发明内容
为克服现有技术的缺陷,本发明提供了一种基于数据深度融合处理的牲畜养殖方案优化方法,通过对养殖场内影像解析出的牲畜位置、姿态等数据并采用关系神经网络对数据进行深度融合,以低成本实现牲畜养殖方案的定向优化。
相应的,本发明提供了一种基于数据深度融合处理的牲畜养殖方案优化方法,以优化目标参数为目的,通过已有数据得到牲畜养殖优化方案,包括:
S101、统计时间跨度内第牲畜的单元数据集并
汇总形成对应的数据矩阵,,为养殖场内的牲畜最大数量,,为预设正整数,表示时刻第牲畜在养殖场内的位置,
表示时刻第牲畜的姿态类型;
S102、重复执行步骤S101直至所述数据矩阵的数量达到预设值,份数据矩阵
中的每一份数据矩阵根据排序分别命名为第数据矩阵,,为大于2的
正整数;
S103、选择目标参数并根据实际数据得到每一份数据矩阵所对应的目标参数的实
际值;
S104、以第数据矩阵作为关系神经网络的输入,并以对应的实际值作为输
出对关系神经网络进行训练;
S105、在所述份数据矩阵中随机选取一份数据矩阵作为参考数据矩阵;
S106、在除了所述参考数据矩阵外的其余数据矩阵中,随机选取一份数据矩阵并在选取的数据矩阵中,随机选择一组单元数据集作为替换数据集;
S107、以所述替换数据集替换掉所述参考数据矩阵中的部分单元数据集,得到虚构数据集;
S108、将所述虚构数据集输入至所述关系神经网络中,得到模拟结果;
S109、比较模拟结果和所述参考数据矩阵对应的实际值的大小关系,得到比
较结果;
S110、根据目标参数的需求判断比较结果是否满足目标需求,在所述比较结果不满足目标需求时,重复执行步骤S105至步骤S109直至所述比较结果满足目标需求;
S111、以最新得到的替换数据集为指引,通过对应的整体影像分析所述替换数据
集所对应的牲畜在时间跨度内的所有行为,得到行为表;
S112、以所述行为表为指引导出牲畜养殖优化方案。
可选的实施方式,步骤S101包括:
整体影像获取,获取在时间跨度内的关于养殖场内的牲畜可行动区域的整
体影像;
整体影像拆分,将所述整体影像拆分为幅静态图像,所述幅静态图像包括第静态图像,第静态图像具有对应的图像记录时间,;
从所述幅静态图像中统计时间跨度内第牲畜的单元数据集并汇总形成对应的数据矩阵。
可选的实施方式,所述从所述幅静态图像中统计时间跨度内第牲畜的
单元数据集并汇总形成对应的数据矩阵包括:
目标牲畜选取,在第静态图像中选取第牲畜作为目标牲畜,,为养殖场内的牲畜最大数量;
目标牲畜跟踪,基于视觉目标跟踪技术确认目标牲畜在第静态图像中的所在位
置;
目标牲畜局部图像提取,根据目标牲畜在第静态图像中的所在位置,提取目
标牲畜的局部图像;
局部图像主体剥离,在所述局部图像中剥离出目标牲畜的主体图像;
主体图像骨架信息提取,基于牲畜的类型在所述主体图像中提取出骨架模型;
骨架信息归类,将骨架模型与预设的姿态类型数据库中
的姿态类型依序进行匹配并得到匹配结果,其中,,;
数据整理,定义单元数据的格式为,并以参数对所有所述
单元数据归类为个单元数据集,参数相同的单元数据归类至同一单元数据集中,汇总
所述单元数据集并生成对应的数据矩阵。
可选的实施方式,所述整体影像获取包括:
接收养殖场内的摄像头群获取的多条影像信息,所述摄像头群包括若干个摄像
头,每一个摄像头分别获取同一时间跨度内的影像信息,所述若干个摄像头的拍摄区
