CN116530438A - 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 - Google Patents
一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 Download PDFInfo
- Publication number
- CN116530438A CN116530438A CN202310812025.0A CN202310812025A CN116530438A CN 116530438 A CN116530438 A CN 116530438A CN 202310812025 A CN202310812025 A CN 202310812025A CN 116530438 A CN116530438 A CN 116530438A
- Authority
- CN
- China
- Prior art keywords
- egg
- layer
- laying
- egg laying
- ducks
- 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
- 238000000034 method Methods 0.000 title claims abstract description 90
- 230000036750 egg laying performance Effects 0.000 title claims abstract description 53
- 241000272517 Anseriformes Species 0.000 title abstract 5
- 235000013601 eggs Nutrition 0.000 claims abstract description 416
- 230000017448 oviposition Effects 0.000 claims abstract description 304
- 238000001514 detection method Methods 0.000 claims abstract description 243
- 238000012545 processing Methods 0.000 claims abstract description 98
- 238000009395 breeding Methods 0.000 claims abstract description 42
- 230000001488 breeding effect Effects 0.000 claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 15
- 241000272522 Anas Species 0.000 claims description 132
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 238000007689 inspection Methods 0.000 claims description 61
- 241000272525 Anas platyrhynchos Species 0.000 claims description 50
- 230000003442 weekly effect Effects 0.000 claims description 47
- 238000003860 storage Methods 0.000 claims description 30
- 230000005856 abnormality Effects 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000002457 bidirectional effect Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 239000008280 blood Substances 0.000 claims description 7
- 210000004369 blood Anatomy 0.000 claims description 7
- 238000013079 data visualisation Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004321 preservation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 17
- 238000012549 training Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 102000002322 Egg Proteins Human genes 0.000 description 3
- 108010000912 Egg Proteins Proteins 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 210000003278 egg shell Anatomy 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009374 poultry farming Methods 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006806 disease prevention Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- A01K31/00—Housing birds
- A01K31/14—Nest-boxes, e.g. for singing birds or the like
- A01K31/16—Laying nests for poultry; Egg collecting
- A01K31/165—Egg collecting or counting
-
- 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
- A01K43/00—Testing, sorting or cleaning eggs ; Conveying devices ; Pick-up devices
- A01K43/04—Grading eggs
- A01K43/10—Grading and stamping
-
- 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
- A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/80—Food processing, e.g. use of renewable energies or variable speed drives in handling, conveying or stacking
- Y02P60/87—Re-use of by-products of food processing for fodder production
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Housing For Livestock And Birds (AREA)
Abstract
本发明提供一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统,装置包括若干养殖层,核心处理模块和供电模块,每个养殖层包括:并列设置的若干个养殖笼、若干个落蛋通道、集蛋传送带、伺服电机、标签、产蛋检测模块、蛋品检测模块;养殖笼中的种蛋鸭产蛋后,蛋从出蛋口经落蛋通道滑落至集蛋传送带;集蛋传送带边缘设置有与每个养殖笼一一对应的标签,产蛋检测模块用于往复巡检标签和标签对应养殖笼中种蛋鸭的产蛋数量;蛋品检测模块设置在集蛋传送带的末端,用于检测蛋品质;核心处理模块用于控制所述装置,以及存储和处理数据;本发明能够对笼养种蛋鸭的生产性能参数进行高精度实时监测,具有实用价值。
Description
技术领域
本发明涉及家禽养殖和深度学习技术领域,更具体地,涉及一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统。
背景技术
蛋鸭笼养有助于准确的个体产蛋性能测定,可提高蛋鸭选种育种效率。另外,充分记录笼养种蛋鸭个体的产蛋情况与产蛋质量有助于饲养者了解鸭子的生产效率和健康状况,从而优化饲养管理策略,如调整饲料配比、改善饲养环境、加强疾病防控等,从而达到提高鸭子的产蛋性能和饲养效益的目的。
随着我国养鸭业的发展,一方面规模化、机械化的程度越来越高,生产力水平不断上升,传统手工测定种蛋鸭生产性能已不能满足大、中型鸭场产蛋信息记录与处理的需求;另一方面,计算机技术和自动控制技术与传统家禽养殖业逐步结合,使得对鸭场产蛋信息记录与处理的应用进行系统综合成为可能。
现有技术中公开了一种基于机器视觉的种禽产蛋育种性状采集方法、装置及介质,其方法包括:采集育种舍内种禽笼位的初始图像;确定产蛋槽区域图像和笼位标牌区域图像;识别产蛋槽区域中的每个禽蛋,并标记产蛋数量标签;识别笼位标牌区域图像,确定笼号信息,并标记笼号标签及产蛋日期标签;基于SVM禽蛋识别模型对每个禽蛋进行识别,得到每个禽蛋的颜色和蛋壳状态,并标记颜色标签和蛋壳状态标签;根据禽蛋的颜色标签、蛋壳状态标签、笼号标签、产蛋日期标签以及产蛋数量标签得到种禽产蛋育种性状数据;现有技术中的方法使用机器学习根据产蛋槽区域与笼位标牌图像进行识别从而记录种禽产蛋,但识别笼位标牌图像在实际中存在环境因素与相机精度的限制,使用SVM方法识别蛋存在检测精度较低的问题,且需要人工进行采集图像,自动化程度低。
发明内容
本发明为克服上述现有技术对笼养种蛋鸭个体产蛋性能检测时存在精度低且自动化程度低的缺陷,提供一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统,能够对笼养种蛋鸭的生产性能参数进行高精度实时监测。
为解决上述技术问题,本发明的技术方案如下:
一种笼养种蛋鸭个体产蛋性能巡检测定装置,包括若干个结构相同的养殖层、核心处理模块8和供电模块9,每个养殖层均包括:并列设置的若干个养殖笼1、若干个落蛋通道2、集蛋传送带3、伺服电机4、若干个标签5、产蛋检测模块6、蛋品检测模块7;
每个所述养殖笼1设有一个出蛋口,每个落蛋通道2的一端对应与一个出蛋口连接,集蛋传送带3垂直设置在所有落蛋通道2另一端的正下方;
所述伺服电机4与集蛋传送带3电连接,用于带动集蛋传送带3单向传动;
所述集蛋传送带3边缘还设置有若干个标签5,每个标签5与每个养殖笼1一一对应;所述产蛋检测模块6沿集蛋传送带3往复运动,用于检测标签5和标签5对应养殖笼1中种蛋鸭的产蛋数量;
所述蛋品检测模块7设置在集蛋传送带3的末端,用于检测产蛋质量;
所述核心处理模块8分别与每个养殖层的所有落蛋通道2、伺服电机4、产蛋检测模块6和蛋品检测模块7电连接,用于控制所有落蛋通道2、伺服电机4和产蛋检测模块6的运动,以及存储和处理产蛋检测模块6和蛋品检测模块7的检测数据;
所述供电模块9用于为伺服电机4、产蛋检测模块6、蛋品检测模块7和核心处理模块8供电。
优选地,所述产蛋检测模块6包括:标签传感器61、蛋检测摄像头62、产蛋检测模块上位机63和料车64;
所述标签传感器61和蛋检测摄像头62设置在料车64上,所述料车64用于带动标签传感器61和蛋检测摄像头62沿集蛋传送带3往复运动;
所述标签传感器61和蛋检测摄像头62分别与产蛋检测模块上位机63电连接;产蛋检测模块上位机63与核心处理模块8无线连接。
优选地,所述蛋品检测模块7包括:暗箱外壳71,以及设置于暗箱外壳71内部的声波传感器72、照蛋器73和蛋品检测摄像头74;
所述声波传感器72、照蛋器73和蛋品检测摄像头74分别与核心处理模块8电连接。
本发明还提供一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,基于上述的笼养种蛋鸭个体产蛋性能巡检测定装置,包括以下步骤:
S1:产蛋检测:
S1.1:当养殖笼1中的种蛋鸭产蛋后,蛋从出蛋口经落蛋通道2滑落至集蛋传送带3;核心处理模块8关闭所有落蛋通道2和伺服电机4,启动料车64和产蛋检测模块6;
S1.2:料车64开始运行,当标签传感器61读取到养殖笼1的标签5后,产蛋检测模块上位机63控制蛋检测摄像头62抓拍集蛋传送带3对应区域的图片并发送至核心处理模块8;
S1.3:核心处理模块8使用训练好的蛋目标检测模型判断集蛋传送带3对应区域上是否有蛋;
若有蛋,则在核心处理模块8中为每个养殖层建立一个双向队列,将标签和产蛋检测的时序信息共同保存为第一时序数据,并判断料车64运动方向与集蛋传送带3的传动方向是否一致,若方向一致,则以队头入队的方式将第一时序数据存储至双向队列;若方向不一致,则以队尾入队的方式将第一时序数据存储至双向队列;
若没有蛋,则判断料车64是否到达集蛋传送带3尽头,若到达,则料车64停止运行,执行步骤S2;若未到达,则重复步骤S1.2~S1.3;
S2:蛋品检测:
S2.1:核心处理模块8开启伺服电机4和蛋品检测模块7;
S2.2:当声波传感器72检测到有蛋经过时,核心处理模块8控制蛋品检测摄像头74抓拍蛋的图片并发送至核心处理模块8;
S2.3:核心处理模块8使用训练好的蛋品检测模型检测蛋品质信息;
在核心处理模块8中为每个养殖层创建一个单条队列,将蛋品质信息和蛋品检测的时序信息共同保存为第二时序数据,并以队尾入队的方式存储至单条队列;
S2.4:判断集蛋传送带3是否运行一周,若是则执行步骤S3;否则重复步骤S2.2~S2.3;
S3:核心处理模块8将所有存储的第一时序数据和第二时序数据进行异常检测,判断第一时序数据和第二时序数据长度是否一致,若长度不一致,则进行异常修复后执行步骤S4;若长度一致则执行步骤S4;
S4:核心处理模块8分别将双向队列和单条队列中的数据以队头出队的方式取出,并将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新;
S5:核心处理模块8关闭伺服电机4,开启所有落蛋通道2,重复步骤S1~S4,完成对笼养种蛋鸭个体产蛋性能的巡检测定。
优选地,所述步骤S1.3中的蛋目标检测模型具体为:
所述蛋目标检测模型包括依次连接的Backbone模块、Head模块和输出预测模块;
所述Backbone模块包括依次连接的第一CBL层、第二CBL层、第一FGC层、第三CBL层、第二FGC层、第四CBL层、第三FGC层、第五CBL层和第四FGC层;
所述Head模块包括三个输入和两个输出,包括SPPCSP层、第六CBL层、第七CBL层、第八CBL层、第一上采样层、第一连接层、第五FGC层、第九CBL层、第二上采样层、第二连接层、第六FGC层、第十CBL层、第三连接层、第七FGC层、第十一CBL层和第十二CBL层;
所述第四FGC层的输出与SPPCSP层的输入连接,第三FGC层的输出与第六CBL层连接,第二FGC层的输出与第七CBL层连接;
所述SPPCSP层的输出依次连接第八CBL层、第一上采样层、第一连接层、第五FGC层、第九CBL层、第二上采样层、第二连接层、第六FGC层、第十CBL层、第三连接层、第七FGC层和第十一CBL层,第十一CBL层的输出作为Head模块的一个输出;
所述第六CBL层的输出与第一连接层连接,第七CBL层的输出与第二连接层连接,第五FGC层的输出还与第三连接层连接,第六FGC层的输出还与第十二CBL层连接,第十二CBL层的输出作为Head模块的另一个输出;
所述输出预测模块包括第一目标检测层和第二目标检测层;
所述第一目标检测层与第十二CBL层的输出连接,作为蛋目标检测模型的一个输出,第二目标检测层与第十一CBL层的输出连接,作为蛋目标检测模型的另一个输出。
优选地,所述蛋目标检测模型中,所有的CBL层结构相同,具体结构为:包括依次连接的二维卷积层、批归一化层和激活函数层;
所有的FGC层结构相同,具体结构为:包括两条支路,其中一条支路为第一GhostConv层,另一条支路为依次连接的第二GhostConv层、第三GhostConv层和第四GhostConv层;
所述第一GhostConv层、第二GhostConv层、第三GhostConv层和第四GhostConv层的输出均与第四连接层连接,第四连接层的输出与第五GhostConv层连接,第五GhostConv层的输出作为FGC层的输出;
所述SPPCSP层的具体结构为:包括两条支路,其中一条支路为第十四CBL层;另一条支路为依次连接的第十三CBL层、并列设置的第一、第二、第三SP层和第五连接层;
所述第十三CBL层的输出还与第五连接层连接,第十四CBL层的输出和第五连接层的输出分别与第六连接层连接,第六连接层的输出与第十五CBL层连接,第十五CBL层的输出作为SPPCSP层的输出。
优选地,所述步骤S2.3中的蛋品质信息包括:正常蛋、破碎蛋、血斑蛋和畸形蛋。
优选地,所述步骤S2.3中的蛋品检测模型包括依次连接的第一CRM层、第二CRM层、第一FCC层、第三CRM层、第二FCC层、第四CRM层、第五CRM层、Dropout层、第一线性层、第一激活层和第二线性层;
所有的CRM层结构相同,具体结构为:包括依次连接的第一CR层和最大池化层;
所有的FCC层结构相同,具体结构为:包括两条支路,其中一条支路为第二CR层,另一条支路为依次连接的第三CR层、第四CR层和第五CR层;
所述第二CR层、第三CR层、第四CR层和第五CR层的输出均与第七连接层连接,第七连接层的输出作为FCC层的输出;
所有的CR层结构相同,具体结构为:包括依次连接的卷积层和第二激活层。
优选地,所述步骤S3中异常修复的具体方法为:
计算第一时序数据和第二时序数据中的较短时序数据中的相邻两点时间间隔,获取较短时序数据对应的时间间隔序列;
在较长时序数据中去除一个点后计算相邻两点时间间隔,获取较长时序数据对应的时间间隔序列;
使用DTW算法计算两个时间间隔序列的最小距离,使用哈希表记录该距离以及去除的点,并恢复该点;
在较长时序数据中去除另一个点,重复上述步骤,直到遍历较长时序数据中的所有点;
将哈希表中最大距离对应的点作为使得两个时间间隔序列之间距离最大的点,在较长时序数据中最终剔除该点,完成异常修复;
判断修复后的序列长度是否相等,不相等则重复执行上述步骤,直到两个序列长度相等。
优选地,所述步骤S4中,将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新的具体方法为:
所述融合保存的具体方法为:使用不同的数据结构将融合后的数据存储至预设的关系型数据库中:
每一次巡检时所采用的存储方式为((I,T),(Q)),其中(I,T)表示当前巡检的笼养鸭身份信息与当前时间信息T,(Q)表示记录产蛋品质信息Q;
所述动态更新的具体方法为:巡检完成后动态更新笼养种蛋鸭的产蛋周期记录与每周产蛋记录:
产蛋周期记录存储方式为((I,E),(N,A),(B,L),(F)),其中(I,E)表示笼养鸭身份信息与第E次产蛋周期,(N,A)表示周期内所产蛋的数量N与所产蛋异常的数量A,(B,L)表示周期开始时间B与周期内产蛋记录的最新时间L;(F)表示当前周期状态F,F仅有三个值:[1,2,3],其中,1代表为最新周期记录,2代表为最新完整的周期记录,3代表旧的完整的周期记录;产蛋周期记录的更新方式为获取最新产蛋周期记录,计算当前巡检的时间T与周期最新时间L之差,若小于7天则以当前巡检信息更新产蛋周期记录;若大于7天则另外创建产蛋周期记录,并查找修改上一产蛋周期记录的周期状态F;
每周产蛋记录存储方式为((I,Y,W),(WN,WA)),其中(I,Y,W)表示笼养鸭身份信息I、当前年份Y与第W周,(WN,WA)表示本周内所产蛋的数量WN与所产蛋异常的数量WA;每周产蛋记录的更新方式为计算当前巡检的时间T为第Y年第W周,判断关系型数据库中是否保存有对应鸭子身份信息的第Y年第W周的记录,若有则以当前巡检信息更新每周产蛋记录,若没有则新建一个每周产蛋记录。
本发明还提供一种笼养种蛋鸭个体产蛋性能巡检测定系统,应用上述的笼养种蛋鸭个体产蛋性能巡检测定装置和控制方法,包括并列设置的:
产蛋检测单元:用于产蛋检测;
蛋品检测单元:用于蛋品检测;
时序数据异常处理单元:用于对第一时序数据和第二时序数据进行异常检测和修复;
数据动态更新与存储单元:用于将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新;
系统平台交互单元:包括并列设置的数据查询模块、数据导出模块、数据报表模块、数据预警模块和数据可视化模块;
所述数据查询模块用于查询笼养种蛋鸭个体产蛋数据,按照蛋鸭ID、日期、产蛋数、蛋品质不同的属性分别进行关键字查询;
所述数据导出模块用于将笼养种蛋鸭个体产蛋数据导出到外部系统或文件中,以便进行更深入的分析和应用;在导出时结合数据查询模块进行使用,按照蛋鸭ID、日期、产蛋数、蛋品质不同的属性分别进行关键字查询导出;
所述数据报表模块用于生成整体产蛋性能分析报表、种鸭个体产蛋性能分析报表,帮助用户更直观地了解和分析数据;
所述数据报表模块用于生成整体产蛋性能分析报表:通过设置不同的日期范围来查找产蛋记录生成整体产蛋性能分析报表,包括产蛋数量,每周产蛋量变化趋势,产蛋量分布情况,产蛋量排名,产蛋品质分布数量,每周产蛋品质变化趋势;
所述数据报表模块还用于生成种鸭个体产蛋性能分析报表:通过设置不同的日期范围与种蛋鸭ID来查找产蛋记录生成种鸭个体产蛋分析报表,包括种鸭个体产蛋数量,平均每周产蛋数量,每周产蛋数量变化趋势,种鸭个体产蛋品质分布数量,平均每周产蛋异常数量,每周产蛋品质变化趋势;
所述数据预警模块用于将产蛋异常的种蛋鸭信息进行检测并推送到用户,产蛋异常包括产蛋周期异常、当前周产蛋异常;
产蛋周期异常的判定方法为:从存储中获取(F)为2的鸭子产蛋周期记录((I,E),(N,A),(B,L),(F))的列表,判断鸭子产蛋周期形成持续时间、产蛋异常比例、产蛋数量是否远离所有相同月龄鸭子的产蛋周期持续时间均值、产蛋异常比例均值、产蛋数量均值,远离则为异常;异常预警推送信息包括鸭子身份信息、鸭子产蛋周期形成持续时间、产蛋数量与产蛋异常比例;
当前周产蛋异常的判定方法为:判断鸭子当前周产蛋数量,产蛋异常比例是否远离所有相同月龄鸭子的当前周产蛋数量均值与产蛋异常比例均值,远离则为异常;异常预警推送信息包括鸭子身份信息、鸭子当前周产蛋数量与产蛋异常比例;
所述数据可视化模块用于生成可视化图表,使用户简洁直观的就可以判断种蛋鸭产蛋情况;所述可视化图表包括笼养种蛋鸭个体产蛋数量曲线、笼养种蛋鸭个体产蛋品质异常比例曲线;
笼养种蛋鸭个体产蛋数量曲线:从存储中获取鸭子每周产蛋记录((I,Y,W),(WN,WA))的列表,以Y,W为横轴,WN为竖轴得到每周产蛋数量曲线;
笼养种蛋鸭个体产蛋品质异常比例曲线:从存储中获取鸭子每周产蛋记录((I,Y,W),(WN,WA))的列表,以Y,W为横轴,WA/WN为竖轴得到每周产蛋异常比例曲线。
与现有技术相比,本发明技术方案的有益效果是:
本发明提供一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统,装置包括若干个结构相同的养殖层、核心处理模块和供电模块,每个养殖层均包括:并列设置的若干个养殖笼、若干个落蛋通道、集蛋传送带、伺服电机、若干个标签、产蛋检测模块、蛋品检测模块;每个所述养殖笼设有一个出蛋口,每个落蛋通道的一端对应与一个出蛋口连接,集蛋传送带垂直设置在所有落蛋通道另一端的正下方;所述伺服电机与集蛋传送带电连接,用于带动集蛋传送带单向传动;所述集蛋传送带边缘还设置有若干个标签,每个标签与每个养殖笼一一对应;所述产蛋检测模块沿集蛋传送带往复运动,用于检测标签和标签对应养殖笼中种蛋鸭的产蛋数量;所述蛋品检测模块设置在集蛋传送带的末端,用于检测产蛋质量;所述核心处理模块分别与每个养殖层的所有落蛋通道、伺服电机、产蛋检测模块和蛋品检测模块电连接,用于控制所有落蛋通道、伺服电机和产蛋检测模块的运动,以及存储和处理产蛋检测模块和蛋品检测模块的检测数据;所述供电模块用于为伺服电机、产蛋检测模块、蛋品检测模块和核心处理模块供电;
本发明具有如下有益效果:
本发明所提供的笼养种蛋鸭个体产蛋性能测定方法,实现了笼养种蛋鸭产蛋的检测与笼养种蛋鸭产蛋品质的检测,有助于饲养者了解鸭子的生产效率和健康状况;检测装置在巡检过程中使用标签传感器读取到标签再进行拍照识别,相较于图像标签,标签传感器识别笼位身份效果更加,同时减少了蛋检测算法模型的调用次数,极大提高了检测速度,降低了硬件资源的占用;通过巡检作业中各模块的通讯策略,实现了摄像头、传感器、检测算法的配合,使得整个检测过程以自动化进行,极大降低了用人成本;通过时序控制的巡检作业记录策略,包括使用不同数据结构存储时序数据以及使用标签传感器、摄像头、声波传感器等传感器之间的协调配合,使得整个记录过程可以快速准确的进行;在控制方法中,使用一种改进的蛋目标检测深度学习网络进行产蛋检测,使用一种改进的轻量级蛋品分类深度学习网络进行蛋品检测,能够对笼养种蛋鸭的生产性能参数进行高精度实时监测。
附图说明
图1为实施例1所提供的一种笼养种蛋鸭个体产蛋性能巡检测定装置结构图。
图2为实施例1所提供的蛋品检测模块7内部结构图。
图3为实施例2所提供的一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法流程图。
图4为实施例2所提供的产蛋检测模型结构图。
图5为实施例2所提供的蛋品检测模型结构图。
图6为实施例3所提供的一种笼养种蛋鸭个体产蛋性能巡检测定系统结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本实施例提供一种笼养种蛋鸭个体产蛋性能巡检测定装置,包括若干个结构相同的养殖层、核心处理模块8和供电模块9,每个养殖层均包括:并列设置的若干个养殖笼1、若干个落蛋通道2、集蛋传送带3、伺服电机4、若干个标签5、产蛋检测模块6、蛋品检测模块7;
每个所述养殖笼1设有一个出蛋口,每个落蛋通道2的一端对应与一个出蛋口连接,集蛋传送带3垂直设置在所有落蛋通道2另一端的正下方;
所述伺服电机4与集蛋传送带3电连接,用于带动集蛋传送带3单向传动;
所述集蛋传送带3边缘还设置有若干个标签5,每个标签5与每个养殖笼1一一对应;所述产蛋检测模块6沿集蛋传送带3往复运动,用于检测标签5和标签5对应养殖笼1中种蛋鸭的产蛋数量;
所述蛋品检测模块7设置在集蛋传送带3的末端,用于检测产蛋质量;
所述核心处理模块8分别与每个养殖层的所有落蛋通道2、伺服电机4、产蛋检测模块6和蛋品检测模块7电连接,用于控制所有落蛋通道2、伺服电机4和产蛋检测模块6的运动,以及存储和处理产蛋检测模块6和蛋品检测模块7的检测数据;
所述供电模块9用于为伺服电机4、产蛋检测模块6、蛋品检测模块7和核心处理模块8供电;
所述产蛋检测模块6包括:标签传感器61、蛋检测摄像头62、产蛋检测模块上位机63和料车64;
所述标签传感器61和蛋检测摄像头62设置在料车64上,所述料车64用于带动标签传感器61和蛋检测摄像头62沿集蛋传送带3往复运动;
所述标签传感器61和蛋检测摄像头62分别与产蛋检测模块上位机63电连接;产蛋检测模块上位机63与核心处理模块8无线连接;
所述蛋品检测模块7包括:暗箱外壳71,以及设置于暗箱外壳71内部的声波传感器72、照蛋器73和蛋品检测摄像头74;
所述声波传感器72、照蛋器73和蛋品检测摄像头74分别与核心处理模块8电连接。
在具体实施过程中,供电模块9上电后,首先进行笼养种蛋鸭产蛋信息检测以及第一时序数据生成:
本实施例中,所述标签传感器61具体为RFID传感器,所述标签5为无源RFID超高频标签,超高频标签可以保证RFID阅读器读取标签时,其他标签不会产生干扰;
产蛋检测模块上位机63使用多线程分别控制在不同养殖层的标签传感器61与蛋检测摄像头62,每一个线程单独作业互不干扰;产蛋检测模块6跟随料车64周期性来回巡检,巡检时关闭落蛋通道2与集蛋传送带3;产蛋检测模块6上的标签传感器61读取到笼对应标签5时,产蛋检测模块上位机63开启摄像头进行拍摄,摄像头抓拍图像,将图像、标签信息以及当前时间戳传入核心处理模块8中,核心处理模块8使用蛋目标检测网络对获取的图像进行目标检测,检测到有蛋则将标签信息与时间戳进行融合形成第一时序数据;
之后进行笼养种蛋鸭产蛋品质信息检测与第二时序数据信息生成:
当料车64运行到尽头时,停止料车64运行,继续关闭落蛋通道2,核心处理模块8发送指令开启集蛋传送带3,在暗箱外壳71内,开启照蛋器73;核心处理模块8使用多线程分别控制在不同养殖层的声波传感器72与蛋品检测摄像头74,每一个线程单独作业互不干扰;集蛋传送带3传送蛋进入暗箱外壳71,使用声波传感器72获取蛋是否达到指定位置,若到达则发送指令到核心处理模块8,记录当前时间戳;核心处理模块8再发送指令到蛋品质检测模块7使用蛋品检测摄像头74捕获照片;获取到图片后,传送至核心处理模块8,使用蛋品检测模型对蛋做分类检测,分类出正常蛋和异常蛋,最后将记录的时间戳与产蛋品质信息进行融合形成第二时序数据;
在本实施例中,料车64与伺服电机4均通过RS485或RS232与核心处理模块8进行通信;标签传感器61与蛋检测摄像头62通过USB与产蛋检测模块上位机63进行通信;蛋品检测摄像头62通过RJ45与核心处理模块8进行通信;核心处理模块8与声波传感器72通过GPIO口进行通信;产蛋检测模块上位机63与核心处理模块8通过连接同一局域网WIFI,核心处理模块8创建MQTT服务器,在巡检过程中,产蛋检测模块上位机63为每个线程创建一个独立的MQTT客户端,每个客户端都连接到相同的MQTT服务器,并使用不同的客户端ID和主题进行区分线程传送过来的信息;在每个线程中创建一个消息队列,用于存储线程需要发送的消息;当线程需要发送消息时,将消息添加到相应的信息队列中,然后通过MQTT客户端将消息发布到相应的主题上;
本实施例中的装置数据存储方法为基于时序数据的巡检作业记录策略:
在笼养种蛋鸭产蛋信息检测时,核心处理模块8创建对应笼养层数量的双向队列,每一个养殖层都单独分配一个双向队列,当料车64巡检方向与集蛋传送带3方向一致时,核心处理模块8通过双向队列队头进队的方式记录第一时序数据,否则从队尾进队;在笼养种蛋鸭产蛋品质信息检测时,核心处理模块8创建对应笼养层数量的单条队列,每一个养殖层都单独分配一个队列,核心处理模块8以队列记录第二时序数据;通过异常检测以及处理后,核心处理模块8两个队列中数据依次从队头出队获取第一时序数据与第二时序数据,将第二时序数据中的蛋品信息与第一时序数据进行融合,并存储到对应鸭子身份信息的产蛋记录存储模块中;
重复上述步骤,完成对笼养种蛋鸭个体产蛋性能的巡检测定;
本装置在巡检过程中使用标签传感器读取到标签再进行拍照识别,相较于图像标签,标签传感器识别笼位身份效果更加,同时减少了蛋检测算法模型的调用次数,极大提高了检测速度,降低了硬件资源的占用;其次,通过巡检作业中各模块的通讯策略,实现了摄像头、传感器、检测算法的配合,使得整个检测过程以自动化进行,极大降低了用人成本;通过时序控制的巡检作业记录策略,包括使用不同数据结构存储时序数据以及使用标签传感器、摄像头、声波传感器等传感器之间的协调配合,使得整个记录过程可以快速准确的进行;在核心处理模块中,使用一种改进的蛋目标检测深度学习网络进行产蛋检测,使用一种改进的轻量级蛋品分类深度学习网络进行蛋品检测,能够对笼养种蛋鸭的生产性能参数进行高精度实时监测。
实施例2
如图3所示,本实施例提供一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,基于实施例1中所述的笼养种蛋鸭个体产蛋性能巡检测定装置,包括以下步骤:
S1:产蛋检测:
S1.1:当养殖笼1中的种蛋鸭产蛋后,蛋从出蛋口经落蛋通道2滑落至集蛋传送带3;核心处理模块8关闭所有落蛋通道2和伺服电机4,启动料车64和产蛋检测模块6;
S1.2:料车64开始运行,当标签传感器61读取到养殖笼1的标签5后,产蛋检测模块上位机63控制蛋检测摄像头62抓拍集蛋传送带3对应区域的图片并发送至核心处理模块8;
S1.3:核心处理模块8使用训练好的蛋目标检测模型判断集蛋传送带3对应区域上是否有蛋;
若有蛋,则在核心处理模块8中为每个养殖层建立一个双向队列,将标签和产蛋检测的时序信息共同保存为第一时序数据,并判断料车64运动方向与集蛋传送带3的传动方向是否一致,若方向一致,则以队头入队的方式将第一时序数据存储至双向队列;若方向不一致,则以队尾入队的方式将第一时序数据存储至双向队列;
若没有蛋,则判断料车64是否到达集蛋传送带3尽头,若到达,则料车64停止运行,执行步骤S2;若未到达,则重复步骤S1.2~S1.3;
S2:蛋品检测:
S2.1:核心处理模块8开启伺服电机4和蛋品检测模块7;
S2.2:当声波传感器72检测到有蛋经过时,核心处理模块8控制蛋品检测摄像头74抓拍蛋的图片并发送至核心处理模块8;
S2.3:核心处理模块8使用训练好的蛋品检测模型检测蛋品质信息;
在核心处理模块8中为每个养殖层创建一个单条队列,将蛋品质信息和蛋品检测的时序信息共同保存为第二时序数据,并以队尾入队的方式存储至单条队列;
S2.4:判断集蛋传送带3是否运行一周,若是则执行步骤S3;否则重复步骤S2.2~S2.3;
S3:核心处理模块8将所有存储的第一时序数据和第二时序数据进行异常检测,判断第一时序数据和第二时序数据长度是否一致,若长度不一致,则进行异常修复后执行步骤S4;若长度一致则执行步骤S4;
S4:核心处理模块8分别将双向队列和单条队列中的数据以队头出队的方式取出,并将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新;
S5:核心处理模块8关闭伺服电机4,开启所有落蛋通道2,重复步骤S1~S4,完成对笼养种蛋鸭个体产蛋性能的巡检测定;
如图4所示,所述步骤S1.3中的蛋目标检测模型具体为:
所述蛋目标检测模型包括依次连接的Backbone模块、Head模块和输出预测模块;
所述Backbone模块包括依次连接的第一CBL层、第二CBL层、第一FGC层、第三CBL层、第二FGC层、第四CBL层、第三FGC层、第五CBL层和第四FGC层;
所述Head模块包括三个输入和两个输出,包括SPPCSP层、第六CBL层、第七CBL层、第八CBL层、第一上采样层、第一连接层、第五FGC层、第九CBL层、第二上采样层、第二连接层、第六FGC层、第十CBL层、第三连接层、第七FGC层、第十一CBL层和第十二CBL层;
所述第四FGC层的输出与SPPCSP层的输入连接,第三FGC层的输出与第六CBL层连接,第二FGC层的输出与第七CBL层连接;
所述SPPCSP层的输出依次连接第八CBL层、第一上采样层、第一连接层、第五FGC层、第九CBL层、第二上采样层、第二连接层、第六FGC层、第十CBL层、第三连接层、第七FGC层和第十一CBL层,第十一CBL层的输出作为Head模块的一个输出;
所述第六CBL层的输出与第一连接层连接,第七CBL层的输出与第二连接层连接,第五FGC层的输出还与第三连接层连接,第六FGC层的输出还与第十二CBL层连接,第十二CBL层的输出作为Head模块的另一个输出;
所述输出预测模块包括第一目标检测层和第二目标检测层;
所述第一目标检测层与第十二CBL层的输出连接,作为蛋目标检测模型的一个输出,第二目标检测层与第十一CBL层的输出连接,作为蛋目标检测模型的另一个输出;
所述蛋目标检测模型中,所有的CBL层结构相同,具体结构为:包括依次连接的二维卷积层、批归一化层和激活函数层;
所有的FGC层结构相同,具体结构为:包括两条支路,其中一条支路为第一GhostConv层,另一条支路为依次连接的第二GhostConv层、第三GhostConv层和第四GhostConv层;
所述第一GhostConv层、第二GhostConv层、第三GhostConv层和第四GhostConv层的输出均与第四连接层连接,第四连接层的输出与第五GhostConv层连接,第五GhostConv层的输出作为FGC层的输出;
所述SPPCSP层的具体结构为:包括两条支路,其中一条支路为第十四CBL层;另一条支路为依次连接的第十三CBL层、并列设置的第一、第二、第三SP层和第五连接层;
所述第十三CBL层的输出还与第五连接层连接,第十四CBL层的输出和第五连接层的输出分别与第六连接层连接,第六连接层的输出与第十五CBL层连接,第十五CBL层的输出作为SPPCSP层的输出;
所述步骤S2.3中的蛋品质信息包括:正常蛋、破碎蛋、血斑蛋和畸形蛋;
如图5所示,所述步骤S2.3中的蛋品检测模型包括依次连接的第一CRM层、第二CRM层、第一FCC层、第三CRM层、第二FCC层、第四CRM层、第五CRM层、Dropout层、第一线性层、第一激活层和第二线性层;
所有的CRM层结构相同,具体结构为:包括依次连接的第一CR层和最大池化层;
所有的FCC层结构相同,具体结构为:包括两条支路,其中一条支路为第二CR层,另一条支路为依次连接的第三CR层、第四CR层和第五CR层;
所述第二CR层、第三CR层、第四CR层和第五CR层的输出均与第七连接层连接,第七连接层的输出作为FCC层的输出;
所有的CR层结构相同,具体结构为:包括依次连接的卷积层和第二激活层;
所述步骤S3中异常修复的具体方法为:
计算第一时序数据和第二时序数据中的较短时序数据中的相邻两点时间间隔,获取较短时序数据对应的时间间隔序列;
在较长时序数据中去除一个点后计算相邻两点时间间隔,获取较长时序数据对应的时间间隔序列;
使用DTW算法计算两个时间间隔序列的最小距离,使用哈希表记录该距离以及去除的点,并恢复该点;
在较长时序数据中去除另一个点,重复上述步骤,直到遍历较长时序数据中的所有点;
将哈希表中最大距离对应的点作为使得两个时间间隔序列之间距离最大的点,在较长时序数据中最终剔除该点,完成异常修复;
判断修复后的序列长度是否相等,不相等则重复执行上述步骤,直到两个序列长度相等;
所述步骤S4中,将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新的具体方法为:
所述融合保存的具体方法为:使用不同的数据结构将融合后的数据存储至预设的关系型数据库中:
每一次巡检时所采用的存储方式为((I,T),(Q)),其中(I,T)表示当前巡检的笼养鸭身份信息与当前时间信息T,(Q)表示记录产蛋品质信息Q;
所述动态更新的具体方法为:巡检完成后动态更新笼养种蛋鸭的产蛋周期记录与每周产蛋记录:
产蛋周期记录存储方式为((I,E),(N,A),(B,L),(F)),其中(I,E)表示笼养鸭身份信息与第E次产蛋周期,(N,A)表示周期内所产蛋的数量N与所产蛋异常的数量A,(B,L)表示周期开始时间B与周期内产蛋记录的最新时间L;(F)表示当前周期状态F,F仅有三个值:[1,2,3],其中,1代表为最新周期记录,2代表为最新完整的周期记录,3代表旧的完整的周期记录;产蛋周期记录的更新方式为获取最新产蛋周期记录,计算当前巡检的时间T与周期最新时间L之差,若小于7天则以当前巡检信息更新产蛋周期记录;若大于7天则另外创建产蛋周期记录,并查找修改上一产蛋周期记录的周期状态F;
每周产蛋记录存储方式为((I,Y,W),(WN,WA)),其中(I,Y,W)表示笼养鸭身份信息I、当前年份Y与第W周,(WN,WA)表示本周内所产蛋的数量WN与所产蛋异常的数量WA;每周产蛋记录的更新方式为计算当前巡检的时间T为第Y年第W周,判断关系型数据库中是否保存有对应鸭子身份信息的第Y年第W周的记录,若有则以当前巡检信息更新每周产蛋记录,若没有则新建一个每周产蛋记录。
在具体实施过程中,上电开机后,首先进行产蛋检测,在本实施例中,标签传感器61使用的是RFID传感器,为确保RFID阅读器读取笼标签时,其他笼标签不会产生干扰,在每个养殖笼周围都部署无源RFID超高频标签,同时RFID传感器限制只能读取前方30cm×30cm×30cm正方体区域的标签数据;
设置蛋检测摄像头62俯拍集蛋传送带3,设定蛋检测摄像头62与集蛋传送带3的高度差为30cm,RFID传感器与集蛋传送带3的高度差为20cm;料车5沿着集蛋传送带3周期性来回巡检,设定料车以0.2m/s速度匀速运行;产蛋检测模块上位机63采用树莓派4B;
产蛋检测的具体流程为:
S1.1:当养殖笼1中的种蛋鸭产蛋后,蛋从出蛋口经落蛋通道2滑落至集蛋传送带3;核心处理模块8关闭所有落蛋通道2和伺服电机4,启动料车64和产蛋检测模块6;
S1.2:料车64开始运行,当标签传感器61读取到养殖笼1的标签5后,产蛋检测模块上位机63控制蛋检测摄像头62抓拍集蛋传送带3对应区域的图片并发送至核心处理模块8;
S1.3:核心处理模块8使用训练好的蛋目标检测模型判断集蛋传送带3对应区域上是否有蛋;
若有蛋,则在核心处理模块8中为每个养殖层建立一个双向队列,将标签和产蛋检测的时序信息共同保存为第一时序数据,并判断料车64运动方向与集蛋传送带3的传动方向是否一致,若方向一致,则以队头入队的方式将第一时序数据存储至双向队列;若方向不一致,则以队尾入队的方式将第一时序数据存储至双向队列;
若没有蛋,则判断料车64是否到达集蛋传送带3尽头,若到达,则料车64停止运行,执行步骤S2;若未到达,则重复步骤S1.2~S1.3;
由于巡检过程中实时性非常重要,所以模型的推理速度需要提高,为此本实施例设计了一个产蛋检测模型,具体为改进的YOLO网络egg-YOLO;产蛋检测模型的输入为320×320×3大小的图片,原始YOLOv7有三个检测层,大小分别为40×40×128、20×20×256以及10×10×512;针对蛋数据集的特点,最大的目标检测层对于模型整体性能作用较小,且所产生的参数量较大,所以删除最大的目标检测层,剩下40×40×128、20×20×256两个检测层;在FGC模块中引入GhostConv来替换Conv来减少获取特征信息的操作计算量;
产蛋检测模型的训练过程为:采集传送带上各种类型蛋图片,使用LabelImg标注工具标注数据集,标签均为egg;按照7:2:1的设定比例将数据集划分为训练集、测试集、验证集;训练集、测试集、验证集图片大小均调整为300×300,使用egg-YOLO进行训练,训练轮次为200轮;将每轮训练后以验证集进行验证得到最佳的网络训练权重;以测试集进行判断模型是否具有较好的泛化能力;
之后进行蛋品检测,在本实施例中,集蛋传送带3的运行速度设置为0.2m/s,集蛋传送带3上还安装有黑色衬垫,可以使得蛋在传送过程中不会滚动,照蛋器73为卤素灯;
蛋品检测的具体流程为:
S2.1:核心处理模块8开启伺服电机4和蛋品检测模块7;
S2.2:当声波传感器72检测到有蛋经过时,核心处理模块8控制蛋品检测摄像头74抓拍蛋的图片并发送至核心处理模块8;
S2.3:核心处理模块8使用训练好的蛋品检测模型检测蛋品质信息;
在核心处理模块8中为每个养殖层创建一个单条队列,将蛋品质信息和蛋品检测的时序信息共同保存为第二时序数据,并以队尾入队的方式存储至单条队列;
S2.4:判断集蛋传送带3是否运行一周,若是则执行步骤S3;否则重复步骤S2.2~S2.3;
蛋品质信息包括:正常蛋、破碎蛋、血斑蛋和畸形蛋;
在本实施例中,蛋品检测模型包括依次连接的输入层、特征提取模块和分类模块;
由于蛋的裂纹、血斑等比较小,单纯使用卷积核个数增强网络通道数容易导致特征信息丢失,且可能出现过拟合问题,因此采用残差通道数相加的方法来增加通道数,从而提高网络的感受野,保留更多的细节信息;因此,本实施例中的特征提取模块采用残差通道数相加的方法来增加输入通道数,输入通道数为3(即图像的RGB三通道;
在特征提取模块,经过两次卷积激活下采样后,通道数的变化为3→64→128,特征图的长和宽变为原图的四分之一,此时特征图记为features1;接着将features1进行卷积,通道数不变获得特征图features1.1,再将features1进行卷积,通道数不变获得特征图features1.2,再将features1.2进行卷积,通道数不变获得特征图features1.3,再将features1.3进行卷积,通道数不变获得特征图features1.4,将特征图features1.1,特征图features1.2,特征图features1.3,特征图features1.4进行融合得到特征图features2,此时特征图通道数为512;再将features2经过卷积激活下采样后,通道数的变化为512→256,特征图的长和宽变为原图的八分之一,此时特征图计为features3;接着将features3进行卷积,通道数不变获得特征图features3.1,再将features3进行卷积,通道数不变获得特征图features3.2,再将features3.2进行卷积,通道数不变获得特征图features3.3,再将features3.3进行卷积,通道数不变获得特征图features3.4,将特征图features3.1,特征图features3.2,特征图features3.3,特征图features3.4进行融合得到特征图features4,此时特征图通道数为1024;再将features4经过两次卷积激活下采样后,通道数的变化为1024→512→512,特征图的长和宽变为原图的三十二分之一,此时特征图记为features5;
分类模型首先将features5铺平,再经过Dropout层防止过拟合,再经过全连接层,激活函数,全连接层得到输出长度为4的一维矩阵,分别代表网络识别为正常蛋,破碎蛋、血斑蛋、畸形蛋的概率;
本实施例中训练蛋品检测模型的方法为:通过蛋品检测摄像头74先采集2000张以上的蛋图片,构建训练网络的数据集,通过人工标注后,将蛋分为正常蛋、血斑蛋、破碎蛋、畸形蛋;最后将数据集以7:2:1的方式分为训练集、测试集以及验证集,通过蛋品检测模型的损失函数所计算的误差进行反向传播,更新网络参数;
之后进行异常检测和修复,具体方法为:
将存储第一时序数据的队列Q1与存储第二时序数据的队列Q2转为序列记为B1,B2(队头对应最小索引,队尾对应最大索引,当B1与B2长度不匹配时,认为发生异常,具体的异常判断与处理流程如下:
S3.1:计算料车64与集蛋传送带3速度比例记为R1;
S3.2:判断B1与B2长度是否相等;若相等则判定B1与B2匹配,执行S3.16;
若不相等设置索引Index=0,创建一个哈希表记为H,继续执行;
S3.3:复制B1与B2并转为列表记为C1,C2;
S3.4:判断C1与C2是否均大于2,是则继续执行;否则清空B1,B1全部数据,执行S3.16;
S3.5:剔除C1与C2中长度较长且索引为index的时序数据;
S3.6:分别计算C1与C2相邻点的时间间隔之差的绝对值形成间隔序列I1,I2;
S3.7:将I2中每个值都乘以R1得到新的I2;
S3.8:获取间隔序列I1,I2的长度记为n,m;
S3.9:初始化一个二维矩阵DTW,大小为n*m;
S3.10:根据DTW算法的思想,计算两个序列之间的距离矩阵;具体来说,距离矩阵DTW[i][j]表示序列I1中前i个元素和序列I2中前j个元素之间的最小距离;在计算距离矩阵时,使用两点之差的绝对值来衡量距离;这个过程使用动态规划的方式进行实现;
S3.11:在计算距离矩阵后,可以找到一条最优路径,计算两个序列之间的最小距离;
S3.12:使用哈希表H存储Index与两个序列之间的最小距离;
S3.13:index+1,判断Index是否大于B1或B2中最大索引;是则继续执行,否则执行S3.3;
S3.14:查找哈希H中的最大数,获取其对应的索引,记为MaxIndex;
S3.15:剔除B1与B2中长度较长且索引为MaxIndex的时序数据,执行S3.2;
S3.16:将B1,B2转为队列记为异常检测和修复后的第一时序数据Q1’,第二时序数据Q2’(最小索引对应队头,最大索引对应队尾);
最后核心处理模块8分别将双向队列和单条队列中的数据以队头出队的方式取出,并将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新,具体方法为:
所述融合保存的具体方法为:使用不同的数据结构将融合后的数据存储至预设的关系型数据库中:
每一次巡检时所采用的存储方式为((I,T),(Q)),其中(I,T)表示当前巡检的笼养鸭身份信息与当前时间信息T,(Q)表示记录产蛋品质信息Q;
所述动态更新的具体方法为:巡检完成后动态更新笼养种蛋鸭的产蛋周期记录与每周产蛋记录:
产蛋周期记录存储方式为((I,E),(N,A),(B,L),(F)),其中(I,E)表示笼养鸭身份信息与第E次产蛋周期,(N,A)表示周期内所产蛋的数量N与所产蛋异常的数量A,(B,L)表示周期开始时间B与周期内产蛋记录的最新时间L;(F)表示当前周期状态F,F仅有三个值:[1,2,3],其中,1代表为最新周期记录,2代表为最新完整的周期记录,3代表旧的完整的周期记录;产蛋周期记录的更新方式为获取最新产蛋周期记录,计算当前巡检的时间T与周期最新时间L之差,若小于7天则以当前巡检信息更新产蛋周期记录;若大于7天则另外创建产蛋周期记录,并查找修改上一产蛋周期记录的周期状态F;
每周产蛋记录存储方式为((I,Y,W),(WN,WA)),其中(I,Y,W)表示笼养鸭身份信息I、当前年份Y与第W周,(WN,WA)表示本周内所产蛋的数量WN与所产蛋异常的数量WA;每周产蛋记录的更新方式为计算当前巡检的时间T为第Y年第W周,判断关系型数据库中是否保存有对应鸭子身份信息的第Y年第W周的记录,若有则以当前巡检信息更新每周产蛋记录,若没有则新建一个每周产蛋记录;
重复上述步骤,完成对笼养种蛋鸭个体产蛋性能的巡检测定;
本方法在巡检过程中使用标签传感器读取到标签再进行拍照识别,相较于图像标签,标签传感器识别笼位身份效果更加,同时减少了蛋检测算法模型的调用次数,极大提高了检测速度,降低了硬件资源的占用;其次,通过巡检作业中各模块的通讯策略,实现了摄像头、传感器、检测算法的配合,使得整个检测过程以自动化进行,极大降低了用人成本;通过时序控制的巡检作业记录策略,包括使用不同数据结构存储时序数据以及使用标签传感器、摄像头、声波传感器等传感器之间的协调配合,使得整个记录过程可以快速准确的进行;在核心处理模块中,使用一种改进的蛋目标检测深度学习网络进行产蛋检测,使用一种改进的轻量级蛋品分类深度学习网络进行蛋品检测,能够对笼养种蛋鸭的生产性能参数进行高精度实时监测。
实施例3
如图6所示,本实施例提供一种笼养种蛋鸭个体产蛋性能巡检测定系统,应用实施例1中所述的笼养种蛋鸭个体产蛋性能巡检测定装置和实施例2中所述的控制方法,包括并列设置的:
产蛋检测单元:用于产蛋检测;
蛋品检测单元:用于蛋品检测;
时序数据异常处理单元:用于对第一时序数据和第二时序数据进行异常检测和修复;
数据动态更新与存储单元:用于将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新;
系统平台交互单元:包括并列设置的数据查询模块、数据导出模块、数据报表模块、数据预警模块和数据可视化模块。
在具体实施过程中,本实施例中的系统包括并列设置的:
产蛋检测单元:用于产蛋检测;
蛋品检测单元:用于蛋品检测;
时序数据异常处理单元:用于对第一时序数据和第二时序数据进行异常检测和修复;
数据动态更新与存储单元:用于将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新;
为了让用户更好了解笼养种蛋鸭产蛋情况,系统平台交互单元提供包括数据查询模块、数据导出模块、数据报表模块、数据预警模块以及数据可视化模块;其中前端使用Vue框架与ECharts实现,后端使用SpringBoot框架与MyBatis框架实现;
所述数据查询模块用于查询笼养种蛋鸭个体产蛋数据,按照蛋鸭ID、日期、产蛋数、蛋品质不同的属性分别进行关键字查询;
所述数据导出模块用于将笼养种蛋鸭个体产蛋数据导出到外部系统或文件中,以便进行更深入的分析和应用;在导出时结合数据查询模块进行使用,按照蛋鸭ID、日期、产蛋数、蛋品质不同的属性分别进行关键字查询导出;
所述数据报表模块用于生成整体产蛋性能分析报表、种鸭个体产蛋性能分析报表,帮助用户更直观地了解和分析数据;
所述数据报表模块用于生成整体产蛋性能分析报表:通过设置不同的日期范围来查找产蛋记录生成整体产蛋性能分析报表,包括产蛋数量,每周产蛋量变化趋势,产蛋量分布情况,产蛋量排名,产蛋品质分布数量,每周产蛋品质变化趋势;
所述数据报表模块还用于生成种鸭个体产蛋性能分析报表:通过设置不同的日期范围与种蛋鸭ID来查找产蛋记录生成种鸭个体产蛋分析报表,包括种鸭个体产蛋数量,平均每周产蛋数量,每周产蛋数量变化趋势,种鸭个体产蛋品质分布数量,平均每周产蛋异常数量,每周产蛋品质变化趋势;
所述数据预警模块用于将产蛋异常的种蛋鸭信息进行检测并推送到用户,产蛋异常包括产蛋周期异常、当前周产蛋异常;
产蛋周期异常的判定方法为:从存储中获取(F)为2的鸭子产蛋周期记录((I,E),(N,A),(B,L),(F))的列表,判断鸭子产蛋周期形成持续时间、产蛋异常比例、产蛋数量是否远离所有相同月龄鸭子的产蛋周期持续时间均值、产蛋异常比例均值、产蛋数量均值,远离则为异常;异常预警推送信息包括鸭子身份信息、鸭子产蛋周期形成持续时间、产蛋数量与产蛋异常比例;
当前周产蛋异常的判定方法为:判断鸭子当前周产蛋数量,产蛋异常比例是否远离所有相同月龄鸭子的当前周产蛋数量均值与产蛋异常比例均值,远离则为异常;异常预警推送信息包括鸭子身份信息、鸭子当前周产蛋数量与产蛋异常比例;
所述数据可视化模块用于生成可视化图表,使用户简洁直观的就可以判断种蛋鸭产蛋情况;所述可视化图表包括笼养种蛋鸭个体产蛋数量曲线、笼养种蛋鸭个体产蛋品质异常比例曲线;
笼养种蛋鸭个体产蛋数量曲线:从存储中获取鸭子每周产蛋记录((I,Y,W),(WN,WA))的列表,以Y,W为横轴,WN为竖轴得到每周产蛋数量曲线;
笼养种蛋鸭个体产蛋品质异常比例曲线:从存储中获取鸭子每周产蛋记录((I,Y,W),(WN,WA))的列表,以Y,W为横轴,WA/WN为竖轴得到每周产蛋异常比例曲线;
本实施例提供的管理系统和交互平台能够让用户更加方便地实现对笼养种蛋鸭的生产性能参数进行高精度实时监测,具有很强的实用价值。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种笼养种蛋鸭个体产蛋性能巡检测定装置,包括若干个结构相同的养殖层、核心处理模块(8)和供电模块(9),其特征在于,每个养殖层均包括:并列设置的若干个养殖笼(1)、若干个落蛋通道(2)、集蛋传送带(3)、伺服电机(4)、若干个标签(5)、产蛋检测模块(6)、蛋品检测模块(7);
每个所述养殖笼(1)设有一个出蛋口,每个落蛋通道(2)的一端对应与一个出蛋口连接,集蛋传送带(3)垂直设置在所有落蛋通道(2)另一端的正下方;
所述伺服电机(4)与集蛋传送带(3)电连接,用于带动集蛋传送带(3)单向传动;
所述集蛋传送带(3)边缘还设置有若干个标签(5),每个标签(5)与每个养殖笼(1)一一对应;所述产蛋检测模块(6)沿集蛋传送带(3)往复运动,用于检测标签(5)和标签(5)对应养殖笼(1)中种蛋鸭的产蛋数量;
所述蛋品检测模块(7)设置在集蛋传送带(3)的末端,用于检测产蛋质量;
所述核心处理模块(8)分别与每个养殖层的所有落蛋通道(2)、伺服电机(4)、产蛋检测模块(6)和蛋品检测模块(7)电连接,用于控制所有落蛋通道(2)、伺服电机(4)和产蛋检测模块(6)的运动,以及存储和处理产蛋检测模块(6)和蛋品检测模块(7)的检测数据;
所述供电模块(9)用于为伺服电机(4)、产蛋检测模块(6)、蛋品检测模块(7)和核心处理模块(8)供电。
2.根据权利要求1所述的一种笼养种蛋鸭个体产蛋性能巡检测定装置,其特征在于,所述产蛋检测模块(6)包括:标签传感器(61)、蛋检测摄像头(62)、产蛋检测模块上位机(63)和料车(64);
所述标签传感器(61)和蛋检测摄像头(62)设置在料车(64)上,所述料车(64)用于带动标签传感器(61)和蛋检测摄像头(62)沿集蛋传送带(3)往复运动;
所述标签传感器(61)和蛋检测摄像头(62)分别与产蛋检测模块上位机(63)电连接;产蛋检测模块上位机(63)与核心处理模块(8)无线连接。
3.根据权利要求2所述的一种笼养种蛋鸭个体产蛋性能巡检测定装置,其特征在于,所述蛋品检测模块(7)包括:暗箱外壳(71),以及设置于暗箱外壳(71)内部的声波传感器(72)、照蛋器(73)和蛋品检测摄像头(74);
所述声波传感器(72)、照蛋器(73)和蛋品检测摄像头(74)分别与核心处理模块(8)电连接。
4.一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,基于权利要求1~3中任意一项所述的笼养种蛋鸭个体产蛋性能巡检测定装置,其特征在于,包括以下步骤:
S1:产蛋检测:
S1.1:当养殖笼(1)中的种蛋鸭产蛋后,蛋从出蛋口经落蛋通道(2)滑落至集蛋传送带(3);核心处理模块(8)关闭所有落蛋通道(2)和伺服电机(4),启动料车(64)和产蛋检测模块(6);
S1.2:料车(64)开始运行,当标签传感器(61)读取到养殖笼(1)的标签(5)后,产蛋检测模块上位机(63)控制蛋检测摄像头(62)抓拍集蛋传送带(3)对应区域的图片并发送至核心处理模块(8);
S1.3:核心处理模块(8)使用训练好的蛋目标检测模型判断集蛋传送带(3)对应区域上是否有蛋;
若有蛋,则在核心处理模块(8)中为每个养殖层建立一个双向队列,将标签和产蛋检测的时序信息共同保存为第一时序数据,并判断料车(64)运动方向与集蛋传送带(3)的传动方向是否一致,若方向一致,则以队头入队的方式将第一时序数据存储至双向队列;若方向不一致,则以队尾入队的方式将第一时序数据存储至双向队列;
若没有蛋,则判断料车(64)是否到达集蛋传送带(3)尽头,若到达,则料车(64)停止运行,执行步骤S2;若未到达,则重复步骤S1.2~S1.3;
S2:蛋品检测:
S2.1:核心处理模块(8)开启伺服电机(4)和蛋品检测模块(7);
S2.2:当声波传感器(72)检测到有蛋经过时,核心处理模块(8)控制蛋品检测摄像头(74)抓拍蛋的图片并发送至核心处理模块(8);
S2.3:核心处理模块(8)使用训练好的蛋品检测模型检测蛋品质信息;
在核心处理模块(8)中为每个养殖层创建一个单条队列,将蛋品质信息和蛋品检测的时序信息共同保存为第二时序数据,并以队尾入队的方式存储至单条队列;
S2.4:判断集蛋传送带(3)是否运行一周,若是则执行步骤S3;否则重复步骤S2.2~S2.3;
S3:核心处理模块(8)将所有存储的第一时序数据和第二时序数据进行异常检测,判断第一时序数据和第二时序数据长度是否一致,若长度不一致,则进行异常修复后执行步骤S4;若长度一致则执行步骤S4;
S4:核心处理模块(8)分别将双向队列和单条队列中的数据以队头出队的方式取出,并将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新;
S5:核心处理模块(8)关闭伺服电机(4),开启所有落蛋通道(2),重复步骤S1~S4,完成对笼养种蛋鸭个体产蛋性能的巡检测定。
5.根据权利要求4所述的一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,其特征在于,所述步骤S1.3中的蛋目标检测模型具体为:
所述蛋目标检测模型包括依次连接的Backbone模块、Head模块和输出预测模块;
所述Backbone模块包括依次连接的第一CBL层、第二CBL层、第一FGC层、第三CBL层、第二FGC层、第四CBL层、第三FGC层、第五CBL层和第四FGC层;
所述Head模块包括三个输入和两个输出,包括SPPCSP层、第六CBL层、第七CBL层、第八CBL层、第一上采样层、第一连接层、第五FGC层、第九CBL层、第二上采样层、第二连接层、第六FGC层、第十CBL层、第三连接层、第七FGC层、第十一CBL层和第十二CBL层;
所述第四FGC层的输出与SPPCSP层的输入连接,第三FGC层的输出与第六CBL层连接,第二FGC层的输出与第七CBL层连接;
所述SPPCSP层的输出依次连接第八CBL层、第一上采样层、第一连接层、第五FGC层、第九CBL层、第二上采样层、第二连接层、第六FGC层、第十CBL层、第三连接层、第七FGC层和第十一CBL层,第十一CBL层的输出作为Head模块的一个输出;
所述第六CBL层的输出与第一连接层连接,第七CBL层的输出与第二连接层连接,第五FGC层的输出还与第三连接层连接,第六FGC层的输出还与第十二CBL层连接,第十二CBL层的输出作为Head模块的另一个输出;
所述输出预测模块包括第一目标检测层和第二目标检测层;
所述第一目标检测层与第十二CBL层的输出连接,作为蛋目标检测模型的一个输出,第二目标检测层与第十一CBL层的输出连接,作为蛋目标检测模型的另一个输出。
6.根据权利要求5所述的一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,其特征在于,所述蛋目标检测模型中,所有的CBL层结构相同,具体结构为:包括依次连接的二维卷积层、批归一化层和激活函数层;
所有的FGC层结构相同,具体结构为:包括两条支路,其中一条支路为第一GhostConv层,另一条支路为依次连接的第二GhostConv层、第三GhostConv层和第四GhostConv层;
所述第一GhostConv层、第二GhostConv层、第三GhostConv层和第四GhostConv层的输出均与第四连接层连接,第四连接层的输出与第五GhostConv层连接,第五GhostConv层的输出作为FGC层的输出;
所述SPPCSP层的具体结构为:包括两条支路,其中一条支路为第十四CBL层;另一条支路为依次连接的第十三CBL层、并列设置的第一、第二、第三SP层和第五连接层;
所述第十三CBL层的输出还与第五连接层连接,第十四CBL层的输出和第五连接层的输出分别与第六连接层连接,第六连接层的输出与第十五CBL层连接,第十五CBL层的输出作为SPPCSP层的输出。
7.根据权利要求6所述的一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,其特征在于,所述步骤S2.3中的蛋品质信息包括:正常蛋、破碎蛋、血斑蛋和畸形蛋;
所述步骤S2.3中的蛋品检测模型包括依次连接的第一CRM层、第二CRM层、第一FCC层、第三CRM层、第二FCC层、第四CRM层、第五CRM层、Dropout层、第一线性层、第一激活层和第二线性层;
所有的CRM层结构相同,具体结构为:包括依次连接的第一CR层和最大池化层;
所有的FCC层结构相同,具体结构为:包括两条支路,其中一条支路为第二CR层,另一条支路为依次连接的第三CR层、第四CR层和第五CR层;
所述第二CR层、第三CR层、第四CR层和第五CR层的输出均与第七连接层连接,第七连接层的输出作为FCC层的输出;
所有的CR层结构相同,具体结构为:包括依次连接的卷积层和第二激活层。
8.根据权利要求7所述的一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,其特征在于,所述步骤S3中异常修复的具体方法为:
计算第一时序数据和第二时序数据中的较短时序数据中的相邻两点时间间隔,获取较短时序数据对应的时间间隔序列;
在较长时序数据中去除一个点后计算相邻两点时间间隔,获取较长时序数据对应的时间间隔序列;
使用DTW算法计算两个时间间隔序列的最小距离,使用哈希表记录该距离以及去除的点,并恢复该点;
在较长时序数据中去除另一个点,重复上述步骤,直到遍历较长时序数据中的所有点;
将哈希表中最大距离对应的点作为使得两个时间间隔序列之间距离最大的点,在较长时序数据中最终剔除该点,完成异常修复;
判断修复后的序列长度是否相等,不相等则重复执行上述步骤,直到两个序列长度相等。
9.根据权利要求8所述的一种笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,其特征在于,所述步骤S4中,将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新的具体方法为:
所述融合保存的具体方法为:使用不同的数据结构将融合后的数据存储至预设的关系型数据库中:
每一次巡检时所采用的存储方式为((I,T),(Q)),其中(I,T)表示当前巡检的笼养鸭身份信息与当前时间信息T,(Q)表示记录产蛋品质信息Q;
所述动态更新的具体方法为:巡检完成后动态更新笼养种蛋鸭的产蛋周期记录与每周产蛋记录:
产蛋周期记录存储方式为((I,E),(N,A),(B,L),(F)),其中(I,E)表示笼养鸭身份信息与第E次产蛋周期,(N,A)表示周期内所产蛋的数量N与所产蛋异常的数量A,(B,L)表示周期开始时间B与周期内产蛋记录的最新时间L;(F)表示当前周期状态F,F仅有三个值:[1,2,3],其中,1代表为最新周期记录,2代表为最新完整的周期记录,3代表旧的完整的周期记录;产蛋周期记录的更新方式为获取最新产蛋周期记录,计算当前巡检的时间T与周期最新时间L之差,若小于7天则以当前巡检信息更新产蛋周期记录;若大于7天则另外创建产蛋周期记录,并查找修改上一产蛋周期记录的周期状态F;
每周产蛋记录存储方式为((I,Y,W),(WN,WA)),其中(I,Y,W)表示笼养鸭身份信息I、当前年份Y与第W周,(WN,WA)表示本周内所产蛋的数量WN与所产蛋异常的数量WA;每周产蛋记录的更新方式为计算当前巡检的时间T为第Y年第W周,判断关系型数据库中是否保存有对应鸭子身份信息的第Y年第W周的记录,若有则以当前巡检信息更新每周产蛋记录,若没有则新建一个每周产蛋记录。
10.一种笼养种蛋鸭个体产蛋性能巡检测定系统,应用权利要求1~3任一项中所述的笼养种蛋鸭个体产蛋性能巡检测定装置,以及权利要求4~9任一项中所述的笼养种蛋鸭个体产蛋性能巡检测定装置控制方法,其特征在于,包括并列设置的:
产蛋检测单元:用于产蛋检测;
蛋品检测单元:用于蛋品检测;
时序数据异常处理单元:用于对第一时序数据和第二时序数据进行异常检测和修复;
数据动态更新与存储单元:用于将异常检测后的每条第一时序数据与第二时序数据进行融合保存并动态更新;
系统平台交互单元:包括并列设置的数据查询模块、数据导出模块、数据报表模块、数据预警模块和数据可视化模块;
所述数据查询模块用于查询笼养种蛋鸭个体产蛋数据,按照蛋鸭ID、日期、产蛋数、蛋品质不同的属性分别进行关键字查询;
所述数据导出模块用于将笼养种蛋鸭个体产蛋数据导出到外部系统或文件中,以便进行更深入的分析和应用;在导出时结合数据查询模块进行使用,按照蛋鸭ID、日期、产蛋数、蛋品质不同的属性分别进行关键字查询导出;
所述数据报表模块用于生成整体产蛋性能分析报表、种鸭个体产蛋性能分析报表,帮助用户更直观地了解和分析数据;
所述数据报表模块用于生成整体产蛋性能分析报表:通过设置不同的日期范围来查找产蛋记录生成整体产蛋性能分析报表,包括产蛋数量,每周产蛋量变化趋势,产蛋量分布情况,产蛋量排名,产蛋品质分布数量,每周产蛋品质变化趋势;
所述数据报表模块还用于生成种鸭个体产蛋性能分析报表:通过设置不同的日期范围与种蛋鸭ID来查找产蛋记录生成种鸭个体产蛋分析报表,包括种鸭个体产蛋数量,平均每周产蛋数量,每周产蛋数量变化趋势,种鸭个体产蛋品质分布数量,平均每周产蛋异常数量,每周产蛋品质变化趋势;
所述数据预警模块用于将产蛋异常的种蛋鸭信息进行检测并推送到用户,产蛋异常包括产蛋周期异常、当前周产蛋异常;
产蛋周期异常的判定方法为:从存储中获取(F)为2的鸭子产蛋周期记录((I,E),(N,A),(B,L),(F))的列表,判断鸭子产蛋周期形成持续时间、产蛋异常比例、产蛋数量是否远离所有相同月龄鸭子的产蛋周期持续时间均值、产蛋异常比例均值、产蛋数量均值,远离则为异常;异常预警推送信息包括鸭子身份信息、鸭子产蛋周期形成持续时间、产蛋数量与产蛋异常比例;
当前周产蛋异常的判定方法为:判断鸭子当前周产蛋数量,产蛋异常比例是否远离所有相同月龄鸭子的当前周产蛋数量均值与产蛋异常比例均值,远离则为异常;异常预警推送信息包括鸭子身份信息、鸭子当前周产蛋数量与产蛋异常比例;
所述数据可视化模块用于生成可视化图表,使用户简洁直观的就可以判断种蛋鸭产蛋情况;所述可视化图表包括笼养种蛋鸭个体产蛋数量曲线、笼养种蛋鸭个体产蛋品质异常比例曲线;
笼养种蛋鸭个体产蛋数量曲线:从存储中获取鸭子每周产蛋记录((I,Y,W),(WN,WA))的列表,以Y,W为横轴,WN为竖轴得到每周产蛋数量曲线;
笼养种蛋鸭个体产蛋品质异常比例曲线:从存储中获取鸭子每周产蛋记录((I,Y,W),(WN,WA))的列表,以Y,W为横轴,WA/WN为竖轴得到每周产蛋异常比例曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812025.0A CN116530438B (zh) | 2023-07-04 | 2023-07-04 | 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310812025.0A CN116530438B (zh) | 2023-07-04 | 2023-07-04 | 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116530438A true CN116530438A (zh) | 2023-08-04 |
CN116530438B CN116530438B (zh) | 2023-10-13 |
Family
ID=87450985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310812025.0A Active CN116530438B (zh) | 2023-07-04 | 2023-07-04 | 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116530438B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101687787B1 (ko) * | 2015-12-04 | 2016-12-20 | 주식회사 하농 | 과산계 선별 시스템 |
CN111134047A (zh) * | 2020-01-19 | 2020-05-12 | 浙江大学 | 笼养蛋鸡的蛋鸡区位产蛋性能监测方法与系统 |
CN113554644A (zh) * | 2021-08-17 | 2021-10-26 | 湖南金烽信息科技有限公司 | 一种基于卷积神经网络的农产品身份识别及数量盘点系统 |
CN114532253A (zh) * | 2022-04-26 | 2022-05-27 | 华南农业大学 | 一种种蛋活性自动智能检测装置 |
CN114663769A (zh) * | 2022-04-07 | 2022-06-24 | 杭州电子科技大学 | 一种基于YOLO v5的水果识别方法 |
CN115812634A (zh) * | 2023-02-20 | 2023-03-21 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
-
2023
- 2023-07-04 CN CN202310812025.0A patent/CN116530438B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101687787B1 (ko) * | 2015-12-04 | 2016-12-20 | 주식회사 하농 | 과산계 선별 시스템 |
CN111134047A (zh) * | 2020-01-19 | 2020-05-12 | 浙江大学 | 笼养蛋鸡的蛋鸡区位产蛋性能监测方法与系统 |
CN113554644A (zh) * | 2021-08-17 | 2021-10-26 | 湖南金烽信息科技有限公司 | 一种基于卷积神经网络的农产品身份识别及数量盘点系统 |
CN114663769A (zh) * | 2022-04-07 | 2022-06-24 | 杭州电子科技大学 | 一种基于YOLO v5的水果识别方法 |
CN114532253A (zh) * | 2022-04-26 | 2022-05-27 | 华南农业大学 | 一种种蛋活性自动智能检测装置 |
CN115812634A (zh) * | 2023-02-20 | 2023-03-21 | 华南农业大学 | 一种孵前种蛋受精信息无损分拣方法及装置 |
Non-Patent Citations (1)
Title |
---|
杨秋妹等: "基于改进 YOLO v5n 的猪只盘点算法", 农业机械学报, vol. 54, no. 1, pages 251 - 262 * |
Also Published As
Publication number | Publication date |
---|---|
CN116530438B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109389161B (zh) | 基于深度学习的垃圾识别进化学习方法、装置、系统及介质 | |
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
CN110728259B (zh) | 一种基于深度图像的鸡群体重监测系统 | |
CN111709333B (zh) | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 | |
CN111294565A (zh) | 一种智能化养猪监测方法和管理端 | |
CN107832780A (zh) | 基于人工智能木板分选低置信度样本处理方法及系统 | |
CN111696139B (zh) | 基于rgb图像的白羽种鸡群体体重估测系统和方法 | |
CN114255357A (zh) | 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 | |
KR102506029B1 (ko) | 영상 기반 가축 개체 성장 추이 모니터링 장치 및 방법 | |
CN108829762A (zh) | 基于视觉的小目标识别方法和装置 | |
CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN116295022A (zh) | 一种基于深度学习多参数融合的猪只体尺测量方法 | |
CN110032654A (zh) | 一种基于人工智能的超市商品录入方法及系统 | |
CN113569971B (zh) | 一种基于图像识别的渔获目标分类检测方法及系统 | |
CN115797811A (zh) | 一种基于视觉的农产品检测方法及系统 | |
CN116019023A (zh) | 一种电子信息管理系统及管理方法 | |
CN110414298A (zh) | 一种猴脸多属性联合识别方法 | |
CN111444358A (zh) | 一种用于智能仓储管理的方法 | |
CN116530438B (zh) | 一种笼养种蛋鸭个体产蛋性能巡检测定装置、方法和系统 | |
CN111652084B (zh) | 一种异常蛋鸡识别方法及装置 | |
CN112434851A (zh) | 一种基于大数据用于蛋禽的销售管理系统 | |
CN113989538A (zh) | 基于深度图像的鸡群均匀度估测方法、装置、系统及介质 | |
CN111507432A (zh) | 农险理赔智能称重方法、系统、电子设备和存储介质 | |
CN115272943B (zh) | 一种基于数据处理的畜牧家禽进食异常识别方法 | |
CN117745036A (zh) | 一种基于特征识别及近场通信的牲畜信息管理方法及系统 |
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 |