CN117056862B - 基于物联网的家禽养殖环境异常监测系统 - Google Patents

基于物联网的家禽养殖环境异常监测系统 Download PDF

Info

Publication number
CN117056862B
CN117056862B CN202311306648.7A CN202311306648A CN117056862B CN 117056862 B CN117056862 B CN 117056862B CN 202311306648 A CN202311306648 A CN 202311306648A CN 117056862 B CN117056862 B CN 117056862B
Authority
CN
China
Prior art keywords
abnormal
abnormal point
sensor
point
anomaly
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311306648.7A
Other languages
English (en)
Other versions
CN117056862A (zh
Inventor
陈浩林
蒲龄
梁水生
谭尚琴
陈燕
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.)
Tongzi County Animal Disease Prevention And Control Center
Guizhou Institute Of Animal Husbandry And Veterinary Medicine
Original Assignee
Tongzi County Animal Disease Prevention And Control Center
Guizhou Institute Of Animal Husbandry And Veterinary Medicine
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 Tongzi County Animal Disease Prevention And Control Center, Guizhou Institute Of Animal Husbandry And Veterinary Medicine filed Critical Tongzi County Animal Disease Prevention And Control Center
Priority to CN202311306648.7A priority Critical patent/CN117056862B/zh
Publication of CN117056862A publication Critical patent/CN117056862A/zh
Application granted granted Critical
Publication of CN117056862B publication Critical patent/CN117056862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K15/00—Testing or calibrating of thermometers
    • G01K15/005—Calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/05—Agriculture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis

Abstract

本发明涉及数据处理技术领域，具体涉及基于物联网的家禽养殖环境异常监测系统，包括：温度数据、传感器位置编号采集模块，每个异常点的干扰异常程度获取模块，环境异常点集合获取模块，警报模块，利用各位置编号的传感器采集各时刻的温度数据；根据各位置编号的传感器采集的各时刻的温度数据得到每个异常点的时空关联性；根据每个异常点的时空关联性得到每个异常点的干扰异常程度；根据每个异常点的干扰异常程度得到每个异常点集合的调整局部可达密度；进而得到环境异常点集合；根据环境异常点集合进行警报控制，从而实现排除其他因素的干扰，准确获取环境适宜造成的异常温度数据，进而提高警报的准确性。

