CN118296552B - 一种羊只行为特征识别方法及系统 - Google Patents

一种羊只行为特征识别方法及系统

Info

Publication number
CN118296552B
CN118296552B CN202410398556.4A CN202410398556A CN118296552B CN 118296552 B CN118296552 B CN 118296552B CN 202410398556 A CN202410398556 A CN 202410398556A CN 118296552 B CN118296552 B CN 118296552B
Authority
CN
China
Prior art keywords
data
sheep
representing
biological signal
behavior
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
CN202410398556.4A
Other languages
English (en)
Other versions
CN118296552A (zh
Inventor
张梦杰
朱烟飞
张小栓
罗海玲
尹茂松
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN202410398556.4A priority Critical patent/CN118296552B/zh
Publication of CN118296552A publication Critical patent/CN118296552A/zh
Application granted granted Critical
Publication of CN118296552B publication Critical patent/CN118296552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • A01K29/00—Other apparatus for animal husbandry
    • A01K29/005—Monitoring or measuring activity
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

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)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Environmental Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Husbandry (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Computational Linguistics (AREA)
  • Social Psychology (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种羊只行为特征识别方法及系统，属于精准与智慧养殖技术领域，包括：获取羊只行为特征的视频记录信息及进行处理，构建行为特征图像数据输入矩阵；获取羊只的行为特征多维度生物信号数据及进行处理，构建多维度生物信号特征值输入矩阵；预设羊只行为特征识别模型，随后将上述两个矩阵输入，进行训练、验证及测试，将羊只行为特征识别模型应用于现实场景中，并结合分级函数，构建分级输入矩阵；将获取的分级输入矩阵输入至羊只行为特征识别模型中，输出对应的羊只行为特征结果，完成羊只行为特征识别。本发明采用上述的一种羊只行为特征识别方法及系统，用以识别羊只行为特征，促进智慧养羊，保证羊只养殖福利，提高养殖场经济效益。

Description

一种羊只行为特征识别方法及系统
技术领域
本发明涉及精准与智慧养殖技术领域，特别是涉及一种羊只行为特征识别方法及系统。
背景技术
近年来，随着科学技术的快速发展，羊只养殖行业也朝着集约化、规模化和智能化的方向发展。在形成一定规模的养殖企业中，所饲养羊只的数量往往是数以万计。此外，对羊只行为特征进行识别，可以更好地了解羊只的福祉状况，从而精准评估羊只的健康状况和生物节律。通过识别并监测羊只的采食、运动和休息等行为特征，可以优化饲养管理，提高饲养效率，减少能源和饲料的浪费，从而可以避免给养殖企业造成不必要的经济损失，并保证养殖企业的高效生态经济运作。当前，羊只行为特征的识别以人工识别为主。然而，在大规模的养殖条件下，仅仅通过人工识别的方式精准识别羊只行为特征是非常困难的，许多突发情况往往得不到及时监测，从而大大降低了羊只的养殖福利、养殖效率和养殖场的经济效益。
