CN117828480A - 一种基于深度学习的肉牛发情状态识别与评估方法 - Google Patents
一种基于深度学习的肉牛发情状态识别与评估方法 Download PDFInfo
- Publication number
- CN117828480A CN117828480A CN202410238533.7A CN202410238533A CN117828480A CN 117828480 A CN117828480 A CN 117828480A CN 202410238533 A CN202410238533 A CN 202410238533A CN 117828480 A CN117828480 A CN 117828480A
- Authority
- CN
- China
- Prior art keywords
- beef cattle
- data
- estrus
- layer
- model
- 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
Links
- 230000012173 estrus Effects 0.000 title claims abstract description 109
- 235000015278 beef Nutrition 0.000 title claims abstract description 67
- 241000283690 Bos taurus Species 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000003542 behavioural effect Effects 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000003203 everyday effect Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 18
- 230000002354 daily effect Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000036760 body temperature Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000036651 mood Effects 0.000 claims description 4
- 230000001568 sexual effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 235000021050 feed intake Nutrition 0.000 claims description 3
- 235000012631 food intake Nutrition 0.000 claims description 3
- 230000037406 food intake Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000022676 rumination Effects 0.000 claims description 3
- 208000015212 rumination disease Diseases 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 230000001850 reproductive effect Effects 0.000 abstract 1
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 235000013365 dairy product Nutrition 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 229910021529 ammonia Inorganic materials 0.000 description 2
- 235000021316 daily nutritional intake Nutrition 0.000 description 2
- 230000009027 insemination Effects 0.000 description 2
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 2
- 230000000624 ovulatory effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000282849 Ruminantia Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000016087 ovulation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- A01K67/00—Rearing or breeding animals, not otherwise provided for; New or modified breeds of animals
- A01K67/02—Breeding vertebrates
-
- 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
- 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
- G06F18/2431—Multiple classes