Description

基于物联网的家禽养殖环境异常监测系统
技术领域
本发明涉及数据处理技术领域，具体涉及基于物联网的家禽养殖环境异常监测系统。
背景技术
基于物联网的家禽养殖环境异常监测系统是实现温度监测的有效措施之一，其是养殖场环境控制的重要组成部分，根据科学合理的温度监测，养殖场可以根据温度变化调节通风、加热、降温等设备的运行，以维持合适的温度范围，可以避免能源的浪费，节约养殖资源，减少养殖对环境的负面影响。
传统方法一般是以温度阈值的形式来进行环境温度异常监测，其往往依赖于温度传感器的准确读数，但当复杂环境中造成温度传感器采集到的温度数据存在异常的因素有多种，一个是家畜与温度传感器的距离不同，其采集到的温度数据存在差异，当家畜移动过程中与温度传感器的距离发生变化，造成温度传感器采集到的温度存在差异，从而产生温度异常误判，还有传感器异常造成的温度数据异常，以及环境温度异常产生的温度数据异常。为了能够准确进行环境温度异常监测需排除温度传感器异常以及家畜与传感器距离变化造成异常干扰。
发明内容
本发明提供基于物联网的家禽养殖环境异常监测系统，以解决现有的问题：排除动物与传感器距离变化以及传感器异常等因素的干扰，实现准确的环境温度异常监测。
本发明的基于物联网的家禽养殖环境异常监测系统采用如下技术方案：
本发明一个实施例提供了基于物联网的家禽养殖环境异常监测系统，该系统包括以下模块：
温度数据、传感器位置编号采集模块，用于根据传感器位置为各传感器设置位置编号，利用各位置编号的传感器采集各时刻的温度数据；
每个异常点的干扰异常程度获取模块，用于根据各位置编号的传感器采集的各时刻的温度数据得到所有异常点，获取每个异常点的参考异常点，根据每个异常点对应的传感器与各参考异常点对应的传感器的距离以及各异常点与参考异常点的时间间隔情况得到每个异常点的时空关联性；获取所有的异常点集合，根据每个异常点的时空关联性以及每个异常点与异常点集合内各异常点的温度差异情况得到每个异常点的干扰异常程度；
环境异常点集合获取模块，用于根据每个异常点的干扰异常程度得到每个异常点集合的干扰异常程度，根据利用每个异常点集合的干扰异常程度得到每个异常点集合的调整局部可达密度；根据每个异常点集合的调整局部可达密度得到环境异常点集合；
警报模块，用于根据环境异常点集合进行警报控制。
优选的，所述根据传感器位置为各传感器设置位置编号，包括的具体方法为：
将所有传感器构成传感器集合，将左上角的传感器作为第一个传感器，将第一累计距离设置为0，将第一个传感器的位置编号设置为第一累计距离，在传感器集合中去除第一个传感器得到第一剩余传感器集合，然后在第一剩余传感器集合中获取与第一个传感器距离最近的传感器作为第二个传感器，将第一个传感器与第二个传感器的距离与第一累计距离的累加和记为第二累计距离，将第二个传感器的位置编号设置为第二累计距离，在第一剩余传感器集合中去除第二个传感器得到第二剩余传感器集合，之后在第二剩余传感器集合中获取与第二个传感器距离最近的传感器作为第三个传感器，将第三个传感器与第二个传感器的距离加上第二累计距离得到第三累计距离，将第三个传感器的位置编号设置为的第三累计距离，…，以此类推，为每个传感器设置位置编号。
优选的，所述根据各位置编号的传感器采集的各时刻的温度数据得到所有异常点，获取每个异常点的参考异常点，包括的具体方法为：
设置三维笛卡尔坐标系，其中x轴表示时间轴，y轴表示位置编号轴，z轴表示温度轴，获取每个位置编号的传感器采集的每个时刻的温度数据在所述坐标系中的坐标点；判断每个位置编号的传感器采集的每个时刻的温度数据是否属于预设温度范围W，将不属于预设温度范围的温度数据对应的坐标点作为异常点，获取所有异常点；
对于第i个异常点，所述异常点的坐标为，将范围作为第i个异常点的邻域范围，将邻域范围内的异常点作为 第i个异常点的参考异常点，获取每个异常点的参考异常点，R表示预设半径阈值。
优选的，所述根据每个异常点对应的传感器与各参考异常点对应的传感器的距离以及各异常点与参考异常点的时间间隔情况得到每个异常点的时空关联性，包括的具体方法为：
其中，表示每个异常点与第k个参考异常点的时间差值，表示每个异常点 与第k个参考异常点的位置编号差值，分别表示预设时间权重参数和预设位置权重参 数，表示每个异常点的参考异常点的数量，表示利用最大值最小值归一化 方法进行归一化处理，表示每个异常点的时空关联性。
优选的，所述获取所有的异常点集合，包括的具体方法为：
将每个异常点向x轴投影得到每个异常点的投影点，将连续的投影点构成一个投影点集合，获取所有的投影点集合，将投影点集合中的各投影点利用所述投影点对应的异常点替换得到异常点集合。
优选的，所述根据每个异常点的时空关联性以及每个异常点与异常点集合内各异常点的温度差异情况得到每个异常点的干扰异常程度，包括的具体方法为：