而羊只在养殖过程中会表现出不同的行为特征，包括但不限于采食行为特征、反刍行为特征、静立行为特征、移动行为特征以及卧息行为特征，不同的行为特征代表着不同的生理含义。综上所述，对于所述行为特征进行分析，将有助于饲养人员清楚了解所饲养羊只的健康状况与生物节律，从而更好地发挥羊只的生产潜力，提升养殖场的经济效益。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种羊只行为特征识别方法及系统，通过羊只的多维度生物信号数据和羊只行为特征视频记录信息进行羊只的行为特征识别，进一步监测羊只的健康状况与生物节律，从而更好地发挥羊只的生产潜力，提升养殖场的经济效益。
为实现上述目的，本发明提供了如下方案：一种羊只行为特征识别方法，包括以下步骤：
S1、通过视频监控设备获取羊只行为特征的视频记录信息，并对视频记录信息进行处理，构建行为特征图像数据输入矩阵；
S2、获取羊只的行为特征多维度生物信号数据，并对多维度生物信号数据进行处理，构建羊只行为特征的多维度生物信号特征值输入矩阵；
S3、基于权值交叉融合运算和分层特征提取的多层学习分类模型，预设羊只行为特征识别模型；
S4、将行为特征图像数据输入矩阵和多维度生物信号特征值输入矩阵输入至预设羊只行为特征识别模型，进行训练、验证及测试，并根据验证结果调整权重矩阵与可变参数，根据测试结果进行模型评价，最终获得羊只行为特征识别模型；
S5、将羊只行为特征识别模型应用于现实场景中，分别构建行为特征图像数据待识别矩阵和多维度生物信号特征值待识别矩阵，并结合分级函数，构建分级输入矩阵；
S6、将获取的分级输入矩阵输入至羊只行为特征识别模型中，并输出对应的羊只行为特征结果，以完成羊只行为特征识别。
优选的，在所述步骤S1中，视频记录信息的处理包括：对所述羊只行为特征的视频记录信息进行抽帧处理，获取图像数据，并标注图像数据中羊只行为特征类别和羊只身份编号，随后对标注后的图像数据进行灰度化处理、图像增强和编码序列化，以构建行为特征图像数据输入矩阵；
对所述羊只行为特征的视频记录信息进行抽帧处理：对所获取的羊只行为特征视频记录信息进行裁剪挑选，以获取清晰度高的视频片段，返回羊只行为特征视频记录信息；将羊只行为特征视频记录信息按照组成视频的帧进行分割，并将每一帧视频提取图像信息保存为单独的图像数据；
所述灰度化处理的公式为：
其中，Pij表示第i行第j列像素点的灰度值；Rij、Gij、Bij分别表示第i行第j列像素点的三通道的像素值；
所述图像数据增强为：通过应用镜像翻转、随机旋转、随机裁剪、颜色变换、加噪声、平移变换、尺度变换和形变变换对原始图像进行变换和处理；
所述编码序列化为：将图像中的像素点进行编码，随后将编码后的像素点排列成序列数据；
所述编码序列化的公式为：
Sij＝fASCII(Pij)×fUnicode(Pij)＝int(Pij×(K-1)/255)×int(Pij×(L-1)/255),i,j＝1,2,…,n；
其中，Sij表示序列数据中第i行第j列元素；fASCII()表示ASCII编码函数，将像素点灰度值转换成对应的ASCII编码值；fUnicode()表示Unicode编码函数，将像素点灰度值转换成对应的Unicode编码值；K表示ASCII字符集的长度；L表示Unicode字符集的长度；S表示编码序列化后的图像数据输入子矩阵；T表示转置；表示行优先或列优先的方式进行排列的图像数据输入子向量；表示从起始时间t0至终止时间t所获取的图像数据；t0表示数据获取的起始时间；t表示数据获取的终止时间；
将灰度化处理、图像增强和编码序列化后的图像数据输入子矩阵进行堆叠，构建得到行为特征图像数据输入矩阵。
优选的，在所述步骤S2中，获取所述多维度生物信号数据之后，需对所述多维度生物信号数据进行预处理，包括剔除所述多维度生物信号数据中异常的多维度生物信号数据点，并补偿所述多维度生物信号数据中缺失的多维度生物信号数据点；
设获取三种不同的生物信号数据，分别记为x、y、z，对所述多维度生物信号数据中异常的数据点判断公式为：
其中，P*(xi,yi,zi)表示多维度生物信号数据中多维度生物信号数据点；P(xi,yi,zi)表示羊只多维度生物信号数据中任一多维度生物信号数据点；dk(P*(xi,yi,zi),P(xi,yi,zi))表示两个多维度生物信号数据之间的距离，Nk(P*(xi,yi,zi))表示多维度生物信号数据点以P*(xi,yi,zi)为圆心，k为半径所构成的领域；k为常数；
对所述多维度生物信号数据中缺失的数据点进行补偿，具体为：
判断与所需补偿数据点相似的多维度生物信号数据，相似度量公式为：
其中，表示两个多维度生物信号数据的相似度量值，表示均值；
通过相似度量公式，得到相似的多维度生物信号数据，并对其进行补偿值预测计算，公式如下：
其中，μ表示补偿预测权重总参数期望值；表示通过相似度量计算所求得的相似多维度生物信号数据；表示第i种向量参数的同质权重参数；表示第i种向量参数的参数维度；表示修正常数。
优选的，在所述步骤S2中，所述多维度生物信号数据的处理包括：
