CN116227790B - 智慧养殖智能管理方法、装置、电子设备及智能管理系统 - Google Patents

智慧养殖智能管理方法、装置、电子设备及智能管理系统 Download PDF

Info

Publication number
CN116227790B
CN116227790B CN202310449894.1A CN202310449894A CN116227790B CN 116227790 B CN116227790 B CN 116227790B CN 202310449894 A CN202310449894 A CN 202310449894A CN 116227790 B CN116227790 B CN 116227790B
Authority
CN
China
Prior art keywords
batch
breeding
fusion
feeding
population type
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
Application number
CN202310449894.1A
Other languages
English (en)
Other versions
CN116227790A (zh
Inventor
刘林
冯敏
冯友志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Areson Technology Corp
Original Assignee
Areson Technology Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Areson Technology Corp filed Critical Areson Technology Corp
Priority to CN202310449894.1A priority Critical patent/CN116227790B/zh
Publication of CN116227790A publication Critical patent/CN116227790A/zh
Application granted granted Critical
Publication of CN116227790B publication Critical patent/CN116227790B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/901Indexing; Data structures therefor; Storage structures
    • G06F16/9024Graphs; Linked lists
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0635Risk analysis of enterprise or organisation activities
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Artificial Intelligence (AREA)
  • Mining & Mineral Resources (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种智慧养殖智能管理方法、装置、电子设备及智能管理系统,其中所述方法包括:基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱包括所述养殖对象的不同种群类型;基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策。本发明通过利用图神经网络模型对养殖对象前一阶段和当前阶段生产过程进行融合分析,最终实现养殖对象的自动健康评估及育种的淘汰与选留决策,具有更高的可靠性和合理性。