在每个异常点集合中，当两个异常点对应的两个投影点相邻时，将所述两个异常点构成异常点对，获取每个异常点集合的所有异常点对，将每个异常点对中两异常点的温度数据的差值绝对值作为每个异常点对的温度变化率；
根据每个异常点集合、每个异常点对的温度变化率和每个异常点的时空关联性得到每个异常点的干扰异常程度的计算方法为：
其中，表示每个异常点所属的异常点集合中异常点个数，表示每个异常点所 属的异常点集合的第j个异常点对的温度变化率，表示每个异常点的时空关联性，表示利用最大值最小值归一化方法进行归一化处理，表示每个异常点的 干扰异常程度。
优选的，所述根据每个异常点的干扰异常程度得到每个异常点集合的干扰异常程度，包括的具体方法为：
将每个异常点集合中所有异常点的干扰异常程度的累加和作为每个异常点集合的干扰异常程度。
优选的，所述根据利用每个异常点集合的干扰异常程度得到每个异常点集合的调整局部可达密度，包括的具体方法为：
计算每个异常点集合与其他各异常点集合的最近距离；
根据每个异常点集合的干扰异常程度以及每个异常点集合与其他各异常点集合最近距离得到每个异常点集合的调整局部可达密度的计算方法为：
其中，表示每个异常点集合的干扰异常程度，表示每个异常点集合与第s个 其他异常点集合的最近距离，表示异常点集合的数量，表示每个异常点集合的调整局 部可达密度，exp()表示以自然常数为底的指数函数。
优选的，所述根据每个异常点集合的调整局部可达密度得到环境异常点集合，包括的具体方法为：
根据每个异常点集合的调整局部可达密度，对异常点集合进行离群检测得到非离群的异常点集合，将非离群的异常点集合称为环境异常点集合。
优选的，所述根据环境异常点集合进行警报控制，包括的具体方法为：
预设分层阈值A、B，将环境异常点集合中各坐标点的温度数据称为环境异常温度， 将所有环境异常温度求均值得到环境异常温度均值，根据公式计算环 境异常温度均值的偏离程度，当环境异常温度均值的偏离程度小于等于A时，发出警报声音 a，当环境异常温度均值大于A且小于等于B时，发出警报声音b，当环境异常温度均值大于B 时，发出警报声音c；当环境异常点集合为空集时，不发出警报；a,b,c表示预设的三种不同 的警报声音，分别表示预设温度范围的上限值和下限值。
本发明的技术方案的有益效果是：根据传感器位置为各传感器设置位置编号，利用各位置编号的传感器采集各时刻的温度数据；根据各位置编号的传感器采集的各时刻的温度数据得到所有异常点，获取每个异常点的参考异常点，根据每个异常点对应的传感器与各参考异常点对应的传感器的距离情况以及各异常点与参考异常点的时间间隔情况得到每个异常点的时空关联性；获取所有的异常点集合，根据每个异常点的时空关联性以及每个异常点与异常点集合内各异常点的温度差异情况得到每个异常点的干扰异常程度；根据每个异常点的干扰异常程度得到每个异常点集合的干扰异常程度，根据利用每个异常点集合的干扰异常程度得到每个异常点集合的调整局部可达密度；根据每个异常点集合的调整局部可达密度得到环境异常点集合；根据环境异常点集合进行警报控制，从而实现排除家畜移动和传感器异常产生的异常温度数据的干扰，准确的获得环境不适宜造成的异常温度数据，进而实现准确的警报。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于物联网的家禽养殖环境异常监测系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于物联网的家禽养殖环境异常监测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于物联网的家禽养殖环境异常监测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于物联网的家禽养殖环境异常监测系统的结构框图，该系统包括以下模块：
温度数据、传感器位置编号采集模块101，获取各传感器的位置编号，利用各位置编号的传感器采集多个时刻的温度数据。
需要说明的是，造成温度数据产生异常的因素有多种，其中包括家畜与传感器的距离变化、传感器异常以及环境温度异常，而为了实现准确的环境温度异常监测，需排除其他两种因素的干扰。
为了实现本实施例提出的基于物联网的家禽养殖环境异常监测系统，首先采集数据，采集的数据包括：传感器的位置编号和多个时刻的温度数据。
布置传感器：在家畜养殖中心中人为选取几个位置安装采集温度数据的传感器，并在养殖中心的地面上选取一个点作为原点，通过原点向正北方作为u轴方向，向正东方作为v轴方向，向正上方作为q轴方向构建地面坐标系，在地面坐标系中获取每个传感器的坐标点，根据传感器的坐标点得到传感器之间的欧式距离。