行为标注及身份编号标注：将得到的多维度生物信号数据，结合羊只行为特征视频记录信息进行分类，并对分类后的多维度生物信号数据行为特征类别标注和羊只身份编号标注，得到包括但不限于采食行为特征多维度生物信号数据、反刍行为特征多维度生物信号数据、静立行为特征多维度生物信号数据、移动行为特征多维度生物信号数据以及卧息行为特征多维度生物信号数据；
数据分窗：将上述的多维度生物信号数据进行数据分窗，获得多维度生物信号数据集合；
信号调幅：对所述多维度生物信号数据集合中的多维度生物信号片段逐次进行信号调幅，并将调幅后的多维度生物信号片段返回至多维度生物信号数据集合中，所述信号调幅公式为：
其中，HAmplitude(a)表示信号调幅函数；表示羊只行为特征的多维度生物信号特征值输入矩阵中任意一个多维度生物信号；τi(i＝1,2,3)表示权重系数；∈表示最大衰减对应的幅度波动因子；ω表示信号频率；ωc表示截止频率；N表示信号调幅系数；s表示信号在拉普拉斯域中的复变量；k表示椭圆积分的模量参数；
特征提取：对多维度生物信号数据集合中的多维度生物信号片段逐次进行关键特征信息提取，并将关键特征信息提取后的数据保存至多维度生物信号数据集合中；
特征降维处理：基于条件概率分布随机领域嵌入方法，构建羊只行为特征的多维度生物信号特征输入值矩阵；
缩放规范化处理：对羊只行为特征的多维度生物信号特征值输入矩阵中的多维度生物信号特征数据进行缩放规范化处理，公式为：
其中，a表示羊只行为特征的多维度生物信号特征值输入矩阵中任一个多维度生物信号特征数据点；ai表示多维度生物信号特征值输入矩阵中多维生物信号特征向量的第i个数据点；n表示羊只行为特征的多维度生物信号特征值输入矩阵中多维度生物信号特征数据点的个数；
结合所述步骤S1和S2中的方法，即通过可穿戴传感技术采集个体的多维度生物信号和视频技术采集视频记录信息，经过数据处理，获得输入矩阵，定义如下：
其中，表示从起始时间t0至终止时间t所获取的多维度生物信号数据；表示多维度生物信号数据向量；t0表示数据获取的起始时间；t表示数据获取的终止时间；即通过上述过程实现数据测量采集。
优选的，在所述步骤S3中，所述权值交叉融合运算和分层提取的多层学习分类模型由输入层、交叉融合层、激励函数层、采样层、密集连接层和输出层组成，且其用于处理时序数据和图像数据；
权值交叉融合运算公式为：
其中，Cov[P*(x(i,j),y(i,j),z(i,j)),K]表示交叉融合运算后得到的张量的第i行第j列的元素；P*(x(i+m,j+n),y(i+m,j+n),z(i+m,j+n))表示输入张量P*(x(i,j),y(i,j),z(i,j))的第i+m第j+n列的元素；K(m,n)表示权值函数K的第m行n列的元素；M和N分别表示权值函数的高度和宽度；
激励函数公式为：
其中，factivation(x(i,j),y(i,j),z(i,j))表示激励函数；ωi(i＝1,2,3)表示激励函数的权重系数；
采样函数公式为：
其中，fsampling(x(i,j),y(i,j),z(i,j))表示采样函数；p,q分别表示采样窗口的长度；h表示采样窗口的步长；
优选的，在步骤S4中，对预设羊只行为特征识别模型包括：将多维度生物信号特征值输入矩阵和行为特征图像数据输入矩阵按照比例划分为训练集、验证集和测试集，并将所得训练集输入至预设羊只行为特征识别模型中进行训练，随后在获取网络权重后使用所得验证集对训练后的羊只行为特征识别模型进行验证，并根据验证结果调整权重矩阵与可变参数，根据测试结果进行模型评价，最终获得羊只行为特征识别模型；
其中，在训练过程中，所述羊只行为特征识别模型通过正向传播进行数据误差计算；
输出误差计算公式为：
式中，WT表示输入数据参数的权重矩阵；θl表示输入数据参数的可变参数；
将所得的输出误差与期望值进行比较，若未达到预期效果，将所述羊只行为特征识别模型中的输入数据通过反向传播进行数据误差缩放，并通过修正多层学习分类模型中的权重矩阵与可变参数，不断迭代数据以减小误差，待达到预期效果后，获得羊只行为特征识别模型。
优选的，修正权重矩阵与可变参数，即输出误差的修正，误差公式为：
式中，N表示所输入数据参数的数量；nL表示所输入数据参数的维度；表示输出期望值；表示实际输出值；
其中，误差公式E与权重矩阵和可变参数相关，所述权重矩阵公式与可变参数公式为：
式中，N表示所输入数据参数的数量；WT表示权重矩阵；θl表示可变参数；μ表示修正常数；
通过调整权重矩阵与可变参数，多次重复更新模型和交叉验证，以此改善模型性能，直至达到预期效果；使用测试集对训练及验证后的模型进行测试，并计算模型的混淆矩阵，且根据混淆矩阵的性能指标主动更新羊只行为特征识别模型，调整模型参数，得到最优的羊只行为特征识别模型。
优选的，在所述步骤S5中，所述分级输入矩阵的构建公式为：
设有三个不同的可穿戴传感器，生成三种不同的生物信号数据，分别记为x、y、z：
式中，表示分级输入矩阵；表示多维度生物信号特征值输入矩阵；表示行为特征图像数据待识别矩阵；δsignal features表示多维度生物信号特征值待识别矩阵所对应的分级系数；δvideo表示行为特征图像数据待识别矩阵所对应的分级系数；xij表示生物信号数据x的第i个特征的第j个数据点，其中yij、zij同理；表示生物信号数据x的第i个特征的第j个数据点的分级系数，其中 同理；
