CN117633698B - 基于养殖信息的家畜采食量监测方法和装置 - Google Patents

基于养殖信息的家畜采食量监测方法和装置 Download PDF

Info

Publication number
CN117633698B
CN117633698B CN202410110783.2A CN202410110783A CN117633698B CN 117633698 B CN117633698 B CN 117633698B CN 202410110783 A CN202410110783 A CN 202410110783A CN 117633698 B CN117633698 B CN 117633698B
Authority
CN
China
Prior art keywords
feed intake
livestock
information
breeding
standard
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
CN202410110783.2A
Other languages
English (en)
Other versions
CN117633698A (zh
Inventor
何龙
祝李军
李玥
蒋智鑫
顾勋
姜云朝
朱海波
石格立
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.)
Chia Tai Agricultural Science Research Co ltd
Original Assignee
Chia Tai Agricultural Science Research Co ltd
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 Chia Tai Agricultural Science Research Co ltd filed Critical Chia Tai Agricultural Science Research Co ltd
Priority to CN202410110783.2A priority Critical patent/CN117633698B/zh
Publication of CN117633698A publication Critical patent/CN117633698A/zh
Application granted granted Critical
Publication of CN117633698B publication Critical patent/CN117633698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • G06N3/04—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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于养殖信息的家畜采食量监测方法和装置，应用于畜牧业技术领域。该方法包括：获取目标家畜的养殖状态信息和养殖过程信息；根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；获取所述目标家畜当前的实际采食量；根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。

