CN116680595A - 异常奶牛检测方法、装置、电子设备及介质 - Google Patents

异常奶牛检测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN116680595A
CN116680595A CN202310499350.6A CN202310499350A CN116680595A CN 116680595 A CN116680595 A CN 116680595A CN 202310499350 A CN202310499350 A CN 202310499350A CN 116680595 A CN116680595 A CN 116680595A
Authority
CN
China
Prior art keywords
data
abnormal
time sequence
dairy cow
output
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.)
Pending
Application number
CN202310499350.6A
Other languages
English (en)
Inventor
于沁杨
李奇峰
马为红
高荣华
丁露雨
余礼根
蒋瑞祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Original Assignee
Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences filed Critical Research Center of Information Technology of Beijing Academy of Agriculture and Forestry Sciences
Priority to CN202310499350.6A priority Critical patent/CN116680595A/zh
Publication of CN116680595A publication Critical patent/CN116680595A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Housing For Livestock And Birds (AREA)

Abstract

本发明提供一种异常奶牛检测方法、装置、电子设备及介质，涉及养殖领域，该方法包括：基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。本发明能够提高异常奶牛个体的判断准确性，为异常奶牛个体判断提供有效依据，减少异常个体对养殖场影响。

Description

异常奶牛检测方法、装置、电子设备及介质
技术领域
本发明涉及养殖领域，尤其涉及异常奶牛检测方法、装置、电子设备及介质。
背景技术
奶牛个体异常的性状在亚健康或发病初期状态下不够明显，无法通过传统异常奶牛监测中，利用日常采集数据分析的方式确定奶牛个体是否异常，从而导致判断不够准确，无法精确识别异常奶牛。
发明内容
本发明提供一种异常奶牛检测方法、装置、电子设备及介质，用以解决现有奶牛异常监测不够精确的技术问题，提供了一种利用
日常采集数据形成时序监测放大奶牛异常数据，从而筛选出异常奶牛的技术方案。
第一方面，本发明提供了异常奶牛检测方法，包括：
基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；
输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；
根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；
所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
根据本发明提供的异常奶牛检测方法，在基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据之前，所述方法还包括：
获取原始采集数据，所述原始采集数据包括电子标签标识个体信息、采集数据的时间序列、个体运动量信息、奶牛体貌信息数据、个体采食时长以及产奶性状；
处理所述原始采集数据，获取所述目标采集数据，所述目标采集数据包括每一奶牛在不同生长阶段下，所述目标时段内的活动量熵数据、体尺体貌参数生长情况、个体生长状态描述值、个体基本运动量、产奶数据离散情况、产奶量标准数值以及奶牛反刍次数；
所述个体运动量信息包括脚环步数以及颈环定位；所述奶牛体貌信息数据包括胸宽、腰强度、尻角度、蹄踵深度、乳房深度、前乳头长度、尻宽、骨质地、后肢后视、中央悬韧带、前乳头位置、前乳头长度、后乳房附着高度、后乳房附着宽度、后乳头位置、体深、蹄角度、后肢侧视、前乳房附着以及棱角性；所述个体采食时长包括颈环数据时长，反刍时长；所述产奶性状包括累计产量、单日产量以及单次产量；
所述不同生长阶段包括犊牛期、干奶期、生产期、疫病期。
根据本发明提供的异常奶牛检测方法，在处理所述原始采集数据之前，确定所述原始采集数据的缺失数据，填充所述缺失数据，获取填充后采集数据；
所述处理所述原始采集数据，获取所述目标采集数据，包括：
处理所述填充后采集数据，获取所述目标采集数据。
根据本发明提供的异常奶牛检测方法，所述异常奶牛检测模型包括第一自编码模块、时序编码模块以及第二自编码模块；
所述输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据，包括：
输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据；
输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据；
输入所述异常数据放大后数据至所述第二自编码模块，获取所述第二自编码模块输出的，异常数据显著的输出数据；
所述异常数据显著的输出数据包括重构误差放大后的异常数据。
根据本发明提供的异常奶牛检测方法，所述第一自编码模块与所述第二自编码模块相同；
所述第一自编码模块包括预设数量层级的编码器、维度处理层以及预设数量层级的解码器；
所述输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据，包括：
输入所述时序扩充数据至所述预设数量层级的编码器，获取所述预设数量层级的编码器输出的减少节点后数据；
输入所述减少节点后数据至所述维度处理层，获取所述维度处理层输出的重构后数据；
输入所述重构后数据至所述预设数量层级的解码器，获取预设数量层级的解码器输出的增加节点后数据，以获取重构时序数据；