其次，根据阈值判断机制输出判断结果，记五种不同行为特征为A、B、C、D、E，模型输出的五个节点向量为[PA,PB,PC,PD,PE]，所述阈值判断机制的公式为：
式中，Pmax表示最大概率；Psecond表示次大概率；θ1、θ2、θ3表示多个设定阈值；argmax(Pi)表示取函数的输入向量中最大的索引；NaN表示失效、无法找寻最佳值；μ表示输出结果；
最后，根据阈值判断机制输出判断结果μ；识别可信率即PA、PB、PC、PD和PE的其中之一，表示模型预测样本行为属于五种不同行为特征A、B、C、D、E的概率。
优选的，在所述步骤S6中，羊只行为特征结果包括但不限于行为特征类别标签、身份编号标签和识别可信率；
基于所述步骤S1-S6中的方法，即通过可穿戴传感技术采集个体的多维度生物信号和视频技术采集视频记录信息，经过数据处理，输入至羊只识别模型进一步输出羊只行为识别结果；为表示羊只行为预测过程，整体步骤的定义如下：
即通过上述过程实现羊只行为特征的预测。
本发明还提供了一种羊只行为特征识别系统，包括：
数据获取模块，具有数据信息采集、数据信息存储和数据信息传输的功能；
数据处理模块，具有数据信息修正、补偿和数据处理的功能；
行为特征识别模块，具有数据接收、数据储存、数据分析和数据判定的功能；
可视化输出模块，具有向饲养人员提供羊只行为特征和羊只身份编号的文字显示的功能。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种羊只行为特征识别方法及系统，通过羊只的多维度生物信号数据和羊只行为特征视频记录信息进行羊只的行为特征识别，进一步监测羊只的健康状况与生物节律，从而更好地发挥羊只的生产潜力，提升养殖场的经济效益。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的方法流程示意图；
图2为本发明实施例一提供的方法具体流程图；
图3为本发明实施例二提供的系统结构示意图；
图4为本发明羊只行为识别的多维度生物信号多传感器集成单元的简单示意图。
附图标记说明：
201-数据获取模块，202-数据处理模块，203-行为特征识别模块，204-可视化输出模块。
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。
本发明的目的是提供一种羊只行为特征识别方法及系统，通过羊只的多维度生物信号数据和羊只行为特征视频记录信息进行羊只的行为特征识别，进一步监测羊只的健康状况与生物节律，从而更好地发挥羊只的生产潜力，提升养殖场的经济效益。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示，本发明提供了一种羊只行为特征识别方法，包括以下步骤：
S1、通过视频监控设备获取羊只行为特征的视频记录信息，并对视频记录信息进行处理，构建行为特征图像数据输入矩阵；
S2、获取羊只的行为特征多维度生物信号数据，并对多维度生物信号数据进行处理，构建羊只行为特征的多维度生物信号特征值输入矩阵；
S3、基于权值交叉融合运算和分层特征提取的多层学习分类模型，预设羊只行为特征识别模型；
S4、将行为特征图像数据输入矩阵和多维度生物信号特征值输入矩阵输入至预设羊只行为特征识别模型，进行训练、验证及测试，并根据验证结果调整权重矩阵与可变参数，根据测试结果进行模型评价，最终获得羊只行为特征识别模型；
S5、将羊只行为特征识别模型应用于现实场景中，分别构建行为特征图像数据待识别矩阵和多维度生物信号特征值待识别矩阵，并结合分级函数，构建分级输入矩阵；
S6、将获取的分级输入矩阵输入至羊只行为特征识别模型中，并输出对应的羊只行为特征结果，以完成羊只行为特征识别。
参照图2，首先，在步骤S1中，视频记录信息的处理包括：对羊只行为特征的视频记录信息进行抽帧处理，获取图像数据，并标注图像数据中羊只行为特征类别和羊只身份编号，随后对标注后的图像数据进行灰度化处理、图像增强和编码序列化，以构建行为特征图像数据输入矩阵；
其中，视频监控设备是一种用于捕捉、记录和监视特定区域或场所的视频图像的设备；将视频监控设备安装至羊圈四角栏杆上，镜头正对羊只养殖区域，采集群养羊只的行为特征视频记录信息；对所采集到的羊只行为特征视频记录信息进行裁剪挑选，从而获取清晰度相对较高的视频片段，返回羊只行为特征视频记录信息；
需要说明的是，为了明确区分各个行为特征的羊只表现，本实施例对五类羊只行为特征进行定义，分别是采食行为特征、反刍行为特征、静立行为特征、移动行为特征以及卧息行为特征；另外，这五类羊只行为特征的定义并非羊只全部行为特征，本实施例为了方便后续具体实施内容的阐述而进行对这五类羊只行为特征进行文字描述；在实际实施过程中，羊只会产生其它行为特征，这也在本发明的考虑范围内，此处就不一一赘述。