Description

基于养殖信息的家畜采食量监测方法和装置
技术领域
本发明涉及畜牧业技术领域，尤其涉及一种基于养殖信息的家畜采食量监测方法和装置。
背景技术
在现代畜牧业中，为了增加养殖效益，需要通过科学的饲养管理和营养调控方法来提高家畜的生长速度和体重。
现有技术中，可以在家畜出栏销售之后，根据家畜的体重和采食量等信息评估此次养殖过程的饲养成绩，并基于该饲养成绩为下次养殖过程提供指导信息。
然而，这种评估方式无法及时对本次养殖过程中出现的问题进行干预，评估作用存在较强的滞后性。
发明内容
本发明提供一种基于养殖信息的家畜采食量监测方法和装置，用以解决现有技术中评估方式无法及时对本次养殖过程中出现的问题进行干预，评估作用存在较强的滞后性的问题。
本发明提供一种基于养殖信息的家畜采食量监测方法，包括：获取目标家畜的养殖状态信息和养殖过程信息；根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；获取所述目标家畜当前的实际采食量；根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。
根据本发明提供的一种基于养殖信息的家畜采食量监测方法，所述根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量，包括：将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，所述预设神经网络模型包括卷积网络和长短期记忆网络，所述卷积网络用于提取所述养殖状态信息的信息特征，所述长短期记忆网络用于提取所述养殖过程信息的信息特征。
根据本发明提供的一种基于养殖信息的家畜采食量监测方法，所述将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量之前，所述方法还包括：获取训练样本；根据标准料肉比确定所述训练样本中每个样本的训练标签，得到训练数据，所述训练标签为家禽的标准采食量；通过所述训练数据训练所述预设神经网络模型。
根据本发明提供的一种基于养殖信息的家畜采食量监测方法，所述根据标准料肉比确定所述训练样本中每个样本的训练标签，包括：根据公式确定所述训练样本中每个样本的训练标签；其中，/>为实际头均采食量，/>为家畜出栏时的增重信息，/>为家畜出栏时实际料肉比与标准料肉比之间的差值。
根据本发明提供的一种基于养殖信息的家畜采食量监测方法，所述将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量之前，所述方法还包括：获取家畜出栏时的实际料肉比；根据家畜出栏时的实际采食量和家畜出栏时的实际料肉比评估所述预设神经网络模型的预测准确率；所述将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量，包括：在所述预测准确率大于第一阈值的情况下，将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，预测准确的情况包括：所述实际采食量超过所述标准采食量且所述实际料肉比超过标准料肉比、所述实际采食量不超过所述标准采食量且所述实际料肉比不超过标准料肉比。
本发明还提供一种基于养殖信息的家畜采食量监测装置，包括：获取模块和处理模块；所述获取模块，用于获取目标家畜的养殖状态信息和养殖过程信息；所述处理模块，用于根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；所述获取模块，用于获取所述目标家畜当前的实际采食量；所述处理模块，用于根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。
根据本发明提供的一种基于养殖信息的家畜采食量监测装置，所述处理模块，用于将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，所述预设神经网络模型包括卷积网络和长短期记忆网络，所述卷积网络用于提取所述养殖状态信息的信息特征，所述长短期记忆网络用于提取所述养殖过程信息的信息特征。
根据本发明提供的一种基于养殖信息的家畜采食量监测装置，所述获取模块，用于获取训练样本；所述处理模块，用于根据标准料肉比确定所述训练样本中每个样本的训练标签，得到训练数据，所述训练标签为家禽的标准采食量；通过所述训练数据训练所述预设神经网络模型。
根据本发明提供的一种基于养殖信息的家畜采食量监测装置，所述处理模块，用于根据公式确定所述训练样本中每个样本的训练标签；其中，/>为实际头均采食量，/>为家畜出栏时的增重信息，为家畜出栏时实际料肉比与标准料肉比之间的差值。
根据本发明提供的一种基于养殖信息的家畜采食量监测装置，所述获取模块，用于获取家畜出栏时的实际料肉比；所述处理模块，用于根据家畜出栏时的实际采食量和家畜出栏时的实际料肉比评估所述预设神经网络模型的预测准确率；所述处理模块，用于在所述预测准确率大于第一阈值的情况下，将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，预测准确的情况包括：所述实际采食量超过所述标准采食量且所述实际料肉比超过标准料肉比、所述实际采食量不超过所述标准采食量且所述实际料肉比不超过标准料肉比。