Description

智慧养殖智能管理方法、装置、电子设备及智能管理系统
技术领域
本发明涉及计算机技术领域,尤其涉及一种智慧养殖智能管理方法、装置、电子设备及智能管理系统。
背景技术
养殖业是指用放牧、圈养或二者结合的方式饲养禽畜以取得动物产品或役畜的行业,主要包括牲畜饲牧、家禽饲养及经济兽类驯养等。养殖业的扩大再生产同禽畜内部的公畜、母畜、仔畜及幼畜的比例关系密切,因此保持合理的畜群结构对加快养殖业的发展十分重要。
目前,随着养殖业规模化及工业化的发展,大型养殖企业基本都拥有了信息化和智能化的养殖管理系统。但是,这些管理系统多是针对养殖环境的监控调节、养殖对象的喂养控制或养殖质量的提高等。现有对养殖畜群结构的管控还主要是依赖人工经验进行,受人的专业性影响较大,可靠性和合理性无法保障。
发明内容
本发明提供一种智慧养殖智能管理方法、装置、电子设备及智能管理系统,用以解决现有技术由于受人工影响较大可靠性及合理性无法保障的缺陷,实现有效提高管控结果的可靠性和合理性的目标。
本发明提供一种智慧养殖智能管理方法,包括:
基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱包括所述养殖对象的不同种群类型;
基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;
基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策。
根据本发明提供的一种智慧养殖智能管理方法,所述利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征,包括:
将所述饲养状态数据输入所述图神经网络模型,获取所述不同种群类型下各种群类型各批次的深层特征;
采用自注意力机制模型,分别将各所述种群类型下各批次的所述深层特征进行融合,获取各所述种群类型下的批次融合特征;
分别将各所述种群类型下的批次融合特征进行维度对齐后,再分别针对各批次将各所述种群类型下相同维度的批次融合特征进行拼接,并将拼接后的批次融合特征再次进行维度对齐,获取所述养殖对象的所述深层融合特征。
根据本发明提供的一种智慧养殖智能管理方法,所述图神经网络模型中的图由如下三个矩阵迭代计算生成:
邻接矩阵A,用于表示所述图中节点间的连接关系;
度矩阵D,用于表示所述图中任一节点所连接的其他节点数;
特征矩阵H,用于表示所述图中任一节点的特征;
其中,所述特征矩阵H按如下公式更新:
式中,表示给所述图中的节点增加自连接后更新的邻接矩阵,/>I N为所述自连接,/>表示所述度矩阵D的逆矩阵,H ( L+1 )表示所述图神经网络模型网络中第L+1层节点的特征,/>表示所述图神经网络模型网络中第L层节点的特征,其中X为所述饲养状态数据,/>表示所述特征矩阵H的初始值,W L表示学习权重,/>表示激活函数。
根据本发明提供的一种智慧养殖智能管理方法,所述自注意力机制模型在对各批次的所述深层特征进行融合时,按如下方式进行计算:
假设批次i的深层特征表示为h i,批次j的深层特征表示为h j,则将批次i和批次j的深层特征分别进行线性变换得到[Wh i,Wh j] ,其中,Wh iWh j分别为批次i和批次j的线性变换结果,[Wh i,Wh j]为Wh iWh j的拼接结果;
根据公式,计算批次i和批次j的相关度,其中e ij表示批次i和批次j的相关度,/>表示计算向量内积;
根据公式,将批次i和批次j的相关度e ij进行归一化处理,获取归一化注意力,其中α ij表示所述归一化注意力,N i表示除批次i外其他所有批次的集合,k表示批次,/>
基于归一化注意力α ij和批次j的线性变换结果Wh j,按照公式,计算批次i对应的批次融合特征。
根据本发明提供的一种智慧养殖智能管理方法,所述进行所述养殖对象的育种的淘汰及选留决策,包括:
从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以根据所述第一评估结果,对所述第一种群类型进行淘汰决策;
从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以根据所述第二评估结果,对所述第二种群类型进行选留决策。
根据本发明提供的一种智慧养殖智能管理方法,所述养殖对象为猪,所述种群类型包括母猪、哺乳猪、保育猪和育肥猪,相应的,所述不同种群类型各批次的饲养状态数据包括:母猪饲养状态数据、哺乳猪批次饲养状态数据、保育猪批次饲养状态数据和育肥猪批次饲养状态数据;
其中,所述母猪饲养状态数据包括如下各项中至少之一:年产胎次、年提供的断奶仔猪数、年提供的出栏数、返情次数、流产次数、产活仔数、仔猪成活率、非生产天数、背膘厚度、产活仔均重和健仔数;
所述哺乳猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重、料肉比、背膘厚、有效乳头数、体长、体高、管围和外貌评分;
所述保育猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述育肥猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比。
本发明还提供一种智慧养殖智能管理装置,包括:
饲养图谱制作模块,用于基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱包括所述养殖对象的不同种群类型;
特征提取与融合模块,用于基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;
决策管理模块,用于基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述处理器执行所述程序或指令时,实现如上述任一种所述的智慧养殖智能管理方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有程序或指令,所述程序或指令被计算机执行时,实现如上述任一种所述的智慧养殖智能管理方法的步骤。
本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行如上述任一种所述的智慧养殖智能管理方法。
本发明还提供一种智慧养殖智能管理系统,包括:
特征提取与融合单元,用于基于养殖对象的饲养图谱,获取不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征,所述饲养图谱包括所述养殖对象的所述不同种群类型;
风险预测单元,用于基于所述深层融合特征,预测所述养殖对象的健康风险等级;
育种淘汰决策单元,用于从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以及,根据所述第一评估结果,对所述第一种群类型进行淘汰决策;
育种选留决策单元,用于从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以及,根据所述第二评估结果,对所述第二种群类型进行选留决策。
本发明提供的智慧养殖智能管理方法、装置、电子设备及智能管理系统,通过利用图神经网络模型对养殖对象前一阶段和当前阶段生产过程进行融合分析,最终实现养殖对象的自动健康评估以及育种的淘汰与选留决策,相对现有依赖人工经验的方式,受人的专业性影响较小,具有更高的可靠性和合理性。
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,下面将对本发明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为本发明提供的智慧养殖智能管理方法的流程示意图之一;
图2为根据本发明提供的智慧养殖智能管理方法中猪群饲养图谱的结构示意图;