采食行为特征的定义，羊只位于食槽附近，对饲料、干草等进行咀嚼、吞咽等食物摄取行为；反刍行为特征的定义，羊只将部分半消化的粗糙食物从瘤胃返回嘴巴，并进行再次咀嚼的行为；静立行为特征的定义，羊只直立站立保持静止不动或者进行小幅度运动；移动行为特征的定义，羊只四肢有明显的运动迹象且运动距离大于半个身体；卧息行为特征的定义，羊只处于休息、下躺或睡眠等状态时所表现出的行为特征；羊只处于卧息行为特征时进行轻微地运动，如打盹、慢慢转身或伸展等行为是允许的；
进一步地，为了保证测定数据的真实性以及可靠性和多层学习分类模型的鲁棒性，被监测羊只的基本生物学特征、养殖环境、饲养管理、营养水平等条件需要一致；所述基本生物学特征包括但不限于羊只种类、羊只性别、羊只月龄等；在本实施例中，设计了饲料投喂、人员通过、人工理料、进入羊圈等外部刺激，并记录外部刺激的时间节；通过所述时间节点的记录，可以辅助分析羊只的行为特征；例如，当工作人员进行饲料投喂时，羊只表现出采食行为特征，此时的时间节点就是采食行为特征与其他行为特征的区分点；
对羊只行为特征的视频记录信息进行抽帧处理：对所获取的羊只行为特征视频记录信息进行裁剪挑选，以获取清晰度高的视频片段，返回羊只行为特征视频记录信息；将羊只行为特征视频记录信息按照组成视频的帧进行分割，并将每一帧视频提取图像信息保存为单独的图像数据；
所述灰度化处理是将抽帧处理后所得到的彩色图像数据转成成灰度图像的方法，即将彩色图像中的每个像素的RGB(红、绿、蓝)三通道的颜色信息转换成一个灰度值，从而减少图像数据的复杂性，实现图像数据的化简和亮度信息的提取；所述灰度化处理节省了存储空间、简化了算法计算，并在图像处理和分析中起到了重要作用，在一定程度上提升基于权值交叉融合运算和分层特征提取的多层学习分类模型的鲁棒性；
灰度化处理的公式为：
其中，Pij表示第i行第j列像素点的灰度值；Rij、Gij、Bij分别表示第i行第j列像素点的三通道的像素值；
进一步地，为了提升多层学习分类模型的鲁棒性，增加训练数据的多样性和数量，对羊只行为特征图像数据集合中的图像数据进行增强处理；所述图像数据增强为：通过应用镜像翻转、随机旋转、随机裁剪、颜色变换、加噪声、平移变换、尺度变换和形变变换对原始图像进行变换和处理；
所述编码序列化为：将图像中的像素点进行编码，随后将编码后的像素点排列成序列数据；通过所述编码序列化操作方式最大程度地保留原始图像的细节；
编码序列化的公式为：
Sij＝fASCII(Pij)×fUnicode(Pij)＝int(Pij×(K-1)/255)×int(Pij×(L-1)/255),i,j＝1,2,…,n；
其中，Sij表示序列数据中第i行第j列元素；fASCII()表示ASCII编码函数，将像素点灰度值转换成对应的ASCII编码值；fUnicode()表示Unicode编码函数，将像素点灰度值转换成对应的Unicode编码值；K表示ASCII字符集的长度；L表示Unicode字符集的长度；S表示编码序列化后的图像数据输入子矩阵；T表示转置；表示行优先或列优先的方式进行排列的图像数据输入子向量；表示从起始时间t0至终止时间t所获取的图像数据；t0表示数据获取的起始时间；t表示数据获取的终止时间；
将灰度化处理、图像增强和编码序列化后的图像数据输入子矩阵进行堆叠，构建得到行为特征图像数据输入矩阵。
其次，在步骤S2中，获取多维度生物信号数据之后，需对多维度生物信号数据进行预处理，包括剔除多维度生物信号数据中异常的多维度生物信号数据点，并补偿多维度生物信号数据中缺失的多维度生物信号数据点；
设获取三种不同的生物信号数据，分别记为x、y、z，对多维度生物信号数据中异常的数据点判断公式为：
其中，P*(xi,yi,zi)表示多维度生物信号数据中多维度生物信号数据点；P(xi,yi,zi)表示羊只多维度生物信号数据中任一多维度生物信号数据点；dk(P*(xi,yi,zi),P(xi,yi,zi))表示两个多维度生物信号数据之间的距离，Nk(P*(xi,yi,zi))表示多维度生物信号数据点以P*(xi,yi,zi)为圆心，k为半径所构成的领域；k为常数；
对多维度生物信号数据中缺失的数据点进行补偿，具体为：
判断与所需补偿数据点相似的多维度生物信号数据，相似度量公式为：
其中，表示两个多维度生物信号数据的相似度量值，表示均值；
通过相似度量公式，得到相似的多维度生物信号数据，并对其进行补偿值预测计算，公式如下：
其中，μ表示补偿预测权重总参数期望值；表示通过相似度量计算所求得的相似多维度生物信号数据；表示第i种向量参数的同质权重参数；表示第i种向量参数的参数维度；表示修正常数。
再次，在步骤S2中，多维度生物信号数据的处理包括：
行为标注及身份编号标注：将得到的多维度生物信号数据，结合羊只行为特征视频记录信息进行分类，并对分类后的多维度生物信号数据行为特征类别标注和羊只身份编号标注，得到包括但不限于采食行为特征多维度生物信号数据、反刍行为特征多维度生物信号数据、静立行为特征多维度生物信号数据、移动行为特征多维度生物信号数据以及卧息行为特征多维度生物信号数据；