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基于养殖信息的家畜采食量监测方法的步骤。
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基于养殖信息的家畜采食量监测方法的步骤。
本发明提供的基于养殖信息的家畜采食量监测方法和装置，可以获取目标家畜的养殖状态信息和养殖过程信息；根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；获取所述目标家畜当前的实际采食量；根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。通过该方案，由于可以根据家畜的养殖状态信息和养殖过程信息预测家畜的标准采食量，因此可以为养殖过程中的采食量提供评估依据；由于可以根据实际采食量与所述标准采食量之间的差异值评估所述家畜的采食量是否存在异常，因此可以及时发现家畜采食量的异常，从而及时采取对应的干预措施，进而提高本批次家畜养殖的经济效益。
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是本发明提供的基于养殖信息的家畜采食量监测方法的流程示意图之一；
图2是本发明提供的养殖状态信息的编码示意图；
图3是本发明提供的基于养殖信息的家畜采食量监测方法的流程示意图之二；
图4是本发明提供的基于养殖信息的家畜采食量监测装置的结构示意图；
图5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。
需要说明的是，本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本发明实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。
为了便于清楚描述本发明实施例的技术方案，在本发明实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
本发明实施例为了阐释的目的而描述了一些示例性实施例，需要理解的是，本发明可通过附图中没有具体示出的其他方式来实现。
下面结合具体实施例和附图对上述实现方式进行详细的阐述。
在现代畜牧业中，肥猪的育肥过程是一个关键环节。通过科学的饲养管理和营养调控，可以提高肥猪的生长速度和体重，从而增加养殖效益。然而，由于环境、饲料质量、疾病等各种因素的影响，肥猪在育肥过程中可能出现采食量异常的情况，这会导致生长速度变慢、饲料利用率降低、养殖成本增加等问题。因此，如何准确预测肥猪的采食量，及时发现并解决相关问题，对于提高肥猪养殖效益具有重要意义。
为解决上述问题，如图1所示，本发明实施例提供一种基于养殖信息的家畜采食量监测方法，该基于养殖信息的家畜采食量监测方法可以应用于基于养殖信息的家畜采食量监测装置。该基于养殖信息的家畜采食量监测方法可以包括S101-S104：
S101、基于养殖信息的家畜采食量监测装置获取目标家畜的养殖状态信息和养殖过程信息。
可选地，上述养殖状态信息为离散变量，该养殖状态信息可以包括目标家畜进栏前的信息，该养殖状态信息的影响因素可以包括遗传因素、环境因素和管理因素；其中，遗传因素包括以下至少一项：品种、窝均断奶数、分娩率，环境因素包括以下至少一项：季节、地域省份、舍内温度以及根据舍内温度确定的衍生温度指标，管理因素包括以下至少一项：家畜进栏日龄、家畜出栏日龄、死亡率、死亡均重。
可选地，上述养殖过程信息为连续的时间序列变量，该养殖过程信息可以包括目标家畜进栏后的养殖信息。具体是指，从目标家畜的进栏时间到当前时间内统计的饲养天数信息、饲料耗用信息、死亡头数信息、死亡体重信息、畜舍内的温度信息、根据该温度信息确定的衍生温度指标、畜舍内的氨气含量信息、根据该氨气含量信息确定的衍生氨气含量指标、畜舍内的二氧化碳含量信息、根据该二氧化碳含量确定的衍生二氧化碳含量指标、畜舍内的湿度信息、根据该湿度信息确定的衍生湿度指标、畜舍内的风速信息以及根据该风速信息确定的衍生风速指标等数据。
可选地，上述衍生温度指标可以包括以下至少一项：日高温率、日低温率、高温持续时长、低温持续时长等。
可选地，上述衍生氨气含量指标可以包括以下至少一项：日均氨气含量、日氨气超标异常率、日氨气超标持续时长等。
可选地，上述衍生二氧化碳含量指标可以包括以下至少一项：日均二氧化碳含量、日二氧化碳超标异常率、日二氧化碳超标持续时长等。
可选地，上述衍生湿度指标可以包括以下至少一项：日高湿率、日低湿率、高湿持续时长、低湿持续时长等。
可选地，上述衍生风速指标可以包括以下至少一项：换气频率、日最高风速、日最低风速、日平均风速等。
需要说明的是，本申请实施例中的进栏是指将家畜买进，出栏是指将家畜卖出。
S102、基于养殖信息的家畜采食量监测装置根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量。
可选地，基于养殖信息的家畜采食量监测装置根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量，具体可以包括：将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，所述预设神经网络模型包括卷积网络和长短期记忆网络（Long Short-Term Memory，LSMT），所述卷积网络用于提取所述养殖状态信息的信息特征，所述长短期记忆网络用于提取所述养殖过程信息的信息特征。