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
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)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental Sciences (AREA)
- Animal Husbandry (AREA)
- Animal Behavior & Ethology (AREA)
- Zoology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于深度学习的肉牛发情状态识别与评估方法,涉及深度学习技术领域。包括:确定肉牛的发情行为与影响因素;收集肉牛每天的各种生理数据和行为数据得到数据集;对数据集进行预处理;对预处理后的数据集进行组织和划分,将整个数据集划分为训练集、验证集和测试集;构建CNN‑LSTM‑Attention模型;对CNN‑LSTM‑Attention模型进行训练;对训练后的CNN‑LSTM‑Attention模型进行评估和测试;将待测数据输入CNN‑LSTM‑Attention模型进行发情识别和评估。本发明有助于提升肉牛发情状态识别的精确度,提高肉牛的繁殖性能和生产效率。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种基于深度学习的肉牛发情状态识别与评估方法。
背景技术
肉牛的繁殖管理是养殖产业中的重要环节之一,及时准确地判断出发情肉牛并进行适时配种能有效提高肉牛的受胎率、减少空怀期、优化种群结构、增加经济效益。
肉牛性成熟之后,就会有一个周期性的发情期,从第一次发情开始到下一次发情开始的时间,中间的时间间隔就算一个发情周期。根据肉牛的发情周期特征以及表现,发情周期分为发情前期,发情期,发情后期和休情期。肉牛在发情期间往往会有一些特有的行为,例如肉牛的活动量增加、采食量降低、爬跨行为、哞叫等等,这些行为往往在发情期间较为频繁。肉牛的排卵期通常发生在发情后。一般来说,肉牛的排卵发生在发情期的24到30小时后,这段时间是最佳的交配时机,因为此时卵子已经释放,能够被受精。在肉牛繁殖管理中,通常会选择在发情后的排卵期进行人工授精,以提高受精成功率。因此,准确的判断肉牛是否处于发情期是进行人工授精的重要条件,可以提高肉牛的养殖效率。
肉牛发情行为的识别对于提高牧场繁殖效率具有重要意义,传统的发情监测方法包括直肠触摸检测、阴道检查以及试情法等,但由于发情行为的多样性及其生理和行为上的复杂变化,这些方法要求操作人员具备高度的技术水平,容易出现发情观察不及时、不准确,甚至导致漏配现象。
因此,提出一种基于深度学习的肉牛发情状态识别与评估方法,来解决现有技术中发情观察不及时、不准确,甚至导致漏配的问题,是本领域技术人员亟须解决的问题。
发明内容
有鉴于此,本发明提供了一种基于深度学习的肉牛发情状态识别与评估方法,可以显著提升肉牛发情状态识别的精确度,有效减少了传统方法的误识别和漏配。
为了实现上述目的,本发明采用如下技术方案:
一种基于深度学习的肉牛发情状态识别与评估方法,包括:
S1、确定肉牛的发情行为与影响因素;
S2、收集肉牛每天的各种生理数据和行为数据得到数据集;
S3、对数据集进行预处理;
S4、对预处理后的数据集进行组织和划分,将整个数据集划分为训练集、验证集和测试集;
S5、构建CNN-LSTM-Attention模型;
S6、对CNN-LSTM-Attention模型进行训练;
S7、对训练后的CNN-LSTM-Attention模型进行评估和测试;
S8、将待测数据输入CNN-LSTM-Attention模型进行发情识别和评估。
上述的方法,可选的,S1中肉牛的发情行为包括肉牛发情期间的行为、心理变化,以及性活动变化。
上述的方法,可选的,S2的具体内容为:采用高度精确的传感器和数据采集系统,收集肉牛每天的各种生理数据和行为数据,包括:日活动量、日饮水量、日进食量、反刍时长、休息时间、心率、体温以及哞叫次数。
上述的方法,可选的,记录并标注每天肉牛处于的发情周期阶段,包括发情前期、发情期、发情后期和休情期。
上述的方法,可选的,S3中对数据集进行预处理包括:缺失值处理、异常值处理、数据标准化。
上述的方法,可选的,缺失值处理:若数据集中存在缺失值,采用插值的方法进行处理;对于时间序列数据,设X i 为缺失值,X i-1和X i+1为相邻的已知数据点,线性插值公式如下:
;
异常值处理:使用统计学中的箱线图Box Plot来检测异常值;异常值的判定公式如下所示:
;
;
其中,和/>分别是数据的第一四分位数和第三四分位数,/>是四分位数范围;异常值将被替换为上限或下限的值;
数据标准化:采用均值和标准差的标准化方法,公式如下:
。
上述的方法,可选的,S4中,对收集的时间序列数据进行组织和划分,将连续7天的数据作为一个样本单元,数据集总共有n天的数据,将得到n-6个样本单元,每个样本单元包含的7天内肉牛的进食量变化、体温波动、活动量等数据信息,最后一天的发情状态将用于确定该样本的标签,确定肉牛在这一天是否发情;
在构建样本后,将整个数据集划分为训练集、验证集和测试集,比例分别为60%、20%和20%。
上述的方法,可选的,CNN-LSTM-Attention模型结构由输入层、Conv1D层、Dropout层、LSTM层、Attention层、Flatten层、Dense层、Softmax层和输出层组成;
CNN-LSTM-Attention模型输出的分类结果有四个发情状态,最终输出大小为4位的one-hot编码,代表各个发情状态的概率。
上述的方法,可选的,S5构建的CNN-LSTM-Attention模型工作流程具体如下:
S501、待测首先通过CNN层即Conv1D层进行局部特征提取,CNN层后接Dropout层;
S502、提取的特征被送入LSTM层,LSTM层学习数据的时间序列特征,进一步处理时间依赖性;
S503、提取的特征进入注意力层;
S504、在经过S501-S503的特征提取和分析后,数据通过Flatten层被扁平化,然后传递到Dense层进行进一步的处理;
S505、通过softmax层输出为分类结果。
上述的方法,可选的,S6中,模型训练的具体内容为:
设置每批样本数Batch Size为32,并计划进行1000轮训练Epochs,采用交叉熵损失函数优化分类效果,并设定初始学习率为0.001,配合Adam优化器以适应不同参数的具体学习需求;若验证集准确率在连续100轮内未显著提升,则终止训练;
模型中加入了Dropout层,设置率为0.2;
通过网格搜索、随机搜索或贝叶斯优化,对LSTM层的隐藏单元数量、注意力层的结构和参数进行调整和优化。
上述的方法,可选的,S7中,模型评估和测试包括:
通过采用标准化的评估指标——准确率、精确度、召回率和F1分数,全面评估模型在不同发情周期内的分类性能;
在测试阶段,使用独立测试集评估模型对未见数据的预测能力,从而验证其在实际场景中的可靠性;
混淆矩阵提供了模型性能的直观视图,包含四个关键指标:真正例TP、真负例TN、假正例FP和假负例FN;
准确度是模型正确预测的样本数量与总样本数量之比,公式如下:
;
精确度衡量模型在所有判定为发情的样本中,真正是发情的比例,公式如下:
;
召回率衡量模型在所有真正发情的样本中,成功预测为发情的比例,公式如下:
;
F1分数是精确度和召回率的调和平均,综合考虑了模型的准确性和全面性,公式如下:
。
经由上述的技术方案可知,与现有技术相比,本发明提供了一种基于深度学习的肉牛发情状态识别与评估方法,具有以下有益效果:
1)本发明不仅显著提升了发情状态识别的精确度,而且有效减少了传统方法的误识别和漏配,为牧场管理提供了一种高效可靠的技术方案;
2)本发明综合考虑影响肉牛发情相关的多种因素,包括肉牛的日活动量、心率、体温、日饮水量、日进食量、反刍时长、休息时间,以及哞叫次数8个关键指标,此外将日平均温度、日平均湿度、二氧化氮浓度和氨气浓度等牛场环境因素纳入分析范围,有效消除了单一日数据的异常波动对判别结果的影响,从而显著提升了发情状态识别的准确度;
3)本发明应用CNN-LSTM-Attention模型,不仅能够处理和分析复杂且动态变化的生理和行为数据,还能够通过注意力机制自适应地聚焦于最有可能表明发情状态的关键信号,不仅提高了发情状态识别的准确性,还增加了模型的适应性和鲁棒性,使其成为肉牛发情状态识别的一种强有力的技术方案。
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,还可以根据提供的附图获得其他的附图。
图1为本发明公开的一种基于深度学习的肉牛发情状态识别与评估方法流程图。
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做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。
在本申请中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
参照图1所示,本发明公开了一种基于深度学习的肉牛发情状态识别与评估方法,包括以下步骤:
S1、确定肉牛的发情行为与影响因素;
S2、收集肉牛每天的各种生理数据和行为数据得到数据集;
S3、对数据集进行预处理;
S4、对预处理后的数据集进行组织和划分,将整个数据集划分为训练集、验证集和测试集;
S5、构建CNN-LSTM-Attention模型;
S6、对CNN-LSTM-Attention模型进行训练;
S7、对训练后的CNN-LSTM-Attention模型进行评估和测试;
S8、将待测数据输入CNN-LSTM-Attention模型进行发情识别和评估。
进一步的,S1中肉牛的发情行为包括肉牛发情期间的行为、心理变化,以及性活动变化,确定关键的发情行为类别和环境影响因素。
更进一步的,通过广泛查阅相关学术书籍和期刊论文,分析并记录文献中描述的各种发情行为特征及环境因素如何影响发情周期,通过这一综合分析,确定关键的发情行为类别和环境影响因素,为后续的数据采集、特征工程和模型开发奠定了坚实的基础,确保了研究的全面性和系统性。
进一步的,S2的具体内容为:采用高度精确的传感器和数据采集系统,收集肉牛每天的各种生理数据和行为数据,包括:日活动量、日饮水量、日进食量、反刍时长、休息时间、心率、体温以及哞叫次数。
更进一步的,在特定情况下,一些肉牛行为可能难以通过传感器完全准确监测,此时采用人工观察和判断,以确保数据的全面性和准确性。
更进一步的,除了生理和行为数据,牛场环境也是影响肉牛行为变化的重要因素,考虑到牛场环境因素如日平均温度(℃)、日平均湿度(%)、二氧化氮(CO2)浓度和氨气(NH3)浓度也会影响肉牛的发情行为,相应数据也被纳入考量,确保对发情行为的全面理解。
进一步的,记录并标注每天肉牛处于的发情周期阶段,包括发情前期、发情期、发情后期和休情期,这些标注作为数据集的标签,不仅为模型训练提供精确的监督信息,也为模型的评估和验证提供坚实的基础。
进一步的,S3中对数据集进行预处理包括:缺失值处理、异常值处理、数据标准化。
具体的,缺失值处理:若数据集中存在缺失值,采用插值的方法进行处理;对于时间序列数据,设X i 为缺失值,X i-1和X i+1为相邻的已知数据点,线性插值公式如下:
;
异常值处理:使用统计学中的箱线图Box Plot来检测异常值;异常值的判定公式如下所示:
;
;
