据分步骤S233中的分类距离,确定猪只在统计周期内的行为;
S235、判断误差平方和准则函数是否收敛,若是则结束操作,否则进入分步骤S236;
S236、计算分配之后的每个聚类域的均值,更新聚类中心并回到分步骤S233。
进一步地,步骤S5包括以下分步骤:
S51、确定评估曲线;
S52、计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的重合度;
S53、判断分步骤S52中的重合度是否低于重合度阈值;若是则判为异常行为,否则判为正常行为并进入分步骤S54;
S54、对评估曲线进行动态调整并更新评估曲线。
进一步地,步骤S52包括以下分步骤:
S521、采用DTW算法计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的累计距离;
S522、将分步骤S521中的累计距离转化为重合度,表示为:
其中:为累计运动量变化曲线与评估曲线的重合度,为衰减系数,为累计运动量变化曲线与评估曲线的累计距离。
进一步地,步骤S54包括以下分步骤:
S541、构建绝对距离矩阵;
S542、根据动态因子和分步骤S541中的绝对距离矩阵对评估曲线进行动态调整,表示为:
其中:为动态调整后的评估曲线的累计运动量坐标点,,为一天内累计运动量的数据总组数,为评估曲线的累计运动量坐标点,为动态因子,为绝对距离矩阵的对角线元素;
S543、将评估曲线更新为分步骤S542中动态调整后的评估曲线。
进一步地,步骤S541包括以下分步骤:
S5411、计算对角线元素,表示为:
其中:为绝对距离矩阵的对角线元素,为当天的累计运动量曲线的累计运动量坐标点,为评估曲线的累计运动量坐标点;
S5412、将除对角线元素以外其余元素设置为0,构建绝对距离矩阵。
本发明的有益效果为:
(1)本发明能够通过数据重传机制,使采集到的猪只的三轴加速度数据更加准确真实,并通过对三轴加速度数据进行处理将其转化为运动量,从而实现了对猪只运动量进行表征;
(2)本发明通过K均值聚类算法,量化了猪只运动量与不同行为之间的关系,并通过绘制行为表格,可以更加快速准确地分析猪只行为节律;
(3)本发明通过确定评估曲线,表征猪只的行为节律,并对评估曲线进行动态调整,可以更准确地反映猪只的行为节律,提高监控和预警的效果。
附图说明
图1为一种基于智能耳标运动量的猪只行为节律分析方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明。
如图1所示,一种基于智能耳标运动量的猪只行为节律分析方法,包括步骤S1-S5:
S1、采集猪只的三轴加速度数据,并根据三轴加速度确定猪只在计算周期内的累计运动量。
在本发明的一个可选实施例中,本发明通过使用三轴加速度计连续采集计算周期
T时间段内猪只的三轴加速度数据,然后微处理器通过无线通讯模块将
T时间段内的三轴加速度数据发送给上位机。在传输过程中,系统会检查是否存在数据丢失或产生差错的情况。上位机处理接收到的三轴加速度数据,并计算猪只在计算周期
T内的累计运动量
M。
步骤S1包括以下分步骤:
S11、采集并传输猪只包括
x轴加速度、
y轴加速度和
z轴加速度的加速度数据。
具体地,本发明利用三轴加速度计采集猪只的三轴加速度数据,包括
x轴加速度
a x,
y轴加速度
a y和
z轴加速度
a z。三轴加速度计采集一次数据的时间间隔为△t。
S12、判断分步骤S11中采集的加速度数据的丢失数量是否大于丢失阈值;若是则进行数据重传并回到分步骤S12,否则进入分步骤S13。
具体地,微处理器每隔
T时间段将收集到的三轴加速度数据发送给上位机。在传输过程中,系统会检查是否存在数据丢失或产生差错的情况。
首先,本发明为了控制三轴加速度数据丢失,设定丢失阈值为
P。若加速度数据的丢失数量超过丢失阈值,系统会自动进行数据重传。丢失阈值P的计算公式为:
其中:为丢失阈值,为计算周期,为三轴加速度计采集一次数据的时间间隔。
S13、判断分步骤S12中丢失数量小于丢失阈值的加速度数据是否通过奇偶校验;若是则进入分步骤S14,否则进行数据重传并回到分步骤S12。
具体地,本发明为了防止三轴加速度数据产生差错,使用奇偶校验法对传输的三轴加速度数据进行校验。若检测出三轴加速度数据产生差错,系统会自动进行数据重传。
S14、计算计算周期内的合加速度,得到合加速度数据,表示为:
其中:为猪只的合加速度,为猪只的
x轴加速度,为猪只的
y轴加速度,为猪只的
z轴加速度。
S15、利用降低噪声数据筛选数值去除分步骤S14中合加速度数据的最值。
本发明中降低噪声数据筛选数值的计算式为:
其中:为降低噪声数据筛选数值,为计算周期,为截断系数,为三轴加速度计采集一次数据的时间间隔。
具体地,本发明在该分步骤通过确定降低噪声数据筛选数值,在计算周期
T内去除