具体地，基于养殖信息的家畜采食量监测装置可以先对养殖状态信息和养殖过程信息进行编码，其中，由于养殖状态信息为离散变量，因此可以采用独热one-hot编码方式或者数字编码方式。如图2所示，对于影响因素为遗传因素的养殖状态信息，可以将所有品种在2566矩阵的第一列位置进行编码，窝均断奶和分娩率可以在[254:255，0]位置直接赋值，窝均断奶和分娩率均以家畜进栏时间所在月的种畜场生产指标为准；对于影响因素为环境因素的养殖状态信息，可以将地理分类如山区、平原、丘陵等信息在矩阵第2列上半区编码，省份信息在第2列下半区编码，季节或舍内温度在第3列进行编码，季节以家畜进栏日龄为编码索引起点，当前日龄为编码索引终点，将家畜进栏开始至当前每一天的季节信息，依次编码至季节编码区中；对于影响因素为管理因素的养殖状态信息，可以将家畜进栏日龄（iage）、家畜出栏日龄（oage）、家畜进栏均重（iwgh）、死亡率（d_rate）、死亡均重（d_wgh）依次赋值编码至图中对应位置中，完成编码后，补充64x1矩阵，调整为40x40大小。由于养殖过程信息为连续的时间序列变量，因此可以将养殖过程信息的时间序列最大长度设置为可以覆盖家畜整个饲养周期的长度，例如，若家畜为猪，则可以将该时间序列最大长度设置为256。之后，如图3所示，可以将编码后的养殖状态信息输入卷积网络，将编码后的养殖过程信息输入LSMT网络，两个网络的输出经过特征拼接后再通过全连接层FCLayer和ReLU层，最终得到目标家畜的标准采食量。
需要说明的是，预设神经网络模型中的卷积网络包含多个卷积层、残差结构。LSMT网络包括多个隐含层，取最后一个隐含层时间维度作为输出，卷积网络和LSTM网络输出结果拼接后经过全连接层输出，最后一层ReLU保证标准采食量预测的非负性。
可选地，在将养殖状态信息和养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量之前，基于养殖信息的家畜采食量监测装置可以获取训练样本；根据标准料肉比确定所述训练样本中每个样本的训练标签，得到训练数据，所述训练标签为家禽的标准采食量；通过所述训练数据训练所述预设神经网络模型。
具体地，预设神经网络模型的训练可以采用L1Loss，其中，80%的训练数据为训练集，20%的训练数据为测试集，训练过程可以包括200个epoch，学习率前100个epoch设置为1e-5，然后降至1e-6，训练损失可以按照公式计算。
需要说明的是，养殖管理的目标是在相同的进栏体重、出栏体重条件下，尽可能降低料肉比。各大养殖公司均存在一套标准料肉比，该标准料肉比类似一把尺子，衡量了在不同进栏体重、出栏体重组合条件下，对应的标准料肉比，通过计算出栏时的实际料肉比与标准料肉比的差异，即可获知本次饲养成绩的好坏。
可选地，对于新的出栏数据，可以周期性融入历史出栏训练数据中，并在已训练模型上微调，从而实现模型的周期性更新。
可选地，基于养殖信息的家畜采食量监测装置根据标准料肉比确定所述训练样本中每个样本的训练标签，包括：根据公式确定所述训练样本中每个样本的训练标签；其中，/>为实际头均采食量，/>为家畜出栏时的增重信息，该增重信息是指家畜出栏均重与家畜进栏均重间的差值，/>为家畜出栏时实际料肉比与标准料肉比之间的差值。
具体地，通过对家畜采食明细数据按照农场维度进行随机采样，可以获取不同家畜进栏日龄、家畜出栏日龄条件下的特征数据。训练标签为标准采食量，标准采食量需对齐标准料肉比。由于饲养天数与累计料肉比近似呈线性关系，因此可将出栏采食差异信息线性分摊到饲养过程中，进一步丰富训练数据。
可选地，为了准确评估预设神经网络模型的预测准确率，可以获取家畜出栏时的实际料肉比；根据家畜出栏时的实际采食量和家畜出栏时的实际料肉比评估所述预设神经网络模型的预测准确率；所述将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量，包括：在所述预测准确率大于第一阈值的情况下，将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，预测准确的情况包括：所述实际采食量超过所述标准采食量且所述实际料肉比超过标准料肉比、所述实际采食量不超过所述标准采食量且所述实际料肉比不超过标准料肉比。
具体地，如表1所示，若实际采食量不超过所述标准采食量且所述实际料肉比不超过标准料肉比，则认为预测准确；若实际采食量不超过所述标准采食量但实际料肉比超过标准料肉比，则认为是漏报；若实际采食量超过标准采食量且实际料肉比超过标准料肉比，则认为预测准确；若实际采食量不超过标准采食量，但实际料肉比超过标准料肉比，则认为误报。如表2所示，通过统计预测准确的样本数量占总样本数量的比例可以得到模型的预测准确率。
表1
表2
基于上述方案，由于可以评估预设神经网络模型的预测准确率，因此在将预设神经网络模型投入应用后，可以为饲养过程提供可靠的调整依据。
S103、基于养殖信息的家畜采食量监测装置获取所述目标家畜当前的实际采食量。
S104、基于养殖信息的家畜采食量监测装置根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常。
可选地，在实际采食量与标准采食量之间的差异值出现异常后，饲养人员可以及时排查养殖管理过程中的异常情况，如饲料录入不准确、无控料措施、疾病影响、管理不善等。