其中，参照图4，呼吸变化信号、体温变化信号、多维加速度变化信号、多维角速度变化信号和多维磁感应变化信号等通过多维度生物信号多传感器集成单元进行采集得到；多维度生物信号多传感器集成单元的组成包括但不限于呼吸传感器、体温传感器、加速度传感器、角速度传感器和磁感应传感器等可穿戴传感器；上述由可穿戴传感器组合而成的多维度生物信号多传感器集成单元可以通过柔性绑带、贴片等方式固定于羊只颈部、腿部和躯干等位置；优选地，所使用的组成多维度生物信号多传感器集成单元的可穿戴传感器需要具有续航能力强、体积小、重量轻、防水性好、安全性高、质量高、操作简单、量程大以及分辨率高等优点，并且多维度生物信号多传感器集成单元需要能够稳定、实时、准确地记录羊只的多维度生物信号数据；
数据分窗：将上述的多维度生物信号数据进行数据分窗，获得多维度生物信号数据集合；所述数据分窗方法：在数据集上设置一个固定时间间隔大小的滑动窗口，然后通过滑动窗口的方式在数据集上进行移动，每次取固定时间间隔大小的数据窗口保存为一个行为特征多维度生物信号数据片段；值得注意的是，每相邻两个固定时间间隔大小的数据窗口之间有50％的数据重叠；设置数据窗口之间的重叠部分可以使得每个窗口之间的数据不是完全独立的，而是存在一定重叠，这样可以减少信息丢失，并且可以更加平滑地捕捉到数据的变化；优选地，为了更好地分析和处理数据并实现监测和预测，滑动窗口的大小可以根据实际需求进行调整；
信号调幅：在数据采集过程中，由于现场环境的影响或者传感器本身的物理性能的限制，信号在采集过程中往往会受到各种干扰，这些干扰会引入噪声；为了抑制噪声成分、改善信号质量、降低信号失真并且方便后续特征提取，对多维度生物信号数据集合中的多维度生物信号片段逐次进行信号调幅，并将调幅后的多维度生物信号片段返回至多维度生物信号数据集合中；所述信号调幅公式为：
其中，HAmplitude(a)表示信号调幅函数；表示羊只行为特征的多维度生物信号特征值输入矩阵中任意一个多维度生物信号；τi(i＝1,2,3)表示权重系数；∈表示最大衰减对应的幅度波动因子；ω表示信号频率；ωc表示截止频率；N表示信号调幅系数；s表示信号在拉普拉斯域中的复变量；k表示椭圆积分的模量参数；
特征提取：为了降低计算成本、消除冗余信息和提高模型性能，对多维度生物信号数据集合中的多维度生物信号片段逐次进行关键特征信息特征提取；将关键特征信息提取后的数据保存至羊只行为特征多维度生物信号特征数据集合中；
为了更好地阐述本实施例，以下列出部分特征及其相关计算公式：
特征降维处理：所述特征降维处理是将高维数据映射到低维空间的过程，其目的是在尽可能保留数据信息的前提下减少数据的维度和复杂度；在处理多维度生物信号数据集合时，通过特征降维处理减少特征的维度，以此提高分层学习模型的计算效率和泛化能力；所述特征降维处理是基于条件概率分布随机邻域嵌入方法的特征降维处理方法；基于条件概率分布随机邻域嵌入方法通过定义一个高维空间和低维空间中的概率分布，然后最小化这两个空间中数据点之间的相对熵散度实现降维；通过上述操作，最终构建羊只行为特征的多维度生物信号特征值输入矩阵；
缩放规范化处理：对羊只行为特征的多维度生物信号特征值输入矩阵中的多维度生物信号特征数据进行缩放规范化处理，公式为：
其中，a表示羊只行为特征的多维度生物信号特征值输入矩阵中任一个多维度生物信号特征数据点；ai表示多维度生物信号特征值输入矩阵中多维生物信号特征向量的第i个数据点；n表示羊只行为特征的多维度生物信号特征值输入矩阵中多维度生物信号特征数据点的个数。
再次，在步骤S3中，权值交叉融合运算和分层提取的多层学习分类模型由输入层、交叉融合层、激励函数层、采样层、密集连接层和输出层组成，且其用于处理时序数据和图像数据；
有一种可选的羊只行为特征的多维度生物信号特征值输入矩阵的保存方式：将羊只多维度生物信号特征数据保存为Excel文件格式，基本结构如下(假设使用3个不同的可穿戴传感器，生成3种不同的生物信号数据，分别记为x、y和z)；
其中，表示x变化信号的第i个信号特征的第k个元素(同理)；p表示信号特征的行为类别标签；
结合步骤S1和S2中的方法，即通过可穿戴传感技术采集个体的多维度生物信号和视频技术采集视频记录信息，经过数据处理，获得输入矩阵；为了更直观地表示数据测量采集实现过程，整体步骤方法的定义如下：
其中，表示从起始时间t0至终止时间t所获取的多维度生物信号数据；表示多维度生物信号数据向量；t0表示数据获取的起始时间；t表示数据获取的终止时间；即通过上述过程实现数据测量采集。
进一步地，根据基于权值交叉融合运算和分层特征提取的多层学习分类模型而建立并得到羊只行为特征识别模型的过程如下所示：
输入层接收原始数据作为输入；交叉融合层通过一系列权值函数进行交叉融合运算，从而提取输入数据的学习特征并捕捉数据的空间信息；激励函数层使用激励函数增加网络的非线性特征，使得多层学习分类模型能够更好地拟合非线性的数据分布；采样层对学习特征进行降维，减少计算复杂度的同时保持主要特征，提升多层学习分类的计算效率和分类能力；采样层后连接多个密集连接层，将提取的学习特征映射到分类器上；全连接层通过权重矩阵与偏置项的线性变化，将学习特征向量映射到一个高维空间，以用于后续的分类任务；输出层为使用归一化指数函数的激励函数层，将多层学习分类模型的输出转化为类别概率，并根据预设的阈值进行多级判定，最终输出分类预测的类别；值得注意的是，在整个训练过程中，反向传播算法被使用来调整网络参数；通过计算损失函数，可以确定网络预测结果与真实标签之间的差异，并根据差异来更新网络参数，以提高模型的性能和准确度；