所述维度处理层用于降低所述减少节点后数据的维度后，再增加所述减少节点后数据的维度。
根据本发明提供的异常奶牛检测方法，所述输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据，包括：
输入所述重构时序数据至所述时序编码模块的第一层，根据所述重构时序数据中每一时序对应的重构数据，获取所述第一层输出的重构平均数据；
输入所述重构平均数据至所述时序编码模块的第二层，根据所述第二层处理所述重构平均数据以及重构真实数据，获取所述第二层输出的重构异常数据；
输入所述重构异常数据至所述时序编码模块的第三层，获取所述第三层输出的异常数据放大后数据。
根据本发明提供的异常奶牛检测方法，所述根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛，包括：
基于预设分类算法处理所述异常数据显著的输出数据，确定所有异常数据；
对于每一异常数据，量化所述异常数据，获取量化评分；
在所述量化评分大于预设阈值的情况下，确定所述量化评分对应的奶牛为非异常奶牛；
在所述量化评分小于或等于预设阈值的情况下，确定所述量化评分对应的奶牛为异常奶牛。
第二方面，提供了一种异常奶牛检测装置，包括：
第一获取单元：用于基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；
第二获取单元：用于输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；
确定单元：用于根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；
所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述异常奶牛检测方法。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述异常奶牛检测方法。
本发明提供了一种异常奶牛检测方法、装置、电子设备及介质，通过对连续时段内的奶牛采集数据融合后输入至异常奶牛检测模型进行数据分析，从而获取存在异常的数据并将异常数据放大后进行量化评分，最终确定异常奶牛，本发明为提高真实养殖场景下异常奶牛个体的排查与检查准确性，结合多模态数据汇聚方式将多类型传感数据进行融合，结合特征分析实现标识特征提取，同时结合异常奶牛检测模型法进行异常奶牛个体检测，提高异常奶牛个体的判断准确性，为异常奶牛个体判断提供有效依据，减少异常个体对养殖场影响。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的异常奶牛检测方法的流程示意图之一；
图2是本发明提供的异常奶牛检测方法的流程示意图之二；
图3是本发明提供的获取异常数据显著的输出数据的流程示意图；
图4是本发明提供的获取重构时序数据的流程示意图；
图5是本发明提供的获取异常数据放大后数据的流程示意图；
图6是本发明提供的确定异常奶牛的流程示意图；
图7是本发明提供的异常奶牛检测模型的结构示意图；
图8是本发明提供的异常奶牛检测方法的流程示意图之三；
图9是本发明提供的异常奶牛检测装置的结构示意图；
图10是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。
随着规模化、集约化、信息化奶牛养殖繁育技术快速发展，积攒了海量的奶牛生产养殖数据，近年来由于各类传染病的增加，人、畜生物防控等级逐步提高，对异常奶牛个体的监控更显得尤为重要。由于多数奶牛养殖还只是停留在疾病防疫阶段，异常个体监测管理机制还不够完善，致使奶牛发病率较高，严重影响乳业发展。信息技术以及智能装备技术的发展，为判断异常奶牛个体提供新的切入点。
异常奶牛个体是指在正常生产活动中，表现出异样的牛只个体，该个体可能出现患病、发情、怀孕等异常行为。目前，异常奶牛判断主要从疫病预警与发情监测两个方向出发，主要方法包括巡检检查、抽样细胞测定、运动量监测、体温连续远程监测、热成像体温监测、生物气溶胶激光光谱测量等技术。每项监测技术从不同角度判断某些异常反应，为异常个体判断提供数据支撑。
传统人工饲养的规模较小的养殖场，养殖人员一般通过人工观察奶牛的生长和繁殖情况并进行记录但随着牛场养殖规模扩大、养殖环境变化，采用传统的方法难以及时检测到奶牛的健康状况，部分养殖场以佩戴耳标对奶牛目标进行识别，这也为奶牛个体的区分提供了标识支撑，在规模化奶牛养殖时结合信息化管理软件可实现奶牛个体多项数据的关联计算，这为全方位的信息化监测提供支撑。
现阶段针对奶牛异常个体的监测，多为对其表现性状进行监测，即对有异常表现的个体进行筛查筛选，同时，奶牛个体异常的性状在亚健康或发病初期状态下不够明显，无法通过传统异常奶牛监测中，利用日常采集数据分析的方式确定奶牛个体是否异常，为了解决上述技术问题，本发明提供了一种异常奶牛检测方法、装置、电子设备及介质，图1是本发明提供的异常奶牛检测方法的流程示意图之一，提供了一种异常奶牛检测方法，包括：
步骤101、基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；
步骤102、输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；
步骤103、根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；
所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
在步骤101中，所述目标时段可以为一天，进一步地，所述目标时段可以是历史时段中的某一天，也可以是当天，所述所有奶牛在目标时段所采集的目标采集数据即为在历史数据中某天或当天，通过各传感器所获取到的所有奶牛的采集数据。
所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合，本发明为了能够通过异常数据确定出异常奶牛，需要同时获取目标时前后多天的采集数据，例如所述目标时段为4月12日，所述预设时段为7天，则所述目标时段之前的预设时段内所采集数据为4月5日、4月6日、4月7日、4月8日、4月9日、4月10日、4月11日的7天数据，所述目标时段之后的预设时段内所采集数据为4月13日、4月14日、4月15日、4月16日、4月17日、4月18日、4月19日的7天数据，则所述目标时段所对应的时序扩充数据为从4月5日至4月19日所采集的15天的采集数据所构成的数据集合，本发明将所述目标时段所对应的时序扩充数据作为数据片段，用以确定所述目标时段下的异常奶牛。