N个最大和最小的合加速度数据,以降低噪声数据对计算结果的影响。
S16、将分步骤S15中去除最值后的合加速度数据的各个合加速度值与非运动阈值进行比较,确定猪只在计算周期内的累计运动量。
具体地,本发明确定非运动阈值上限为Uacc,阈值下限为Lacc,累计运动量
M初始值设为0。将计算周期
T内各个合加速度值与非运动阈值进行比较,若大于非运动阈值上限Uacc或小于阈值下限Lacc,则累计运动量
M自增1。即大于非运动阈值上限和小于非运动阈值下限都指代猪只处于运动状态,此时累计运动量
M都得加1。每经过一个计算周期T后,累计运动量M更新为0,确定新的计算周期的累计运动量
M值。
S2、根据步骤S1中猪只在计算周期内的累计运动量确定猪只在统计周期内的行为。
在本发明的一个可选实施例中,本发明根据累计运动量
M定义四个评价系数,然后对评价系数数据进行归一化处理,即对评价系数数据进行预处理,得到预处理后数据集,将预处理后数据集以统计周期为单位划分为样本,使用K均值聚类算法对样本数据进行分类,并根据分类结果来判断猪只在每个统计周期内的行为。
步骤S2包括以下分步骤:
S21、确定第一判别阈值和第二判别阈值,并根据第一判别阈值、第二判别阈值和步骤S1中猪只在计算周期内的累计运动量确定统计周期内的评价系数值。
具体地,本发明
n个连续的计算周期
T为一个统计周期
nT,根据步骤S1可知一个统计周期
nT内有
n个不同时间段的累计运动量
M值。本发明中累计运动量
M可以作为分析猪只运动情况的重要指标。本发明根据
M值定义四个评价系数:第一评价系数
A、第二评价系数
B、第三评价系数
C和第四评价系数
D。
此外,本发明确定第一判别阈值Umove和第二判别阈值Lmove,且第一判别阈值Umove大于第二判别阈值Lmove。
第一评价系数
A为统计周期内
M值大于第一判别阈值Umove的个数,第二评价系数
B为统计周期内
M值小于第二判别阈值Lmove的个数,第三评价系数C为统计周期内最大的
M值,第四评价系数
D为统计周期内最小的
M值。由此本发明可以根据第一判别阈值Umove、第二判别阈值Lmove和步骤S1中猪只在计算周期内的累计运动量
M值,确定统计周期
nT内的评价系数值,即具体的第一评价系数
A值、第二评价系数
B值、第一评价系数
C值和第一评价系数
D值。
S22、对分步骤S21中统计周期内的评价系数值进行归一化处理,表示为:
其中:为统计周期内的评价系数值经归一化后的数据,为统计周期内的评价系数值数据,为统计周期内的评价系数值数据的最小值,为统计周期内的评价系数值数据的最大值。
具体地,本发明将第一评价系数
A值、第二评价系数
B值、第一评价系数
C值和第一评价系数
D值分别采用上述公式进行归一化处理,以消除不同单位刻度数值大小不一的影响。
S23、对分步骤S22中经归一化处理后的统计周期内的评价系数值进行K均值聚类,确定猪只在统计周期内的行为。
步骤S23包括以下分步骤:
S231、根据猪只行为确定聚类中心数量。
S232、根据分步骤S22中经归一化处理后的统计周期内的评价系数值和分步骤S231中的聚类中心数量,确定聚类中心。
S233、将分步骤S22中经归一化处理后的统计周期内的评价系数值以统计周期为单位划分为样本,并计算样本与聚类中心的分类距离。
S234、根据分步骤S233中的分类距离,确定猪只在统计周期内的行为。
S235、判断误差平方和准则函数是否收敛,若是则结束操作,否则进入分步骤S236。
具体地,K均值聚类算法通常使用误差平方和准则函数来评价聚类性能,表示为:
其中:
E为聚类产生的误差,
k为聚类中心的个数,
p为样本数据,
m i为第
i个聚类中心值,X
i为聚类中心
m i的聚类域。
S236、计算分配之后的每个聚类域的均值,更新聚类中心并回到分步骤S233。
具体地,K均值聚类算法中将数据集按照聚类中心分成对应的类别,每一类的数据聚在一起称为聚类域。
S3、根据步骤S2中猪只在统计周期内的行为,绘制猪只每天在统计周期内的行为表格,得到猪只行为节律粗略分析结果。
在本发明的一个可选实施例中,本发明根据分步骤S23中进行K均值聚类的聚类结果,确定猪只在统计周期
nT内的行为,可以确定猪只在每个统计周期
nT内的行为,进而统计猪只一天内休息、采食和行走这三种行为相应的总时长。此外,通过绘制统计周期
nT的行为表格,以更清晰地反映猪只行为节律,如表1所示。
此外,本发明确定猪只行为最大变化阈值
H,若当天猪只的某种行为总时长相较于前一天的总时长增加或者减少
H%时,则初步判断猪只行为异常,并进入后续步骤对猪只行为节律进行进一步精确分析。
S4、根据步骤S1中猪只在计算周期内的累计运动量,绘制猪只每天的累计运动量变化曲线。
在本发明的一个可选实施例中,本发明根据步骤S1中猪只在计算周期内的累计运动量
M,每经过一个计算周期
T,统计一次积累运动量