域的集合覆盖所述养殖场的牲畜可行动区域,且所述若干个摄像头中的任意两个摄像头的
拍摄区域所覆盖的牲畜可行动区域互不重叠;
基于所述摄像头群的布置情况将所述多条影像信息进行合成,生成在时间跨度内的关于牲畜可行动区域的整体影像。
可选的实施方式,所述目标牲畜局部图像提取包括:
根据所述目标牲畜的位置确认选框的位置,结合所述目标牲畜的种类和所述目标
牲畜的位置调节所述选框的大小,利用所述选框从所述第静态图像中提取出目标牲畜的
局部图像。
可选的实施方式,步骤S111还包括:
以所述整体影像为参考对替换数据集所对应的牲畜的单元数据集进行内容的回溯校验,当所述回溯校验的结果不满足要求时,跳转至步骤S105。
可选的实施方式,在步骤S107中,所述部分单元数据集在所述参考数据矩阵中的占比为20%~25%。
可选的实施方式,在步骤S101中,,表示以为参考的相对时间。
可选的实施方式,在步骤S111中,通过对应的整体影像分析所述替换数据集所对
应的牲畜在时间跨度内的所有行为的方式为人工方式或自动化方式。
综上,本发明提供了一种基于数据深度融合处理的牲畜养殖方案优化方法,以低成本实现牲畜养殖方案的优化为目的,通过降低计算资源的方式降低实施成本,在实际应用中具有良好的实施便利性、实施可靠性和实施经济性。实施本发明可通过低成本的实施手段得到可靠的牲畜养殖优化方案,可满足不同客户的特定需求,从而使得养殖场能够获取更多的订单和占领更大的市场,具有良好的经济效益。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供了一种基于数据深度融合处理的牲畜养殖方案优化方法,通过对养殖场内影像解析出的牲畜位置、姿态等数据并采用关系神经网络对数据进行深度融合,以低成本实现牲畜养殖方案的定向优化。
其中,牲畜包括但不限于是生猪。实施本发明尤其对规模化养殖生猪,以对养殖场(养猪场)的影像监控为基础,根据各个养猪场的影像解析出生猪不同时刻在相应养猪场的位置、姿态等数据,利用关系神经网络对数据进行深度融合为创新手段,得出指引导出规模化生猪养殖的优化方案,不仅有利于全线打通了养猪场的全流程管理,满足了当前生猪养殖的管理需求,还能针对未来的发展趋势进行探索创新以开创了数字经济时代的智慧养猪新生态。
图1为本发明实施例的牲畜养殖方案优化方法流程图。
具体的,本发明实施例提供了一种基于数据深度融合处理的牲畜养殖方案优化方法,该基于数据深度融合处理的牲畜养殖方案优化方法以优化目标参数为目的,通过已有数据生成牲畜养殖优化方案,具体的,该方法包括:
S101:统计时间跨度内第牲畜的单元数据集并汇
总形成对应的数据矩阵,,为养殖场内的牲畜最大数量,,为预设正整数,表示时刻第牲畜在养殖场内的位置,表
示时刻第牲畜的姿态类型;
具体的,时间跨度一般是指同一批牲畜的养殖时间,其中,为该批次牲畜
的养殖起始时间,为该批次牲畜的养殖结束时间,一般的,同类型牲畜的养殖时间是固定
的,由于后续需要进行神经网络的训练,考虑到数据格式的统一指代性,时间跨度的
实际表示内容可以为以养殖起始时间的相对时间,即为0。
为单个的牲畜的编号信息,一般的养殖场具有固定的养殖规模,因此,牲畜的编
号最大值固化为,如在实际实施中出现了牲畜死亡等意外,导致实际牲畜数量变化导致
对应牲畜的所有数据或者部分数据缺失,为了满足数据的统一性要求,可以使用实际存在
的牲畜信息代替缺失的数据,由于缺失数据的内容占比很低,不会影响到后续关系神经网