在步骤102中，输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据，本领域技术人员理解，所述异常奶牛监测模型可以是根据样本时序扩充数据以及样本输出数据进行训练而确定的，而在本发明所记载的实施例中，所述异常奶牛检测模型包括第一自编码模块、时序编码模块以及第二自编码模块，将所述时序扩充数据依次输入至第一自编码模块、时序编码模块以及第二自编码模块，获取异常数据显著的输出数据，即通过连续自编码器实现个体的标识数据的自编码与解码，训练好的编码器将会对使用过程的误差数据进行重构，以放大异常误差。
在步骤103中，所述异常数据显著的输出数据中包括所有奶牛的输出数据，量化每一奶牛的输出数据，获取每一奶牛的量化评分，并最终根据每一奶牛的量化评分，确定所述目标时段下的异常奶牛。
本发明所提监测方法包括数据采集与处理、个体标识特征提取、特征自编码以及异常评分等步骤，利用数据挖掘技术，从多源传感数据、生产养殖数据入手，实现奶牛个体监测数据的汇聚分析，结合奶牛个体异常行为的发生与发展规律，利用连续天数的采集数据结合异常奶牛检测模型，实时对异常奶牛个体进行监测。本发明能够用于规模化养殖场，汇聚多源量化传感数据，抽取核心特征，针对奶牛个体活动进行健康监测，所述异常奶牛检测模型所采用的算法特征指数具备计算速度快，可解释性强的优点，可定制实现异常个体与正常个体的区分，应用至奶牛养殖系统中，实现奶牛养殖的自动化监控。
本发明提供了一种异常奶牛检测方法、装置、电子设备及介质，通过对连续时段内的奶牛采集数据融合后输入至异常奶牛检测模型进行数据分析，从而获取存在异常的数据并将异常数据放大后进行量化评分，最终确定异常奶牛，本发明为提高真实养殖场景下异常奶牛个体的排查与检查准确性，结合多模态数据汇聚方式将多类型传感数据进行融合，结合特征分析实现标识特征提取，同时结合异常奶牛检测模型法进行异常奶牛个体检测，提高异常奶牛个体的判断准确性，为异常奶牛个体判断提供有效依据，减少异常个体对养殖场影响。
图2是本发明提供的异常奶牛检测方法的流程示意图之二，在基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据之前，所述方法还包括：
步骤201、获取原始采集数据，所述原始采集数据包括电子标签标识个体信息、采集数据的时间序列、个体运动量信息、奶牛体貌信息数据、个体采食时长以及产奶性状；
步骤202、处理所述原始采集数据，获取所述目标采集数据，所述目标采集数据包括每一奶牛在不同生长阶段下，所述目标时段内的活动量熵数据、体尺体貌参数生长情况、个体生长状态描述值、个体基本运动量、产奶数据离散情况、产奶量标准数值以及奶牛反刍次数；
所述个体运动量信息包括脚环步数以及颈环定位；所述奶牛体貌信息数据包括胸宽、腰强度、尻角度、蹄踵深度、乳房深度、前乳头长度、尻宽、骨质地、后肢后视、中央悬韧带、前乳头位置、前乳头长度、后乳房附着高度、后乳房附着宽度、后乳头位置、体深、蹄角度、后肢侧视、前乳房附着以及棱角性；所述个体采食时长包括颈环数据时长，反刍时长；所述产奶性状包括累计产量、单日产量以及单次产量；
所述不同生长阶段包括犊牛期、干奶期、生产期、疫病期。
通常，利用智能技术对奶牛个体异常的监控主要技术包括两大类，一类是通过传感器原件的组合实现对个体特定指标进行监测，来实现对特定个体的监测，此类方式主要是通过几个传感器的共同作用，实现数据的监测，需要为奶牛个体佩戴传感设备；第二类为视觉监测，通过深度或RGB相机对个体进行识别，从而实现对奶牛个体的监测，但由于奶牛养殖的环境的复杂性，实时对奶牛个体的监测需要大量相机安装布置，对于养殖场的改造要求较大。本发明所采用的奶牛异常个体识别，包括数据采集、数据存储与个体分析等过程，根据奶牛个体及群体的生活习惯和预期发展规律，结合智能模型进行判断，对异常奶牛个体进行快速筛选。
在步骤201中，所述获取原始采集数据为奶牛基础数据的采集，包括养殖场基础个体信息采集节点采集数据或穿戴式传感器采集数据或信息员人工采集而形成的电子记录，具体数据类型包括：电子标签标识个体信息、采集数据的时间序列、个体运动量信息、奶牛体貌信息数据、个体采食时长以及产奶性状。
可选地，所述个体运动量信息包括脚环步数以及颈环定位；所述奶牛体貌信息数据包括胸宽、腰强度、尻角度、蹄踵深度、乳房深度、前乳头长度、尻宽、骨质地、后肢后视、中央悬韧带、前乳头位置、前乳头长度、后乳房附着高度、后乳房附着宽度、后乳头位置、体深、蹄角度、后肢侧视、前乳房附着以及棱角性；所述个体采食时长包括颈环数据时长，反刍时长；所述产奶性状包括累计产量、单日产量以及单次产量。
在步骤202中，处理所述原始采集数据，获取所述目标采集数据，步骤202为个体标识特征提取的步骤，由于所采集的数据为基础数据需要对数据进行特征的量化与处理，因此需要标识对奶牛个体的时间序列数据。
本发明将奶牛个体编码、采集数据时间序列、阶段性分类标识作为输入数据的携带标识，不作为输入数据的实体数据，获取每一奶牛在不同生长阶段下，所述目标时段内的活动量熵数据、体尺体貌参数生长情况、个体生长状态描述值、个体基本运动量、产奶数据离散情况、产奶量标准数值以及奶牛反刍次数，所述活动量熵数据、体尺体貌参数生长情况、个体生长状态描述值、个体基本运动量、产奶数据离散情况、产奶量标准数值以及奶牛反刍次数将作为本申请中异常奶牛检测模型的输入数据。
可选地，在规模化奶牛养殖过程中，通常会使用独立的奶牛个体标识监测设备，如标识颈环、脚环，这类设备可提供唯一的奶牛编号，同时可积累一定的基础传感数据，如运动量、反刍次数、产奶量等数据，结合其配套系统可获得累计产奶量、生产次数、发情等内容，本发明利用所述基础传感数据，结合已有大量累计的生产数据，利用日常累计的问题奶牛的累计数据和正常奶牛的累计数据形成时序监测模型，实现实时奶牛异常个体监测，例如，默认在每天采用三班次形式进行产奶采集，以获取累积产奶量。
可选地，所述目标采集数据包括奶牛个体编码，为了便于奶牛统一化管理，基于奶牛个体佩戴的射频识别(Radio Frequency Identification，RFID)电子标签区分不同的品种、饲养方式等，而选择RFID转盘挤奶机就能通过挤奶机上的RFID读写器识读电子耳标信息，确认奶牛个体身份，并判断哪些奶牛有挤奶，哪些奶牛没有挤奶。所述RFID电子标签为养殖场的奶牛个体赋予唯一标识，所述奶牛个体编码将标识奶牛个体的唯一性，区分不同的奶牛，不作为本发明中异常奶牛检测模型的输入特征。
可选地，所述目标采集数据还包括采集数据时间序列，所述采集数据时间序列为对奶牛个体特征描述的时间，所述采集数据时间序列将作为时间标识以及编码器分片的依据，不作为本发明中异常奶牛检测模型的输入特征。