权值交叉融合运算公式为：
其中，Cov[P*(x(i,j),y(i,j),z(i,j)),K]表示交叉融合运算后得到的张量的第i行第j列的元素；P*(x(i+m,j+n),y(i+m,j+n),z(i+m,j+n))表示输入张量P*(x(i,j),y(i,j),z(i,j))的第i+m第j+n列的元素；K(m,n)表示权值函数K的第m行n列的元素；M和N分别表示权值函数的高度和宽度。
激励函数公式为：
其中，factivation(x(i,j),y(i,j),z(i,j))表示激励函数；ωi(i＝1，2，3)表示激励函数的权重系数；
采样函数公式为：
其中，fsampling(x(i,j),y(i,j),z(i,j))表示采样函数；p,q分别表示采样窗口的长度；h表示采样窗口的步长；
其中，在步骤S4中，对预设羊只行为特征识别模型包括：将多维度生物信号特征值输入矩阵和行为特征图像数据输入矩阵按照比例划分为训练集、验证集和测试集，并将所得训练集输入至预设羊只行为特征识别模型中进行训练，随后在获取网络权重后使用所得验证集对训练后的羊只行为特征识别模型进行验证，并根据验证结果调整权重矩阵与可变参数，根据测试结果进行模型评价，最终获得羊只行为特征识别模型；
在训练过程中，羊只行为特征识别模型通过正向传播进行数据误差计算；
输出误差计算公式为：
式中，WT表示输入数据参数的权重矩阵；θl表示输入数据参数的可变参数；
将所得的输出误差与期望值进行比较，若未达到预期效果，将羊只行为特征识别模型中的输入数据通过反向传播进行数据误差缩放，并通过修正多层学习分类模型中的权重矩阵与可变参数，不断迭代数据以减小误差，待达到预期效果后，获得羊只行为特征识别模型。
修正权重矩阵与可变参数，即输出误差的修正，误差公式为：
式中，N表示所输入数据参数的数量；nL表示所输入数据参数的维度；表示输出期望值；表示实际输出值；
其中，误差公式E与权重矩阵和可变参数相关，权重矩阵公式与可变参数公式为：
式中，N表示所输入数据参数的数量；WT表示权重矩阵；θl表示可变参数；μ表示修正常数；
通过调整权重矩阵与可变参数，多次重复更新模型和交叉验证，以此改善模型性能，直至达到预期效果；使用测试集对训练及验证后的模型进行测试，并计算模型的混淆矩阵，且根据混淆矩阵的性能指标主动更新羊只行为特征识别模型，调整模型参数，得到最优的羊只行为特征识别模型。
所述混淆矩阵是m×m的矩阵(其中m表示行为特征类别数量)，包括四种元素分别是真正例、真反例、假正例和假反例；所述混淆矩阵提供了直观了解模型在不同类别上的表现的方法；基于所述混淆矩阵可以计算出一系列评估指标，如准确率、精确率、召回率和F1分数等，这些指标有助于更全面地评估模型的性能。
另外，在步骤S5中，动态地、实时地及连续地获取羊只行为特征的视频记录信息和多维度生物信号数据；对所述视频记录信息进行抽帧处理、灰度化处理、图像增强和编码序列化，构建行为特征图像数据待识别矩阵；对所述多维度生物信号数据进行信号调幅、数据分窗、特征提取和特征降维处理，构建多维度生物信号特征值待识别矩阵；所述多维度生物信号特征值待识别矩阵以及行为特征图像数据待识别矩阵结合分级函数构建分级输入矩阵，并输入至羊只行为特征识别模型；分级输入矩阵的构建公式为：
设有三个不同的可穿戴传感器，生成三种不同的生物信号数据，分别记为x、y、z：
式中，表示分级输入矩阵；表示多维度生物信号特征值输入矩阵；表示行为特征图像数据待识别矩阵；δsignal features表示多维度生物信号特征值待识别矩阵所对应的分级系数；δvideo表示行为特征图像数据待识别矩阵所对应的分级系数；xij表示生物信号数据x的第i个特征的第j个数据点，其中yij、zij同理；表示生物信号数据x的第i个特征的第j个数据点的分级系数，其中 同理；
其次，根据阈值判断机制输出判断结果，记五种不同行为特征为A、B、C、D、E，模型输出的五个节点向量为[PA,PB,PC,PD,PE]，阈值判断机制的公式为：
式中，Pmax表示最大概率；Psecond表示次大概率；θ1、θ2、θ3表示多个设定阈值；argmax(Pi)表示取函数的输入向量中最大的索引；NaN表示失效、无法找寻最佳值；μ表示输出结果；
其中，当输出结果μ＝NaN时，结合饲养人员的经验判定当前羊只的行为特征，并利用判定结果和分级输入矩阵再次训练羊只行为特征识别模型，获取最优的羊只行为特征识别模型；
最后，根据阈值判断机制输出判断结果μ；识别可信率即PA、PB、PC、PD和PE的其中之一，表示模型预测样本行为属于五种不同行为特征A、B、C、D、E的概率。