其中传感器的位置编号的获取过程为：将所有传感器构成传感器集合，将左上角的传感器作为第一个传感器，将第一累计距离设置为0，将第一个传感器的位置编号设置为第一累计距离，在传感器集合中去除第一个传感器得到第一剩余传感器集合，然后在第一剩余传感器集合中获取与第一个传感器距离最近的传感器作为第二个传感器，将第一个传感器与第二个传感器的欧式距离与第一累计距离的累加和记为第二累计距离，将第二个传感器的位置编号设置为第二累计距离，在第一剩余传感器集合中去除第二个传感器得到第二剩余传感器集合，之后在第二剩余传感器集合中获取与第二个传感器距离最近的传感器作为第三个传感器，将第三个传感器与第二个传感器的欧式距离加上第二累计距离得到第三累计距离，将第三个传感器的位置编号设置为的第三累计距离，…，以此类推，为每个传感器设置位置编号。
采集温度数据的具体过程为：将每个位置编号的传感器每间隔30秒采集一次温度数据，采集N次温度数据，本实施例以N取10000为例进行叙述，其他实施例可以取其他值，本实施例不进行具体限制。
至此，通过上述方法得到各传感器的位置编号以及各位置编号的传感器采集的多个温度数据。
每个异常点的干扰异常程度获取模块102，对每个位置编号的传感器采集的温度数据进行异常检测得到异常点，对每个异常点的时序关联和空间关联性进行分析得到每个异常点的时空关联程度，结合每个异常点的温度变化特征得到每个异常点的干扰异常程度。
需要说明的是，家畜一般只能在一定环境温度中健康生长，因而根据家畜的健康生长所需环境温度情况来设置预设温度范围，根据预设温度范围对采集的温度数据进行异常判定。
需要进一步说明的是，现实生活中，家畜移动过程中，不会一直紧贴着每个传感器行走，而是偶尔通过一小部分传感器附近，因而家畜移动之后造成一定空间范围内的传感器采集到异常温度数据。由于家畜是依次从各传感器附近通过，当家畜行走至各传感器时，该传感器就会采集到异常温度数据。因而家畜移动会造成一定范围内的传感器依次采集到异常温度数据，基于该特征来计算每个异常点的时空关联性。
具体的，设置三维笛卡尔坐标系，其中x轴表示时间轴，y轴表示位置编号轴，z轴表 示温度轴，获取每个位置编号的传感器采集的每个时刻的温度数据在所述坐标系中的坐标 点；判断每个位置编号的传感器采集的每个时刻的温度数据是否属于预设温度范围，将不属于预设温度范围的温度数据对应的坐标点作为异常点，分别 表示预设温度范围的上限值和下限值，本实施例以、分别取为例进行叙述，其 他实施例中可以取其他值，本实施例不进行具体限制。
进一步的，第i个异常点坐标为，将范围作为第i个异常点的邻域范围，将邻域范围内的异常点作为 第i个异常点的参考异常点，R表示预设半径阈值，本实施例以R取5为例进行叙述，其他实施 例可以取其他值，本实施例不进行具体限制；同理得到每个异常点的参考异常点，根据每个 异常点的参考异常点得到每个异常点的时空关联性的计算方法为：
其中，表示每个异常点与第k个参考异常点的时间差值，该值越大说明该异常 点与该参考异常点的时间间隔较长，表示每个异常点与第k个参考异常点的位置编号 差值，该值越大说明该异常点对应的传感器与该参考异常点对应的传感器距离较远，， 分别表示预设时间权重参数和预设位置权重参数，本实施例以取0.32，取0.68为例进行 叙述，其他实施例可以取其他值，本实施例不进行具体限制，表示每个异常点的参考异常 点的数量，表示利用最大值最小值归一化方法进行归一化处理， 反映了各异常点对应的传感器与参考异常点对应的传感器的距离情况，该值越大，说明在 一定空间范围内的传感器依次采集到异常温度数据，因而该异常温度数据是因为家畜依次 从各传感器附近走过导致，反映了各异常点与参考异常点的时间间隔情况，该值 越大，说明在一定时间范围内的异常温度数据的时间间隔较大，因而该异常温度数据是因 为家畜从一个传感器附近向下一个传感器附近移动过程中，家畜距离这两个传感器的距离 均较远，这两个传感器在这期间采集不到异常温度数据，因而异常温度数据的时间间隔较 大，表示每个异常点的时空关联性。
需要说明的是，传感器异常采集到的温度数据会一直不变，结合该特征计算每个异常点的干扰异常程度。
进一步的，将坐标系中的每个异常点向x轴投影得到每个异常点的投影点，将连续分布的投影点构成一个投影点集合，获取所有的投影点集合，将投影点集合中的各投影点利用该投影点对应的异常点替换得到异常点集合，在每个异常点集合中，当两个异常点对应的两个投影点相邻时，将这个两个异常点构成异常点对，获取每个异常点集合的所有异常点对，将每个异常点对中两异常点的温度数据的差值绝对值作为每个异常点对的温度变化率，根据每个异常点集合、每个异常点对的温度变化率和每个异常点的时空关联性得到每个异常点的干扰异常程度：
其中，表示每个异常点所属的异常 点集合中异常点的个数，该值越大说明该异常点处的异常持续时间较长，表示每个异常 点所属的异常点集合的第j个异常点对的温度变化率，反映了异常点处的持续温度 变化情况，该值越大说明该异常点处的温度变化一直较为平缓，因而该异常点是由传感器 异常导致的概率较大，因而该异常点的干扰异常程度较大，表示每个异常点的时空关联 性，该值越大说明该异常点是由家畜移动导致的概率较大，因而该异常点的干扰异常程度 较大，表示利用最大值最小值归一化方法进行归一化处理。表示每个异 常点的干扰异常程度。