图3为根据本发明提供的智慧养殖智能管理方法中获取养殖对象的深层融合特征的流程示意图;
图4为根据本发明提供的智慧养殖智能管理方法中图神经网络模型的结构示意图;
图5为根据本发明提供的智慧养殖智能管理方法中用于特征融合的特征融合层的结构示意图;
图6为根据本发明提供的智慧养殖智能管理方法中自注意力机制模型的计算流程示意图;
图7为本发明提供的智慧养殖智能管理方法的流程示意图之二;
图8为本发明提供的智慧养殖智能管理装置的结构示意图;
图9为本发明提供的电子设备的实体结构示意图;
图10为本发明提供的智慧养殖智能管理系统的结构示意图。
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的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。
本发明针对现有技术存在的由于受人工影响较大可靠性及合理性无法保障等的问题,通过利用图神经网络模型对养殖对象前一阶段和当前阶段生产过程进行融合分析,最终实现养殖对象的自动健康评估以及育种的淘汰与选留决策,相对现有依赖人工经验的方式,受人的专业性影响较小,具有更高的可靠性和合理性。以下将结合附图,具体通过多个实施例对本发明进行展开说明和介绍。
图1为本发明提供的智慧养殖智能管理方法的流程示意图之一,如图1所示,该方法包括:
S101,基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱。
其中,所述饲养图谱包括所述养殖对象的不同种群类型。
可以理解为,通常而言大型的养殖场都具有自己的生产管理系统,则可以从这些生产管理系统中获取养殖对象的批次化管理数据,这些数据中包含了养殖对象的批次数据、专栏饲养过程数据和生产数据等。
例如,当养殖对象为猪时,可以基于猪场生产管理系统,获取猪场各猪群批次化管理数据,该数据记录了各猪群种猪生产数据和各猪群专栏饲养过程数据等。
在获取养殖对象的批次化管理数据的基础上,可以根据养殖对象群体内部包含的不同种群类型间转化过程,构建或制作养殖对象饲养全过程的饲养图谱。该饲养图谱中包含了养殖对象的不同种群类型以及各种群类型间转化关系。
其中,养殖对象是智慧养殖面向的主体,其可以是牲畜、家禽、水产或者其他特种经济兽类等。可选地,所述养殖对象为猪,所述种群类型包括母猪、哺乳猪、保育猪和育肥猪。
当养殖对象为猪时,可构建猪群饲养图谱如图2所示,为根据本发明提供的智慧养殖智能管理方法中猪群饲养图谱的结构示意图,图中包括母猪、哺乳猪、保育猪和育肥猪四种不同的种群类型,且展示了“母猪→哺乳猪→保育猪→育肥猪”的饲养全过程,是一张全过程饲养图谱。
S102,基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征。
可以理解为,在制作完成饲养图谱的基础上,可以结合该饲养图谱和养殖场生产管理系统记录的饲养过程数据,获取上述不同种群类型分别对应的不同批次的饲养状态数据,该饲养状态数据可以作为各种群类型的基础特征数据。
可选地,当养殖对象为猪时,养殖对象的所述不同种群类型各批次的饲养状态数据包括:母猪饲养状态数据、哺乳猪批次饲养状态数据、保育猪批次饲养状态数据和育肥猪批次饲养状态数据。其中:
所述母猪饲养状态数据(母猪的基础特征)包括如下各项中至少之一:年产胎次、年提供的断奶仔猪数(每头母猪年提供的断奶仔猪数PSY)、年提供的出栏数(每头母猪年提供的出栏数MSY)、返情次数、流产次数、产活仔数、仔猪成活率、非生产天数、背膘厚度、产活仔均重和健仔数;
所述哺乳猪批次饲养状态数据(哺乳猪批次特征)包括如下各项中至少之一:批次成活率、日增重、料肉比、背膘厚、有效乳头数、体长、体高、管围和外貌评分;
所述保育猪批次饲养状态数据(保育猪批次特征)包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述育肥猪批次饲养状态数据(育肥猪批次特征)包括如下各项中至少之一:批次成活率、日增重和料肉比。
可以理解为,由上述实施例可知,当养殖对象为猪时,所述的不同种群类型包括了母猪、哺乳猪、保育猪和育肥猪四种类型,则对于这些种群类型而言,其对应的批次饲养状态数据可分别称为母猪饲养状态数据、哺乳猪批次饲养状态数据、保育猪批次饲养状态数据和育肥猪批次饲养状态数据。
对于上述四种种群类型的饲养状态数据,每种种群类型的饲养状态数据都可以是其后列举的上述多项数据中的一项或者任意多项的组合。例如,对于哺乳猪批次饲养状态数据,其可以包括批次成活率、日增重、料肉比、背膘厚、有效乳头数、体长、体高、管围和外貌评分中的任一项或者是任意多项的任意组合,如可以是批次成活率、日增重、体长、体高和管围的组合等。
之后,在获取养殖对象不同种群类型各批次的饲养状态数据的基础上,可以基于该饲养状态数据,利用构建好的图神经网络模型,提取养殖对象各种群类型的深层特征。即,将养殖对象不同种群类型各批次的饲养状态数据输入构建的图神经网络模型,利用该模型提取并输出养殖对象各种群类型的深层特征。然后再结合特征融合模块,将提取的深层特征进行拼接融合,最终得到养殖对象的深层融合特征。
S103,基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策。
可以理解为,在获取养殖对象的深层融合特征之后,可以以该深层融合特征为输入,经过全连接分类模型等,输出养殖对象整个群体的健康风险等级。如风险等级可分为高、中及低三个不同等级,则经过分类模型可预测出养殖对象整个群体的健康风险等级具体属于哪一等级。
同时,可以从上述深层融合特征的集合中抽取繁殖种群(如种猪)融合特征,再利用全连接层等建立分类模型,对繁殖种群(如种猪)进行分组管理,作为繁殖种群(如种猪)淘汰决策的依据之一,实现育种淘汰决策。或者,也可以从上述深层融合特征的集合中抽取哺育种群批次融合特征,并利用全连接层等建立分类模型,对哺育种群批次进行分组管理,作为哺育种群选留决策的依据之一,实现育种选留决策。
本发明提供的智慧养殖智能管理方法,通过利用图神经网络模型对养殖对象前一阶段和当前阶段生产过程进行融合分析,最终实现养殖对象的自动健康评估以及育种的淘汰与选留决策,相对现有依赖人工经验的方式,受人的专业性影响较小,具有更高的可靠性和合理性。
其中,根据上述各实施例提供的智慧养殖智能管理方法可选地,所述利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征的步骤具体如图3所示,为根据本发明提供的智慧养殖智能管理方法中获取养殖对象的深层融合特征的流程示意图,包括:
S301,将所述饲养状态数据输入所述图神经网络模型,获取所述不同种群类型下各种群类型各批次的深层特征。
可以理解为,本发明在进行饲养状态数据的特征提取时,可以先对各饲养状态数据进行归一化或标准化处理,以消除各饲养状态数据间不同量纲或量纲单位的影响,使各个饲养状态数据处于同一量级。
之后,将经过归一化处理的饲养状态数据输入到事先训练好的图神经网络模型中,以利用图神经网络进行内部迭代运算,最终获取图神经网络的输出作为各种群类型各批次的深层特征。
其中在图神经网络模型训练过程中,通过用图神经网络模型训练得到邻接矩阵来表示各饲养状态数据之间的关联性。将每个饲养状态数据视作图神经网络中图的节点,饲养状态数据之间的连接关系作为节点之间的边,形成图神经网络模型的图。
可选地,所述图神经网络模型中的图由如下三个矩阵迭代计算生成:邻接矩阵A,用于表示所述图中节点间的连接关系;度矩阵D,用于表示所述图中任一节点所连接的其他节点数;特征矩阵H,用于表示所述图中任一节点的特征。
其中,所述特征矩阵H按如下公式迭代更新:
式中,表示给所述图中的节点增加自连接后更新的邻接矩阵,/>I N为所述自连接,/>表示所述度矩阵D的逆矩阵,H ( L+1 )表示所述图神经网络模型网络中第L+1层节点的特征,/>表示所述图神经网络模型网络中第L层节点的特征,其中X为所述饲养状态数据,/>表示所述特征矩阵H的初始值,W L表示学习权重,/>表示激活函数。
可以理解为,如图4所示,为根据本发明提供的智慧养殖智能管理方法中图神经网络模型的结构示意图,其在网络结构上包括输入层、多个隐含层和输出层,其各层网络节点的特征矩阵H按上述特征矩阵更新公式进行迭代计算更新,激活函数选取为ReLu,是神经网络的基本单元,Z为经过图神经网络模型计算得出的各层网络特征集。
将多层图神经网络的输出联立起来,共同作为图神经网络模块的输出,最后从图神经网络模块输出的多维图特征中提取特征作为各种群类型各批次的深层特征。
S302,采用自注意力机制模型,分别将各所述种群类型下各批次的所述深层特征进行融合,获取各所述种群类型下的批次融合特征。
可以理解为,批次化管理是禽畜(或其他养殖对象)养殖中极其重要的一种管理模式,禽畜(或其他养殖对象)群之间的转栏、喂料及疫苗防疫等操作均按照批次化进行管理。受制于饲养场地、环境等的影响,各个批次可能饲养在不同的栋舍。
一方面,为了从整体上考虑养殖对象的健康情况,需要将各个批次的养殖对象的数据进行融合分析,另一方面,养殖对象的出栏是遵循群体各个饲养阶段的划分的,要评估各养殖对象群体的健康风险,需要融合上一饲养阶段的数据进行综合分析。
例如,对于养殖对象为生猪而言,猪群的出栏遵循“种猪→哺乳猪→保育猪→育肥猪”的饲养阶段进行划分,要评估各猪群的健康风险,就需要融合上一饲养阶段的数据进行分析,而对于种猪,则需要融合其繁殖的后代饲养数据进行融合分析。
本发明中设计特征融合层对各养殖对象群体的原始特征进行融合分析,得到其各自的深层融合特征集合。以养殖对象为生猪为例,如图5所示,为根据本发明提供的智慧养殖智能管理方法中用于特征融合的特征融合层的结构示意图,图中融合特征层由自注意力机制、全连接层和特征拼接组成。
其中,自注意力机制用于进行同一种群类型下各批次的深层特征融合,具体采用带自注意力机制的融合模型,即自注意力机制模型,进行各批次的深层特征融合。自注意力机制模型是将同类节点特征进行融合,也即是将相同种群类型下不同批次养殖对象的深层特征进行融合,得到融合了其他批次/胎次特征的特征,该特征可称为是批次融合特征。
可以理解的是,对于养殖对象猪而言,胎次对于种猪的繁殖性能有很大的影响,因此对于种猪的特征融合,该层需要将目标种猪在不同胎次的生产性能数据进行聚合,再融合其繁殖的后代生长特征。
可选地,所述自注意力机制模型在对各批次的所述深层特征进行融合时,按如下方式进行计算:
假设批次i的深层特征表示为h i,批次j的深层特征表示为h j,则将批次i和批次j的深层特征分别进行线性变换得到[Wh i,Wh j],其中,Wh iWh j分别为批次i和批次j的线性变换结果,[Wh i,Wh j]为Wh iWh j的拼接结果;
根据公式,计算批次i和批次j的相关度,其中e ij表示批次i和批次j的相关度,/>表示计算向量内积;
根据公式,将批次i和批次j的相关度e ij进行归一化处理,获取归一化注意力,其中α ij表示所述归一化注意力,N i表示除批次i外其他所有批次的集合,k表示批次,/>
基于归一化注意力α ij和批次j的线性变换结果Wh j,按照公式,计算批次i对应的批次融合特征。
可以理解为,在自注意力机制中,节点的特征集合可以表示为。自注意力机制运算的目的就是输出节点的新特征集合/>,使得新的特征融合了相邻节点、同类节点或规划关系节点的特征,具体计算流程如图6所示,为根据本发明提供的智慧养殖智能管理方法中自注意力机制模型的计算流程示意图,其中:首先对于节点ij,将其特征分别进行线性变换得到/>;之后计算目标节点ij的相关度/>,/>即表示使用向量内积来计算目标节点的相关度;再之后为了更好地在不同节点间分配权重,将目标节点与所有邻居节点计算出来的相关度进行统一的归一化处理,如可采用softmax按公式/>进行归一化得到归一化注意力α ij;最后,在得到归一化注意力α ij的基础上,计算其对应特征的线性组合并通过非线性激活函数后,得到目标节点i最终输出的特征向量为,其中N i为集合N中除目标节点i外其他所有节点的集合。
S303,分别将各所述种群类型下的批次融合特征进行维度对齐后,再分别针对各批次将各所述种群类型下相同维度的批次融合特征进行拼接,并将拼接后的批次融合特征再次进行维度对齐,获取所述养殖对象的所述深层融合特征。
可以理解为,在利用自注意力机制将各相同种群类型下的各批次的深层特征进行融合后,本发明采用如全连接层等具有对齐功能的网络模型,分别对各不同种群类型下融合后得到的批次融合特征进行采样,从而将各批次融合特征的维度进行统一对齐。
之后,如图5所示,由特征拼接层将相同批次不同种群类型下的具有统一维度的批次融合特征进行拼接融合,得到目标批次节点(养殖对象)与下一饲养阶段批次节点的融合特征集合。之后,将该融合特征集合中的各融合特征输入到另一个全连接层,以通过对这些融合特征进行采样,将这些融合特征的维度进行统一,也即将不同批次的深层融合特征进行维度统一对齐,得到具有相同维度的深层融合特征。
也就是说,本发明中的特征融合层在进行特征融合时,先分别针对各种群类型,对其下各批次的深度特征进行批次融合,得到融合了其他批次养殖对象的深度特征的批次融合特征,再在进行维度对齐后,分别针对各批次,对其下各种群类型对应的批次融合特征进行特征拼接融合,得到既融合了其他批次特征又融合了其他种群类型特征的深度融合特征。
其中,根据上述各实施例提供的智慧养殖智能管理方法可选地,所述进行所述养殖对象的育种的淘汰及选留决策,包括:从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以根据所述第一评估结果,对所述第一种群类型进行淘汰决策;以及,从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以根据所述第二评估结果,对所述第二种群类型进行选留决策。
可以理解为,本发明中养殖对象的种群类型中包括用于繁殖后代的第一种群类型和用于养育后代的第二种群类型,如养殖对象为猪时,用于繁殖后代的第一种群类型即为种猪,用于养育后代的第二种群类型即为哺乳猪。
受使用年限及各种个体性能影响,第一种群类型的繁殖性能不会一直维持在同一水平,且由于其是养殖对象群体增殖的基础,是整个养殖生产的核心,只有对其实行科学、合理的淘汰与更新制度,才能实现稳定或提高养殖对象的生产水平,达到提高整体经济效益的目的。
例如对于生猪,种群类型种猪是猪群增殖的基础,是整个养猪生产的核心,种猪的淘汰机制为:设定种猪的使用年限,自然交配时公猪一般不超过 2 年,母猪不超过 8 胎,采精公猪使用 3~4 年,母猪不超过 8 胎,同时考虑种猪个体间生产能力差异,对种猪进行淘汰决策。
在进行第一种群类型的淘汰决策时,本发明先从上述各实施例中进行特征融合得到的深层融合特征中抽取第一种群类型的融合特征(该融合特征融合了其他批次和其他胎次养殖对象的特征),再将抽取的第一种群类型的融合特征输入到事先构建并训练好的第一全连接分类模型中,以利用该模型进行内部运算,最终输出对第一种群类型的繁殖性能的评估结果。为便于区分,该评估结果可称为第一评估结果,该评估结果可以指示第一种群类型的繁殖性能的优劣等级。之后,根据第一评估结果,对被评估的第一种群类型进行淘汰决策,如当评估结果显示第一种群类型的繁殖性能已经较差时,则决定淘汰该第一种群类型。
类似的,对于第二种群类型而言,当其具有较优的生长性能时,其才能更好的养育后代,因此需要通过采取科学、合理的评估来对较优的第二种群类型进行选留决策,并对性能较差的第二种群类型进行淘汰处理。
同样以生猪为例,其育种选留机制为:组建基础群过程中对不同来源、不同品系种猪的繁殖性能和生产性能进行测定记录和观测,从仔猪的耳号编排到种猪的测定,包括生长性能指标(初生重、同窝产仔数、21日龄称重、始测重、终测重、测定期日增重和终测天龄等)、外型指标(三点背膘厚、瘦肉率、体长、体高、管围、外貌评分、有效乳头数、生殖器发育和四肢功能等)和遗传性状指标(与配母猪的繁殖性能、有无遗传缺陷病等)等都作较详尽、系统的测定和记录,最后依据指标融合分析进行挑选。
具体在进行第二种群类型的选留决策时,本发明先从上述各实施例中进行特征融合得到的深层融合特征中抽取第二种群类型的融合特征(该融合特征融合了其他批次养殖对象的特征),再将抽取的第二种群类型的融合特征输入到事先构建并训练好的第二全连接分类模型中,以利用该模型进行内部运算,最终输出对第二种群类型的生长性能的评估结果,即第二评估结果。该评估结果可以指示第二种群类型的生长性能的优劣等级。之后,根据第二评估结果,对被评估的第二种群类型进行选留决策,如当评估结果显示第二种群类型的生长性能较优时,则决定选留该第二种群类型。
为进一步说明本发明的技术方案,以下结合图7进行更详细的说明,但不对本发明要求保护的范围进行限制。
如图7所示,为本发明提供的智慧养殖智能管理方法的流程示意图之二,包括以下处理步骤:
S701,基于猪场生产管理系统,获取猪场各猪群批次化管理数据,该数据记录了各猪群种猪生产数据以及各猪群转栏等饲养过程数据。
S702,根据各猪群批次化管理数据,构建猪群饲养图谱,如图2所示即为构建的“母猪→哺乳猪→保育猪→育肥猪”的全过程饲养图谱。
S703,基于上述全过程饲养图谱及生产管理系统,获取各猪群的饲养状态数据作为猪群的基础数据或特征。
S704,饲养状态数据输入构建的图神经网络(GCN)之后,获取不同饲养阶段猪群各自的深层特征集。
S705,将不同饲养阶段猪群不同批次的深层特征分别针对批次和猪群进行融合,得到深层融合特征。
S706,深层融合特征经过全连接分类模型的运算,输出整个猪群的健康风险等级。如风险可分为高、中、低三级,则经过分类模型可输出猪群具体属于哪一风险等级。
S707,从深层融合特征集中抽取种猪融合特征,并利用全连接层建立分类模型,对种猪的繁殖性能进行评估并进行分组管理,作为种猪淘汰的依据之一。
S708,从深层融合特征集中抽取哺乳猪批次融合特征,并利用全连接层建立分类模型,对哺乳猪的生长性能进行评估并对其批次进行分组管理,作为种猪选留的依据之一。
本发明基于图神经网络模型可以将猪群生产过程进行融合分析,各猪群的特征考虑了前一阶段饲养过程的特征,同时基于各猪群的饲养环境、喂料等的不同建立注意力机制模型,相对于传统评估方法只考虑本猪群的特征,本发明对猪群的健康评估、育种工作的进行都具有更科学、可靠的指导意义。
基于相同的发明构思,本发明根据上述各实施例还提供一种智慧养殖智能管理装置,该装置用于在上述各实施例中实现对智慧养殖的智能管理。因此,在上述各实施例的智慧养殖智能管理方法中的描述和定义,可以用于本发明中各个执行模块的理解,具体可参考上述方法实施例,此处不在赘述。
根据本发明的一个实施例,智慧养殖智能管理装置的结构如图8所示,为本发明提供的智慧养殖智能管理装置的结构示意图,该装置可以用于实现上述各方法实施例中的智慧养殖智能管理,该装置包括:饲养图谱制作模块801、特征提取与融合模块802和决策管理模块803。其中:
饲养图谱制作模块801用于基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱包括所述养殖对象的不同种群类型;特征提取与融合模块802用于基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;决策管理模块803用于基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策。
本发明提供的智慧养殖智能管理装置,通过利用图神经网络模型对养殖对象前一阶段和当前阶段生产过程进行融合分析,最终实现养殖对象的自动健康评估以及育种的淘汰与选留决策,相对现有依赖人工经验的方式,受人的专业性影响较小,具有更高的可靠性和合理性。
可选地,所述特征提取与融合模块在用于所述利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征时,用于:
将所述饲养状态数据输入所述图神经网络模型,获取所述不同种群类型下各种群类型各批次的深层特征;
采用自注意力机制模型,分别将各所述种群类型下各批次的所述深层特征进行融合,获取各所述种群类型下的批次融合特征;
分别将各所述种群类型下的批次融合特征进行维度对齐后,再分别针对各批次将各所述种群类型下相同维度的批次融合特征进行拼接,并将拼接后的批次融合特征再次进行维度对齐,获取所述养殖对象的所述深层融合特征。
可选地,所述图神经网络模型中的图由如下三个矩阵迭代计算生成:
邻接矩阵A,用于表示所述图中节点间的连接关系;
度矩阵D,用于表示所述图中任一节点所连接的其他节点数;
特征矩阵H,用于表示所述图中任一节点的特征;
其中,所述特征矩阵H按如下公式更新:
式中,表示给所述图中的节点增加自连接后更新的邻接矩阵,/>I N为所述自连接,/>表示所述度矩阵D的逆矩阵,H ( L+1 )表示所述图神经网络模型网络中第L+1层节点的特征,/>表示所述图神经网络模型网络中第L层节点的特征,其中X为所述饲养状态数据,/>表示所述特征矩阵H的初始值,W L表示学习权重,/>表示激活函数。
可选地,所述自注意力机制模型在对各批次的所述深层特征进行融合时,按如下方式进行计算:
假设批次i的深层特征表示为h i,批次j的深层特征表示为h j,则将批次i和批次j的深层特征分别进行线性变换得到[Wh i,Wh j] ],其中,Wh iWh j分别为批次i和批次j的线性变换结果,[Wh i,Wh j]为Wh iWh j的拼接结果;
根据公式,计算批次i和批次j的相关度,其中e ij表示批次i和批次j的相关度,/>表示计算向量内积;
根据公式,将批次i和批次j的相关度e ij进行归一化处理,获取归一化注意力,其中α ij表示所述归一化注意力,N i表示除批次i外其他所有批次的集合,k表示批次,/>
基于归一化注意力α ij和批次j的线性变换结果Wh j,按照公式,计算批次i对应的批次融合特征。
可选地,所述决策管理模块在用于所述进行所述养殖对象的育种的淘汰及选留决策时,用于:
从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以根据所述第一评估结果,对所述第一种群类型进行淘汰决策;
从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以根据所述第二评估结果,对所述第二种群类型进行选留决策。
可选地,所述养殖对象为猪,所述种群类型包括母猪、哺乳猪、保育猪和育肥猪,相应的,所述不同种群类型各批次的饲养状态数据包括:母猪饲养状态数据、哺乳猪批次饲养状态数据、保育猪批次饲养状态数据和育肥猪批次饲养状态数据;
其中,所述母猪饲养状态数据包括如下各项中至少之一:年产胎次、年提供的断奶仔猪数、年提供的出栏数、返情次数、流产次数、产活仔数、仔猪成活率、非生产天数、背膘厚度、产活仔均重和健仔数;
所述哺乳猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重、料肉比、背膘厚、有效乳头数、体长、体高、管围和外貌评分;
所述保育猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述育肥猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比。
可以理解的是,本发明中可以通过硬件处理器(hardware processor)来实现上述各实施例的装置中的各相关程序模块。并且,本发明的智慧养殖智能管理装置利用上述各程序模块,能够实现上述各方法实施例的智慧养殖智能管理流程,在用于实现上述各方法实施例中的智慧养殖智能管理时,本发明的装置产生的有益效果与对应的上述各方法实施例相同,可以参考上述各方法实施例,此处不再赘述。
作为本发明的又一个方面,本发明根据上述各实施例还提供一种电子设备,该电子设备包括存储器、处理器及存储在该存储器上并可在该处理器上运行的程序或指令,该处理器执行该程序或指令时,实现如上述各实施例所述的智慧养殖智能管理方法的步骤。
进一步的,本发明的电子设备还可以包括通信接口和总线。参考图9,为本发明提供的电子设备的结构示意图,包括:至少一个存储器901、至少一个处理器902、通信接口903和总线904。
其中,存储器901、处理器902和通信接口903通过总线904完成相互间的通信,通信接口903用于该电子设备与养殖对象的生产管理系统设备之间的信息传输;存储器901中存储有可在处理器902上运行的程序或指令,处理器902执行该程序或指令时,实现如上述各实施例所述的智慧养殖智能管理方法的步骤。
可以理解为,该电子设备中至少包含存储器901、处理器902、通信接口903和总线904,且存储器901、处理器902和通信接口903通过总线904形成相互间的通信连接,并可完成相互间的通信,如处理器902从存储器901中读取智慧养殖智能管理方法的程序指令等。另外,通信接口903还可以实现该电子设备与养殖对象的生产管理系统设备之间的通信连接,并可完成相互间信息传输,如通过通信接口903实现养殖对象的批次化管理数据的读取等。
电子设备运行时,处理器902调用存储器901中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱包括所述养殖对象的不同种群类型;基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策等。
上述的存储器901中的程序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。或者,实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明还根据上述各实施例提供一种非暂态计算机可读存储介质,其上存储有程序或指令,该程序或指令被计算机执行时,实现如上述各实施例所述的智慧养殖智能管理方法的步骤,例如包括:基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱包括所述养殖对象的不同种群类型;基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策等。
作为本发明的再一个方面,本实施例根据上述各实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的智慧养殖智能管理方法,该方法例如包括:基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱包括所述养殖对象的不同种群类型;基于所述饲养图谱,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策等。
本发明提供的电子设备、非暂态计算机可读存储介质和计算机程序产品,通过执行上述各实施例所述的智慧养殖智能管理方法的步骤,利用图神经网络模型对养殖对象前一阶段和当前阶段生产过程进行融合分析,最终实现养殖对象的自动健康评估以及育种的淘汰与选留决策,相对现有依赖人工经验的方式,受人的专业性影响较小,具有更高的可靠性和合理性。
可以理解的是,以上所描述的装置、电子设备及存储介质的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,既可以位于一个地方,或者也可以分布到不同网络单元上。可以根据实际需要选择其中的部分或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。
另外,本发明还提供一种智慧养殖智能管理系统,如图10所示,为本发明提供的智慧养殖智能管理系统的结构示意图,包括:
特征提取与融合单元1001,用于基于养殖对象的饲养图谱,获取不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征,所述饲养图谱包括所述养殖对象的所述不同种群类型;
风险预测单元1002,用于基于所述深层融合特征,预测所述养殖对象的健康风险等级;
育种淘汰决策单元1003,用于从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以及,根据所述第一评估结果,对所述第一种群类型进行淘汰决策;
育种选留决策单元1004,用于从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以及,根据所述第二评估结果,对所述第二种群类型进行选留决策。
可以理解为,如图10所示,本发明的智慧养殖智能管理系统在基本硬件模块组成上至少应包括特征提取与融合单元1001、风险预测单元1002、育种淘汰决策单元1003和育种选留决策单元1004。模型的网络结构由GCN图神经网络、特征融合层、卷积神经网络CNN和全连接层分类器组成。
其中,特征提取与融合单元1001的输入端连接养殖对象的批次化管理系统,可以从中获取养殖对象的饲养图谱,特征提取与融合单元1001的输出端分别连接风险预测单元1002的输入端和育种淘汰决策单元1003以及育种选留决策单元1004的第一输入端,育种淘汰决策单元1003和育种选留决策单元1004的第二输入端分别连接养殖对象的批次化管理系统,可以分别从养殖对象的饲养图谱中获取第一种群类型(如种猪)的群体和第二种群类型(如哺乳猪)的群体。
特征提取与融合单元1001负责提取养殖对象各种群类型(如猪群)下各批次的深层特征集,并将这些深层特征分别针对各种群类型和各批次进行多维度融合,得到养殖对象的深度融合特征。
风险预测单元1002负责基于特征提取与融合单元1001输出的结果,建立全连接层分类器,对养殖对象群体的健康风险进行评估。
育种淘汰决策单元1003负责从特征提取与融合单元1001输出的深层融合特征中抽取第一种群类型的融合特征(如母猪深层特征),并基于此和第一种群类型建立全连接分类模型,对第一种群类型(如母猪)的繁殖性能进行评估,以作为第一种群类型群体中较差个体淘汰的依据。
育种选留决策单元1004负责从特征提取与融合单元1001输出的深层融合特征中抽取第二种群类型的融合特征(如哺乳猪批次深层特征),并基于此和第二种群类型建立全连接分类模型,对第二种群类型(如哺乳猪)的生长性能进行评估,以作为第二种群类型群体中较优个体选留的依据。
本发明提供的智慧养殖智能管理系统,通过利用图神经网络模型对养殖对象前一阶段和当前阶段生产过程进行融合分析,同时结合对GCN图神经网络、特征融合层、卷积神经网络CNN 和全连接层分类器的有效连接,最终实现养殖对象的自动健康评估以及育种的淘汰与选留决策,相对现有依赖人工经验的方式,受人的专业性影响较小,具有更高的可靠性和合理性。
通过以上实施方式的描述,本领域的技术人员可以清楚地了解,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U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令,用以使得一台计算机设备(如个人计算机,服务器,或者网络设备等)执行上述各方法实施例或者方法实施例的某些部分所述的方法。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
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)

1.一种智慧养殖智能管理方法,其特征在于,包括:
基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱为所述养殖对象的饲养全过程图谱,包括所述养殖对象的不同种群类型和各种群类型间转化关系,所述批次化管理数据包括所述养殖对象的批次数据、专栏饲养过程数据和生产数据;
基于所述饲养图谱和养殖场生产管理系统记录的饲养过程数据,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;
基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策;
其中,所述养殖对象为猪,所述种群类型包括母猪、哺乳猪、保育猪和育肥猪,相应的,所述不同种群类型各批次的饲养状态数据包括:母猪饲养状态数据、哺乳猪批次饲养状态数据、保育猪批次饲养状态数据和育肥猪批次饲养状态数据;
其中,所述母猪饲养状态数据包括如下各项中至少之一:年产胎次、年提供的断奶仔猪数、年提供的出栏数、返情次数、流产次数、产活仔数、仔猪成活率、非生产天数、背膘厚度、产活仔均重和健仔数;
所述哺乳猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重、料肉比、背膘厚、有效乳头数、体长、体高、管围和外貌评分;
所述保育猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述育肥猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征,包括:
将所述饲养状态数据输入所述图神经网络模型,获取所述不同种群类型下各种群类型各批次的深层特征;
采用自注意力机制模型,分别将各所述种群类型下各批次的所述深层特征进行融合,获取各所述种群类型下的批次融合特征;
分别将各所述种群类型下的批次融合特征进行维度对齐后,再分别针对各批次将各所述种群类型下相同维度的批次融合特征进行拼接,并将拼接后的批次融合特征再次进行维度对齐,获取所述养殖对象的所述深层融合特征;
所述进行所述养殖对象的育种的淘汰及选留决策,包括:
从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以根据所述第一评估结果,对所述第一种群类型进行淘汰决策;
从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以根据所述第二评估结果,对所述第二种群类型进行选留决策。
2.根据权利要求1所述的智慧养殖智能管理方法,其特征在于,所述图神经网络模型中的图由如下三个矩阵迭代计算生成:
邻接矩阵A,用于表示所述图中节点间的连接关系;
度矩阵D,用于表示所述图中任一节点所连接的其他节点数;
特征矩阵H,用于表示所述图中任一节点的特征;
其中,所述特征矩阵H按如下公式更新:
式中,表示给所述图中的节点增加自连接后更新的邻接矩阵,/>I N为所述自连接,/>表示所述度矩阵D的逆矩阵,H ( L+1 )表示所述图神经网络模型网络中第L+1层节点的特征,/>表示所述图神经网络模型网络中第L层节点的特征,其中X为所述饲养状态数据,/>表示所述特征矩阵H 的初始值,W L表示学习权重,/>表示激活函数。
3.根据权利要求1所述的智慧养殖智能管理方法,其特征在于,所述自注意力机制模型在对各批次的所述深层特征进行融合时,按如下方式进行计算:
假设批次i的深层特征表示为h i,批次j的深层特征表示为h j,则将批次i和批次j的深层特征分别进行线性变换得到[Wh i, Wh j],其中,Wh iWh j分别为批次i和批次j的线性变换结果,[Wh i, Wh j]为Wh iWh j的拼接结果;
根据公式,计算批次i和批次j的相关度,其中e ij表示批次i和批次j的相关度,/>表示计算向量内积;
根据公式,将批次i和批次j的相关度e ij进行归一化处理,获取归一化注意力,其中α ij表示所述归一化注意力,N i表示除批次i外其他所有批次的集合,k表示批次,/>
基于归一化注意力α ij和批次j的线性变换结果Wh j,按照公式,计算批次i对应的批次融合特征。
4.一种智慧养殖智能管理装置,其特征在于,包括:
饲养图谱制作模块,用于基于养殖对象的批次化管理数据,制作所述养殖对象的饲养图谱,所述饲养图谱为所述养殖对象的饲养全过程图谱,包括所述养殖对象的不同种群类型和各种群类型间转化关系,所述批次化管理数据包括所述养殖对象的批次数据、专栏饲养过程数据和生产数据;
特征提取与融合模块,用于基于所述饲养图谱和养殖场生产管理系统记录的饲养过程数据,获取所述不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征;
决策管理模块,用于基于所述深层融合特征,预测所述养殖对象的健康风险等级,并进行所述养殖对象的育种的淘汰及选留决策;
其中,所述养殖对象为猪,所述种群类型包括母猪、哺乳猪、保育猪和育肥猪,相应的,所述不同种群类型各批次的饲养状态数据包括:母猪饲养状态数据、哺乳猪批次饲养状态数据、保育猪批次饲养状态数据和育肥猪批次饲养状态数据;
其中,所述母猪饲养状态数据包括如下各项中至少之一:年产胎次、年提供的断奶仔猪数、年提供的出栏数、返情次数、流产次数、产活仔数、仔猪成活率、非生产天数、背膘厚度、产活仔均重和健仔数;
所述哺乳猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重、料肉比、背膘厚、有效乳头数、体长、体高、管围和外貌评分;
所述保育猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述育肥猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述特征提取与融合模块在用于所述利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征时,用于:
将所述饲养状态数据输入所述图神经网络模型,获取所述不同种群类型下各种群类型各批次的深层特征;
采用自注意力机制模型,分别将各所述种群类型下各批次的所述深层特征进行融合,获取各所述种群类型下的批次融合特征;
分别将各所述种群类型下的批次融合特征进行维度对齐后,再分别针对各批次将各所述种群类型下相同维度的批次融合特征进行拼接,并将拼接后的批次融合特征再次进行维度对齐,获取所述养殖对象的所述深层融合特征;
所述决策管理模块在用于所述进行所述养殖对象的育种的淘汰及选留决策时,用于:
从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以根据所述第一评估结果,对所述第一种群类型进行淘汰决策;
从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以根据所述第二评估结果,对所述第二种群类型进行选留决策。
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序或指令,其特征在于,所述处理器执行所述程序或指令时,实现如权利要求1至3中任一项所述的智慧养殖智能管理方法的步骤。
6.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行如权利要求1至3中任一项所述的智慧养殖智能管理方法。
7.一种智慧养殖智能管理系统,其特征在于,包括:
特征提取与融合单元,用于基于养殖对象的饲养图谱和养殖场生产管理系统记录的饲养过程数据,获取不同种群类型各批次的饲养状态数据,并基于所述饲养状态数据,利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征,所述饲养图谱为所述养殖对象的饲养全过程图谱,包括所述养殖对象的所述不同种群类型和各种群类型间转化关系;
风险预测单元,用于基于所述深层融合特征,预测所述养殖对象的健康风险等级;
育种淘汰决策单元,用于从所述深层融合特征中抽取第一种群类型的融合特征,并基于所述第一种群类型的融合特征,通过第一全连接分类模型,获取对所述第一种群类型的繁殖性能的第一评估结果,以及,根据所述第一评估结果,对所述第一种群类型进行淘汰决策;
育种选留决策单元,用于从所述深层融合特征中抽取第二种群类型的融合特征,并基于所述第二种群类型的融合特征,通过第二全连接分类模型,获取对所述第二种群类型的生长性能的第二评估结果,以及,根据所述第二评估结果,对所述第二种群类型进行选留决策;
其中,所述养殖对象为猪,所述种群类型包括母猪、哺乳猪、保育猪和育肥猪,相应的,所述不同种群类型各批次的饲养状态数据包括:母猪饲养状态数据、哺乳猪批次饲养状态数据、保育猪批次饲养状态数据和育肥猪批次饲养状态数据;
其中,所述母猪饲养状态数据包括如下各项中至少之一:年产胎次、年提供的断奶仔猪数、年提供的出栏数、返情次数、流产次数、产活仔数、仔猪成活率、非生产天数、背膘厚度、产活仔均重和健仔数;
所述哺乳猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重、料肉比、背膘厚、有效乳头数、体长、体高、管围和外貌评分;
所述保育猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述育肥猪批次饲养状态数据包括如下各项中至少之一:批次成活率、日增重和料肉比;
所述特征提取与融合单元在用于所述利用构建好的图神经网络模型,获取所述养殖对象的深层融合特征时,用于:
将所述饲养状态数据输入所述图神经网络模型,获取所述不同种群类型下各种群类型各批次的深层特征;
采用自注意力机制模型,分别将各所述种群类型下各批次的所述深层特征进行融合,获取各所述种群类型下的批次融合特征;
分别将各所述种群类型下的批次融合特征进行维度对齐后,再分别针对各批次将各所述种群类型下相同维度的批次融合特征进行拼接,并将拼接后的批次融合特征再次进行维度对齐,获取所述养殖对象的所述深层融合特征。
CN202310449894.1A 2023-04-25 2023-04-25 智慧养殖智能管理方法、装置、电子设备及智能管理系统 Active CN116227790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310449894.1A CN116227790B (zh) 2023-04-25 2023-04-25 智慧养殖智能管理方法、装置、电子设备及智能管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310449894.1A CN116227790B (zh) 2023-04-25 2023-04-25 智慧养殖智能管理方法、装置、电子设备及智能管理系统