络的训练。
表示时刻第牲畜在养殖场内的位置,对于第牲畜在养殖场内的位置信
息,最为简单的,可以通过室内定位方法对第牲畜进行定位,但购置相关的设备费用较
大,且相关设备的安装和拆卸需要更多的工序,在实际应用中,可参照本发明实施例后续所
提供的相关方法。
表示时刻第牲畜的姿态类型,具体的,牲畜的姿态类型可以理解为在瞬间
时刻下,根据动物的骨架姿态所推断动物的实时动作描述;例如,对于牛,通过获取牛在特
定时刻的骨架姿态,可以判断出牛是处于正常站姿、俯头站姿、躺姿等姿势,需要说明的是,
姿态类型是固定若干个的,而牛的骨架姿态则是无穷多的,在根据牛的骨架姿态推导牛的
姿态类型的过程中,存在着相似性比对的内容,通过相似性比对的方式,将相似性最大的姿
态类型定义为牛的姿态类型,是该步骤实施的关键;另外,姿态类型的判断是一个静态比对
的内容,且通过了骨架提取的方式简化了大部分的图像内容,所耗费的计算资源较少。
在该步骤中,第牲畜的单元数据集实质表示了第牲
畜在整个养殖过程中,以时刻为基准的实时位置和实时姿态类型;单元数据集具有固定的格式,通过简单的数据拼接即可成为一包括所有单元
数据集内容的数据矩阵。
具体的,有关数据矩阵的实际生成过程可依照以下方法实现。
S201:整体影像获取;
获取在时间跨度内的关于养殖场内的牲畜可行动区域的整体影像;
具体的,所述整体影像获取的实际方式为:
接收养殖场内的摄像头群获取的多条影像信息,所述摄像头群包括若干个摄像
头,每一个摄像头分别获取同一时间跨度内的影像信息,所述若干个摄像头的拍摄区
域的集合覆盖所述养殖场的牲畜可行动区域,且所述若干个摄像头中的任意两个摄像头的
拍摄区域所覆盖的牲畜可行动区域互不重叠;基于所述摄像头群的布置情况将所述多条影
像信息进行合成,生成在时间跨度内的关于牲畜可行动区域的整体影像。
具体的,本发明实施例的摄像头拍摄区域是可裁切的,实际实施中,可通过后期裁切的方式实现对摄像头群的限制要求。需要说明的是,本发明实施例虽然仅要求摄像头群的拍摄区域覆盖所有的牲畜可行动区域,但是为了满足识别需求,根据牲畜的体型情况,每一个摄像头所获取的影像中的最小牲畜图像需满足分辨率需求;另外,在对多条影像信息进行拼接的过程中,由于本发明实施例对于牲畜在整体影像中的大小并无特殊要求,因此不需要考虑的影像信息的大小调整、畸变矫正等问题,仅要求在整体影像的覆盖区域能够满足覆盖牲畜可行动区域的要求,这能够进一步降低计算资源的消耗。
S202:整体影像拆分;
将所述整体影像拆分为幅静态图像,所述幅静态图像包括第静态图像,第
静态图像具有对应的图像记录时间,;实际上,整体影像是一段视频,
视频都具有固定的播放帧率,相应的,为了信息的完整性,在将所述整体影像拆分为幅静
态图像的过程中,具体实施中可以是将整体影像的所有帧的图像进行提取,相应的,即为
帧时间,可通过简单换算得到。
S203:目标牲畜选取;
在第静态图像中选取第牲畜作为目标牲畜,,为养
殖场内的牲畜最大数量,实际的选取动作可以理解为框选动作或者由相关模块在静态图像
中识别出每一个牲畜个体以供选择,该选取动作可以为自动的,也可以为人工实现的。
具体的,实际操作中,针对第静态图像中,为了获取到每一个牲畜个体完整的
静态图像,一般选择牲畜的休息时间或牲畜个体分布较为离散的时间作为;若某一个牲
畜个体在在第静态图像中不具有可被选取的可能性,则需要根据的升序依次在静态
