CN116340801B - 一种畜牧养殖环境数据异常智能监控方法 - Google Patents
一种畜牧养殖环境数据异常智能监控方法 Download PDFInfo
- Publication number
- CN116340801B CN116340801B CN202310626717.6A CN202310626717A CN116340801B CN 116340801 B CN116340801 B CN 116340801B CN 202310626717 A CN202310626717 A CN 202310626717A CN 116340801 B CN116340801 B CN 116340801B
- Authority
- CN
- China
- Prior art keywords
- corner
- point
- neighborhood
- monitored
- target area
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 11
- 238000009395 breeding Methods 0.000 title claims description 15
- 230000001488 breeding effect Effects 0.000 title claims description 15
- 244000144972 livestock Species 0.000 title claims description 8
- 230000000694 effects Effects 0.000 claims abstract description 33
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 239000004973 liquid crystal related substance Substances 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 241000282887 Suidae Species 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000003064 k means clustering Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- VEMKTZHHVJILDY-UHFFFAOYSA-N resmethrin Chemical compound CC1(C)C(C=C(C)C)C1C(=O)OCC1=COC(CC=2C=CC=CC=2)=C1 VEMKTZHHVJILDY-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003975 animal breeding Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry
Abstract
本发明公开了一种畜牧养殖环境数据异常智能监控方法,涉及数据异常监控技术领域,该方法包括:获取每帧养殖舍图像的多个仅包括目标物的区域记为初始目标区域;利用灰度信息熵确定出存在多个目标物的目标区域;获取目标区域中每个角点与邻域角点的相关度;利用目标区域中每个角点的相关度进行聚类得到最终的目标聚簇;对相邻帧图像中每个目标物的角点进行角点匹配,利用每个目标物匹配的角点对得到每个目标物的活动量;利用待监测点与环境传感器之间的距离、之间每个目标物的活动量以及每个环境传感器的环境数据得到待监测点的预测环境数据值,并确定是否需要进行异常预警,本发明提高了养殖舍环境数据预测的准确性。
Description
技术领域
本发明涉及数据异常监控技术领域,具体涉及一种畜牧养殖环境数据异常智能监控方法。
背景技术
现代的动物养殖业发展朝着规模化、高效生态化方向发展。由于多数养殖动物是恒温动物,耐热性很差,因此养殖舍环境智能监控是保证养殖动物正常生长发育的必要过程,环境是指养殖舍内的温度与湿度,需要对养殖舍内的环境实时监控,保证环境的稳定性。
在对养殖舍环境数据监控过程中,由于环境传感器的监测范围有限,少数几个环境传感器的监测结果不能客观地反映整个养殖舍的环境信息,但是若大量布置传感器会因为环境传感器的成本较高且易受损影响养殖场收益。
因此,为了能够得到整个养殖舍的环境信息数据,传统方法会根据待监测点与环境传感器之间的欧式距离作为预测权重值进而确定预测环境数据值,距离环境传感器越近,对应的待监测点的环境数据值就越接近环境传感器的数据值。但是若仅依据距离计算预测权重值并没考虑待监测点周围环境因素的特性,环境因素是指若待监测点周围动物的活动量较大,即动物的进食和排泄量较大,会使得待监测点的温度和湿度增大,即环境数据值的值较大,但是传统的预测方法没有考虑到环境因素,所以会使得预测出来的待监测点的环境数据出现较大的误差,因此,本发明提出一种畜牧养殖环境数据异常智能监控方法。
发明内容
本发明提供一种畜牧养殖环境数据异常智能监控方法,以解决现有的问题。
本发明的一种畜牧养殖环境数据异常智能监控方法,采用如下技术方案:
获取多帧养殖舍图像以及每帧养殖舍图像中仅包括目标物的区域,记为初始目标区域;
利用每个初始目标区域中的灰度信息熵确定出存在多个目标物的目标区域;
对每个初始目标区域进行角点检测得到初始目标区域中的多个角点;
获取目标区域中每个角点与邻域角点的梯度分布差异度;利用每个角点与邻域角点的梯度分布差异度和距离计算每个角点与邻域角点的相关度;
利用目标区域中每个角点对应的相关度进行聚类得到多个聚簇,对每个聚簇的角点进行凸包检测得到凸包结构,利用得到的每个聚簇的凸包结构与参考凸包结构的结构相似度得到最终的目标聚簇,目标区域中每个目标聚簇包括一个目标物;
对相邻帧图像中每个目标物的角点进行角点匹配得到每个目标物匹配的角点对,利用相邻帧图像中每个目标物匹配的角点对之间的距离以及相邻帧图像的时间差得到相邻帧图像中每个目标物的活动量;
利用待监测点与每个环境传感器之间的距离以及之间每个目标物的活动量获取待监测点与每个环境传感器的预测权重值;
利用待监测点与每个环境传感器的预测权重值和每个环境传感器的环境数据得到待监测点的预测环境数据值;
利用养殖舍中每个待监测点的预测环境数据值判断养殖舍中的环境是否异常,并进行异常预警。
进一步,利用每个初始目标区域中的灰度信息熵确定出存在多个目标物的目标区域的步骤包括:
获取每个初始目标区域中的灰度信息熵作为每个初始目标区域的黏附概率;
将黏附概率大于设定的黏附概率阈值的初始目标区域作为目标区域,黏附是指目标区域中存在多个目标物。
进一步,获取目标区域中每个角点与邻域角点的梯度分布差异度的步骤包括:
获取距离每个角点最近的个邻域角点,从/>个邻域角点中选取/>个邻域角点作为一个邻域角点组合,则有多个邻域角点组合,设定/>,/>;
获取目标区域中每个角点与邻域角点的梯度方向;
根据下式计算角点与每个邻域角点组合的梯度分布差异度:
其中,表示角点与邻域角点组合的梯度分布差异度;/>时,/>表示第/>个角点的邻域角点组合中第/>个邻域角点在目标区域中的梯度方向;/>表示第/>个角点的邻域角点组合中的第/>个邻域角点;/>表示邻域角点组合中邻域角点的数量;/>时,/>表示为第/>个角点在目标区域中的梯度方向;
获取得到最小梯度分布差异度的邻域角点组合作为最佳组合,将最小梯度分布差异度作为该角点与邻域角点的梯度分布差异度。
进一步,利用每个角点的与邻域角点的梯度分布差异度和距离计算每个角点与邻域角点的相关度的步骤包括:
获取每个角点的最佳组合中每个邻域角点与该角点的欧式距离;
根据下式计算每个角点与邻域角点的相关度:
其中,表示第/>个角点与邻域角点的相关度;/>表示角点与邻域角点的梯度分布差异度,即该角点与最佳组合中邻域角点的梯度分布差异度;/>表示第/>个角点与最佳组合中第/>个邻域角点之间的欧式距离;/>表示最佳组合中邻域角点的数量;/>为指数函数反映射。
进一步,得到最终的目标聚簇的步骤包括:
利用目标区域中每个角点对应的相关度进行聚类,利用/>值迭代的方法得到最佳/>值,初始选取/>,得到两个聚簇;
获取每个聚簇的凸包结构与参考凸包结构的相似度均值,若小于相似度阈值,则将此时的值作为最佳/>值,得到的聚簇作为目标聚簇;
若得到的相似度均值不小于相似度阈值,则选取聚类得到三个聚簇,获取聚簇的凸包结构与参考凸包结构的相似度均值,直到每个聚簇的凸包结构与参考凸包结构的相似度均值小于相似度阈值,停止迭代;
将此时得到的值作为最佳/>值,得到的聚簇作为目标聚簇。
进一步,获取每个目标物的活动量的公式为:
其中,表示目标物的活动量;/>表示同一个目标物在相邻帧图像之间匹配的角点对的数量;/>表示相邻帧图像中该目标物的第/>对匹配的角点对之间的欧式距离;/>表示相邻帧的时间差。
进一步,获取待监测点与每个环境传感器之间的目标物的步骤包括:
以环境传感器的检测范围为宽,环境检测器与待检测之间的距离为长做矩形,矩形的长边方向为沿环境传感器到待监测点的方向;
矩形中包括的目标物为待监测点到环境传感器之间的目标物。
进一步,获取待监测点与每个环境传感器的预测权重值的步骤包括:
获取待监测点与环境传感器之间所有目标物的活动量的总和与待监测点与环境传感器之间的距离的比值,对该比值进行反比例归一化作为该待监测点与环境传感器的预测权重值。
进一步,获取待监测点的预测环境数据值的步骤包括:
利用待监测点与每个环境传感器的预测权重值与对应的环境传感器的环境数据相乘;
对每个环境传感器相乘的结果求和作为该待监测点的预测环境数据值。
本发明的有益效果是:本发明的一种畜牧养殖环境数据异常智能监控方法,通过目标区域中每个角点与邻域角点的相关度进行K-means聚类,利用得到的聚簇凸包结构能够自适应得到K-means聚类的K值,进而准确得到目标区域中多个仅包括一个目标物的目标聚簇,即能够准确得到养殖舍图像中每个目标物的角点,使得后续进行相邻帧图像同一个目标物的角点匹配时,能够得到更加准确的匹配结果,进而使得目标物的活动量计算更加准确,得到更加准确的数据预测结果。
并且传统的计算预测环境数据值的方法只考虑到待监测点与传感器之间的距离,没有考虑到目标物的活动量对待监测点的预测环境数据值的影响,本方案综合考虑了目标物的活动量以及距离的影响,利用距离和目标物的活动量共同获取预测权重值,进而根据预测权重值计算待监测点的环境数据,相较于传统的仅根据距离得到的预测权重获取待监测点的环境数据,充分考虑了目标物的活动量对环境数据的影响,得到的预测环境数据值更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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为本发明的一种畜牧养殖环境数据异常智能监控方法的实施例总体步骤的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种畜牧养殖环境数据异常智能监控方法的实施例,本实施例针对的情景为:在猪舍中由于环境传感器的监测范围有限,若布置大量的环境传感器来监测整个猪舍的环境信息,会扩大猪舍养殖场的成本;若布置少数环境传感器,则监测结果不能客观地反映整个猪舍的环境信息。本实施例中的养殖舍为猪舍,目标物为猪。如图1所示,该方法包括:
S1、获取多帧养殖舍图像以及每帧养殖舍图像中仅包括目标物的区域,记为初始目标区域。
具体的,在猪舍顶部布置多个CCD相机以及多个环境传感器,利用多个CCD相机间隔相等的时间采集多帧整个猪舍内部的图像,对同一时刻多个相机采集的图像进行拼接得到每一帧完整的猪舍图像,图像拼接为现有技术,在此不作赘述;利用环境传感器采集环境数据,环境数据包括温度和湿度。
需要说明的是,设置相机采集连续帧图像的频率与环境传感器的采集频率相同,其中环境传感器型号可根据实施者具体视情况而定。
得到的猪舍图像中除了猪,还存在猪舍的其他区域,即除猪以外的背景类区域,这些区域会对后续猪的活动量的计算造成影响。因此需要通过语义分割网络对每一帧的猪舍图像进行猪区域的提取。具体方式为,语义分割网络采用DNN网络,采用的数据集为猪舍拼接图像数据集,采用人工标注的方式将背景类的区域标记为0,猪的区域标记为1,该网络使用的损失函数为交叉熵函数。至此,利用语义分割得到每帧猪舍图像中的多个仅包括猪的区域,记为初始目标区域。
S2、利用每个初始目标区域中的灰度信息熵确定出存在多个目标物的目标区域。
得到的初始目标区域中会存在只有一只猪的情况,也会存在多只猪粘连的情况,即存在黏附的情况,因为后续计算猪的活动量是对每一只猪单独计算,所以需要先确定出存在黏附的初始目标区域,再从存在黏附的区域中确定出每只猪。初始目标区域若存在黏附现象,则对应的该区域中存在较多的灰度值分布,即若初始目标区域中仅存在一只猪,则其灰度值分布较为单一,但若初始目标区域中存在多只猪,则其灰度值分布较为混乱,灰度值分布越混乱则对应的该初始目标区域存在黏附的概率就越大。
具体的,可以通过计算每个初始目标区域的灰度信息熵来确定该区域存在黏附的概率,即根据下式计算每个初始目标区域的黏附概率:
其中,表示第/>个初始目标区域的黏附概率;/>表示第/>个初始目标区域中灰度值为/>的像素点出现的概率,其中/>,其中/>为第/>个初始目标区域中灰度值为/>的像素点个数,/>为第/>个初始目标区域中像素点的总个数;/>表示双曲正切函数,表示对第/>个初始目标区域的灰度信息熵/>进行归一化。
设置黏附概率阈值,若某个初始目标区域的黏附概率大于设置的黏附概率阈值,则该初始目标区域中存在黏附情况,将该初始目标区域记为目标区域,目标区域是指存在黏附的区域,黏附概率阈值实施者可根据具体实施情况而定。
S3、对每个初始目标区域进行角点检测得到初始目标区域中的多个角点;获取目标区域中每个角点与邻域角点的梯度分布差异度;利用每个角点与邻域角点的梯度分布差异度和距离计算每个角点与邻域角点的相关度。
具体的,对每个初始目标区域进行Harris角点检测得到每个初始目标区域中的多个角点,初始目标区域包括仅存在一只猪的初始目标区域和存在多只猪的目标区域。
由于目标区域的所有角点中会存在不同猪的角点距离很近的情况,无法区分哪些角点是属于哪头猪的,进而在通过角点的位移量来计算猪的活动量时会出现错误,因此本案为了在相邻帧图像之间精确的获取每只猪的角点的位移量,根据聚类算法进行同一个猪的角点聚类,进而准确的区分存在黏附的目标区域中每只猪的角点轮廓。由于同一只猪的角点之间距离较近,且同一只猪的角点的一定范围内的邻域角点的梯度分布方向具有聚集性特征。因此通过获取目标区域的所有角点的一定范围内的邻域角点的梯度分布差异度,进而确定该角点和邻域角点的相关度,利用相关度进行聚类,使得在/>聚类算法拟合同一个猪的角点轮廓时更加准确。
具体的,获取目标区域中每个角点的个邻域角点,其中/>,即获取每个角点在目标区域中距离最近的10个角点,/>值实施者可根据具体情况自行设置,获取每个角点以及邻域角点的梯度方向;从/>个邻域角点中选取/>个邻域角点作为一个邻域角点组合,则有多个邻域角点组合,设定/>,/>,/>和/>的取值为整数;本方案中设定/>。
根据下式计算角点与每个邻域角点组合的梯度分布差异度:
其中,表示角点与邻域角点组合的梯度分布差异度;/>时,/>表示第/>个角点的邻域角点组合中第/>个邻域角点在目标区域中的梯度方向;/>表示第/>个角点的邻域角点组合中的第/>个邻域角点;/>表示邻域角点组合中邻域角点的数量;/>时,/>表示为第/>个角点在目标区域中的梯度方向。通过计算邻域角点组合中第/>个角点的/>个邻域角点的所有梯度方向之间的方差,来表征当前组合下第/>个角点梯度分布差异程度,即若第/>个角点的梯度分布差异程度越大,则该角点在当前组合邻域角点的分布越混乱,则当前邻域角点组合越不可能表示为同一只猪。
获取得到最小梯度分布差异度的邻域角点组合作为最佳组合,将最小梯度分布差异度作为该角点与邻域角点的梯度分布差异度。
获取每个角点的最佳组合中每个邻域角点与角点的欧式距离,根据下式计算每个角点与邻域角点的相关度:
其中,表示第/>个角点与邻域角点的相关度;/>表示角点与邻域角点的梯度分布差异度,即该角点与最佳组合中邻域角点的梯度分布差异度;/>表示第/>个角点与最佳组合中第/>个邻域角点之间的欧式距离;/>表示最佳组合中邻域角点的数量;/>为指数函数反映射,则角点的梯度分布差异度越大,距离越远,得到的角点与邻域角点的相关度就越小。
S4、利用目标区域中每个角点对应的相关度进行聚类得到多个聚簇,对每个聚簇的角点进行凸包检测得到凸包结构,利用得到的每个聚簇的凸包结构与参考凸包结构的结构相似度得到最终的目标聚簇,目标区域中每个目标聚簇包括一个目标物。
对历史数据中不存在黏附的区域进行角点检测得到区域中的多个角点,对得到的角点进行凸包检测得到参考凸包结构。
根据每个角点的相关度进行聚类,代替传统/>算法中使用欧式距离或者灰度值作为聚类的规则。其中由于不确定当前帧的存在黏附的猪区域图像中具体的猪的数量,因此采用/>值迭代的方法,计算每次聚类后聚簇的凸包结构来确定最优的/>值。
具体的,利用目标区域中每个角点的相关度进行聚类,初始选取/>,得到两个聚簇,获取每个聚簇的凸包结构与参考凸包结构的相似度均值,若得到的相似度均值小于相似度阈值,则将此时的/>值2为最佳/>值,得到的聚簇作为目标聚簇;若得到的相似度均值不小于相似度阈值,则对/>值进行迭代,令/>聚类得到三个聚簇,获取每个聚簇的凸包结构与参考凸包结构的相似度均值,直到每个聚簇的凸包结构与参考凸包结构的相似度均值小于相似度阈值,停止迭代;将此时得到的/>值作为最佳/>值,得到的聚簇作为目标聚簇,则此时目标区域中猪的数量为最佳/>值。设置凸包结构的相似度阈值/>,相似度阈值实施者可根据具体实施情况而定,本案给出的为经验参考值。
目标区域中每个目标聚簇包括一只猪的所有角点。
S5、对相邻帧图像中每个目标物的角点进行角点匹配得到每个目标物匹配的角点对,利用相邻帧图像中每个目标物匹配的角点对之间的距离以及相邻帧图像的时间差得到相邻帧图像中每个目标物的活动量。
具体的,由于猪的行动缓慢,在多帧图像中移动的距离较小,因此为了减少角点匹配的计算量,计算当前帧图像中每个猪的所在位置,在下一帧图像的该位置的个最近的猪区域图像的进行Flann角点匹配,Flann角点匹配为公知技术,若6个最近的猪区域图像未能进行成功匹配,则进行范围扩张,选取12个最近的初始目标图像,依此类推,得到每只猪匹配之后的角点对。
获取每只猪匹配的角点对在相邻帧图像之间的欧式距离,利用相邻帧图像中每只猪匹配的角点对之间的距离以及相邻帧图像的时间差得到相邻帧图像中每只猪的活动量,具体根据下式计算每只猪的活动量:
其中,表示猪的活动量;/>表示同一只猪在相邻帧图像之间匹配的角点对的数量;表示相邻帧图像中该猪的第/>对匹配的角点对之间的欧式距离;/>表示相邻帧的时间差,需要说明的是,/>表征当前同一只猪的角点在连续两帧图像之间的移动速度,通过表征连续帧图像之间的位移量,通过每个头猪的所有角点的平均位移量和移动速度来表征当前猪的活动量,角点的平均位移量越大,移动速度越快,则对应的当前猪的活动量就越大。
S6、利用待监测点与每个环境传感器之间的距离以及之间每个目标物的活动量获取待监测点与每个环境传感器的预测权重值。
具体的,以环境传感器的检测范围为宽,环境检测器与待检测之间的距离为长做矩形,矩形的长边方向为沿环境传感器到待监测点的方向;该矩形范围中包括的猪为待监测点到环境传感器之间的猪,根据矩形范围内的猪的活动量进一步计算待监测点的预测权重值。
获取待监测点与环境传感器之间所有猪的活动量的总和与待监测点与环境传感器之间的距离的比值,对该比值进行反比例归一化作为该待监测点与环境传感器的预测权重值,具体计算公式为:
其中,表示待监测点/>与第/>个环境传感器分布范围之间第/>只猪的活动量;/>表示待监测点/>与环境传感器/>之间猪的数量;/>表示待监测点/>与第/>个环境传感器之间的欧式距离;/>为指数函数反映射,待监测点距离环境传感器越近,则对应的待监测点的数据值就越接近于环境传感器的数据值,猪舍内的温度以及相对湿度与猪的活动量呈现较大的相关性,因此在待监测点/>与第/>个环境传感器分布范围内猪的活动量越大,则对应的需要进行调整的预测权重值就越大。
S7、利用待监测点与每个环境传感器的预测权重值和每个环境传感器的环境数据得到待监测点的预测环境数据值;利用养殖舍中每个待监测点的预测环境数据值判断养殖舍中的环境是否异常,并进行异常预警。
具体的,利用待监测点与每个环境传感器的预测权重值与对应的环境传感器的环境数据相乘;对每个环境传感器相乘的结果求和作为该待监测点的预测环境数据值,具体计算公式为:
其中,表示待监测点/>的预测环境数据值;/>表示待监测点/>与第/>个环境传感器预测权重值;/>表示第/>个环境传感器的环境数据;/>表示环境检测器的总数量。
利用该方法得到每个待监测点的环境数据值,并设定预警环境数据值,若某时刻猪舍中某个待监测点的环境数据值超过设定的预警环境数据值时,进行异常预警。
综上所述,本发明提供一种畜牧养殖环境数据异常智能监控方法,通过目标区域中每个角点与邻域角点的相关度进行K-means聚类,利用得到的聚簇凸包结构能够自适应得到K-means聚类的K值,进而准确得到目标区域中多个仅包括一个目标物的目标聚簇,即能够准确得到养殖舍图像中每个目标物的角点,使得后续进行相邻帧图像同一个目标物的角点匹配时,能够得到更加准确的匹配结果,进而使得目标物的活动量计算更加准确,得到更加准确的数据预测结果。
并且传统的计算预测环境数据值的方法只考虑到待监测点与传感器之间的距离,没有考虑到目标物的活动量对待监测点的预测环境数据值的影响,本方案综合考虑了目标物的活动量以及距离的影响,利用距离和目标物的活动量共同获取预测权重值,进而根据预测权重值计算待监测点的环境数据,相较于传统的仅根据距离得到的预测权重获取待监测点的环境数据,充分考虑了目标物的活动量对环境数据的影响,得到的预测环境数据值更加准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种畜牧养殖环境数据异常智能监控方法,其特征在于:
获取多帧养殖舍图像以及每帧养殖舍图像中仅包括目标物的区域,记为初始目标区域;
利用每个初始目标区域中的灰度信息熵确定出存在多个目标物的目标区域;
对每个初始目标区域进行角点检测得到初始目标区域中的多个角点;
获取目标区域中每个角点与邻域角点的梯度分布差异度;利用每个角点与邻域角点的梯度分布差异度和距离计算每个角点与邻域角点的相关度;
利用目标区域中每个角点对应的相关度进行聚类得到多个聚簇,对每个聚簇的角点进行凸包检测得到凸包结构,利用得到的每个聚簇的凸包结构与参考凸包结构的结构相似度得到最终的目标聚簇,目标区域中每个目标聚簇包括一个目标物;
对相邻帧图像中每个目标物的角点进行角点匹配得到每个目标物匹配的角点对,利用相邻帧图像中每个目标物匹配的角点对之间的距离以及相邻帧图像的时间差得到相邻帧图像中每个目标物的活动量;
利用待监测点与每个环境传感器之间的距离以及之间每个目标物的活动量获取待监测点与每个环境传感器的预测权重值;
利用待监测点与每个环境传感器的预测权重值和每个环境传感器的环境数据得到待监测点的预测环境数据值;
利用养殖舍中每个待监测点的预测环境数据值判断养殖舍中的环境是否异常,并进行异常预警;
获取目标区域中每个角点与邻域角点的梯度分布差异度的步骤包括:
获取距离每个角点最近的个邻域角点,从/>个邻域角点中选取/>个邻域角点作为一个邻域角点组合,则有多个邻域角点组合,设定/>,/>;
获取目标区域中每个角点与邻域角点的梯度方向;
根据下式计算角点与每个邻域角点组合的梯度分布差异度:
其中,表示角点与邻域角点组合的梯度分布差异度;/>时,/>表示第/>个角点的邻域角点组合中第/>个邻域角点在目标区域中的梯度方向;/>表示第/>个角点的邻域角点组合中的第/>个邻域角点;/>表示邻域角点组合中邻域角点的数量;/>时,/>表示为第/>个角点在目标区域中的梯度方向;
获取得到最小梯度分布差异度的邻域角点组合作为最佳组合,将最小梯度分布差异度作为该角点与邻域角点的梯度分布差异度;
利用每个角点的与邻域角点的梯度分布差异度和距离计算每个角点与邻域角点的相关度的步骤包括:
获取每个角点的最佳组合中每个邻域角点与该角点的欧式距离;
根据下式计算每个角点与邻域角点的相关度:
其中,表示第/>个角点与邻域角点的相关度;/>表示角点与邻域角点的梯度分布差异度,即该角点与最佳组合中邻域角点的梯度分布差异度;/>表示第/>个角点与最佳组合中第/>个邻域角点之间的欧式距离;/>表示最佳组合中邻域角点的数量;/>为指数函数反映射;
获取每个目标物的活动量的公式为:
其中,表示目标物的活动量;/>表示同一个目标物在相邻帧图像之间匹配的角点对的数量;/>表示相邻帧图像中该目标物的第/>对匹配的角点对之间的欧式距离;/>表示相邻帧的时间差。
2.根据权利要求1所述的一种畜牧养殖环境数据异常智能监控方法,其特征在于,利用每个初始目标区域中的灰度信息熵确定出存在多个目标物的目标区域的步骤包括:
获取每个初始目标区域中的灰度信息熵作为每个初始目标区域的黏附概率;
将黏附概率大于设定的黏附概率阈值的初始目标区域作为目标区域,黏附是指目标区域中存在多个目标物。
3.根据权利要求1所述的一种畜牧养殖环境数据异常智能监控方法,其特征在于,得到最终的目标聚簇的步骤包括:
利用目标区域中每个角点对应的相关度进行聚类,利用/>值迭代的方法得到最佳/>值,初始选取/>,得到两个聚簇;
获取每个聚簇的凸包结构与参考凸包结构的相似度均值,若小于相似度阈值,则将此时的值作为最佳/>值,得到的聚簇作为目标聚簇;
若得到的相似度均值不小于相似度阈值,则选取聚类得到三个聚簇,获取聚簇的凸包结构与参考凸包结构的相似度均值,直到每个聚簇的凸包结构与参考凸包结构的相似度均值小于相似度阈值,停止迭代;
将此时得到的值作为最佳/>值,得到的聚簇作为目标聚簇。
4.根据权利要求1所述的一种畜牧养殖环境数据异常智能监控方法,其特征在于,获取待监测点与每个环境传感器之间的目标物的步骤包括:
以环境传感器的检测范围为宽,环境检测器与待检测之间的距离为长做矩形,矩形的长边方向为沿环境传感器到待监测点的方向;
矩形中包括的目标物为待监测点到环境传感器之间的目标物。
5.根据权利要求1所述的一种畜牧养殖环境数据异常智能监控方法,其特征在于,获取待监测点与每个环境传感器的预测权重值的步骤包括:
获取待监测点与环境传感器之间所有目标物的活动量的总和与待监测点与环境传感器之间的距离的比值,对该比值进行反比例归一化作为该待监测点与环境传感器的预测权重值。
6.根据权利要求1所述的一种畜牧养殖环境数据异常智能监控方法,其特征在于,获取待监测点的预测环境数据值的步骤包括:
利用待监测点与每个环境传感器的预测权重值与对应的环境传感器的环境数据相乘;
对每个环境传感器相乘的结果求和作为该待监测点的预测环境数据值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626717.6A CN116340801B (zh) | 2023-05-31 | 2023-05-31 | 一种畜牧养殖环境数据异常智能监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310626717.6A CN116340801B (zh) | 2023-05-31 | 2023-05-31 | 一种畜牧养殖环境数据异常智能监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116340801A CN116340801A (zh) | 2023-06-27 |
CN116340801B true CN116340801B (zh) | 2023-07-28 |
Family
ID=86876356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310626717.6A Active CN116340801B (zh) | 2023-05-31 | 2023-05-31 | 一种畜牧养殖环境数据异常智能监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116340801B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954342B (zh) * | 2023-09-18 | 2023-12-15 | 惠州市鑫晖源科技有限公司 | 基于物联网的全方位高效散热主机电源运行监测方法 |
CN117252863B (zh) * | 2023-11-13 | 2024-02-09 | 山东省地质测绘院 | 一种地理信息异常数据快速检测分析方法 |
CN117475381B (zh) * | 2023-12-22 | 2024-03-29 | 济宁久邦工程机械设备有限公司 | 一种高空作业平台运行状态实时监测系统 |
CN117592662B (zh) * | 2024-01-17 | 2024-04-05 | 烟台大学 | 基于数据分析的生态渔业资源评估系统 |
CN117692649B (zh) * | 2024-02-02 | 2024-04-19 | 广州中海电信有限公司 | 基于图像特征匹配的船舶远程监控视频高效传输方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020005038A1 (ko) * | 2018-06-29 | 2020-01-02 | 엘지이노텍 주식회사 | 사육장 환경 관리 시스템, 단말 및 그 방법 |
CN114638536A (zh) * | 2022-03-31 | 2022-06-17 | 北京农业职业学院(中国共产党北京市委员会农村工作委员会党校) | 基于人工智能的畜牧健康监测方法与系统 |
CN115876258A (zh) * | 2023-02-14 | 2023-03-31 | 山东大佳机械有限公司 | 基于多源数据的畜禽养殖环境异常监测及报警系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012005387A1 (ko) * | 2010-07-05 | 2012-01-12 | 주식회사 비즈텍 | 다중 카메라와 물체 추적 알고리즘을 이용한 광범위한 지역에서의 물체 이동 감시 방법 및 그 시스템 |
KR101866226B1 (ko) * | 2016-11-09 | 2018-07-04 | 건국대학교 산학협력단 | 대가축 모니터링 시스템 |
WO2020158307A1 (ja) * | 2019-01-30 | 2020-08-06 | パナソニックIpマネジメント株式会社 | 畜舎監視方法、及び、畜舎監視システム |
CN115424196A (zh) * | 2022-08-02 | 2022-12-02 | 中科装备(广州)生物安全科技有限公司 | 一种基于人工智能的跟踪监测系统 |
CN115797343B (zh) * | 2023-02-06 | 2023-04-21 | 山东大佳机械有限公司 | 基于图像数据的畜禽养殖环境视频监控方法 |
-
2023
- 2023-05-31 CN CN202310626717.6A patent/CN116340801B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020005038A1 (ko) * | 2018-06-29 | 2020-01-02 | 엘지이노텍 주식회사 | 사육장 환경 관리 시스템, 단말 및 그 방법 |
CN114638536A (zh) * | 2022-03-31 | 2022-06-17 | 北京农业职业学院(中国共产党北京市委员会农村工作委员会党校) | 基于人工智能的畜牧健康监测方法与系统 |
CN115876258A (zh) * | 2023-02-14 | 2023-03-31 | 山东大佳机械有限公司 | 基于多源数据的畜禽养殖环境异常监测及报警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116340801A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116340801B (zh) | 一种畜牧养殖环境数据异常智能监控方法 | |
Xudong et al. | Automatic recognition of dairy cow mastitis from thermal images by a deep learning detector | |
WO2019101220A1 (zh) | 基于深度学习网络和均值漂移的船只自动跟踪方法及系统 | |
CN109544592B (zh) | 针对相机移动的运动目标检测算法 | |
KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
WO2022247711A1 (zh) | 一种目标关联视频追踪处理方法和装置 | |
CN114241511B (zh) | 一种弱监督行人检测方法、系统、介质、设备及处理终端 | |
CN111209935A (zh) | 基于自适应域转移的无监督目标检测方法及系统 | |
Guo et al. | Automatic monitoring of flying vegetable insect pests using an RGB camera and YOLO-SIP detector | |
CN112132157A (zh) | 一种基于树莓派的步态人脸融合识别方法 | |
CN111797831A (zh) | 基于bim和人工智能的家禽进食并行异常检测方法 | |
CN113538513A (zh) | 监控对象的进出控制方法、装置、设备及存储介质 | |
CN117351271A (zh) | 高压配电线路监控设备故障监测方法、系统及其存储介质 | |
CN114581440B (zh) | 一种基于图像识别快速定位泄漏点的方法 | |
Senthilnath et al. | Hierarchical clustering approaches for flood assessment using multi-sensor satellite images | |
CN114782561B (zh) | 基于大数据的智慧农业云平台监控系统 | |
Pillai et al. | Fine-Tuned EfficientNetB4 Transfer Learning Model for Weather Classification | |
WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及系统 | |
CN117152676A (zh) | 一种基于图像数据的畜禽养殖环境监控方法 | |
CN116090939B (zh) | 基于人工智能的供应链内问题产品识别跟踪方法 | |
CN113569716B (zh) | 一种货车车轴快速识别与计数方法 | |
CN111754547B (zh) | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 | |
CN113496159B (zh) | 一种多尺度卷积与动态权重代价函数的烟尘目标分割方法 | |
Ehsan et al. | Broiler-Net: A Deep Convolutional Framework for Broiler Behavior Analysis in Poultry Houses |
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 |