M,并使用这些积累运动量
M数据在时间轴上以计算周期
T为单位刻度,绘制猪只的累计运动量曲线。
具体地,本发明绘制的第一天的累计运动量变化曲线作为初始评估曲线,从第二天开始,绘制的当天猪只的累计运动量变化曲线与评估曲线进行重合度对比。
S5、确定评估曲线,并将步骤S4中猪只每天的累计运动量变化曲线与评估曲线进行重合度对比,确定猪只行为节律精确分析结果。
在本发明的一个可选实施例中,本发明在该步骤先确定一条评估曲线来描述猪只的行为节律,并将步骤S4中猪只每天的累计运动量变化曲线与该评估曲线进行重合度对比,以判断猪只是否出现异常行为。
步骤S5包括以下分步骤:
S51、确定评估曲线。
具体地,本发明中评估曲线初始化为第一天的累计运动量变化曲线,后续通过对评估曲线进行动态调整,更新迭代评估曲线。
S52、计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的重合度。
步骤S52包括以下分步骤:
S521、采用DTW算法计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的累计距离。
S522、将分步骤S521中的累计距离转化为重合度,表示为:
其中:为累计运动量变化曲线与评估曲线的重合度,为衰减系数,为累计运动量变化曲线与评估曲线的累计距离。
S53、判断分步骤S52中的重合度是否低于重合度阈值;若是则判为异常行为,否则判为正常行为并进入分步骤S54。
具体地,若当天猪只的累计运动量曲线与评估曲线的相应区间重合度低于重合度阈值
Y时,可判断为异常行为,若判断为异常行为,系统发出警报,为饲养人员提供及时的预警和决策支持。若无异常行为则进入后续步骤。
S54、对评估曲线进行动态调整并更新评估曲线。
步骤S54包括以下分步骤:
S541、构建绝对距离矩阵。
步骤S541包括以下分步骤:
S5411、计算对角线元素,表示为:
其中:为绝对距离矩阵的对角线元素,为当天的累计运动量曲线的累计运动量坐标点,为评估曲线的累计运动量坐标点。
S5412、将除对角线元素以外其余元素设置为0,构建绝对距离矩阵。
S542、根据动态因子和分步骤S541中的绝对距离矩阵对评估曲线进行动态调整,表示为:
其中:为动态调整后的评估曲线的累计运动量坐标点,,为一天内累计运动量的数据总组数,为评估曲线的累计运动量坐标点,为动态因子,为绝对距离矩阵的对角线元素。
S543、将评估曲线更新为分步骤S542中动态调整后的评估曲线。
具体地,本发明将评估曲线更新为分步骤S542中动态调整后的评估曲线,使得在分步骤S51确定评估曲线时,确定的评估曲线为分步骤S542中动态调整后的评估曲线。本发明通过对评估曲线进行动态调整,以更准确地反映猪只行为节律。
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本发明的保护范围内。
Claims (9)
1.一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,包括以下步骤:
S1、采集猪只的三轴加速度数据,并根据三轴加速度确定猪只在计算周期内的累计运动量;
S2、根据步骤S1中猪只在计算周期内的累计运动量确定猪只在统计周期内的行为;
S3、根据步骤S2中猪只在统计周期内的行为,绘制猪只每天在统计周期内的行为表格,得到猪只行为节律粗略分析结果;
S4、根据步骤S1中猪只在计算周期内的累计运动量,绘制猪只每天的累计运动量变化曲线;
S5、确定评估曲线,并将步骤S4中猪只每天的累计运动量变化曲线与评估曲线进行重合度对比,确定猪只行为节律精确分析结果。
2.根据权利要求1所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,步骤S1包括以下分步骤:
S11、采集并传输猪只包括x轴加速度、y轴加速度和z轴加速度的加速度数据;
S12、判断分步骤S11中采集的加速度数据的丢失数量是否大于丢失阈值;若是则进行数据重传并回到分步骤S12,否则进入分步骤S13;
S13、判断分步骤S12中丢失数量小于丢失阈值的加速度数据是否通过奇偶校验;若是则进入分步骤S14,否则进行数据重传并回到分步骤S12;
S14、计算计算周期内的合加速度,得到合加速度数据,表示为:
其中:为猪只的合加速度,为猪只的x轴加速度,为猪只的y轴加速度,为猪只的z轴加速度;
S15、利用降低噪声数据筛选数值去除分步骤S14中合加速度数据的最值;
S16、将分步骤S15中去除最值后的合加速度数据的各个合加速度值与非运动阈值进行比较,确定猪只在计算周期内的累计运动量。
3.根据权利要求2所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,在分步骤S15中,降低噪声数据筛选数值的计算式为:
其中:为降低噪声数据筛选数值,为计算周期,为截断系数,为三轴加速度计采集一次数据的时间间隔。
4.根据权利要求1所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,步骤S2包括以下分步骤:
S21、确定第一判别阈值和第二判别阈值,并根据第一判别阈值、第二判别阈值和步骤S1中猪只在计算周期内的累计运动量确定统计周期内的评价系数值;
S22、对分步骤S21中统计周期内的评价系数值进行归一化处理,表示为:
其中:为统计周期内的评价系数值经归一化后的数据,为统计周期内的评价系数值数据,为统计周期内的评价系数值数据的最小值,为统计周期内的评价系数值数据的最大值;
S23、对分步骤S22中经归一化处理后的统计周期内的评价系数值进行K均值聚类,确定猪只在统计周期内的行为。
5.根据权利要求4所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,步骤S23包括以下分步骤:
S231、根据猪只行为确定聚类中心数量;
S232、根据分步骤S22中经归一化处理后的统计周期内的评价系数值和分步骤S231中的聚类中心数量,确定聚类中心;
S233、将分步骤S22中经归一化处理后的统计周期内的评价系数值以统计周期为单位划分为样本,并计算样本与聚类中心的分类距离;
S234、根据分步骤S233中的分类距离,确定猪只在统计周期内的行为;
S235、判断误差平方和准则函数是否收敛,若是则结束操作,否则进入分步骤S236;
S236、计算分配之后的每个聚类域的均值,更新聚类中心并回到分步骤S233。
6.根据权利要求1所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,步骤S5包括以下分步骤:
S51、确定评估曲线;
S52、计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的重合度;
S53、判断分步骤S52中的重合度是否低于重合度阈值;若是则判为异常行为,否则判为正常行为并进入分步骤S54;
S54、对评估曲线进行动态调整并更新评估曲线。
7.根据权利要求6所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,步骤S52包括以下分步骤:
S521、采用DTW算法计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的累计距离;
S522、将分步骤S521中的累计距离转化为重合度,表示为:
其中:为累计运动量变化曲线与评估曲线的重合度,为衰减系数,为累计运动量变化曲线与评估曲线的累计距离。
8.根据权利要求6所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,步骤S54包括以下分步骤:
S541、构建绝对距离矩阵;
S542、根据动态因子和分步骤S541中的绝对距离矩阵对评估曲线进行动态调整,表示为:
其中:为动态调整后的评估曲线的累计运动量坐标点,,为一天内累计运动量的数据总组数,为评估曲线的累计运动量坐标点,为动态因子,为绝对距离矩阵的对角线元素;
S543、将评估曲线更新为分步骤S542中动态调整后的评估曲线。
9.根据权利要求8所述的一种基于智能耳标运动量的猪只行为节律分析方法,其特征在于,步骤S541包括以下分步骤:
S5411、计算对角线元素,表示为:
其中:为绝对距离矩阵的对角线元素,为当天的累计运动量曲线的累计运动量坐标点,为评估曲线的累计运动量坐标点;
S5412、将除对角线元素以外其余元素设置为0,构建绝对距离矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331301.1A CN116034905B (zh) | 2023-03-31 | 2023-03-31 | 一种基于智能耳标运动量的猪只行为节律分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310331301.1A CN116034905B (zh) | 2023-03-31 | 2023-03-31 | 一种基于智能耳标运动量的猪只行为节律分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116034905A true CN116034905A (zh) | 2023-05-02 |
CN116034905B CN116034905B (zh) | 2023-06-20 |
Family