至此，通过上述过程得到每个异常点的干扰异常程度。
环境异常点集合获取模块103，根据异常点的干扰异常程度得到每个异常点集合的异常局部可达密度，根据每个异常点集合的局部可达密度得到每个异常点的干扰异常置信度。
需要说明的是，传统的LOF算法进行异常检测时，一般是根预设的固定可达距离来判断异常点的局部可达密度，这种算法能够分离出离群点，但是干扰因素导致异常温度数据和不适宜的环境导致的异常温度数据会存在重叠，即利用传统LOF无法直接进行区分，为了能够对这两种异常温度数据进行区分，需利用干扰异常程度对LOF算法中的局部可达密度进行调整。
具体的，将每个异常点集合中所有异常点的干扰异常程度的累加和作为每个异常点集合的干扰异常程度，计算每个异常点集合与其他各异常点集合的最近距离，根据每个异常点集合的干扰异常程度以及每个异常点集合与其他各异常点集合最近距离得到每个异常点集合的调整局部可达密度的计算方法为：
其中，表示每个异常点集合的干扰异常程度，表示每个异常点集合与第s个 其他异常点集合的最近距离，表示异常点集合的数量，表示每个异常点集合的调整局 部可达密度，通过该式能够实现对利用干扰异常程度对每个异常点集合的局部可达密度进 行修正调整得到调整局部可达密度，exp()表示以自然常数为底的指数函数。
进一步的，根据每个异常点集合的调整局部可达密度，利用LOF算法对异常点集合进行处理得到离群的异常点集合和非离群的异常点集合，由于家畜移动和传感器异常产生的温度误差是小概率事件，因而离群的异常点集合中的异常点的温度数据为干扰因素导致的异常温度数据，非离群的异常点集合中异常点的温度数据为不适宜的环境导致的异常温度数据，将非离群的异常点集合称为环境异常点集合。
警报模块104，根据非离群异常点集合进行警报。
具体的，预设分层阈值A、B，将环境异常点集合中各坐标点的温度数据称为环境异 常温度，将所有环境异常温度求均值得到环境异常温度均值，根据公式计算环境异常温度均值的偏离程度，当环境异常温度的均值偏离程度 小于等于A时，发出警报声音a，当环境异常温度均值大于A且小于等于B时，发出警报声音b， 当环境异常温度均值大于B时，发出警报声音c。当环境异常点集合为空集时，不发出警报。 本实施例以A取，B取为例进行叙述，其他实施例可以取其他值，本实 施例不进行具体限制，其中分别表示预设温度范围的上限值和下限值，a,b,c表示预 设的三种不同的警报声音，本实施例中以a、b、c声音分别设置为“温度轻度异常”、“温度中 度异常”、“温度严重异常”，为例进行叙述，其他实施例中可以取其他值，本实施例本进行具 体限制。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于物联网的家禽养殖环境异常监测系统，其特征在于，该系统包括以下模块：
温度数据、传感器位置编号采集模块，用于根据传感器位置为各传感器设置位置编号，利用各位置编号的传感器采集各时刻的温度数据；
每个异常点的干扰异常程度获取模块，用于根据各位置编号的传感器采集的各时刻的温度数据得到所有异常点，获取每个异常点的参考异常点，根据每个异常点对应的传感器与各参考异常点对应的传感器的距离以及各异常点与参考异常点的时间间隔情况得到每个异常点的时空关联性；获取所有的异常点集合，根据每个异常点的时空关联性以及每个异常点与异常点集合内各异常点的温度差异情况得到每个异常点的干扰异常程度；
环境异常点集合获取模块，用于根据每个异常点的干扰异常程度得到每个异常点集合的干扰异常程度，根据利用每个异常点集合的干扰异常程度得到每个异常点集合的调整局部可达密度；根据每个异常点集合的调整局部可达密度得到环境异常点集合；
警报模块，用于根据环境异常点集合进行警报控制；
所述根据每个异常点对应的传感器与各参考异常点对应的传感器的距离以及各异常点与参考异常点的时间间隔情况得到每个异常点的时空关联性，包括的具体方法为：
;
其中，表示每个异常点与第k个参考异常点的时间差值，/>表示每个异常点与第k个参考异常点的位置编号差值，/>别表示预设时间权重参数和预设位置权重参数，/>表示每个异常点的参考异常点的数量，/>表示利用最大值最小值归一化方法进行归一化处理，/>示每个异常点的时空关联性；
所述根据各位置编号的传感器采集的各时刻的温度数据得到所有异常点，获取每个异常点的参考异常点，包括的具体方法为：
设置三维笛卡尔坐标系，其中x轴表示时间轴，y轴表示位置编号轴，z轴表示温度轴，获取每个位置编号的传感器采集的每个时刻的温度数据在所述坐标系中的坐标点；判断每个位置编号的传感器采集的每个时刻的温度数据是否属于预设温度范围W，将不属于预设温度范围的温度数据对应的坐标点作为异常点，获取所有异常点；