本发明实施例中，由于可以根据家畜的养殖状态信息和养殖过程信息预测家畜的标准采食量，因此可以为养殖过程中的采食量提供评估依据；由于可以根据实际采食量与所述标准采食量之间的差异值评估所述家畜的采食量是否存在异常，因此可以及时发现家畜采食量的异常，从而及时采取对应的干预措施，进而提高本批次家畜养殖的经济效益。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本发明实施例提供的基于养殖信息的家畜采食量监测方法，执行主体可以为基于养殖信息的家畜采食量监测装置，或者该基于养殖信息的家畜采食量监测装置中的用于基于养殖信息的家畜采食量监测的控制模块。本发明实施例中以基于养殖信息的家畜采食量监测装置执行基于养殖信息的家畜采食量监测方法为例，说明本发明实施例提供的基于养殖信息的家畜采食量监测装置。
需要说明的是，本发明实施例可以根据上述方法示例对基于养殖信息的家畜采食量监测装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
如图4所示，本发明实施例提供一种基于养殖信息的家畜采食量监测装置400。该基于养殖信息的家畜采食量监测装置400包括：获取模块401和处理模块402。所述获取模块401，可以用于获取目标家畜的养殖状态信息和养殖过程信息；所述处理模块402，用于根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；所述获取模块401，用于获取所述目标家畜当前的实际采食量；所述处理模块402，用于根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。
可选的，所述处理模块402，用于将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，所述预设神经网络模型包括卷积网络和长短期记忆网络，所述卷积网络用于提取所述养殖状态信息的信息特征，所述长短期记忆网络用于提取所述养殖过程信息的信息特征。
可选的，所述获取模块401，用于获取训练样本；所述处理模块402，用于根据标准料肉比确定所述训练样本中每个样本的训练标签，得到训练数据，所述训练标签为家禽的标准采食量；通过所述训练数据训练所述预设神经网络模型。
可选的，所述处理模块402，用于根据公式确定所述训练样本中每个样本的训练标签；其中，/>为实际头均采食量，/>为家畜出栏时的增重信息，/>为家畜出栏时实际料肉比与标准料肉比之间的差值。
可选的，所述获取模块401，用于获取家畜出栏时的实际料肉比；所述处理模块402，用于根据家畜出栏时的实际采食量和家畜出栏时的实际料肉比评估所述预设神经网络模型的预测准确率；所述处理模块402，用于在所述预测准确率大于第一阈值的情况下，将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；其中，预测准确的情况包括：所述实际采食量超过所述标准采食量且所述实际料肉比超过标准料肉比、所述实际采食量不超过所述标准采食量且所述实际料肉比不超过标准料肉比。
本发明实施例中，由于可以根据家畜的养殖状态信息和养殖过程信息预测家畜的标准采食量，因此可以为养殖过程中的采食量提供评估依据；由于可以根据实际采食量与所述标准采食量之间的差异值评估所述家畜的采食量是否存在异常，因此可以及时发现家畜采食量的异常，从而及时采取对应的干预措施，进而提高本批次家畜养殖的经济效益。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于养殖信息的家畜采食量监测方法，该方法包括：获取目标家畜的养殖状态信息和养殖过程信息；根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；获取所述目标家畜当前的实际采食量；根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。
此外，上述的存储器530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存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于养殖信息的家畜采食量监测方法，该方法包括：获取目标家畜的养殖状态信息和养殖过程信息；根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；获取所述目标家畜当前的实际采食量；根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。
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提供的基于养殖信息的家畜采食量监测方法，该方法包括：获取目标家畜的养殖状态信息和养殖过程信息；根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；获取所述目标家畜当前的实际采食量；根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息。
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 (8)