其中,和/>分别是数据的第一四分位数和第三四分位数,/>是四分位数范围;异常值将被替换为上限或下限的值;
数据标准化:采用均值和标准差的标准化方法,公式如下:
。
进一步的,S4中,对收集的时间序列数据进行组织和划分,将连续7天的数据作为一个样本单元,数据集总共有n天的数据,将得到n-6个样本单元,每个样本单元包含的7天内肉牛的进食量变化、体温波动、活动量等数据信息,最后一天的发情状态将用于确定该样本的标签,确定肉牛在这一天是否发情;
在构建样本后,将整个数据集划分为训练集、验证集和测试集,比例分别为60%、20%和20%。
进一步的,CNN-LSTM-Attention模型结构由输入层、Conv1D层、Dropout层、LSTM层、Attention层、Flatten层、Dense层、Softmax层和输出层组成;
CNN-LSTM-Attention模型输出的分类结果有四个发情状态,最终输出大小为4位的one-hot编码,代表各个发情状态的概率。
更进一步的,S5构建的CNN-LSTM-Attention模型工作流程具体如下:
S501、待测首先通过CNN层即Conv1D层进行局部特征提取,CNN层后接Dropout层;
S502、提取的特征被送入LSTM层,LSTM层学习数据的时间序列特征,进一步处理时间依赖性;
S503、提取的特征进入注意力层,注意力层聚焦于序列中对当前任务最重要的部分;
S504、在经过S501-S503的特征提取和分析后,数据通过Flatten层被扁平化,然后传递到Dense层进行进一步的处理;
S505、通过softmax层输出为分类结果。
进一步的,S6中,模型训练的具体内容为:
设置每批样本数Batch Size为32,并计划进行1000轮训练Epochs,采用交叉熵损失函数优化分类效果,并设定初始学习率为0.001,配合Adam优化器以适应不同参数的具体学习需求;若验证集准确率在连续100轮内未显著提升,则终止训练;
模型中加入了Dropout层,设置率为0.2;
通过网格搜索、随机搜索或贝叶斯优化,对LSTM层的隐藏单元数量、注意力层的结构和参数进行调整和优化。
进一步的,S7中,模型评估和测试包括:
通过采用标准化的评估指标——准确率、精确度、召回率和F1分数,全面评估模型在不同发情周期内的分类性能;
在测试阶段,使用独立测试集评估模型对未见数据的预测能力,从而验证其在实际场景中的可靠性;
混淆矩阵提供了模型性能的直观视图,包含四个关键指标:真正例TP、真负例TN、假正例FP和假负例FN;
准确度是模型正确预测的样本数量与总样本数量之比,公式如下:
;
精确度衡量模型在所有判定为发情的样本中,真正是发情的比例,公式如下:
;
召回率衡量模型在所有真正发情的样本中,成功预测为发情的比例,公式如下:
;
F1分数是精确度和召回率的调和平均,综合考虑了模型的准确性和全面性,公式如下:
。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统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劳动的情况下,即可以理解并实施。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于,包括:
S1、确定肉牛的发情行为与影响因素;
S2、收集肉牛每天的各种生理数据和行为数据得到数据集;
S3、对数据集进行预处理;
S4、对预处理后的数据集进行组织和划分,将整个数据集划分为训练集、验证集和测试集;
S5、构建CNN-LSTM-Attention模型;
S6、对CNN-LSTM-Attention模型进行训练;
S7、对训练后的CNN-LSTM-Attention模型进行评估和测试;
S8、将待测数据输入CNN-LSTM-Attention模型进行发情识别和评估。
2.根据权利要求1所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于:
S1中肉牛的发情行为包括肉牛发情期间的行为、心理变化,以及性活动变化。
3.根据权利要求1所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于:
S2的具体内容为:采用高度精确的传感器和数据采集系统,收集肉牛每天的各种生理数据和行为数据,包括:日活动量、日饮水量、日进食量、反刍时长、休息时间、心率、体温以及哞叫次数;
记录并标注每天肉牛处于的发情周期阶段,包括发情前期、发情期、发情后期和休情期。
4.根据权利要求1所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于:
S3中对数据集进行预处理包括:缺失值处理、异常值处理、数据标准化。
5.根据权利要求4所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于:
缺失值处理:若数据集中存在缺失值,采用插值的方法进行处理;对于时间序列数据,设为缺失值,/>和/>为相邻的已知数据点,线性插值公式如下:
;
异常值处理:使用统计学中的箱线图Box Plot来检测异常值;异常值的判定公式如下所示:
;
;
其中,和/>分别是数据的第一四分位数和第三四分位数,/>是四分位数范围;异常值将被替换为上限或下限的值;
数据标准化:采用均值和标准差的标准化方法,公式如下:
。
6.根据权利要求1所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于:
S4中,对收集的时间序列数据进行组织和划分,将连续7天的数据作为一个样本单元,数据集总共有n天的数据,将得到n-6个样本单元,每个样本单元包含的7天内肉牛的进食量变化、体温波动、活动量,最后一天的发情状态将用于确定该样本的标签,确定肉牛在这一天是否发情;
在构建样本后,将整个数据集划分为训练集、验证集和测试集,比例分别为60%、20%和20%。
7.根据权利要求1所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于:
CNN-LSTM-Attention模型结构由输入层、Conv1D层、Dropout层、LSTM层、Attention层、Flatten层、Dense层、Softmax层和输出层组成;
CNN-LSTM-Attention模型输出的分类结果有四个发情状态,最终输出大小为4位的one-hot编码,代表各个发情状态的概率。
8.根据权利要求7所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于:
S5构建的CNN-LSTM-Attention模型工作流程具体如下:
S501、待测数据首先通过CNN层即Conv1D层进行局部特征提取,CNN层后接Dropout层;
S502、提取的特征被送入LSTM层,LSTM层学习数据的时间序列特征,进一步处理时间依赖性;
S503、提取的特征进入注意力层;
S504、在经过S501-S503的特征提取和分析后,数据通过Flatten层被扁平化,然后传递到Dense层进行进一步的处理;
S505、通过softmax层输出为分类结果。
9.根据权利要求1所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于,S6中,模型训练的具体内容为:
设置每批样本数Batch Size为32,并计划进行1000轮训练Epochs,采用交叉熵损失函数优化分类效果,并设定初始学习率为0.001,配合Adam优化器以适应不同参数的具体学习需求;若验证集准确率在连续100轮内未显著提升,则终止训练;
模型中加入了Dropout层,设置率为0.2;
通过网格搜索、随机搜索或贝叶斯优化,对LSTM层的隐藏单元数量、注意力层的结构和参数进行调整和优化。
10.根据权利要求1所述的一种基于深度学习的肉牛发情状态识别与评估方法,其特征在于,S7中,模型评估和测试包括:
通过采用标准化的评估指标——准确率、精确度、召回率和F1分数,全面评估模型在不同发情周期内的分类性能;
在测试阶段,使用独立测试集评估模型对未见数据的预测能力,从而验证其在实际场景中的可靠性;
混淆矩阵提供了模型性能的直观视图,包含四个关键指标:真正例TP、真负例TN、假正例FP和假负例FN;
准确度是模型正确预测的样本数量与总样本数量之比,公式如下:
;
精确度衡量模型在所有判定为发情的样本中,真正是发情的比例,公式如下:
;
召回率衡量模型在所有真正发情的样本中,成功预测为发情的比例,公式如下:
;
F1分数是精确度和召回率的调和平均,综合考虑了模型的准确性和全面性,公式如下:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410238533.7A CN117828480A (zh) | 2024-03-04 | 2024-03-04 | 一种基于深度学习的肉牛发情状态识别与评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410238533.7A CN117828480A (zh) | 2024-03-04 | 2024-03-04 | 一种基于深度学习的肉牛发情状态识别与评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117828480A true CN117828480A (zh) | 2024-04-05 |
Family
ID=90522894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410238533.7A Pending CN117828480A (zh) | 2024-03-04 | 2024-03-04 | 一种基于深度学习的肉牛发情状态识别与评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828480A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118020669A (zh) * | 2024-04-12 | 2024-05-14 | 济宁安鑫养殖有限公司 | 一种基于大数据的黑猪养殖疾病智能监测管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090305947A1 (en) * | 2006-04-11 | 2009-12-10 | Mileutis Ltd | Livestock management for improved reproductive efficiency |
CN110059781A (zh) * | 2019-04-11 | 2019-07-26 | 北京信诺必成科技有限公司 | 奶牛数字化行为识别装置 |
CN114299551A (zh) * | 2022-03-07 | 2022-04-08 | 深圳市海清视讯科技有限公司 | 模型训练方法、动物行为识别方法、装置、设备 |
CN114586701A (zh) * | 2022-04-15 | 2022-06-07 | 东南大学 | 一种基于体温和运动量数据的奶牛发情预测装置 |
CN117393068A (zh) * | 2023-10-18 | 2024-01-12 | 深圳市水务(集团)有限公司 | 基于集成学习的原水2-mib浓度预测模型的预测方法 |
-
2024