对于第i个异常点，所述异常点的坐标为，将范围/>作为第i个异常点的邻域范围，将邻域范围内的异常点作为第i个异常点的参考异常点，获取每个异常点的参考异常点，R表示预设半径阈值；
所述根据每个异常点集合的调整局部可达密度得到环境异常点集合，包括的具体方法为：
根据每个异常点集合的调整局部可达密度，对异常点集合进行离群检测得到非离群的异常点集合，将非离群的异常点集合称为环境异常点集合。
2.根据权利要求1所述基于物联网的家禽养殖环境异常监测系统，其特征在于，所述根据传感器位置为各传感器设置位置编号，包括的具体方法为：
将所有传感器构成传感器集合，将左上角的传感器作为第一个传感器，将第一累计距离设置为0，将第一个传感器的位置编号设置为第一累计距离，在传感器集合中去除第一个传感器得到第一剩余传感器集合，然后在第一剩余传感器集合中获取与第一个传感器距离最近的传感器作为第二个传感器，将第一个传感器与第二个传感器的距离与第一累计距离的累加和记为第二累计距离，将第二个传感器的位置编号设置为第二累计距离，在第一剩余传感器集合中去除第二个传感器得到第二剩余传感器集合，之后在第二剩余传感器集合中获取与第二个传感器距离最近的传感器作为第三个传感器，将第三个传感器与第二个传感器的距离加上第二累计距离得到第三累计距离，将第三个传感器的位置编号设置为的第三累计距离，以此类推，为每个传感器设置位置编号。
3.根据权利要求1所述基于物联网的家禽养殖环境异常监测系统，其特征在于，所述获取所有的异常点集合，包括的具体方法为：
将每个异常点向x轴投影得到每个异常点的投影点，将连续的投影点构成一个投影点集合，获取所有的投影点集合，将投影点集合中的各投影点利用所述投影点对应的异常点替换得到异常点集合。
4.根据权利要求3所述基于物联网的家禽养殖环境异常监测系统，其特征在于，所述根据每个异常点的时空关联性以及每个异常点与异常点集合内各异常点的温度差异情况得到每个异常点的干扰异常程度，包括的具体方法为：
在每个异常点集合中，当两个异常点对应的两个投影点相邻时，将所述两个异常点构成异常点对，获取每个异常点集合的所有异常点对，将每个异常点对中两异常点的温度数据的差值绝对值作为每个异常点对的温度变化率；
根据每个异常点集合、每个异常点对的温度变化率和每个异常点的时空关联性得到每个异常点的干扰异常程度的计算方法为：
；
其中，表示每个异常点所属的异常点集合中异常点个数，/>表示每个异常点所属的异常点集合的第j个异常点对的温度变化率，/>表示每个异常点的时空关联性，/>表示利用最大值最小值归一化方法进行归一化处理，/>表示每个异常点的干扰异常程度。
5.根据权利要求1所述基于物联网的家禽养殖环境异常监测系统，其特征在于，所述根据每个异常点的干扰异常程度得到每个异常点集合的干扰异常程度，包括的具体方法为：
将每个异常点集合中所有异常点的干扰异常程度的累加和作为每个异常点集合的干扰异常程度。
6.根据权利要求1所述基于物联网的家禽养殖环境异常监测系统，其特征在于，所述根据利用每个异常点集合的干扰异常程度得到每个异常点集合的调整局部可达密度，包括的具体方法为：
计算每个异常点集合与其他各异常点集合的最近距离；
根据每个异常点集合的干扰异常程度以及每个异常点集合与其他各异常点集合最近距离得到每个异常点集合的调整局部可达密度的计算方法为：
；
其中，表示每个异常点集合的干扰异常程度，/>表示每个异常点集合与第s个其他异常点集合的最近距离，/>表示异常点集合的数量，/>表示每个异常点集合的调整局部可达密度，exp()表示以自然常数为底的指数函数。
7.根据权利要求1所述基于物联网的家禽养殖环境异常监测系统，其特征在于，所述根据环境异常点集合进行警报控制，包括的具体方法为：
预设分层阈值A、B，将环境异常点集合中各坐标点的温度数据称为环境异常温度，将所有环境异常温度求均值得到环境异常温度均值，根据公式/>计算环境异常温度均值的偏离程度，当环境异常温度均值的偏离程度小于等于A时，发出警报声音a，当环境异常温度均值大于A且小于等于B时，发出警报声音b，当环境异常温度均值大于B时，发出警报声音c；当环境异常点集合为空集时，不发出警报；a,b,c表示预设的三种不同的警报声音，/>分别表示预设温度范围的上限值和下限值。
CN202311306648.7A 2023-10-10 2023-10-10 基于物联网的家禽养殖环境异常监测系统 Active CN117056862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311306648.7A CN117056862B (zh) 2023-10-10 2023-10-10 基于物联网的家禽养殖环境异常监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311306648.7A CN117056862B (zh) 2023-10-10 2023-10-10 基于物联网的家禽养殖环境异常监测系统