可选地，所述目标采集数据还包括阶段性分类标识，整体的分阶段标识主要包括如下几个分期，犊牛期、干奶期、生产期、疫病期，其中，所述犊牛期包括哺乳、断奶、育成、后备，所述生产期包括低产以及高产。通常，养殖场人员最关注的是生产期奶牛的产量，产奶阶段也分为低产群和高产群，本发明可以通过对奶牛养殖基地的奶牛进行分群，结合现有分群门系统实现高产奶牛和低产奶牛的分群养殖，同时，通过养殖场人为观察和机器筛选可将疫病以及异常个体利用分群门进行筛选，同时也为异常个体的识别提供一定数据支撑，所述阶段性分类标识为数据集分类标识，不作为本发明中异常奶牛检测模型的输入特征。
可选地，所述目标采集数据还包括活动量熵，所述活动量熵irrE(M,p)作为本发明中异常奶牛检测模型的输入特征，用于描述奶牛个体在等长时间维度下活动量的波动情况，等长时间可自由划分，例如12小时或24小时，或按照养殖场养殖规律与采集传感器频率进行设定。
其主要描述是新增活动量对其规律活动序列的影响程度，计算方式为：
式(1)中，M为所有前序活动量序列，p为当前活动量序列，m为前序活动量序列单组序列，即m∈M,m与p均记录某个个体的活动量序列表示方式为：
pn＝{p1,p2......,pn} (2)
式(2)中，pn代表第n时刻下的运动量，本特征值分布于[0,1]之间，约趋近于1则活动量波动性更大，趋近于0则波动性较小。
可选地，所述目标采集数据还包括体尺体貌参数生长情况，所述体尺体貌参数生长情况作为本发明中异常奶牛检测模型的输入特征，用于描述奶牛个体在生长过程中发育情况，奶牛体貌评分是反映奶牛脂肪储备水平、营养状况以及繁殖性能的常用工具，通过监测每头奶牛在不同时期的体貌、体况评分，及时优化管理策略，可有效减少奶牛代谢紊乱疾病以及繁殖障碍的发生，从而提高生产效率，增加养殖效益。所述体尺体貌参数生长情况使用成对的体貌生长稳定性的描述，实现对个体异常体貌的监控，引用的是针对奶牛个体的生长增长速率的监控，按照每期的体貌测试数据对每只个体进行编码胸宽、腰强度、尻角度、蹄踵深度、乳房深度、前乳头长度、尻宽、骨质地、后肢后视、中央悬韧带、前乳头位置、前乳头长度、后乳房附着高度、后乳房附着宽度、后乳头位置、体深、蹄角度、后肢侧视、前乳房附着、棱角性分别形成C(i,t)＝{x1,x2,x3,x4...xn}，其中C(i,t)代表第i个个体，第t时刻的采集的体貌数据，xn代表第n个体貌数据。
生长稳定性的计算通过如下公式：
所述生长稳定性衡量了奶牛个体生长稳定性，该值越小说明奶牛个体变化越小，式(3)中，T为采集奶牛体貌总次数，t为单次数据节点，N为上述列出性状，Ci,t,n代表i号奶牛t次采集的第n个性状数据。
可选地，所述目标采集数据还包括个体生长状态描述值，所述个体生长状态描述值作为本发明中异常奶牛检测模型的输入特征，用于描述个体奶牛在各阶段的生长状态与其他个体的对比情况，参考如下公式：
式(4)中，F为每只个体进行编码胸宽、腰强度、尻角度、蹄踵深度、乳房深度、前乳头长度、尻宽、骨质地、后肢后视、中央悬韧带、前乳头位置、前乳头长度、后乳房附着高度、后乳房附着宽度、后乳头位置、体深、蹄角度、后肢侧视、前乳房附着、棱角性等特征代表，J代表除第i只外其他奶牛同时期的个体，C代表个体体貌情况，t代表采集时间。
该值在归一化时使用幂算子形式，即
式(5)中，δ为幂平均算子。
可选地，所述目标采集数据还包括个体基本运动量，所述个体基本运动量作为本发明中异常奶牛检测模型的输入特征，即传感器获得的原始计步数据。
可选地，所述目标采集数据还包括产奶数据离散情况，所述产奶数据离散情况作为本发明中异常奶牛检测模型的输入特征，用于记录奶牛在不同时期的离散程度，参考如下公式：
式(6)中，N代表不同胎次，T代表不同采集次数，i代表奶牛个体编号，Ci代表当次采集奶数，Cstu代表标准产奶曲线。该值描绘了与标准产量情况的拟合偏离情况，标准产奶曲线值见下表1：
表1
可选地，所述目标采集数据还包括产奶量标准数值，作为本发明中异常奶牛检测模型的输入特征，所述产奶量标准数值以KG为标准单位，将以标准产奶软件中所记载的产奶量标准数值作为依据。
可选地，所述目标采集数据还包括奶牛反刍次数，所述奶牛反刍次数作为本发明中异常奶牛检测模型的输入特征，即奶牛监测得到的原始反刍次数。
可选地，在处理所述原始采集数据之前，确定所述原始采集数据的缺失数据，填充所述缺失数据，获取填充后采集数据；
所述处理所述原始采集数据，获取所述目标采集数据，包括：
处理所述填充后采集数据，获取所述目标采集数据。
可选地，在处理所述原始采集数据之前，可能因为传感器故障、断电、数据采集不连续而导致数据出现缺失，本发明旨在将数据缺失的部分补充完整，对所述原始采集数据的缺失数据进行数据处理，通过数据填充的方式，把所有的缺失数据补充完整。
可选地，所述数据填充包括两种情况，一种是数据缺失，这类缺失数据可以采用如下方法进行填充：
当出现某一条数据缺失时，可根据其关联的临近值进行填充，结合最近邻原理与个体相似理论，即当其中一条数据缺失时(如运动量数据)，将剩下的特征向量在超平面上寻找其最近子节点。
根据欧式距离取其最近的k个节点，k值可根据实际情况而定，本发明中的k可以为3，而实际情况中如果出现近邻数据为空，可适当扩大k的取值，将找到的k个最近子节点所对应的缺失字段，取其加权平均，作为缺失值进行补充。
另一种情况是数据补充，由于现阶段奶牛场的奶牛体貌数据并非是每天都获取，针对此种情况，本发明可采用将上一次的体貌数据填充至缺失数据，以保证数据的完整性。
本领域技术人员理解，在获取目标采集数据之后，在输入所述时序扩充数据至异常奶牛检测模型之前，还包括对目标采集数据进行数据分片，即将所述目标采集数据扩充为所述时序扩充数据，所述数据分片将根据每个奶牛个体特征值进行分片，数据分片即使用长度为k的滑动时间窗口对数据进行分片，即将整个时间序列分割成多个片区，本发明中的k即为预设时段，所述预设时段的初始值为7。
数据分片的作用即减少奶牛个体数据的整体输入，将所有的奶牛数据分为预设长度n的多元时间序列X＝{X1,X2,X3......Xn}，其中t时刻的观测值是m维的向量Xt＝{x1,x2,x3......xm}，1≤t≤n，其记录了当前奶牛状态信息，本发明基于时序扩充数据判断片段序列是否异常，同时在应用过程中，还会不断将新数据加入到与所述新数据相对应的时序片段中，实现对所述时序片段的判断。
图3是本发明提供的获取异常数据显著的输出数据的流程示意图，所述异常奶牛检测模型包括第一自编码模块、时序编码模块以及第二自编码模块；
所述输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据，包括：
步骤301、输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据；
步骤302、输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据；