- 2024-03-04 CN CN202410238533.7A patent/CN117828480A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090305947A1 (en) * | 2006-04-11 | 2009-12-10 | Mileutis Ltd | Livestock management for improved reproductive efficiency |
CN110059781A (zh) * | 2019-04-11 | 2019-07-26 | 北京信诺必成科技有限公司 | 奶牛数字化行为识别装置 |
CN114299551A (zh) * | 2022-03-07 | 2022-04-08 | 深圳市海清视讯科技有限公司 | 模型训练方法、动物行为识别方法、装置、设备 |
CN114586701A (zh) * | 2022-04-15 | 2022-06-07 | 东南大学 | 一种基于体温和运动量数据的奶牛发情预测装置 |
CN117393068A (zh) * | 2023-10-18 | 2024-01-12 | 深圳市水务(集团)有限公司 | 基于集成学习的原水2-mib浓度预测模型的预测方法 |
Non-Patent Citations (1)
Title |
---|
开发者社区用户: "【机器学习4】构建良好的训练数据集——数据预处理(一)处理缺失值及异常值", 《开发者社区》, 26 September 2023 (2023-09-26), pages 1 - 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118020669A (zh) * | 2024-04-12 | 2024-05-14 | 济宁安鑫养殖有限公司 | 一种基于大数据的黑猪养殖疾病智能监测管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jónsson et al. | Oestrus detection in dairy cows from activity and lying data using on-line individual models | |
CN117828480A (zh) | 一种基于深度学习的肉牛发情状态识别与评估方法 | |
Urioste et al. | Phenotypic and genetic characterization of novel somatic cell count traits from weekly or monthly observations | |
CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
KR20190030877A (ko) | 축산 지식 정보를 기반으로 하는 가축의 사양관리 시스템 | |
CN111985670A (zh) | 一种水产养殖监控方法、装置及存储介质 | |
CN112836809A (zh) | 一种基于差分特征融合的卷积神经网络的设备特性提取方法以及故障预测的方法 | |
US11424034B2 (en) | Systems and methods for predicting animal health | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN115200647A (zh) | 一种水产养殖环境监测管理方法及系统 | |
CN109220882A (zh) | 一种规模化商品猪场数字化监测信息应用方法及系统 | |
CN114299551A (zh) | 模型训练方法、动物行为识别方法、装置、设备 | |
CN113068657B (zh) | 一种智能化高效养猪方法及系统 | |
CN116189896B (zh) | 一种基于云端的糖尿病健康数据预警方法及系统 | |
Chan et al. | Comparison of manual, machine learning, and hybrid methods for video annotation to extract parental care data | |
Romadhonny et al. | Estrous cycle prediction of dairy cows for planned artificial insemination (AI) using multiple logistic regression | |
CN112568183A (zh) | 一种基于物联网的家禽育种选种系统及选种方法 | |
CN117934195B (zh) | 生猪全域数字智能育种系统 | |
Steibel | Phenomics in Animal Breeding | |
CN117095832B (zh) | 一种动物疫病传染风险的建模方法及系统 | |
CN115600117B (zh) | 一种畜牧粪便成分检测与识别方法 | |
CN116741384B (zh) | 一种基于床旁护理的重症急性胰腺炎临床数据管理方法 | |
CN115119793B (zh) | 一种统计指定区域内的鱼种鱼卵密度的方法及装置 | |
Chatterjee et al. | Design and Development of Smart Farming using ML and IoT in India | |
CN117591989B (zh) | 一种针对畜禽活动的数据监控方法和系统 |
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 |