图像中进行选取,直至对应的牲畜个体能被选取。
S204:目标牲畜跟踪;
基于视觉目标跟踪技术确认目标牲畜在第静态图像中的所在位置;
具体的,目标跟踪是计算机视觉领域的一个重要方向,体育赛事、无人车、自动驾驶技术等领域均需要使用目标追踪功能。在本发明实施例中,目标牲畜跟踪实际所涉及的领域为目标跟踪领域中的单目标跟踪领域,即需要给定一个目标并追踪这个目标的位置。以此方向为指引,可基于现有技术实现所需的目标牲畜跟踪,例如可采用光流法、Kalman、Meanshift等传统算法,也可以核相关滤波的跟踪算法、基于深度学习的跟踪算法等新式跟踪算法。
通过目标牲畜跟踪,可以确认目标牲畜在第静态图像中的所在位置,由于摄
像头群中的摄像头都是固定设置的,在本发明实施例的应用中,目标牲畜在第静态图像中
的所在位置实质等价为目标牲畜的实际所处位置。
需要说明的是,大部分情况下,针对陆行的牲畜以及具有短暂飞行能力的牲畜,根据牲畜的体型和能力,当摄像头架设位置位于一定高度以上时,即可保证在追踪过程中不会丢失目标牲畜的定位,通过该实施方法,由于牲畜的运动是具有连续性的,在任意两幅相邻的静态图像中,通过一定的位置关联关系这也是本发明实施例的实施方式具有可行性的前提条件之一,如果在追踪过程中会存在丢失目标牲畜定位的情况,则需要更大的计算资源进行进一步的追踪处理,例如需要求得所有牲畜的定位信息,采用空间临近判断以及利用排除法等方法进行进一步的数据处理,这对于计算资源的消耗都是巨大的,不具有低成本实现的可行性。
S205:目标牲畜局部图像提取;
根据目标牲畜在第静态图像中的所在位置,提取目标牲畜的局部图像;
具体的,当已知目标牲畜在第静态图像中的所在位置时,由于摄像头群中的
摄像头都是固定设置的,每一个摄像头的摄影配置都是固定的,每一个摄像头所获取的影
像的透视关系都是固定的,可根据所述目标牲畜的位置确认选框的位置,牲畜所在位置即
为选框的位置,另外,结合所述目标牲畜的种类和所述目标牲畜的位置,可相应的调节选框
的大小(目标牲畜的种类及位置与选框的大小之间的对应关系为预设关系),利用所述选框
从所述第静态图像中提取出目标牲畜的局部图像。
根据牲畜的体型以及透视关系,结合目标牲畜的所在位置调节选框大小,在
所述第静态图像中提取出目标牲畜的局部图像。
S206:局部图像主体剥离;
在所述局部图像中剥离出目标牲畜的主体图像;
关于主体图像的提取,实际实施中发现主要包括两种情况,第一种情况为在所述局部图像中,目标牲畜的影像占据了大部分区域,第二种情况为在所述局部图像中,目标牲畜外的牲畜影像占据了大部分区域。实际实施中,例如Photoshop等软件或图片处理模块,目前都有成熟的主体提取功能,在上述两种情况中,前者情况所提取的主体为所需的主体图像,后者情况所提取的主体的反选内容为所需的主体图像,关于分辨两种内容的方式,在本发明实施例中需要利用到相邻局部图像之间的主体关联性实现,当应用到相邻局部图像之间的主体关联性实现局部图像主体剥离功能时,该步骤的实质内容变化为在视频中进行对目标进行主体分离和主体提取,该内容可通过现有技术下的深度学习方法等新型方法或传统的光流预测与融合等方法实现,该内容的实现核心均为利用连续图像(即视频)中目标对象的姿态和位置不会产生突变的核心思想实现。若能准确判断出所述局部图像中的主体图像内容过少,无法进行主体图像提取的情况,可直接生成空文件。
实际实施中,会存在无法提取出有效的主体图像以及提取错误的失败情况,根据统计,正常情况下失败情况与成功情况的比值一般在0.5%附近,这对最终训练的关系神经网络具有影响性,当影响性较低。
S207:主体图像骨架信息提取;
基于牲畜的类型在所述主体图像中提取出骨架模型;
步骤S206所提取的主体图像仅包括对应牲畜的影像,实际实施中主体图像可能会存在一定的残缺性,因此,根据主体图像所提取的骨架模型不一定是完整
的。
S208:骨架信息归类;
将骨架模型与预设的姿态类型数据库中的姿态类型依
序进行匹配并得到匹配结果,其中,,;
具体的,在该步骤中所采用的匹配方式可以为图像匹配方式,将与骨架模型最
为相似的姿态类型作为匹配结果,根据前述说明,虽然骨架信息的完整性是不可知的,
但是由于采用了比较的方式进行选择,骨架信息的完整性对匹配结果的影响程度不大,且
即使是存在少部分的匹配结果存在错误的问题,由于在后续的神经网络训练过程中输入数
据规模的庞大性,少部分的错误匹配结果不会对神经网络的训练造成干扰。
S209:数据整理;
定义单元数据的格式为,并以参数对所有所述单元数据归
类为个单元数据集,参数相同的单元数据归类至同一单元数据集中,汇总所述单元数
据集并生成对应的数据矩阵。
根据步骤S201至步骤S209的描述,在一个养殖周期中能够得到一份数据矩阵,实际实施中,以肉鸡为对象进行大量的实验性的训练数据的获取,通过数据后验的方式测得关系神经网络的训练需求,100份左右的训练数据能够使得关系神经网络具有70%以上的可靠性概率,400份左右的训练数据能够使得关系神经网络就有90%以上的可靠性概率,结合实际应用情况,实际应用中需要对训练数据进行扩充。
具体的,一般的,针对鸡鸭鹅等牲畜,养殖场养殖规模一般都是2千只以上,针对牛
羊等牲畜,养殖场养殖规模一般都有数百只;实际实施中,训练数据的扩充方式为,针对具
体的养殖场养殖对象,通过随机的方式,将只牲畜合理的分为若干组,然后采用数据复
制的方式将每一组牲畜的数量规模和对应的数据规模扩充为只牲畜的规模,通过该方
式得到的若干个数据矩阵的目标参数具有同样的实际值。
通过该实施方式,可扩充训练数据的规模。
S102:重复执行步骤S101直至所述数据矩阵的数量达到预设值,份数据矩阵
中的每一份数据矩阵根据排序分别命名为第数据矩阵,,为正整数;
每一份数据矩阵具有统一的格式。
S103:选择目标参数并根据实际数据得到每一份数据矩阵所对应的目标参数的实
际值;
第数据矩阵与目标参数的实际值组合形成一组训练数据。
S104:以第数据矩阵作为关系神经网络的输入,并以对应的实际值作为输
出对关系神经网络进行训练;
需要重点说明的是,数据矩阵的实际内容为养殖周期内每一只牲畜的姿态类型情况的总和,本发明实施例利用数据矩阵作为输入数据并利用目标参数的实际值作为输出对关系神经网络进行训练的核心思想为跳过从牲畜姿态推断牲畜行为的步骤,直接利用养殖逻辑中观测数据与目标参数具有关联性的思想,利用关系神经网络表现出其关联性,并通过训练的方式使二者之间形成足够可靠的关联关系。
S105:在所述份数据矩阵中随机选取一份数据矩阵作为参考数据矩阵;
S106:在除了所述参考数据矩阵外的其余数据矩阵中,随机选取一份数据矩阵并在选取的数据矩阵中,随机选择一组单元数据集作为替换数据集;
S107:以所述替换数据集替换掉所述参考数据矩阵中的部分单元数据集,得到虚构数据集;
S108:将所述虚构数据集输入至所述关系神经网络中,得到模拟结果;
步骤S105至步骤S108的实施目的为采用构建虚构数据集的方式代入关系神经网
络,以得到有关目标参数的对应的模拟结果;在本发明实施例中,对于虚构数据集的生成
方式,首先选取一份数据矩阵作为参考数据矩阵,然后以另外的数据矩阵中的单元数据集
对参考数据矩阵中的单元数据集进行替换。具体的,不在参考数据矩阵内选取单元数据集
对其他单元数据集进行替换的原因在于,在关系神经网络的训练时,同一份数据矩阵中的
数据在关系神经网络中是具有关联性的,若在参考数据矩阵内选取单元数据集对其他单元
数据集进行替换得到虚构数据集,利用该虚构数据集得到的模拟结果的真实性偏差较大;
为了突破该关联性,避免神经网络产生不合理的趋向性,需要虚构出接近真实的虚构数据
集,本发明实施例以不同于参考数据矩阵的数据矩阵中的单元数据集对参考数据矩阵中的
单元数据集进行替换,具体的,替换数据规模一般定义在20%~25%,该替换数据规模可以使
得虚构数据集具有较高的仿真性,同时数据变化内容足以对模拟结果有足够的影响力;另
外还需要说明的是,由于选取的用于替换的单元数据集也是基于实际情况产生的,因此,每
一份替换的单元数据集都表示在实际实施中牲畜能够实现的内容。
S109:比较模拟结果和所述参考数据矩阵对应的实际值的大小关系,得到比
较结果;
S110:根据目标参数的需求判断比较结果是否满足目标需求,在所述比较结果不满足目标需求时,重复执行步骤S105至步骤S109直至所述比较结果满足目标需求;
具体的,目标参数的类型根据牲畜类型的不同有多种,有的目标参数需要越高越佳,有的目标参数需要越低越佳,有的目标参数属于特殊的定制需求,即目标参数可能需要高值,也可能需要低值,例如针对鸡鸭鹅等牲畜,可能需要特定部位的瘦肉率、出肉量;相应的,比较结果的大小关系所反映的实质内容需要根据所选取的参考参数以及需求决定。
S111:以最新得到的替换数据集为指引,通过对应的整体影像分析所述替换数据
集所对应的牲畜在时间跨度内的所有行为,得到行为表;
需要说明的是,在该步骤实施过程中,需要用户针对性的对替换数据集所对应的牲畜的相关内容进行回看分析,保证替换数据集中的数据的准确性,只有当替换数据集中的数据足够准确时,采用替换数据集批量对参考数据矩阵的内容进行替换生成虚构数据集,并利用关系神经网络导出虚拟结果才具有足够的可参考性。在该过程中虽然涉及到了信息的回溯,但由于只是单个牲畜对应的信息的回溯,耗费精力较小。
若在所对应的牲畜的相关内容进行回看分析时发现相关数据具有不准确性,可跳转至步骤S105再次生成新的虚构数据集。
另外,在对整体影像回看分析的过程中,还需要记录牲畜在时间跨度内的所
有行为并生成行为表。
S112:以所述行为表为指引导出牲畜养殖优化方案。
具体的,牲畜的行为管理是可通过养殖场的人工干预方式进行调节的,相应的,通过行为表可以导出相对于的人工干预方案,即本发明实施例所述的牲畜养殖优化方案。
牲畜养殖优化方案是以优化目标参数为目的的养殖方案,其与所选取的目标参数具有对应性。
具体实践中,根据所得到的牲畜养殖优化方案,可先小批量的进行试验性养殖,以验证牲畜养殖优化方案的可行性;当关系神经网络足够可靠时,可直接省略试验性养殖步骤,直接进行大规模的商业性养殖。
需要说明的是,在本发明实施例所提供的基于数据深度融合处理的牲畜养殖方案优化方法中,养殖方案所包括的具体内容为,在牲畜养殖周期内的不同的时间节点中需要执行的养殖动作,养殖动作的具体内容是根据牲畜的种类的不同调整的,养殖动作的具体内容可以为投食、放养、饮水等内容,换而言之,养殖方案规划了牲畜在不同时间节点上,养殖场所需要执行的养殖动作。本发明实施例所提供的基于数据深度融合处理的牲畜养殖方案优化方法的整体实施逻辑为,首先,通过对已有数据的分析,找到牲畜在养殖过程姿态及其相关数据的集合(基于图像分析技术实现)与目标参数(人为指定)之间的隐藏关系(基于关系神经网络表达);然后再在已有数据中,利用特殊的数据组合方式组成新的虚构数据矩阵,利用关系神经网络对虚构数据矩阵进行推导,得到在虚构数据矩阵下的有关目标参数的推导结果;虚构数据矩阵所对应的推导结果和真实数据所对应的实际结果是可以进行比较的,养殖场需要通过比较的方式,确定虚构数据矩阵所导出的推导结果是否满足实际需求;当虚构数据矩阵所导出的推导结果满足实际需求时,通过推导结果能够确认对应的虚构数据矩阵具有有效性,相应的,虚构数据矩阵所对应的养殖方案(命名为虚构养殖方案)表明了虚构养殖方案的实际内容是可以优化目标参数的,虚构养殖方案为现有养殖方案的优化方向。
其中,虚构数据矩阵是通过以现有的单元数据集对现有的数据矩阵中的部分数据进行替换生成的,其表示的实际内容为,随机抽取一只牲畜的养殖方案对整个养殖场中的部分牲畜的养殖方案进行替换;虚构数据矩阵所对应的推导结果和真实数据所对应的实际结果的比较实际作用为判定虚构养殖方案是否可行;当虚构养殖方案可行时,通过实际的追踪,用于替换的现有的单元数据集(实质内容为对应的一只牲畜的姿态及其相关数据的合集)所对应的牲畜的实际养殖过程是可知的,该牲畜的实际养殖过程即为可供参考的优化养殖方案。
实际实施中,本发明实施例所提供的牲畜养殖方案优化方法实际所用到的实体设备为摄像头群、具有人机交互功能且具有足够计算资源的计算机设备,所述摄像头群接入至所述计算机设备中,计算机设备负责实现在牲畜养殖方案优化方法实施过程中所涉及的数据处理功能以及人机交互功能。
具体的,为了验证本发明实施例所提供的基于数据深度融合处理的牲畜养殖方案优化方法的有效性,技术人员针对本发明实施例所提供的基于数据深度融合处理的牲畜养殖方案优化方法进行了试验性的研究。具体的,根据本发明实施例所述的基于数据深度融合处理的牲畜养殖方案优化方法,技术人员以猪的育肥为例,进行了以下的试验研究。
首先需要说明的是,根据前述的说明内容,养殖场的牲畜数量在研究区间内是不发生较大变化的,因此,本发明实施例的养殖方案不涉及到牲畜的生育生殖方面的内容,即本发明实施例所述的牲畜养殖方案主要针对的方向为牲畜的养大、养肥等方面。
根据本发明实施例的基于数据深度融合处理的牲畜养殖方案优化方法的实施需求,试验的实施场地为现有的一个目标养殖场,选取的目标参数为出栏时的净瘦肉量,在试验前期,已利用现有数据,通过执行步骤S101至步骤S104训练得到对应的一个关系神经网络;为了简化实施难度,在步骤S105至步骤110的循环过程中,均选取同一份数据矩阵作为参考数据矩阵;在进行实际的试验前,研究人员累计挑选了共10组单元数据集作为替换数据集,替换的数据量为20%;其中, 在步骤S110中,比较结果满足实际需求的替换数据集共有4组,根据数值的实际大小,以净瘦肉量最多的一组单元数据集所对应的牲畜作为所选取的牲畜(命名为目标牲畜),通过整体影像的回溯调查研究该目标牲畜在养殖过程中的行为表现,其具体的内容包括饲料的摄入量、摄入时间、水的摄入量、水的摄入时间、休息时间、活动时间、活动区域等,根据目标牲畜的行为表现的集合(行为表),逆推出养殖场所需实施的养殖行为(牲畜养殖优化方案)。