步骤303、输入所述异常数据放大后数据至所述第二自编码模块，获取所述第二自编码模块输出的，异常数据显著的输出数据；
所述异常数据显著的输出数据包括重构误差放大后的异常数据。
可选地，由于奶牛个体数据的输入是现实场景中的处理数据，即所述时序扩充数据，为使异常分类器能更好的将数据分类，本发明使用自编码器对数据进行统一处理，以求异常数据经过编码器后出现较大的异常反应，以帮助分类器更好的分类。
本发明中的异常奶牛检测模型分为三部分，包括第一自编码模块、时序编码模块以及第二自编码模块，图7是本发明提供的异常奶牛检测模型的结构示意图，如图7所示，本发明在两个自编码模块(AE)之中加入了时序编码模块，所述时序编码模块为长短期记忆网络(Long Short-Term Memory，LSTM)，由于LSTM网络能够较好的处理时序数据，本发明结合三门特性加入对数据状态的连接。
在步骤301中，输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据，所述第一自编码模块用于对所述时序扩充数据进行处理，获取重构时序数据。
本发明将所述时序扩充数据中的数据特征量化为一个简单的指标，通过所述指标使得LSTM网络能够学习到对于不同特征之间的关联度的处理以及融合，从低维度至高维度的过程即恢复到原始的维度，保证输入与输出在一个维度，并能够更好的突出异常数据。本领域技术人员理解，异常数据在不同特征之间的关联度中，其相关性较低，会导致所述异常数据所对应的权重系数变大，通过所述第一自编码模块的方案，能够根据所述异常数据所对应的权重系数变大的变化，识别出异常数据。
在步骤302中，输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据，所述时序编码模块用于对所述重构时序数据进行异常数据放大处理，获取异常数据放大后数据。
本发明中所采用的自编码器利用神经网络模型，将数据输入至所述时序编码模型，获取的输出结果既要保证对原有特征的数据数值不变，又要放大异常数据所对应的特征，本发明将多个时序扩充数据，以及每一时序扩充数据所对应的健康程度评分作为训练样本进行训练，确定所述异常奶牛检测模型的模型参数，本发明采用有监督形式训练所述异常奶牛检测模型，在实际应用过程中，采用无监督形式使用所述异常奶牛检测模型。
在步骤303中，输入所述异常数据放大后数据至所述第二自编码模块，获取所述第二自编码模块输出的，异常数据显著的输出数据，为了使得异常数据能够更加明显，本发明采用连续编码器实现个体的标识数据的自编码与解码，训练好的编码器将会对使用过程的误差数据进行重构，以放大异常误差，本发明使用嵌套编码器的核心在于放大异常数据的重构误差。
图4是本发明提供的获取重构时序数据的流程示意图，所述第一自编码模块与所述第二自编码模块相同；
所述第一自编码模块包括预设数量层级的编码器、维度处理层以及预设数量层级的解码器；
所述输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据，包括：
步骤401、输入所述时序扩充数据至所述预设数量层级的编码器，获取所述预设数量层级的编码器输出的减少节点后数据；
步骤402、输入所述减少节点后数据至所述维度处理层，获取所述维度处理层输出的重构后数据；
步骤403、输入所述重构后数据至所述预设数量层级的解码器，获取预设数量层级的解码器输出的增加节点后数据，以获取重构时序数据；
所述维度处理层用于降低所述减少节点后数据的维度后，再增加所述减少节点后数据的维度。
在步骤401中，自编码模块是一种无监督神经网络结构，主要功能是提取数据特征并对数据进行重构，主要由结构对称的编码器和解码器两个部分组成，编码器能够将输入的时间序列进行降维，解码器对降维后的数据进行解码，实现对数据的重构，例如，若从X到Z的过程是降维编码，从Z到Y的过程是解码重构的过程。
编码过程可理解为：
解码过程可理解为：
在式(7)以及式(8)中，E是编码器，D是解码器，W对应的权重，b对应的偏置，是激活函数。
可选地，所述第一自编码模块包括预设数量层级的编码器、维度处理层以及预设数量层级的解码器，预设数量层级的编码器的输入为奶牛个体序列分片片段，预设数量层级的解码器的输出是与输入同样大小的奶牛个体序列分片片段。
可选地，所述输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据的目的是通过降低维度来实现数据的重构，本发明中的所述第一自编码模块具备13层，前6层为编码器，后6层为解码器，中间层为降维数据组，在步骤401的编码器的前6层，每层减少两个连接节点，再经过步骤402中的降维数据组，输入所述减少节点后数据至所述维度处理层，获取所述维度处理层输出的重构后数据，最后在步骤403后6层的解码器中，每层增加两个连接点，获取重构时序数据。
可选地，由于L2范式更能突出数据的异常性，因此使用L2范式对数据进行标识，其中|| ||标识L2为：
范式指向量各元素的平方和然后求平方根，L2范式可以防止过拟合，提升模型的泛化能力。
图5是本发明提供的获取异常数据放大后数据的流程示意图，所述输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据，包括：
步骤501、输入所述重构时序数据至所述时序编码模块的第一层，根据所述重构时序数据中每一时序对应的重构数据，获取所述第一层输出的重构平均数据；
步骤502、输入所述重构平均数据至所述时序编码模块的第二层，根据所述第二层处理所述重构平均数据以及重构真实数据，获取所述第二层输出的重构异常数据；
步骤503、输入所述重构异常数据至所述时序编码模块的第三层，获取所述第三层输出的异常数据放大后数据。
在步骤501中，所述时序编码模块由LSTM网络组成，输入所述重构时序数据至所述时序编码模块的第一层，根据所述重构时序数据中每一时序对应的重构数据，获取所述第一层输出的重构平均数据，可以参考如下公式：
式(9)中，Xlstm，avg为重构平均数据，所述时序编码模块的第一层的输入是由第一自编码模块输出的，所述重构时序数据中每一时序对应的重构数据的加权平均，yi是第一自编码模块的输出。
在步骤502中，输入所述重构平均数据至所述时序编码模块的第二层，根据所述第二层处理所述重构平均数据以及重构真实数据，获取所述第二层输出的重构异常数据，可以参考如下公式：
Xlstm＝Xlstm，avg-X (10)
式(10)中，Xlstm是重构异常数据，X为重构真实数据。
在步骤503中，输入所述重构异常数据至所述时序编码模块的第三层，获取所述第三层输出的异常数据放大后数据。
可选地，本发明中的第一自编码模块所输出的为{15,7}的数组，其中，15表征的是15天的数据，7表征的是预设时段，在进入时序编码模块后，为了增大时序数据的连续性校验，所述时序编码模块的输入以及输出同样为{15,7}的数组，然而所述时序编码模块的输入是上一个编码器的输出的平均值与真实值的差异，异常数据越大差值就越大。