1.一种基于养殖信息的家畜采食量监测方法，其特征在于，包括：
获取目标家畜的养殖状态信息和养殖过程信息；
根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；
获取所述目标家畜当前的实际采食量；
根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；
其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息；
所述根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量，包括：
根据公式确定训练样本中每个样本的训练标签，所述训练标签为标准采食量；
根据所述训练样本和所述训练标签训练预设神经网络模型，并预测所述目标家畜的标准采食量；
其中，为标准采食量，/>为实际头均采食量，/>为家畜出栏时的增重信息，/>为家畜出栏时实际料肉比与标准料肉比之间的差值。
2.根据权利要求1所述的基于养殖信息的家畜采食量监测方法，其特征在于，所述根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量，包括：
将所述养殖状态信息和所述养殖过程信息输入所述预设神经网络模型，得到所述目标家畜的标准采食量；
其中，所述预设神经网络模型包括卷积网络和长短期记忆网络，所述卷积网络用于提取所述养殖状态信息的信息特征，所述长短期记忆网络用于提取所述养殖过程信息的信息特征。
3.根据权利要求2所述的基于养殖信息的家畜采食量监测方法，其特征在于，所述将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量之前，所述方法还包括：
获取所述训练样本；
根据标准料肉比确定所述训练样本中每个样本的训练标签，得到训练数据，所述训练标签为家禽的标准采食量；
通过所述训练数据训练所述预设神经网络模型。
4.根据权利要求3所述的基于养殖信息的家畜采食量监测方法，其特征在于，所述将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量之前，所述方法还包括：
获取家畜出栏时的实际料肉比；
根据家畜出栏时的实际采食量和家畜出栏时的实际料肉比评估所述预设神经网络模型的预测准确率；
所述将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量，包括：
在所述预测准确率大于第一阈值的情况下，将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；
其中，预测准确的情况包括：所述实际采食量超过所述标准采食量且所述实际料肉比超过标准料肉比、所述实际采食量不超过所述标准采食量且所述实际料肉比不超过标准料肉比。
5.一种基于养殖信息的家畜采食量监测装置，其特征在于，包括：获取模块和处理模块；
所述获取模块，用于获取目标家畜的养殖状态信息和养殖过程信息；
所述处理模块，用于根据所述养殖状态信息和所述养殖过程信息预测所述目标家畜的标准采食量；
所述获取模块，用于获取所述目标家畜当前的实际采食量；
所述处理模块，用于根据所述实际采食量与所述标准采食量之间的差异值评估所述目标家畜的采食量是否存在异常；
其中，所述养殖状态信息的影响因素包括遗传因素、环境因素和管理因素；所述养殖过程信息包括所述目标家畜进栏后的养殖信息；
所述处理模块，用于根据公式确定训练样本中每个样本的训练标签，所述训练标签为标准采食量；根据所述训练样本和所述训练标签训练预设神经网络模型，并预测所述目标家畜的标准采食量；
其中，为标准采食量，/>为实际头均采食量，/>为家畜出栏时的增重信息，/>为家畜出栏时实际料肉比与标准料肉比之间的差值。
6.根据权利要求5所述的基于养殖信息的家畜采食量监测装置，其特征在于，所述处理模块，用于将所述养殖状态信息和所述养殖过程信息输入所述预设神经网络模型，得到所述目标家畜的标准采食量；其中，所述预设神经网络模型包括卷积网络和长短期记忆网络，所述卷积网络用于提取所述养殖状态信息的信息特征，所述长短期记忆网络用于提取所述养殖过程信息的信息特征。
7.根据权利要求6所述的基于养殖信息的家畜采食量监测装置，其特征在于，所述获取模块，用于获取训练样本；所述处理模块，用于根据标准料肉比确定所述训练样本中每个样本的训练标签，得到训练数据，所述训练标签为家禽的标准采食量；通过所述训练数据训练所述预设神经网络模型。
8.根据权利要求7所述的基于养殖信息的家畜采食量监测装置，其特征在于，
所述获取模块，用于获取家畜出栏时的实际料肉比；
所述处理模块，用于根据家畜出栏时的实际采食量和家畜出栏时的实际料肉比评估所述预设神经网络模型的预测准确率；
所述处理模块，具体用于在所述预测准确率大于第一阈值的情况下，将所述养殖状态信息和所述养殖过程信息输入预设神经网络模型，得到所述目标家畜的标准采食量；
其中，预测准确的情况包括：所述实际采食量超过所述标准采食量且所述实际料肉比超过标准料肉比、所述实际采食量不超过所述标准采食量且所述实际料肉比不超过标准料肉比。
CN202410110783.2A 2024-01-26 2024-01-26 基于养殖信息的家畜采食量监测方法和装置 Active CN117633698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410110783.2A CN117633698B (zh) 2024-01-26 2024-01-26 基于养殖信息的家畜采食量监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410110783.2A CN117633698B (zh) 2024-01-26 2024-01-26 基于养殖信息的家畜采食量监测方法和装置