试验的实际操作内容为实施牲畜养殖优化方案,利用同一份牲畜养殖优化方案,试验人员累计进行了4次实际试验,以参考数据矩阵所对应的养殖方案的实测净瘦肉量为基准,在4次实际试验中,单猪平均净瘦肉量分别提高了2.5千克、3.7千克、3.2千克以及2.9千克,另外,需要说明的是,在通过关系神经网络的预测中,在选取目标牲畜时所预估的净瘦肉量增长为0.8千克。
在试验后进行分析,由于在选取目标牲畜过程中,仅是通过替换部分数据的方式形成新的虚构数据矩阵,所以通过关系神经网络所得到的有关目标参数的绝对值相较于实际试验是偏小的,但是关系神经网络所得到的有关目标参数的值相较于参考数据矩阵的值的大小比较情况与实际试验情况是一致的。
另外,为了验证本发明实施例所提供的基于数据深度融合处理的牲畜养殖方案优化方法对于计算资源的节省效果,实验人员将本发明实施例的牲畜养殖方案优化方法(后续简称为方法一)与以牲畜行为与目标参数之间的关联性为指导优化牲畜养殖方案的现有技术(后续简称为方法二)相对比,其中,方法一从整体影像中提取所有牲畜在所述时刻的姿态类型的集合情况,直接利用集合情况和目标参数训练对应的关系神经网络,通过合理的方式选择现有数据与现有的数据矩阵进行混合,以虚拟数据矩阵的方式检验何种情况对目标参数的优化具有有效性,并以后验的方式分析出牲畜的对应行为以优化牲畜的养殖;方法二从整体影像中分析出所有牲畜的行为并得到行为集合,以行为集合与目标参数训练对应的参考神经网络,利用与方法一相似的方式,通过调节导入所述参考神经网络的数据(行为集合)判断出何种行为集合能够优化牲畜的养殖;基于同样的整体影像和同样的计算资源,对方法一和方法二中所涉及的人工参与内容不作计时,方法一的计时范围为导入所述整体影像至计算资源的时刻至计算资源对关系神经网络训练结束的时刻,方法二的计时范围为导入所述整体影像至计算资源的时刻至计算资源对参考神经网络训练结束的时刻,通过比对发现,以方法二的用时为基准,在7次对照实验中,方法一相较于方法二的用时平均值减少约16%,这从另一方面可反映出本发明实施例的基于数据深度融合处理的牲畜养殖方案优化方法能够节省计算资源的使用。
而对于经济效益而言,除了更为节省计算资源以外,目前市场上还没有针对客户需求进行定向调节养殖方案的实践方法,此外,在得到牲畜养殖优化方案后,本质上每一只牲畜都具有固定的养殖流程,该养殖流程可补充至牲畜的电子记录信息中,可满足养殖溯源的需求,在实际应用中根据需求,本发明实施例所提供的基于数据深度融合处理的牲畜养殖方案优化方法还具有良好的可扩展性。
综上,本发明实施例提供了一种基于数据深度融合处理的牲畜养殖方案优化方法,以低成本实现牲畜养殖方案的优化为目的,根据目标参数的需求,利用关系神经网络提前进行了数字化的模拟试验,为养殖场提供养殖方案的改进方向以及为养殖场提供优化后的养殖方案内容;有别于现有技术,还可以通过降低计算资源的方式降低实施成本,在实际应用中具有良好的实施便利性、实施可靠性和实施经济性。
以上对本发明实施例所提供的一种基于数据深度融合处理的牲畜养殖方案优化方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。