ID=86133624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310331301.1A Active CN116034905B (zh) | 2023-03-31 | 2023-03-31 | 一种基于智能耳标运动量的猪只行为节律分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116034905B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102960262A (zh) * | 2012-10-31 | 2013-03-13 | 上海交通大学无锡研究院 | 一种牛只发情监测系统 |
CN106295558A (zh) * | 2016-08-08 | 2017-01-04 | 华南农业大学 | 一种猪只行为节律分析方法 |
CN107258581A (zh) * | 2017-06-16 | 2017-10-20 | 南京农业大学 | 基于蓝牙耳标的猪只运动量监测系统及方法 |
-
2023
- 2023-03-31 CN CN202310331301.1A patent/CN116034905B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102960262A (zh) * | 2012-10-31 | 2013-03-13 | 上海交通大学无锡研究院 | 一种牛只发情监测系统 |
CN106295558A (zh) * | 2016-08-08 | 2017-01-04 | 华南农业大学 | 一种猪只行为节律分析方法 |
CN107258581A (zh) * | 2017-06-16 | 2017-10-20 | 南京农业大学 | 基于蓝牙耳标的猪只运动量监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116034905B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
CN112330067B (zh) | 基于区块链的金融大数据分析系统 | |
CN111081379B (zh) | 一种疾病概率决策方法及其系统 | |
CN115412455A (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
KR102265809B1 (ko) | 가속도센서를 이용한 가축 행동패턴 검출 방법 및 장치 | |
CN111540471A (zh) | 一种基于用户健康数据的健康状态跟踪及预警方法和系统 | |
CN117171604B (zh) | 基于传感器的保温板生产线异常监测系统 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN112330095A (zh) | 一种基于决策树算法的质量管理方法 | |
CN110490486B (zh) | 一种企业大数据管理系统 | |
CN113163353A (zh) | 一种电源车的智能健康服务系统及其数据传输方法 | |
CN117113118B (zh) | 一种生物气溶胶用智能监测方法及系统 | |
CN116034905B (zh) | 一种基于智能耳标运动量的猪只行为节律分析方法 | |
CN113526282A (zh) | 一种电梯中长期老化故障诊断方法、装置、介质和设备 | |
CN113420946B (zh) | 一种新闻媒体的评价方法 | |
CN112883999A (zh) | 一种用于奶牛运动异常检测计步器系统及其方法 | |
CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析系统 | |
CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
CN116719714A (zh) | 一种测试用例的筛选模型的训练方法及相应的装置 | |
CN115941807A (zh) | 一种园区安防系统数据高效压缩方法 | |
CN115348297A (zh) | 一种生态环境治理修复方式的智慧分析处理系统 | |
LU505334B1 (en) | Infectious disease trend prediction system and method based on big data | |
CN117493921B (zh) | 基于大数据的人工智能节能管理方法及系统 | |
CN117792933B (zh) | 一种基于深度学习的网络流量优化方法及系统 | |
CN117171778B (zh) | 一种数据库的访问流量控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |