CN116432907A - 一种基于深度学习的牲畜运动行为分析方法及系统 - Google Patents
一种基于深度学习的牲畜运动行为分析方法及系统 Download PDFInfo
- Publication number
- CN116432907A CN116432907A CN202310401207.9A CN202310401207A CN116432907A CN 116432907 A CN116432907 A CN 116432907A CN 202310401207 A CN202310401207 A CN 202310401207A CN 116432907 A CN116432907 A CN 116432907A
- Authority
- CN
- China
- Prior art keywords
- livestock
- abnormal
- growth
- analysis
- time
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 401
- 230000033001 locomotion Effects 0.000 title claims abstract description 128
- 230000006399 behavior Effects 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 244000144972 livestock Species 0.000 title claims description 747
- 241001465754 Metazoa Species 0.000 claims abstract description 109
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims description 308
- 238000012544 monitoring process Methods 0.000 claims description 72
- 230000002354 daily effect Effects 0.000 claims description 30
- 238000012216 screening Methods 0.000 claims description 30
- 208000012661 Dyskinesia Diseases 0.000 claims description 13
- 230000009546 growth abnormality Effects 0.000 claims description 12
- 238000009395 breeding Methods 0.000 claims description 11
- 230000001488 breeding effect Effects 0.000 claims description 11
- 230000003203 everyday effect Effects 0.000 claims description 7
- 230000037147 athletic performance Effects 0.000 claims 4
- 230000000386 athletic effect Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012258 culturing Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006742 locomotor activity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Software Systems (AREA)
- Animal Husbandry (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于深度学习的牲畜运动行为分析方法及系统,涉及牲畜技术领域,解决当下牲畜生长情况分析存在局限性的问题,包括因素设定模块、结果鉴定模块、特征分析模块、生长分析模块和运动分析模块,所述因素设定模块用于对牲畜的运动行为分析进行因素设定,所述运动分析模块用于对牲畜分析组中牲畜的运行情况进行分析,所述特征分析模块用于对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,所述生长分析模块用于对牲畜分析组中牲畜的生长情况进行分析,所述结果鉴定模块用于对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,本发明结合牲畜运动行为等多重因素,实现对牲畜生长情况的关联分析。
Description
技术领域
本发明涉及牲畜技术领域,尤其涉及一种基于深度学习的牲畜运动行为分析方法及系统。
背景技术
牲畜一般是指由人类饲养使之繁殖而利用,有利于农业生产的畜类,可理解为家畜,家禽的统称,牲畜包括猪、牛、羊、兔子等。
当下对于生长情况的分析局限于牲畜的规格、重量等数据,没有将牲畜的运动行为、养殖方式等因素与生长情况进行关联分析,使得牲畜的生长分析存在局限性;
因此缺少一种基于深度学习的牲畜运动行为分析方法及系统来解决上述存在的问题。
发明内容
针对现有技术存在的不足,本发明目的是提供一种基于深度学习的牲畜运动行为分析方法及系统。
本发明所要解决的技术问题为:
如何基于牲畜的运动行为等多重因素实现与生长情况的关联分析。
为了实现上述目的,本发明是通过如下的技术方案来实现:
一种基于深度学习的牲畜运动行为分析系统,包括数据采集模块、因素设定模块、结果鉴定模块、用户终端、特征分析模块、生长分析模块、大数据模块、运动分析模块以及服务器,所述用户终端用于输入牲畜的品种以及牲畜的初始信息并发送至服务器,所述服务器将品种和初始信息发送至因素设定模块和特征分析模块;所述服务器还将牲畜的品种发送至大数据模块;所述大数据模块用于获取不同品种的牲畜在不同生长阶段的标准生长数据并发送至运动分析模块和生长分析模块;
所述因素设定模块用于对牲畜的运动行为分析进行因素设定,得到牲畜的牲畜分析组反馈至服务器,服务器依据牲畜分析组后将牲畜进行养殖;
在养殖时,所述数据采集模块用于采集牲畜分析组中牲畜每日的实时运动数据并经服务器发送至运动分析模块;所述运动分析模块用于对牲畜分析组中牲畜的运行情况进行分析,得到牲畜分析组的监测等级反馈至服务器,服务器依据监测等级设定牲畜分析组的采集次数并发送至数据采集模块;数据采集模块依据采集次数用于采集牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时特征数据并经服务器发送至特征分析模块;
所述特征分析模块用于对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,得到牲畜分析组中运动异样牲畜或运动正常牲畜的体重生长速率、或生成的生长异常信号;
所述生长分析模块用于对牲畜分析组中牲畜的生长情况进行分析,得到牲畜分析组内运动异样牲畜的生长异常率或牲畜分析组内运动正常牲畜的生长异常率经服务器发送至结果鉴定模块;
所述结果鉴定模块用于对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,生成关联成功信号或关联失败信号反馈至服务器,所述服务器将关联成功信号或关联失败信号发送至用户终端,用户终端还用于依据信号对牲畜的生长情况进行查看。
进一步地,初始信息为该品种牲畜的牲畜数、以及每个牲畜的牲畜编号、出生时间、初始体重、初始高度和初始长度;
标准生长数据为牲畜不同生长阶段的标准运动距离区间、标准心率区间和标准生长速率包,标准生长速率包为牲畜的体重生长标准速率区间、高度生长标准速率区间和长度生长标准速率区间;
实时运动数据为牲畜分析组中牲畜每日的实时运动距离和实时心率值;
实时特征数据为每次采集时牲畜分析组中运动异样牲畜或运动正常牲畜当前的实时体重值、实时高度值和实时长度值,其中,运动异样牲畜包括距离异样牲畜和心率异样牲畜,运动正常牲畜包括距离正常牲畜和心率正常牲畜。
进一步地,所述因素设定模块的工作过程具体如下:
设定牲畜的因素选取参数,因素选取参数包括出生时长区间、初始体重区间、初始高度区间和初始长度区间;
获取该品种中每个牲畜的初始信息,得到牲畜的出生时间、初始体重、初始高度和初始长度;
依据服务器的当前时间减去出生时间得到该品种中每个牲畜的出生时长;
若出生时长属于出生时长区间,则将对应牲畜归类至时长筛选集,反之则不进行任何操作;
若初始体重属于初始体重区间,则将对应牲畜归类至体重筛选集,反之则不进行任何操作;
若初始高度属于初始高度区间,则将对应牲畜归类至高度筛选集,反之则不进行任何操作;
若初始长度属于初始长度区间,则将对应牲畜归类至长度筛选集,反之则不进行任何操作;
而后将同时符合时长筛选集、体重筛选集、高度筛选集和长度筛选集的牲畜划分至目标集,统计目标集中牲畜的数量记为目标牲畜数;
将目标集中的牲畜划分为三组牲畜分析组,且三组牲畜分析组设定相同的牲畜数。
进一步地,牲畜分析组为第一牲畜分析组、第二牲畜分析组和第三牲畜分析组;
第一牲畜分析组为牲畜在外放养;第二牲畜分析组为牲畜一半时间放养和一半时间圈养;第三牲畜分析组为牲畜人工圈养。
进一步地,所述运动分析模块的分析过程具体如下:
获取不同牲畜分析组中牲畜每日的实时运行数据和实时特征数据,得到牲畜分析组中牲畜每日的实时运动距离和实时心率值;
而后获取牲畜分析组中牲畜的出生时长,在出生时长的基础上加上养殖时长得到牲畜分析组中牲畜的当前出生时长,依据当前出生时长得到牲畜分析组中牲畜对应的生长阶段以及生长阶段对应的标准心率区间和标准运动距离区间;
若实时运动距离未处于标准运动距离区间,则将牲畜分析组中牲畜标定为距离异样牲畜,反之标定为距离正常牲畜,若实时心率值未处于标准心率区间,则将牲畜分析组中牲畜标定为心率异样牲畜,反之标定为心率正常牲畜;
统计距离异样牲畜的数量记为距离异样牲畜数,距离异样牲畜数比对牲畜数得到牲畜分析组每日的距离异样率,统计心率异样牲畜的数量记为心率异样牲畜数,心率异样牲畜数比对牲畜数得到牲畜分析组每日的心率异样率;
计算牲畜分析组每日的异样值;
每日的异样值相加求和取均值得到牲畜分析组的异样均值;
若异样均值小于第一预设值,则牲畜分析组的监测等级为第三监测等级,若异样均值大于等于第一预设值且小于第二预设值,则牲畜分析组的监测等级为第二监测等级,若异样均值大于等于第二预设值,则牲畜分析组的监测等级为第一监测等级;
第一预设值和第二预设值均为固定数值,且第一预设值的取值小于第二预设值的取值,第三监测等级的级别低于第二监测等级的级别、第二监测等级的级别低于第一监测等级的级别,监测等级的级别与异常均值的数值成正比。
进一步地,采集次数的设定过程具体如下:
若为第一监测等级,则设定X3次的采集次数;
若为第二监测等级,则设定X2次的采集次数;
若为第三监测等级,则设定X1次的采集次数;其中,X1、X2和X3是固定数值的正整数,且X1<X2<X3。
进一步地,所述特征分析模块的分析过程具体如下:
获取每次采集时牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时体重值、实时高度值、实时长度值;
将每次采集的牲畜分析组中运动异样牲畜当前的实时体重值、实时高度值和实时长度值,将实时体重值相加求和除以采集次数得到牲畜分析组中运动异样牲畜当前的实时体重均值,同理,得到牲畜分析组中运动异样牲畜当前的实时高度均值和实时长度均值;
而后将每次采集的牲畜分析组中运动正常牲畜当前的实时体重值、实时高度值和实时长度值,按照以上步骤,得到牲畜分析组中运动正常牲畜当前的实时体重均值、实时高度均值和实时长度均值;
获取牲畜分析组中运动异样牲畜或运动正常牲畜对应的初始体重、初始高度和初始长度;
而后获取牲畜分析组中运动异样牲畜或运动正常牲畜的当前出生时长;
若牲畜分析组中运动异样牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动异样牲畜的体重增长值,同理,得到牲畜分析组中运动异样牲畜的高度增长值和长度增长值;
体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率;
若牲畜分析组中运动正常牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动正常牲畜的体重增长值,同理,得到牲畜分析组中运动正常牲畜的高度增长值和长度增长值;
体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率;
所述特征分析模块将牲畜分析组中运动异样牲畜或运动正常牲畜的体重生长速率、或生成的生长异常信号反馈至服务器,若服务器接收到生长异常信号,则将牲畜对应的牲畜编号发送至用户终端,若服务器接收到体重生长速率、高度生长速率和长度生长速率则发送至生长分析模块。
进一步地,所述生长分析模块的分析过程具体如下:
获取牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率,获取牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率;
获取牲畜分析组中牲畜对应的体重生长标准速率区间、高度生长标准速率区间和长度生长标准速率区间;
若牲畜分析组中运动异样牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动异样牲畜标定为生长异常运动异样牲畜,反之不进行任何操作;
统计生长异常运动异样牲畜的数量并与运动异样牲畜的数量进行比对得到牲畜分析组内运动异样牲畜的生长异常率;
若牲畜分析组中运动正常牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动正常牲畜标定为生长异常运动正常牲畜,反之不进行任何操作;
统计生长异常运动正常牲畜的数量并与运动正常牲畜的数量进行比对得到牲畜分析组内运动正常牲畜的生长异常率。
进一步地,所述结果鉴定模块的结果鉴定过程具体如下:
遍历比对牲畜分析组中牲畜的运动异样牲畜数,将运动异样牲畜数作为第一要素,并按照由大到小横向依次排布构成关联表的首行;其中,运动异样牲畜数由距离异样牲畜数与心率异样牲畜数相加所得来;
而后获取牲畜分析组内运动异样牲畜的生长异常率和运动正常牲畜的生长异常率;
当任意一组牲畜分析组中运动异样牲畜的生长异常率小于等于运动正常牲畜的生长异常率,则生成关联失败信号;
当所有牲畜分析组中运动异样牲畜的生长异常率均大于运动正常牲畜的生长异常率,则遍历比对所有牲畜分析组内运动异样牲畜的生长异常率,将运动异样牲畜的生长异常率作为第二要素,并按照由大到小横向依次排布构成关联表的次行;
若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率均为同一牲畜分析组,则生成关联成功信号;
若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率不为同一牲畜分析组,则生成关联失败信号。
一种基于深度学习的牲畜运动行为分析方法,方法具体如下:
步骤S100,用户终端输入牲畜的品种和初始信息,大数据模块获取不同品种的牲畜在不同生长阶段的标准生长数据;
步骤S200,因素设定模块对牲畜的运动行为分析进行因素设定,得到牲畜的牲畜分析组;
步骤S300,在养殖时,数据采集模块采集牲畜分析组中牲畜每日的实时运动数据,利用运动分析模块对牲畜分析组中牲畜的运行情况进行分析,得到牲畜分析组中的运动异样牲畜或运动正常牲畜,以及得到牲畜分析组的监测等级;
步骤S400,数据采集模块依据采集次数采集牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时特征数据,特征分析模块对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,得到运动异样牲畜或运动正常牲畜的体重生长速率、高度生长速率和长度生长速率、或生成生长异常信号;
步骤S500,生长分析模块对牲畜分析组中牲畜的生长情况进行分析,得到牲畜分析组内运动异样牲畜或运动正常牲畜的生长异常率;
步骤S600,结果鉴定模块对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,生成关联成功信号或关联失败信号。
与现有技术相比,本发明的有益效果:
本发明首先通过因素设定模块对牲畜的运动行为分析进行因素设定,设定牲畜的多个牲畜分析组,利用运动分析模块对牲畜分析组中牲畜的运行情况进行分析,得到牲畜分析组的运动异样牲畜或运动正常牲畜,以及得到牲畜分析组的监测等级,在运动异样牲畜或运动正常牲畜基础上,利用特征分析模块对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,得到牲畜分析组中运动异样牲畜或运动正常牲畜的体重生长速率、高度生长速率和长度生长速率、或生成生长异常信号,结合运动情况和特征情况,利用生长分析模块对牲畜分析组中牲畜的生长情况进行分析,得到牲畜分析组内运动异样牲畜或运动正常牲畜的生长异常率,最终通过结果鉴定模块对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,生成关联成功信号或关联失败信号,本发明结合牲畜运动行为等多重因素,实现对牲畜生长情况的关联分析。
本发明附加方面的优点将在下面的具体实施方式的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其他特征、目的和优点将会变得更明显:
图1为本发明的基于深度学习的牲畜运动行为分析系统框图;
图2为本发明的基于深度学习的牲畜运动行为分析方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
请参阅图1所示,本发明提供一种基于深度学习的牲畜运动行为分析系统,包括数据采集模块、因素设定模块、结果鉴定模块、用户终端、特征分析模块、生长分析模块、大数据模块、运动分析模块以及服务器;
具体的,所述用户终端用于饲养人员输入个人信息后注册登录系统,并将个人信息发送至服务器内存储,其中,个人信息包括饲养人员的姓名、手机号码等;
所述用户终端用于输入牲畜的品种以及牲畜的初始信息,并将品种和初始信息发送至服务器,所述服务器将品种和初始信息发送至因素设定模块和特征分析模块;所述服务器还将牲畜的品种发送至大数据模块;
大数据模块与外界互联网相连接,所述大数据模块用于获取不同品种的牲畜在不同生长阶段的标准生长数据,并将标准生长数据发送至运动分析模块和生长分析模块;
需要具体说明的是,初始信息为该品种牲畜的牲畜数、以及每个牲畜的牲畜编号、出生时间、初始体重、初始高度、初始长度等,其中,初始高度为牲畜脊背至平整地面的高度时,初始长度为牲畜目视正前方时的前后间距;标准生长数据为牲畜不同生长阶段的标准运动距离区间、标准心率区间、标准生长速率包,其中,生长阶段为牲畜的出生时长,不同出生时长有着不同的标准生长数据,标准生长速率包为牲畜的体重生长标准速率区间、高度生长标准速率区间和长度生长标准速率区间;
例如,在1周到3周的标准运动距离区间为[10,50]、标准心率区间[60,120],在3周到6周的标准运动距离区间为[30,70]、标准心率区间[50,110],以上为示例说明;
所述因素设定模块用于对牲畜的运动行为分析进行因素设定,工作过程具体如下:
设定牲畜的因素选取参数,因素选取参数包括出生时长区间、初始体重区间、初始高度区间和初始长度区间;
获取该品种中每个牲畜的初始信息,得到牲畜的出生时间、初始体重、初始高度和初始长度;
依据服务器的当前时间减去出生时间得到该品种中每个牲畜的出生时长;
若出生时长属于出生时长区间,则将对应牲畜归类至时长筛选集,反之则不进行任何操作;
若初始体重属于初始体重区间,则将对应牲畜归类至体重筛选集,反之则不进行任何操作;
若初始高度属于初始高度区间,则将对应牲畜归类至高度筛选集,反之则不进行任何操作;
若初始长度属于初始长度区间,则将对应牲畜归类至长度筛选集,反之则不进行任何操作;
在具体实施时,获取所有牲畜中出生时长的众数,则该众数为基准,在该众数的基础上减去固定数值得到出生时长区间的下限值,在该众数的基础上加上相同的固定数值得到出生时长区间的上限值;
而后将同时符合时长筛选集、体重筛选集、高度筛选集和长度筛选集的牲畜划分至目标集,统计目标集中牲畜的数量记为目标牲畜数;
将目标集中的牲畜划分为三组牲畜分析组,且三组牲畜分析组设定相同的牲畜数;
具体的,牲畜分析组可以分为第一牲畜分析组、第二牲畜分析组和第三牲畜分析组;
实际的,第一牲畜分析组为牲畜在外放养;第二牲畜分析组为牲畜一半时间放养和一半时间圈养,例如一天进行在外放养,接下来一天进行圈养;第三牲畜分析组为牲畜人工圈养;
所述因素设定模块将牲畜的牲畜分析组反馈至服务器,服务器依据牲畜分析组后将牲畜进行养殖;
在养殖时,所述数据采集模块用于采集牲畜分析组中牲畜每日的实时运动数据,并将实时运动数据发送至服务器,所述服务器将实时运动数据发送至运动分析模块;
在具体实施时,三组牲畜分析组中的牲畜可以通过电子耳标、颜色标记进行区分,在本发明中,通过携带不同颜色的电子耳标用于区分不同牲畜分析组中的牲畜,电子耳标具备移动距离记录、速度记录、心率记录、体温测量等功能,同时,还可以采集牲畜所在地的环境温度值、环境湿度值等信息;
需要具体说明的是,实时运动数据为牲畜分析组中牲畜每日的实时运动距离、实时心率值等,其中,在每天内设定固定时间的监测反馈时间点,在达到监测反馈时间点时进行反馈即可得到牲畜分析组中牲畜的实时心率值,注意的是,实时心率值为当天牲畜心率的平均值;
所述运动分析模块用于对牲畜分析组中牲畜的运行情况进行分析,分析过程具体如下:
获取不同牲畜分析组中牲畜每日的实时运行数据和实时特征数据,得到牲畜分析组中牲畜每日的实时运动距离和实时心率值;
而后获取牲畜分析组中牲畜的出生时长,在出生时长的基础上加上养殖时长得到牲畜分析组中牲畜的当前出生时长,依据当前出生时长得到牲畜分析组中牲畜对应的生长阶段以及生长阶段对应的标准心率区间和标准运动距离区间;
若实时运动距离未处于标准运动距离区间,则将牲畜分析组中牲畜标定为距离异样牲畜,反之标定为距离正常牲畜,若实时心率值未处于标准心率区间,则将牲畜分析组中牲畜标定为心率异样牲畜,反之标定为心率正常牲畜;
统计距离异样牲畜的数量记为距离异样牲畜数,距离异样牲畜数比对牲畜数得到牲畜分析组每日的距离异样率JYLu i,统计心率异样牲畜的数量记为心率异样牲畜数,心率异样牲畜数比对牲畜数得到牲畜分析组每日的心率异样率XYLu i,u=1,2,……,z,z为正整数,u为牲畜分析组的编号,i=1,2,……,x,x为正整数,i代表每日的编号;
通过公式YZu i=JYLu i×a1+XYLu i×a2计算得到牲畜分析组每日的异样值YZui;式中,a1和a2均为固定数值的权重系数,且a1和a2的取值均大于零;
每日的异样值相加求和取均值得到牲畜分析组的异样均值;
若异样均值小于第一预设值,则牲畜分析组的监测等级为第三监测等级;
若异样均值大于等于第一预设值且小于第二预设值,则牲畜分析组的监测等级为第二监测等级;
若异样均值大于等于第二预设值,则牲畜分析组的监测等级为第一监测等级;其中,第一预设值和第二预设值均为固定数值,且第一预设值的取值小于第二预设值的取值,第三监测等级的级别低于第二监测等级的级别、第二监测等级的级别低于第一监测等级的级别,监测等级的级别与异常均值的数值成正比,即异常均值越大,监测等级的级别越高;
所述运动分析模块将牲畜分析组的监测等级反馈至服务器,服务器依据监测等级设定牲畜分析组的采集次数,并将采集次数发送至数据采集模块,具体如下:
若为第一监测等级,则设定X3次的采集次数;
若为第二监测等级,则设定X2次的采集次数;
若为第三监测等级,则设定X1次的采集次数;其中,X1、X2和X3是固定数值的正整数,且X1<X2<X3;
数据采集模块依据采集次数用于采集牲畜分析组中运动异样牲畜(包括距离异样牲畜和心率异样牲畜)或运动正常牲畜(包括距离正常牲畜和心率正常牲畜)每日的实时特征数据,并将实时特征数据发送至服务器,所述服务器将实时特征数据发送至特征分析模块;
需要具体说明的是,实时特征数据为每次采集时牲畜分析组中运动异样牲畜或运动正常牲畜当前的实时体重值、实时高度值、实时长度值等;
所述特征分析模块用于对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,分析过程具体如下:
获取每次采集时牲畜分析组中运动异样牲畜和运动正常牲畜每日的实时体重值、实时高度值、实时长度值;
将每次采集的牲畜分析组中运动异样牲畜当前的实时体重值、实时高度值和实时长度值,将实时体重值相加求和除以采集次数得到牲畜分析组中运动异样牲畜当前的实时体重均值,同理,得到牲畜分析组中运动异样牲畜当前的实时高度均值和实时长度均值;
而后将每次采集的牲畜分析组中运动正常牲畜当前的实时体重值、实时高度值和实时长度值,按照上述步骤,得到牲畜分析组中运动正常牲畜当前的实时体重均值、实时高度均值和实时长度均值;
获取牲畜分析组中运动异样牲畜或运动正常牲畜对应的初始体重、初始高度和初始长度;
而后获取牲畜分析组中运动异样牲畜或运动正常牲畜的当前出生时长;
若牲畜分析组中运动异样牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动异样牲畜的体重增长值,同理,得到牲畜分析组中运动异样牲畜的高度增长值和长度增长值;
体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率;
若牲畜分析组中运动正常牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动正常牲畜的体重增长值,同理,得到牲畜分析组中运动正常牲畜的高度增长值和长度增长值;
体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率;
所述特征分析模块将牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率、或牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率反馈至服务器或生成的生长异常信号反馈至服务器,若服务器接收到生长异常信号,则将牲畜对应的牲畜编号发送至用户终端,若服务器接收到体重生长速率、高度生长速率和长度生长速率则发送至生长分析模块;
所述生长分析模块用于对牲畜分析组中牲畜的生长情况进行分析,分析过程具体如下:
获取牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率,获取牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率;
获取牲畜分析组中牲畜对应的体重生长标准速率区间、高度生长标准速率区间和长度生长标准速率区间;
若牲畜分析组中运动异样牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动异样牲畜标定为生长异常运动异样牲畜,反之不进行任何操作;
统计生长异常运动异样牲畜的数量并与运动异样牲畜的数量进行比对得到牲畜分析组内运动异样牲畜的生长异常率;
若牲畜分析组中运动正常牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动正常牲畜标定为生长异常运动正常牲畜,反之不进行任何操作;
统计生长异常运动正常牲畜的数量并与运动正常牲畜的数量进行比对得到牲畜分析组内运动正常牲畜的生长异常率;
所述生长分析模块将牲畜分析组内运动异样牲畜的生长异常率或牲畜分析组内运动正常牲畜的生长异常率反馈至服务器,所述服务器将牲畜分析组内运动异样牲畜的生长异常率或牲畜分析组内运动正常牲畜的生长异常率发送至结果鉴定模块;
所述结果鉴定模块用于对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,结果鉴定过程具体如下:
遍历比对牲畜分析组中牲畜的运动异样牲畜数,将运动异样牲畜数作为第一要素,并按照由大到小横向依次排布构成关联表的首行;其中,运动异样牲畜数由距离异样牲畜数与心率异样牲畜数相加所得来;
而后获取牲畜分析组内运动异样牲畜的生长异常率和运动正常牲畜的生长异常率;
当任意一组牲畜分析组中运动异样牲畜的生长异常率小于等于运动正常牲畜的生长异常率,则生成关联失败信号;
当所有牲畜分析组中运动异样牲畜的生长异常率均大于运动正常牲畜的生长异常率,则遍历比对所有牲畜分析组内运动异样牲畜的生长异常率,将运动异样牲畜的生长异常率作为第二要素,并按照由大到小横向依次排布构成关联表的次行;
若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率均为同一牲畜分析组,则生成关联成功信号;
若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率不为同一牲畜分析组,则生成关联失败信号;
所述结果鉴定模块将关联成功信号或关联失败信号反馈至服务器,所述服务器将关联成功信号或关联失败信号发送至用户终端,用户终端接收到生长异常信号、关联成功信号或关联失败信后用于对牲畜的生长情况进行查看;
上述公式均是去量纲取其数值计算,如存在的权重系数、比例系数等,其设置的大小是为了将各个参数进行量化得到的一个结果值,关于权重系数和比例系数的大小,只要不影响参数与结果值的比例关系即可。
实施例二
基于同一发明的又一构思,请参阅图2所示,现提供一种基于深度学习的牲畜运动行为分析方法,方法具体如下:
步骤S100,用户终端输入牲畜的品种以及牲畜的初始信息,品种和初始信息发送至因素设定模块和特征分析模块;牲畜的品种还发送至大数据模块,大数据模块获取不同品种的牲畜在不同生长阶段的标准生长数据并发送至运动分析模块和生长分析模块;
步骤S200,因素设定模块对牲畜的运动行为分析进行因素设定,设定牲畜的因素选取参数,获取该品种中每个牲畜的初始信息,得到牲畜的出生时间、初始体重、初始高度和初始长度,依据服务器的当前时间减去出生时间得到该品种中每个牲畜的出生时长,若出生时长属于出生时长区间,则将对应牲畜归类至时长筛选集,反之则不进行任何操作,若初始体重属于初始体重区间,则将对应牲畜归类至体重筛选集,反之则不进行任何操作,若初始高度属于初始高度区间,则将对应牲畜归类至高度筛选集,反之则不进行任何操作,若初始长度属于初始长度区间,则将对应牲畜归类至长度筛选集,反之则不进行任何操作,而后将同时符合时长筛选集、体重筛选集、高度筛选集和长度筛选集的牲畜划分至目标集,统计目标集中牲畜的数量记为目标牲畜数,将目标集中的牲畜划分为三组牲畜分析组,且三组牲畜分析组设定相同的牲畜数,因素设定模块将牲畜的牲畜分析组反馈至服务器,服务器依据牲畜分析组后将牲畜进行养殖;
步骤S300,在养殖时,数据采集模块用于采集牲畜分析组中牲畜每日的实时运动数据,实时运动数据发送至运动分析模块,运动分析模块对牲畜分析组中牲畜的运行情况进行分析,获取不同牲畜分析组中牲畜每日的实时运行数据和实时特征数据,得到牲畜分析组中牲畜每日的实时运动距离和实时心率值,而后获取牲畜分析组中牲畜的出生时长,在出生时长的基础上加上养殖时长得到牲畜分析组中牲畜的当前出生时长,依据当前出生时长得到牲畜分析组中牲畜对应的生长阶段以及生长阶段对应的标准心率区间和标准运动距离区间,若实时运动距离未处于标准运动距离区间,则将牲畜分析组中牲畜标定为距离异样牲畜,反之标定为距离正常牲畜,若实时心率值未处于标准心率区间,则将牲畜分析组中牲畜标定为心率异样牲畜,反之标定为心率正常牲畜,统计距离异样牲畜的数量记为距离异样牲畜数,距离异样牲畜数比对牲畜数得到牲畜分析组每日的距离异样率,统计心率异样牲畜的数量记为心率异样牲畜数,心率异样牲畜数比对牲畜数得到牲畜分析组每日的心率异样率,计算牲畜分析组每日的异样值,每日的异样值相加求和取均值得到牲畜分析组的异样均值,若异样均值小于第一预设值,则牲畜分析组的监测等级为第三监测等级,若异样均值大于等于第一预设值且小于第二预设值,则牲畜分析组的监测等级为第二监测等级,若异样均值大于等于第二预设值,则牲畜分析组的监测等级为第一监测等级,运动分析模块将牲畜分析组的监测等级反馈至服务器,服务器依据监测等级设定牲畜分析组的采集次数,并将采集次数发送至数据采集模块;
步骤S400,数据采集模块依据采集次数用于采集牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时特征数据,实时特征数据发送至特征分析模块,特征分析模块对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,获取每次采集时牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时体重值、实时高度值、实时长度值,将每次采集的牲畜分析组中运动异样牲畜当前的实时体重值、实时高度值和实时长度值,将实时体重值相加求和除以采集次数得到牲畜分析组中运动异样牲畜当前的实时体重均值,同理,得到牲畜分析组中运动异样牲畜当前的实时高度均值和实时长度均值,而后将每次采集的牲畜分析组中运动正常牲畜当前的实时体重值、实时高度值和实时长度值,按照上述步骤,得到牲畜分析组中运动正常牲畜当前的实时体重均值、实时高度均值和实时长度均值,获取牲畜分析组中运动异样牲畜或运动正常牲畜对应的初始体重、初始高度和初始长度,而后获取牲畜分析组中运动异样牲畜或运动正常牲畜的当前出生时长,若牲畜分析组中运动异样牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动异样牲畜的体重增长值,同理,得到牲畜分析组中运动异样牲畜的高度增长值和长度增长值,体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率,若牲畜分析组中运动正常牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动正常牲畜的体重增长值,同理,得到牲畜分析组中运动正常牲畜的高度增长值和长度增长值,体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率,特征分析模块将牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率、牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率反馈至服务器或生成的生长异常信号反馈至服务器,若服务器接收到生长异常信号,则将牲畜对应的牲畜编号发送至用户终端,若服务器接收到体重生长速率、高度生长速率和长度生长速率则发送至生长分析模块;
步骤S500,生长分析模块对牲畜分析组中牲畜的生长情况进行分析,获取牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率,获取牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率,获取牲畜分析组中牲畜对应的体重生长标准速率区间、高度生长标准速率区间和长度生长标准速率区间,若牲畜分析组中运动异样牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动异样牲畜标定为生长异常运动异样牲畜,反之不进行任何操作,统计生长异常运动异样牲畜的数量并与运动异样牲畜的数量进行比对得到牲畜分析组内运动异样牲畜的生长异常率,若牲畜分析组中运动正常牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动正常牲畜标定为生长异常运动正常牲畜,反之不进行任何操作,统计生长异常运动正常牲畜的数量并与运动正常牲畜的数量进行比对得到牲畜分析组内运动正常牲畜的生长异常率,牲畜分析组内运动异样牲畜的生长异常率或牲畜分析组内运动正常牲畜的生长异常率发送至结果鉴定模块;
步骤S600,结果鉴定模块对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,遍历比对牲畜分析组中牲畜的运动异样牲畜数,将运动异样牲畜数作为第一要素,并按照由大到小横向依次排布构成关联表的首行,而后获取牲畜分析组内运动异样牲畜的生长异常率和运动正常牲畜的生长异常率,当任意一组牲畜分析组中运动异样牲畜的生长异常率小于等于运动正常牲畜的生长异常率,则生成关联失败信号,当所有牲畜分析组中运动异样牲畜的生长异常率均大于运动正常牲畜的生长异常率,则遍历比对所有牲畜分析组内运动异样牲畜的生长异常率,将运动异样牲畜的生长异常率作为第二要素,并按照由大到小横向依次排布构成关联表的次行,若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率均为同一牲畜分析组,则生成关联成功信号,若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率不为同一牲畜分析组,则生成关联失败信号,结果鉴定模块将关联成功信号或关联失败信号反馈至服务器,所述服务器将关联成功信号或关联失败信号发送至用户终端,用户终端依据信号用于对不同牲畜分析组中牲畜的运动情况与生长情况关联结果进行查看。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于深度学习的牲畜运动行为分析系统,其特征在于,包括数据采集模块、因素设定模块、结果鉴定模块、用户终端、特征分析模块、生长分析模块、大数据模块、运动分析模块以及服务器;
用户终端,用于输入牲畜的品种和初始信息,品种和初始信息发送至因素设定模块、特征分析模块和大数据模块;
大数据模块,用于获取不同品种的牲畜在不同生长阶段的标准生长数据发送至运动分析模块和生长分析模块;
因素设定模块,用于对牲畜的运动行为分析进行因素设定,得到牲畜的牲畜分析组;
在养殖时,数据采集模块,用于采集牲畜分析组中牲畜每日的实时运动数据发送至运动分析模块;
运动分析模块,用于对牲畜分析组中牲畜的运行情况进行分析,得到牲畜分析组的监测等级,依据监测等级设定牲畜分析组的采集次数并发送至数据采集模块;
数据采集模块,还用于依据采集次数采集牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时特征数据发送至特征分析模块;
特征分析模块,用于对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,得到运动异样牲畜或运动正常牲畜的体重生长速率、高度生长速率和长度生长速率、或生成生长异常信号;
生长分析模块,用于对牲畜分析组中牲畜的生长情况进行分析,得到运动异样牲畜或运动正常牲畜的生长异常率发送至结果鉴定模块;
结果鉴定模块,用于对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,生成关联成功信号或关联失败信号发送至用户终端;
用户终端,还用于依据信号对牲畜的生长情况进行查看。
2.根据权利要求1所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,初始信息为该品种牲畜的牲畜数、以及每个牲畜的牲畜编号、出生时间、初始体重、初始高度和初始长度;
标准生长数据为牲畜不同生长阶段的标准运动距离区间、标准心率区间和标准生长速率包,标准生长速率包为牲畜的体重生长标准速率区间、高度生长标准速率区间和长度生长标准速率区间;
实时运动数据为牲畜分析组中牲畜每日的实时运动距离和实时心率值;
实时特征数据为每次采集时牲畜分析组中运动异样牲畜或运动正常牲畜当前的实时体重值、实时高度值和实时长度值,其中,运动异样牲畜包括距离异样牲畜和心率异样牲畜,运动正常牲畜包括距离正常牲畜和心率正常牲畜。
3.根据权利要求2所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,所述因素设定模块的工作过程具体如下:
设定牲畜的因素选取参数,因素选取参数包括出生时长区间、初始体重区间、初始高度区间和初始长度区间;
获取该品种中每个牲畜的初始信息,得到牲畜的出生时间、初始体重、初始高度和初始长度;
依据服务器的当前时间减去出生时间得到该品种中每个牲畜的出生时长;
若出生时长属于出生时长区间,则将对应牲畜归类至时长筛选集,反之则不进行任何操作;
若初始体重属于初始体重区间,则将对应牲畜归类至体重筛选集,反之则不进行任何操作;
若初始高度属于初始高度区间,则将对应牲畜归类至高度筛选集,反之则不进行任何操作;
若初始长度属于初始长度区间,则将对应牲畜归类至长度筛选集,反之则不进行任何操作;
而后将同时符合时长筛选集、体重筛选集、高度筛选集和长度筛选集的牲畜划分至目标集,统计目标集中牲畜的数量记为目标牲畜数;
将目标集中的牲畜划分为三组牲畜分析组,且三组牲畜分析组设定相同的牲畜数。
4.根据权利要求3所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,牲畜分析组为第一牲畜分析组、第二牲畜分析组和第三牲畜分析组;
第一牲畜分析组为牲畜在外放养;第二牲畜分析组为牲畜一半时间放养和一半时间圈养;第三牲畜分析组为牲畜人工圈养。
5.根据权利要求3所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,所述运动分析模块的分析过程具体如下:
获取不同牲畜分析组中牲畜每日的实时运行数据和实时特征数据,得到牲畜分析组中牲畜每日的实时运动距离和实时心率值;
而后获取牲畜分析组中牲畜的出生时长,在出生时长的基础上加上养殖时长得到牲畜分析组中牲畜的当前出生时长,依据当前出生时长得到牲畜分析组中牲畜对应的生长阶段以及生长阶段对应的标准心率区间和标准运动距离区间;
若实时运动距离未处于标准运动距离区间,则将牲畜分析组中牲畜标定为距离异样牲畜,反之标定为距离正常牲畜,若实时心率值未处于标准心率区间,则将牲畜分析组中牲畜标定为心率异样牲畜,反之标定为心率正常牲畜;
统计距离异样牲畜的数量记为距离异样牲畜数,距离异样牲畜数比对牲畜数得到牲畜分析组每日的距离异样率,统计心率异样牲畜的数量记为心率异样牲畜数,心率异样牲畜数比对牲畜数得到牲畜分析组每日的心率异样率;
计算牲畜分析组每日的异样值;
每日的异样值相加求和取均值得到牲畜分析组的异样均值;
若异样均值小于第一预设值,则牲畜分析组的监测等级为第三监测等级,若异样均值大于等于第一预设值且小于第二预设值,则牲畜分析组的监测等级为第二监测等级,若异样均值大于等于第二预设值,则牲畜分析组的监测等级为第一监测等级;
第一预设值和第二预设值均为固定数值,且第一预设值的取值小于第二预设值的取值,第三监测等级的级别低于第二监测等级的级别、第二监测等级的级别低于第一监测等级的级别,监测等级的级别与异常均值的数值成正比。
6.根据权利要求5所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,采集次数的设定过程具体如下:
若为第一监测等级,则设定X3次的采集次数;
若为第二监测等级,则设定X2次的采集次数;
若为第三监测等级,则设定X1次的采集次数;其中,X1、X2和X3是固定数值的正整数,且X1<X2<X3。
7.根据权利要求5所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,所述特征分析模块的分析过程具体如下:
获取每次采集时牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时体重值、实时高度值、实时长度值;
将每次采集的牲畜分析组中运动异样牲畜当前的实时体重值、实时高度值和实时长度值,将实时体重值相加求和除以采集次数得到牲畜分析组中运动异样牲畜当前的实时体重均值,同理,得到牲畜分析组中运动异样牲畜当前的实时高度均值和实时长度均值;
而后将每次采集的牲畜分析组中运动正常牲畜当前的实时体重值、实时高度值和实时长度值,按照以上步骤,得到牲畜分析组中运动正常牲畜当前的实时体重均值、实时高度均值和实时长度均值;
获取牲畜分析组中运动异样牲畜和运动正常牲畜对应的初始体重、初始高度和初始长度;
而后获取牲畜分析组中运动异样牲畜或运动正常牲畜的当前出生时长;
若牲畜分析组中运动异样牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动异样牲畜的体重增长值,同理,得到牲畜分析组中运动异样牲畜的高度增长值和长度增长值;
体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率;
若牲畜分析组中运动正常牲畜的实时体重均值小于等于初始体重,则生成生长异常信号,反之则利用实时体重均值减去初始体重得到牲畜分析组中运动正常牲畜的体重增长值,同理,得到牲畜分析组中运动正常牲畜的高度增长值和长度增长值;
体重增长值、高度增长值和长度增长值依次比对当前出生时长得到牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率;
所述特征分析模块将牲畜分析组中运动异样牲畜或运动正常牲畜的体重生长速率、或生成的生长异常信号反馈至服务器,若服务器接收到生长异常信号,则将牲畜对应的牲畜编号发送至用户终端,若服务器接收到体重生长速率、高度生长速率和长度生长速率则发送至生长分析模块。
8.根据权利要求7所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,所述生长分析模块的分析过程具体如下:
获取牲畜分析组中运动异样牲畜的体重生长速率、高度生长速率和长度生长速率,获取牲畜分析组中运动正常牲畜的体重生长速率、高度生长速率和长度生长速率;
获取牲畜分析组中牲畜对应的体重生长标准速率区间、高度生长标准速率区间和长度生长标准速率区间;
若牲畜分析组中运动异样牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动异样牲畜标定为生长异常运动异样牲畜,反之不进行任何操作;
统计生长异常运动异样牲畜的数量并与运动异样牲畜的数量进行比对得到牲畜分析组内运动异样牲畜的生长异常率;
若牲畜分析组中运动正常牲畜的体重生长速率不处于体重生长标准速率区间、高度生长速率不处于高度生长标准速率区间或长度生长速率不处于长度生长标准速率区间,则将牲畜分析组中运动正常牲畜标定为生长异常运动正常牲畜,反之不进行任何操作;
统计生长异常运动正常牲畜的数量并与运动正常牲畜的数量进行比对得到牲畜分析组内运动正常牲畜的生长异常率。
9.根据权利要求8所述的一种基于深度学习的牲畜运动行为分析系统,其特征在于,所述结果鉴定模块的结果鉴定过程具体如下:
遍历比对牲畜分析组中牲畜的运动异样牲畜数,将运动异样牲畜数作为第一要素,并按照由大到小横向依次排布构成关联表的首行;其中,运动异样牲畜数由距离异样牲畜数与心率异样牲畜数相加所得来;
而后获取牲畜分析组内运动异样牲畜的生长异常率和运动正常牲畜的生长异常率;
当任意一组牲畜分析组中运动异样牲畜的生长异常率小于等于运动正常牲畜的生长异常率,则生成关联失败信号;
当所有牲畜分析组中运动异样牲畜的生长异常率均大于运动正常牲畜的生长异常率,则遍历比对所有牲畜分析组内运动异样牲畜的生长异常率,将运动异样牲畜的生长异常率作为第二要素,并按照由大到小横向依次排布构成关联表的次行;
若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率均为同一牲畜分析组,则生成关联成功信号;
若关联表同列中的运动异样牲畜数与运动异样牲畜的生长异常率不为同一牲畜分析组,则生成关联失败信号。
10.一种基于深度学习的牲畜运动行为分析方法,其特征在于,基于权利要求1-9任一项所述的一种基于深度学习的牲畜运动行为分析系统实现,方法具体如下:
步骤S100,用户终端输入牲畜的品种和初始信息,大数据模块获取不同品种的牲畜在不同生长阶段的标准生长数据;
步骤S200,因素设定模块对牲畜的运动行为分析进行因素设定,得到牲畜的牲畜分析组;
步骤S300,在养殖时,数据采集模块采集牲畜分析组中牲畜每日的实时运动数据,利用运动分析模块对牲畜分析组中牲畜的运行情况进行分析,得到牲畜分析组中的运动异样牲畜或运动正常牲畜,以及得到牲畜分析组的监测等级;
步骤S400,数据采集模块依据采集次数采集牲畜分析组中运动异样牲畜或运动正常牲畜每日的实时特征数据,特征分析模块对牲畜分析组中运动异样牲畜或运动正常牲畜的特征情况进行分析,得到运动异样牲畜或运动正常牲畜的体重生长速率、高度生长速率和长度生长速率、或生成生长异常信号;
步骤S500,生长分析模块对牲畜分析组中牲畜的生长情况进行分析,得到牲畜分析组内运动异样牲畜或运动正常牲畜的生长异常率;
步骤S600,结果鉴定模块对不同牲畜分析组中运动情况与生长情况的关联性进行结果鉴定,生成关联成功信号或关联失败信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310401207.9A CN116432907B (zh) | 2023-04-15 | 2023-04-15 | 一种基于深度学习的牲畜运动行为分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310401207.9A CN116432907B (zh) | 2023-04-15 | 2023-04-15 | 一种基于深度学习的牲畜运动行为分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116432907A true CN116432907A (zh) | 2023-07-14 |
CN116432907B CN116432907B (zh) | 2024-04-19 |
Family
ID=87088678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310401207.9A Active CN116432907B (zh) | 2023-04-15 | 2023-04-15 | 一种基于深度学习的牲畜运动行为分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432907B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242624A (zh) * | 2015-10-27 | 2016-01-13 | 湖南环球信士科技有限公司 | 牧场智能管理系统 |
CN107578341A (zh) * | 2016-07-05 | 2018-01-12 | 河南正大畜禽有限公司 | 用于牲畜养殖场的养殖数据监测系统 |
CN107665381A (zh) * | 2017-10-26 | 2018-02-06 | 成都常明信息技术有限公司 | 一种牲畜健康管理系统及方法 |
KR20180119091A (ko) * | 2017-04-24 | 2018-11-01 | 아란타(주) | 가축 집단 진료 예방 진단시스템 |
CN109758127A (zh) * | 2019-02-01 | 2019-05-17 | 内蒙古蜜蜂科技有限公司 | 一种牲畜的生长管控方法及系统 |
CN110168664A (zh) * | 2017-01-09 | 2019-08-23 | 马斯公司 | 用于维持动物最佳生长的系统和方法 |
CN115120209A (zh) * | 2022-06-21 | 2022-09-30 | 河北农业大学 | 一种牲畜数据分析系统及其数据分析方法和装置 |
-
2023
- 2023-04-15 CN CN202310401207.9A patent/CN116432907B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105242624A (zh) * | 2015-10-27 | 2016-01-13 | 湖南环球信士科技有限公司 | 牧场智能管理系统 |
CN107578341A (zh) * | 2016-07-05 | 2018-01-12 | 河南正大畜禽有限公司 | 用于牲畜养殖场的养殖数据监测系统 |
CN110168664A (zh) * | 2017-01-09 | 2019-08-23 | 马斯公司 | 用于维持动物最佳生长的系统和方法 |
KR20180119091A (ko) * | 2017-04-24 | 2018-11-01 | 아란타(주) | 가축 집단 진료 예방 진단시스템 |
CN107665381A (zh) * | 2017-10-26 | 2018-02-06 | 成都常明信息技术有限公司 | 一种牲畜健康管理系统及方法 |
CN109758127A (zh) * | 2019-02-01 | 2019-05-17 | 内蒙古蜜蜂科技有限公司 | 一种牲畜的生长管控方法及系统 |
CN115120209A (zh) * | 2022-06-21 | 2022-09-30 | 河北农业大学 | 一种牲畜数据分析系统及其数据分析方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116432907B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11116182B2 (en) | System for monitoring pasture intake | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
Li et al. | A UHF RFID system for studying individual feeding and nesting behaviors of group-housed laying hens | |
CN111198549B (zh) | 一种基于大数据的家禽养殖监测管理系统 | |
CN111274975A (zh) | 猪只采食行为预测方法及装置 | |
CN116627082A (zh) | 一种适用于存栏量盘点的生猪养殖智能管理系统 | |
CN115250950B (zh) | 一种基于人工智能的畜禽养猪场巡检方法及系统 | |
CN112150498A (zh) | 体态信息的确定方法、装置、存储介质及电子装置 | |
CN114065481A (zh) | 基于大数据的草地数据监测方法、系统和可读存储介质 | |
CN112906734A (zh) | 牲畜智能选种方法、装置、计算机设备和存储介质 | |
Bumanis et al. | Data conceptual model for smart poultry farm management system | |
CN112325949A (zh) | 一种养殖环境监测系统 | |
CN116432907B (zh) | 一种基于深度学习的牲畜运动行为分析方法及系统 | |
CN114287357A (zh) | 一种智能生猪养殖服务平台 | |
Candelotto et al. | Tracking performance in poultry is affected by data cleaning method and housing system | |
CN116982572A (zh) | 一种奶牛采食行为监测方法 | |
CN111242797A (zh) | 一种猪舍环境适宜度的预测系统及方法 | |
CN113516139A (zh) | 数据处理方法、装置、设备和存储介质 | |
CN116702051A (zh) | 一种蓄养畜牧的异常行为监测方法及系统 | |
CN110779575A (zh) | 一种基于大数据平台的畜牧业监测系统 | |
CN114070862B (zh) | 基于物联网的畜牧控制方法、系统和可读存储介质 | |
CN115777560A (zh) | 一种基于机器视觉分析技术的母猪智能化饲喂系统 | |
Lee et al. | Influence of temperature on prevalence of health and welfare conditions in pigs: time-series analysis of pig abattoir inspection data in England and Wales | |
CN112560336A (zh) | 畜牧物联网采集体温校准方法 | |
CN111264415A (zh) | 动物养殖管理方法及相关产品 |
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 |