Publications (2)

Publication Number Publication Date
CN116227790A CN116227790A (zh) 2023-06-06
CN116227790B true CN116227790B (zh) 2024-04-09

Family

ID=86582872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310449894.1A Active CN116227790B (zh) 2023-04-25 2023-04-25 智慧养殖智能管理方法、装置、电子设备及智能管理系统

Country Status (1)

Country Link
CN (1) CN116227790B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596167B (zh) * 2023-07-17 2023-09-19 湖南华牧全安数字科技有限公司 一种基于数据深度融合处理的牲畜养殖方案优化方法
CN116934088B (zh) * 2023-07-24 2024-03-08 瑞安市致富鸽业有限公司 一种基于分析模型的鸽子养殖智能管理方法及其系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159430A (zh) * 2019-12-31 2020-05-15 秒针信息技术有限公司 基于知识图谱的生猪养殖预测方法及系统
CN111291931A (zh) * 2020-02-05 2020-06-16 傲网信息科技(厦门)有限公司 动物育种预测方法、装置、电子设备和存储介质
CN113987200A (zh) * 2021-10-19 2022-01-28 云南大学 神经网络结合知识图谱的推荐方法、系统、终端、介质
CN114255357A (zh) * 2021-12-23 2022-03-29 东北大学 一种基于计算机视觉的群养生猪身份识别与健康监测方法
CN114333049A (zh) * 2021-12-10 2022-04-12 深圳职业技术学院 猪只攻击行为识别方法、系统、计算机设备和存储介质
CN114418182A (zh) * 2021-12-17 2022-04-29 北京市农林科学院信息技术研究中心 基于机器学习的肉牛育种优选方法及装置
CN114596448A (zh) * 2022-03-07 2022-06-07 华南农业大学 一种肉鸭健康管理方法及其管理系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111159430A (zh) * 2019-12-31 2020-05-15 秒针信息技术有限公司 基于知识图谱的生猪养殖预测方法及系统
CN111291931A (zh) * 2020-02-05 2020-06-16 傲网信息科技(厦门)有限公司 动物育种预测方法、装置、电子设备和存储介质
CN113987200A (zh) * 2021-10-19 2022-01-28 云南大学 神经网络结合知识图谱的推荐方法、系统、终端、介质
CN114333049A (zh) * 2021-12-10 2022-04-12 深圳职业技术学院 猪只攻击行为识别方法、系统、计算机设备和存储介质
CN114418182A (zh) * 2021-12-17 2022-04-29 北京市农林科学院信息技术研究中心 基于机器学习的肉牛育种优选方法及装置
CN114255357A (zh) * 2021-12-23 2022-03-29 东北大学 一种基于计算机视觉的群养生猪身份识别与健康监测方法
CN114596448A (zh) * 2022-03-07 2022-06-07 华南农业大学 一种肉鸭健康管理方法及其管理系统

Also Published As

Publication number Publication date
CN116227790A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
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
Brito et al. Genetic selection of high-yielding dairy cattle toward sustainable farming systems in a rapidly changing world
Bouwman et al. Maternal and social genetic effects on average daily gain of piglets from birth until weaning
Iung et al. Genetics and genomics of uniformity and resilience in livestock and aquaculture species: a review
Schmidt et al. Genetic analysis of age at first calving, accumulated productivity, stayability and mature weight of Nellore females
Brito Lopes et al. Improving genomic prediction accuracy for meat tenderness in Nellore cattle using artificial neural networks
Neshagaran Hemmatabadi et al. A review on correlation, heritability and selection in silkworm breeding
Rodríguez et al. Optimal replacement policies and economic value of clinical observations in sow herds
Groen Breeding goal definition.
Dobrzański et al. Estimation of litter size variability phenotypes in Large White sows
CN108292385A (zh) 用于农业生产和性能管理的基因组技术
CN109558889B (zh) 生猪舒适度分析方法及装置
MXPA04011235A (es) Reproduccion de multiples nucleos cerrados para la produccion de cerdos.
Penitente-Filho et al. Can scrotal circumference-based selection discard bulls with good productive and reproductive potential?
US11424034B2 (en) Systems and methods for predicting animal health
Bhardwaj et al. Determining point of economic cattle milk production through machine learning and evolutionary algorithm for enhancing food security
Slagboom et al. Simulating consequences of choosing a breeding goal for organic dairy production
Hernández-Julio et al. Fuzzy-genetic approaches to knowledge discovery and decision making: Estimation of the cloacal temperature of chicks exposed to different thermal conditions
Hu et al. Heritabilities and genetic correlations of laying performance in Muscovy ducks selected in Taiwan
Nakamura et al. Cattle reference growth curves based on centile estimation: A GAMLSS approach
Tiwary et al. Farm animal informatics
Akinsola et al. Comparison of five mathematical models that describe growth in tropically adapted dual-purpose breeds of chicken
Stewart et al. The coevolution of mammae number and litter size
Huțu et al. Animal breeding and husbandry
Asadollahi et al. Twinning rate is not genetically correlated with production and reproduction traits in Iranian dairy cows

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