Publications (2)

Publication Number Publication Date
CN117056862A CN117056862A (zh) 2023-11-14
CN117056862B true CN117056862B (zh) 2023-12-19

Family

ID=88662962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311306648.7A Active CN117056862B (zh) 2023-10-10 2023-10-10 基于物联网的家禽养殖环境异常监测系统

Country Status (1)

Country Link
CN (1) CN117056862B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117311417B (zh) * 2023-11-30 2024-02-06 山东泽林农业科技有限公司 基于物联网的智慧农业信息综合管理方法及系统
CN117470380B (zh) * 2023-12-26 2024-03-22 西安艺琳农业发展有限公司 一种智慧养猪多传感器监测及预警系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105764162A (zh) * 2016-05-10 2016-07-13 江苏大学 一种基于多属性关联的无线传感器网络异常事件检测方法
CN107155932A (zh) * 2017-05-12 2017-09-15 淮阴工学院 一种基于无线传感器网络的牛舍环境温度检测系统
CN108337685A (zh) * 2018-01-26 2018-07-27 重庆邮电大学 基于分簇dgm的无线传感器网络数据融合方法
CN110309886A (zh) * 2019-07-08 2019-10-08 安徽农业大学 基于深度学习的无线传感器高维数据实时异常检测方法
CN113992718A (zh) * 2021-10-28 2022-01-28 安徽农业大学 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统
KR20220160974A (ko) * 2021-05-28 2022-12-06 인하대학교 산학협력단 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템
CN115876258A (zh) * 2023-02-14 2023-03-31 山东大佳机械有限公司 基于多源数据的畜禽养殖环境异常监测及报警系统
CN116046187A (zh) * 2023-04-03 2023-05-02 探长信息技术(苏州)有限公司 一种用于通信柜的温度异常远程监测系统
KR20230072920A (ko) * 2021-11-18 2023-05-25 한국과학기술원 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치
CN116304898A (zh) * 2023-05-15 2023-06-23 北京信息科技大学 基于机器学习的传感器数据智能存储系统
CN116431975A (zh) * 2023-06-12 2023-07-14 陕西巨人商务信息咨询有限公司 一种数据中心的环境监测方法及系统
CN116458449A (zh) * 2023-04-19 2023-07-21 安徽景和禽业科技有限公司 一种家禽养殖监管方法及系统
CN116611000A (zh) * 2023-07-17 2023-08-18 东营市恒盛农业科技有限公司 基于机器学习的大闸蟹养殖环境智能监测系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105764162A (zh) * 2016-05-10 2016-07-13 江苏大学 一种基于多属性关联的无线传感器网络异常事件检测方法
CN107155932A (zh) * 2017-05-12 2017-09-15 淮阴工学院 一种基于无线传感器网络的牛舍环境温度检测系统
CN108337685A (zh) * 2018-01-26 2018-07-27 重庆邮电大学 基于分簇dgm的无线传感器网络数据融合方法
CN110309886A (zh) * 2019-07-08 2019-10-08 安徽农业大学 基于深度学习的无线传感器高维数据实时异常检测方法
KR20220160974A (ko) * 2021-05-28 2022-12-06 인하대학교 산학협력단 지도 학습 모델 및 비지도 학습 모델의 앙상블 구조를 이용한 대기질 데이터의 이상 판정 방법 및 시스템
CN113992718A (zh) * 2021-10-28 2022-01-28 安徽农业大学 一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统
KR20230072920A (ko) * 2021-11-18 2023-05-25 한국과학기술원 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치
CN115876258A (zh) * 2023-02-14 2023-03-31 山东大佳机械有限公司 基于多源数据的畜禽养殖环境异常监测及报警系统
CN116046187A (zh) * 2023-04-03 2023-05-02 探长信息技术(苏州)有限公司 一种用于通信柜的温度异常远程监测系统
CN116458449A (zh) * 2023-04-19 2023-07-21 安徽景和禽业科技有限公司 一种家禽养殖监管方法及系统
CN116304898A (zh) * 2023-05-15 2023-06-23 北京信息科技大学 基于机器学习的传感器数据智能存储系统
CN116431975A (zh) * 2023-06-12 2023-07-14 陕西巨人商务信息咨询有限公司 一种数据中心的环境监测方法及系统
CN116611000A (zh) * 2023-07-17 2023-08-18 东营市恒盛农业科技有限公司 基于机器学习的大闸蟹养殖环境智能监测系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Anomaly Event Detection in Temporal Sensor Network Data of Intelligent Environments;Li Ye 等;《2010 2nd International Conference on Computer Engineering and Technology》;第7卷;414-420 *
农业数据处理中的异常检测方法研究;尹宝全;《中国博士论文全文数据库农业科技辑》(第02期);D043-3 *
物联网节点设备异常状态在线监测方法研究;崔颖;《中国优秀硕士学位论文全文数据库信息科技辑》(第07期);I136-595 *
精准化环境监测预警系统的设计与实现;骆天浩;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》(第02期);B027-4316 *