Publications (2)

Publication Number Publication Date
CN117633698A CN117633698A (zh) 2024-03-01
CN117633698B true CN117633698B (zh) 2024-04-26

Family

ID=90027279

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410110783.2A Active CN117633698B (zh) 2024-01-26 2024-01-26 基于养殖信息的家畜采食量监测方法和装置

Country Status (1)

Country Link
CN (1) CN117633698B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118365469B (zh) * 2024-05-13 2024-09-27 鹿寨县畜牧工作站 一种用于肉牛养殖的均衡营养喂食系统及其方法
CN118171784B (zh) * 2024-05-14 2024-08-16 正大农业科学研究有限公司 猪料肉比预测方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781870A (zh) * 2019-11-29 2020-02-11 东北农业大学 一种基于ssd卷积神经网络的奶牛反刍行为识别方法
CN111274975A (zh) * 2020-01-21 2020-06-12 中国农业大学 猪只采食行为预测方法及装置
CN113379329A (zh) * 2021-07-14 2021-09-10 深圳市天然农业数字技术有限公司 一种家畜数据管理方法、装置、电子设备及计算机可读存储介质
KR20220088180A (ko) * 2020-12-18 2022-06-27 라온피플 주식회사 가축의 음식섭취 영상을 기반으로 하는 이동식 개체관리 장치 및 방법
KR20220146225A (ko) * 2021-04-23 2022-11-01 주식회사 인포벨리코리아 딥러닝 영상분석 기술 기반 양돈수 카운팅 및 환돈 탐지 시스템
CN115359050A (zh) * 2022-10-19 2022-11-18 正大农业科学研究有限公司 家畜采食量异常检测方法及装置
CN115624011A (zh) * 2022-10-20 2023-01-20 温氏食品集团股份有限公司 一种小白鸡养殖光照控制方法、系统、电子设备和介质
CN115812626A (zh) * 2022-12-07 2023-03-21 山东省农业科学院畜牧兽医研究所 一种种猪性能测定系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781870A (zh) * 2019-11-29 2020-02-11 东北农业大学 一种基于ssd卷积神经网络的奶牛反刍行为识别方法
CN111274975A (zh) * 2020-01-21 2020-06-12 中国农业大学 猪只采食行为预测方法及装置
KR20220088180A (ko) * 2020-12-18 2022-06-27 라온피플 주식회사 가축의 음식섭취 영상을 기반으로 하는 이동식 개체관리 장치 및 방법
KR20220146225A (ko) * 2021-04-23 2022-11-01 주식회사 인포벨리코리아 딥러닝 영상분석 기술 기반 양돈수 카운팅 및 환돈 탐지 시스템
CN113379329A (zh) * 2021-07-14 2021-09-10 深圳市天然农业数字技术有限公司 一种家畜数据管理方法、装置、电子设备及计算机可读存储介质
CN115359050A (zh) * 2022-10-19 2022-11-18 正大农业科学研究有限公司 家畜采食量异常检测方法及装置
CN115624011A (zh) * 2022-10-20 2023-01-20 温氏食品集团股份有限公司 一种小白鸡养殖光照控制方法、系统、电子设备和介质
CN115812626A (zh) * 2022-12-07 2023-03-21 山东省农业科学院畜牧兽医研究所 一种种猪性能测定系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Production Efficiency Prediction of Pig Breeding Industry by Optimized LSTM Computer Algorithm under Environmental Regulation;Yunfei Jia;《Scientific Programming》;20211226;第1-12页 *
基于优化的长短时记忆神经网络牧群采食量估测模型;孟云琪;《安徽农业大学学报》;20221114;第49卷(第5期);第832-837页 *

Also Published As

Publication number Publication date
CN117633698A (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN117633698B (zh) 基于养殖信息的家畜采食量监测方法和装置
Hames Time allocation
CN114330858A (zh) 一种水生态环境的评估系统
Braasch et al. Post-fledging body mass as a determinant of subadult survival in Common Terns Sterna hirundo
CN109711590B (zh) 渔业水质分析监测方法、装置和系统
CN114065481A (zh) 基于大数据的草地数据监测方法、系统和可读存储介质
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
CN111713427B (zh) 一种乳猪卫生健康状况监控系统
CN117717006A (zh) 养殖管理系统和方法
CN115359050B (zh) 家畜采食量异常检测方法及装置
CN109359624B (zh) 基于神经网络的蛋鸡采食行为的预测方法及预测装置
CN115759789A (zh) 一种基于ai算法的智慧养殖智能管理系统
CN112380486B (zh) 用于海水观赏鱼养殖状态的动态监测评估方法及系统
Iskhakov et al. Development of methodological tools for forecasting the activities of agricultural organizations to ensure food security in the region
Kirk et al. The role of environmental variation in mediating fitness trade‐offs for an amphibian polyphenism
Vincenzi et al. A framework for estimating the determinants of spatial and temporal variation in vital rates and inferring the occurrence of unobserved extreme events
CN111985968A (zh) 一种畜牧业评估方法及系统
Meerbeek et al. Effects of hatchery broodstock collection on adult Muskellunge populations
CN116432907B (zh) 一种基于深度学习的牲畜运动行为分析方法及系统
CN117994064B (zh) 基于水质智能感知的鲫鱼繁育全流程监测方法及系统
US20240341282A1 (en) Domesticated fowl health monitoring system and method
Hou et al. Multi-objective scheduling model of green production based on genetic algorithm under agricultural supply side structure
Yamuna et al. IWQMA: Intelligent Water Quality Management in Aquaculture using IoT Technology
CN113674518B (zh) 一种柑橘植株高温热害等级预报方法及系统
Bessell-Browne et al. Stock assessment of the Queensland Gulf of Carpentaria Spanish mackerel (Scomberomorus commerson) fishery

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