可选地，所述时序编码模块的输出是与输入相同大小的量化数据，本发明可以在此引入一个临时存储数组，用于接收第一自编码模块的全部输出结果，并为所述时序存储模块提供时序引导序列。
可选地，所述时序编码模块的目标函数是输出最小化原始差距，其中X为网络的原始数据，即原始数据集，此损失函数的目的是最小化初始输入与最终输出，以保证数据的原始性，同时结合L2范式也可将异常数据进行突出。
所述时序编码模块的公式如下所示：
输入：
遗忘：
输出：
长记忆：
短记忆：
Tanh函数：
Sigmod函数：
其中，Xt是由自编码器1生成的特征数据，Ct对将要转递到下一个LSTM的状态进行编码，Ht代表LSTM单元的输出特征，运算符表示点乘运算，W是权重系数，LSTM输出结果是与输入相同的数组。
可选地，在输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据之后，输入所述异常数据放大后数据至所述第二自编码模块，获取所述第二自编码模块输出的，异常数据显著的输出数据，本发明使用连续自编码的目的在于放大异常数据的重构误差，由于所述第一自编码模块与所述第二自编码模块相同，故所述第二自编码模块包括预设数量层级的编码器、维度处理层以及预设数量层级的解码器，输入为LSTM模块的整体输出，输出内容为经过编码器的自编码数据。
可选地，所述时序编码模块的目标函数可以参考如下公式：
Loss＝X-AE2(LSTM(AE1))(20)
所述时序编码模块的整体优化策略可以参考如下公式：
min||AE1(X)-X+LSTM(AE1(X)-X)+AE2(LSTM(AE1(X))-X|| (21)
本发明公开了一种基于连续自编码的异常奶牛个体的检测方法，在实施过程中，通过收集奶牛个体特征数据信息对个体进行监测，主要收集指标为奶牛养殖必要字段，包括电子标签标识个体信息、采集数据的时间序列、个体运动量信息(脚环步数、颈环定位)、奶牛体貌信息数据、产奶信息以及饲喂信息，通过数据融合的方式将数据形成标识个体的信息特征，然后通过连续自编码器实现个体的标识数据的自编码与解码，训练好的编码器将会对使用过程的误差数据进行重构，以放大异常误差。
图6是本发明提供的确定异常奶牛的流程示意图，所述根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛，包括：
步骤601、基于预设分类算法处理所述异常数据显著的输出数据，确定所有异常数据；
步骤602、对于每一异常数据，量化所述异常数据，获取量化评分；
步骤603、在所述量化评分大于预设阈值的情况下，确定所述量化评分对应的奶牛为非异常奶牛；
步骤604、在所述量化评分小于或等于预设阈值的情况下，确定所述量化评分对应的奶牛为异常奶牛。
在步骤601中，基于预设分类算法处理所述异常数据显著的输出数据，确定所有异常数据，本发明通过异常奶牛检测模型中的自编码器结构将得到与输入相同的特征序列，这个序列将从多维度解释奶牛个体的养殖特性。
可选地，所述预设分类算法为One-Class分类方法，本发明结合One-Class分类方法可以快速实现数据的分类，所述One-Class分类方法的主要思想是基于多维度的特征创建一个超平面，通过超平面划分阈值，结合阈值可实现对异常个体的标定。
假设产生的超球体参数为中心o和对应的超球体半径r大于0，超球体的体积V(r)被最小化，中心o是线性组合；跟传统支持向量机(Support Vector Machine，SVM)方法相似，要求所有训练数据点Xi到中心的距离严格小于r。但是同时构造一个惩罚系数为C的松弛变量优化问题如下所示：
||xi-o||≤r+ζ,i＝1,2,3...m,ζ＞0 (23)
在步骤602中，对所有异常数据进行异常评分，本发明使用二分类方法，超过定义阈值的个体将被认为异常个体，参考如下公式：
式(24)中，Score(x)描述的是超平面中的标识点距两个超平面距离，o1为正向类中心点，o2为负向点的中心点，κ为常量值，用于减小负中心点的影响。本发明在使用过程中，将奶牛个体的生产数据加入到整体数据集中，形成单块数据结构，输入判断算法，根据异常分数进行异常个体评定。
在步骤603中，在所述量化评分大于预设阈值的情况下，确定所述量化评分对应的奶牛为非异常奶牛，在步骤604中，在所述量化评分小于或等于预设阈值的情况下，确定所述量化评分对应的奶牛为异常奶牛，所述预设阈值可以为0.3、0.5或者0.8。
可选地，所述量化评分可以标识正常程度，所述量化评分趋近于1，则说明个体数据正常，所述量化评分趋近于0，则说明个体异常性较强。
图8是本发明提供的异常奶牛检测方法的流程示意图之三，如图8所示，本发明分为模型应用以及模型训练两部分，在模型训练部分，首先进行数据采集，根据奶牛的体貌信息、时序信息、产奶信息、运动信息等等，实现数据的存储与采集，经过数据时序切割与分类，按分类模型训练不同类模型，利用编码器以及解码器实现自动编码，并通过One-Class分类异常判断，若在有监督验证时不收敛，则返回利用编码器以及解码器实现自动编码的步骤，若有监督验证时收敛，则进行模型提取，并实现模型参数保存以及模型权重参数的存储。
在模型应用部分，基于开源软件异构数据源离线同步工具DATAX的数据收集框架，实现数据处理与模型参数加载，伴随着最新数据的不断加入，实现数据的序列切分，通过正向判断、负向判断对得分进行计算，最终确定异常奶牛检测结果。
图9是本发明提供的异常奶牛检测装置的结构示意图，本发明提供了一种异常奶牛检测装置，包括第一获取单元1：用于基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据，所述第一获取单元1的工作原理可以参考前述步骤101，在此不予赘述。
所述异常奶牛检测装置还包括第二获取单元2：用于输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据，所述第二获取单元2的工作原理可以参考前述步骤102，在此不予赘述。
所述异常奶牛检测装置还包括确定单元3：用于根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛，所述确定单元3的工作原理可以参考前述步骤103，在此不予赘述。
所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
本发明提供了一种异常奶牛检测方法、装置、电子设备及介质，通过对连续时段内的奶牛采集数据融合后输入至异常奶牛检测模型进行数据分析，从而获取存在异常的数据并将异常数据放大后进行量化评分，最终确定异常奶牛，本发明为提高真实养殖场景下异常奶牛个体的排查与检查准确性，结合多模态数据汇聚方式将多类型传感数据进行融合，结合特征分析实现标识特征提取，同时结合异常奶牛检测模型法进行异常奶牛个体检测，提高异常奶牛个体的判断准确性，为异常奶牛个体判断提供有效依据，减少异常个体对养殖场影响。
图10是本发明提供的电子设备的结构示意图。如图10所示，该电子设备可以包括：处理器(processor)110、通信接口(Communications Interface)120、存储器(memory)130和通信总线140，其中，处理器110，通信接口120，存储器130通过通信总线140完成相互间的通信。处理器110可以调用存储器130中的逻辑指令，以执行异常奶牛检测方法，该方法包括：基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
此外，上述的存储器130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的异常奶牛检测方法，该方法包括：基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的异常奶牛检测方法，该方法包括：基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.异常奶牛检测方法，其特征在于，包括：
基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；
输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；
根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；
所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
2.根据权利要求1所述的异常奶牛检测方法，其特征在于，在基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据之前，所述方法还包括：
获取原始采集数据，所述原始采集数据包括电子标签标识个体信息、采集数据的时间序列、个体运动量信息、奶牛体貌信息数据、个体采食时长以及产奶性状；
处理所述原始采集数据，获取所述目标采集数据，所述目标采集数据包括每一奶牛在不同生长阶段下，所述目标时段内的活动量熵数据、体尺体貌参数生长情况、个体生长状态描述值、个体基本运动量、产奶数据离散情况、产奶量标准数值以及奶牛反刍次数；
所述个体运动量信息包括脚环步数以及颈环定位；所述奶牛体貌信息数据包括胸宽、腰强度、尻角度、蹄踵深度、乳房深度、前乳头长度、尻宽、骨质地、后肢后视、中央悬韧带、前乳头位置、前乳头长度、后乳房附着高度、后乳房附着宽度、后乳头位置、体深、蹄角度、后肢侧视、前乳房附着以及棱角性；所述个体采食时长包括颈环数据时长，反刍时长；所述产奶性状包括累计产量、单日产量以及单次产量；
所述不同生长阶段包括犊牛期、干奶期、生产期、疫病期。
3.根据权利要求1所述的异常奶牛检测方法，其特征在于，在处理所述原始采集数据之前，确定所述原始采集数据的缺失数据，填充所述缺失数据，获取填充后采集数据；
所述处理所述原始采集数据，获取所述目标采集数据，包括：
处理所述填充后采集数据，获取所述目标采集数据。
4.根据权利要求1所述的异常奶牛检测方法，其特征在于，所述异常奶牛检测模型包括第一自编码模块、时序编码模块以及第二自编码模块；
所述输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据，包括：
输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据；
输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据；
输入所述异常数据放大后数据至所述第二自编码模块，获取所述第二自编码模块输出的，异常数据显著的输出数据；
所述异常数据显著的输出数据包括重构误差放大后的异常数据。
5.根据权利要求4所述的异常奶牛检测方法，其特征在于，所述第一自编码模块与所述第二自编码模块相同；
所述第一自编码模块包括预设数量层级的编码器、维度处理层以及预设数量层级的解码器；
所述输入所述时序扩充数据至所述第一自编码模块，获取所述第一自编码模块输出的重构时序数据，包括：
输入所述时序扩充数据至所述预设数量层级的编码器，获取所述预设数量层级的编码器输出的减少节点后数据；
输入所述减少节点后数据至所述维度处理层，获取所述维度处理层输出的重构后数据；
输入所述重构后数据至所述预设数量层级的解码器，获取预设数量层级的解码器输出的增加节点后数据，以获取重构时序数据；
所述维度处理层用于降低所述减少节点后数据的维度后，再增加所述减少节点后数据的维度。
6.根据权利要求4所述的异常奶牛检测方法，其特征在于，所述输入所述重构时序数据至所述时序编码模块，获取所述时序编码模块输出的异常数据放大后数据，包括：
输入所述重构时序数据至所述时序编码模块的第一层，根据所述重构时序数据中每一时序对应的重构数据，获取所述第一层输出的重构平均数据；
输入所述重构平均数据至所述时序编码模块的第二层，根据所述第二层处理所述重构平均数据以及重构真实数据，获取所述第二层输出的重构异常数据；
输入所述重构异常数据至所述时序编码模块的第三层，获取所述第三层输出的异常数据放大后数据。
7.根据权利要求1所述的异常奶牛检测方法，其特征在于，所述根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛，包括：
基于预设分类算法处理所述异常数据显著的输出数据，确定所有异常数据；
对于每一异常数据，量化所述异常数据，获取量化评分；
在所述量化评分大于预设阈值的情况下，确定所述量化评分对应的奶牛为非异常奶牛；
在所述量化评分小于或等于预设阈值的情况下，确定所述量化评分对应的奶牛为异常奶牛。
8.一种异常奶牛检测装置，其特征在于，包括：
第一获取单元：用于基于预设时段扩充所有奶牛在目标时段所采集的目标采集数据，获取时序扩充数据；
第二获取单元：用于输入所述时序扩充数据至异常奶牛检测模型，获取所述异常奶牛检测模型输出的，异常数据显著的输出数据；
确定单元：用于根据所述异常数据显著的输出数据中每一奶牛的量化评分，确定所述目标时段下的异常奶牛；
所述时序扩充数据为目标时段的目标采集数据、在所述目标时段之前的预设时段内所采集数据，以及在所述目标时段之后的预设时段内所采集数据所构成的数据集合。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的异常奶牛检测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的异常奶牛检测方法。
CN202310499350.6A 2023-05-05 2023-05-05 异常奶牛检测方法、装置、电子设备及介质 Pending CN116680595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310499350.6A CN116680595A (zh) 2023-05-05 2023-05-05 异常奶牛检测方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310499350.6A CN116680595A (zh) 2023-05-05 2023-05-05 异常奶牛检测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116680595A true CN116680595A (zh) 2023-09-01

Family

ID=87786228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310499350.6A Pending CN116680595A (zh) 2023-05-05 2023-05-05 异常奶牛检测方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116680595A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195934A (zh) * 2023-11-07 2023-12-08 双胞胎（集团）股份有限公司 一种耳标的跟踪方法及养殖数据采集方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117195934A (zh) * 2023-11-07 2023-12-08 双胞胎（集团）股份有限公司 一种耳标的跟踪方法及养殖数据采集方法
CN117195934B (zh) * 2023-11-07 2024-02-20 双胞胎（集团）股份有限公司 一种耳标的跟踪方法及养殖数据采集方法

Similar Documents

Publication Publication Date Title
CN105091938B (zh) 畜禽健康状况监测方法及系统
CN116680595A (zh) 异常奶牛检测方法、装置、电子设备及介质
CN109871833B (zh) 一种基于深度学习卷积神经网络的农作物成熟度监控方法
CN114638536A (zh) 基于人工智能的畜牧健康监测方法与系统
CN113057585A (zh) 一种认知障碍检测模型及其训练方法
Post et al. Using sensor data to detect lameness and mastitis treatment events in dairy cows: A comparison of classification models
Sturm et al. A chaos theoretic approach to animal activity recognition
CN116934088A (zh) 一种基于分析模型的鸽子养殖智能管理方法及其系统
Van der Voort et al. Invited review: Toward a common language in data-driven mastitis detection research
García et al. Weight-identification model of cattle using machine-learning techniques for anomaly detection
CN113516139A (zh) 数据处理方法、装置、设备和存储介质
CN116246223A (zh) 一种奶牛多目标跟踪算法及健康评估方法
Tanwar et al. Multiple Grapes Leaf Disease Identification Using an Optimal Deep Learning Model: Xception
KR20210080055A (ko) 버섯 병해충 검출 시스템
CN115035590A (zh) 种牛状态的检测方法、装置及系统
McVey et al. Invited Review: Applications of unsupervised machine learning in livestock behavior: Case studies in recovering unanticipated behavioral patterns from precision livestock farming data streams
Yeşil et al. Recognition of Hereford and Simmental cattle breeds via computer vision.
Owalekar et al. An agri vigilance system based on computer vision and deep learning
Cassimiro et al. Milk weighing scale based on machine learning
Konka et al. Automatic classification of eating and ruminating in cattle using a collar mounted accelerometer
CN117745036B (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
Jensen et al. Comparison of data driven mastitis detection methods
Singhal et al. Cattle Collar: An End-to-End Multi-Model Framework for Cattle Monitoring
Trapanese et al. Short review of current limits and challenges of application of machine learning algorithms in the dairy sector
CN115517664B (zh) 动物体征量测量方法

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