Also Published As

Publication number Publication date
CN117056862A (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN117056862B (zh) 基于物联网的家禽养殖环境异常监测系统
Bai et al. Reliable data fusion of hierarchical wireless sensor networks with asynchronous measurement for greenhouse monitoring
US9969492B2 (en) Crop height estimation with unmanned aerial vehicles
CN102573049B (zh) 一种室内定位方法及系统
Bettencourt et al. Separating the wheat from the chaff: Practical anomaly detection schemes in ecological applications of distributed sensor networks
EP3482630A1 (en) Method, system and computer program for performing a pest forecast
CN112113603B (zh) 一种基于移动机器人的室内多源环境健康指数监测评估方法
CN116229036B (zh) 数据采集系统、方法、计算机设备及存储介质
KR20120087212A (ko) 가두리 양식장 원격 감시 장치
Murugamani et al. Machine learning technique for precision agriculture applications in 5G-based internet of things
NO20210919A1 (en) Systems and methods for predicting growth of a population of organisms
CN109345798A (zh) 一种养殖场监控方法、装置、设备和存储介质
CN116032692A (zh) 一种智能物联网关以及基于智能物联网关的物联网系统
CN116337018A (zh) 一种水资源在线监测系统
Rane et al. Design of An IoT based Smart Plant Monitoring System
CN117349664B (zh) 一种芽苗菜生长环境在线监测方法及系统
CN113075945A (zh) 一种基于环境信息反馈的养鱼池环境监控系统
Nirmala et al. An Approach for Detecting Complications in Agriculture Using Deep Learning and Anomaly-Based Diagnosis
Araneta et al. Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning
CN111597464B (zh) 一种基于物联网的数据展示优化方法及装置
Xu et al. Research on monocular vision distance measurement algorithm based on reference target
CN115423005A (zh) 一种联合收获机大数据重构方法与装置
Ding et al. Social density detection for suckling piglets based on convolutional neural network combined with local outlier factor algorithm
CN117391482B (zh) 一种基于大数据监测的大棚温度智能预警方法及系统
KR102368838B1 (ko) 노지 스마트 팜에서 센서 노드의 고장 진단 및 관리 방법 및 장치

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