最后，在步骤S6中，羊只行为特征结果包括但不限于行为特征类别标签、身份编号标签和识别可信率。
基于所述步骤S1-S6中的方法，即通过可穿戴传感技术采集个体的多维度生物信号和视频技术采集视频记录信息，经过数据处理，输入至羊只识别模型进一步输出羊只行为识别结果；为了更直观地表示羊只行为预测过程，整体步骤的定义如下：
在本实施例中，获取羊只不同行为特征(包括采食行为特征、反刍行为特征、静立行为特征、移动行为特征以及卧息行为特征)下的多维度生物信号特征值输入矩阵以及行为特征图像数据输入矩阵，输入至羊只行为特征识别模型；基于13427组测试数据对本发明的方法和现有的传统方法进行比较，结果如表1所示。
表1传统方法与本实施例预测对比结果
结合表1的结果，可以表明本实施例相较于传统方法的优越性，具有更高的识别性能；
实施例二
如图3所示，本发明还提供了一种羊只行为特征识别系统，包括
数据获取模块201，具有数据信息采集、数据信息存储和数据信息传输的功能；其可以动态地、实时地及连续地获取羊只多维度生物信号数据和羊只行为特征视频记录信息；且数据获取模块201需要将所获取的数据传输至上位机，以便后续操作；
数据处理模块202，具有数据信息修正、补偿和数据处理的功能；需要剔除羊只多维度生物信号数据中异常的多维度生物信号数据点；数据处理模块202需要补偿羊只多维度生物信号数据中缺失的多维度生物信号数据点；数据处理模块202需要提取羊只多维度生物信号数据的信号特征并输出为羊只多维度生物信号特征数据；数据处理模块202需要对特征视频记录信息进行抽帧处理从而获取图像数据，以构建行为特征图像数据集合；
行为特征识别模块203，具有数据接收、数据储存、数据分析和数据判定的功能；将多维度生物信号特征数据集合以及行为特征图像集合输入羊只行为特征识别模型进行行为特征判断并输出羊只行为特征识别结果；行为特征识别模块203对羊只行为特征结果进行储存；
可视化输出模块204，具有向饲养人员提供羊只行为特征和羊只身份编号的文字显示的功能；若出现异常行为，可视化输出模块204需要提醒饲养人员，帮助饲养人员做出决策。
因此，本发明采用上述的一种羊只行为特征识别方法及系统，一方面实现了对养殖过程中羊只的行为特征进行精准识别，另一方面提高羊只养殖阶段的羊只福利及羊只养殖质量，并通过羊只的多维度生物信号数据和羊只行为特征视频记录信息进行羊只的行为特征识别，进一步监测羊只的健康状况与生物节律，从而更好地发挥羊只的生产潜力，提升养殖场的经济效益。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种羊只行为特征识别方法，其特征在于，包括以下步骤：
S1、通过视频监控设备获取羊只行为特征的视频记录信息，并对视频记录信息进行处理，构建行为特征图像数据输入矩阵；
S2、获取羊只的行为特征多维度生物信号数据，并对多维度生物信号数据进行处理，构建羊只行为特征的多维度生物信号特征值输入矩阵；
在所述步骤S2中，获取所述多维度生物信号数据之后，需对所述多维度生物信号数据进行预处理，包括剔除所述多维度生物信号数据中异常的多维度生物信号数据点，并补偿所述多维度生物信号数据中缺失的多维度生物信号数据点；
设获取三种不同的生物信号数据，分别记为x、y、z，对所述多维度生物信号数据中异常的数据点判断公式为：
；
其中，表示多维度生物信号数据中多维度生物信号数据点；表示羊只多维度生物信号数据中任一多维度生物信号数据点；表示两个多维度生物信号数据之间的距离，表示多维度生物信号数据点以为圆心，k为半径所构成的领域；k为常数；
S3、基于权值交叉融合运算和分层特征提取的多层学习分类模型，预设羊只行为特征识别模型；
S4、将行为特征图像数据输入矩阵和多维度生物信号特征值输入矩阵输入至预设羊只行为特征识别模型，进行训练、验证及测试，并根据验证结果调整权重矩阵与可变参数，根据测试结果进行模型评价，最终获得羊只行为特征识别模型；
S5、将羊只行为特征识别模型应用于现实场景中，分别构建行为特征图像数据待识别矩阵和多维度生物信号特征值待识别矩阵，并结合分级函数，构建分级输入矩阵；
S6、将获取的分级输入矩阵输入至羊只行为特征识别模型中，并输出对应的羊只行为特征结果，以完成羊只行为特征识别。
2.根据权利要求1所述的一种羊只行为特征识别方法，其特征在于，在所述步骤S1中，视频记录信息的处理包括：对所述羊只行为特征的视频记录信息进行抽帧处理，获取图像数据，并标注图像数据中羊只行为特征类别和羊只身份编号，随后对标注后的图像数据进行灰度化处理、图像增强和编码序列化，以构建行为特征图像数据输入矩阵；
对所述羊只行为特征的视频记录信息进行抽帧处理：对所获取的羊只行为特征视频记录信息进行裁剪挑选，以获取清晰度高的视频片段，返回羊只行为特征视频记录信息；将羊只行为特征视频记录信息按照组成视频的帧进行分割，并将每一帧视频提取图像信息保存为单独的图像数据；
所述灰度化处理的公式为：
；
其中，表示第i行第j列像素点的灰度值；分别表示第i行第j列像素点的三通道的像素值；
所述图像数据增强为：通过应用镜像翻转、随机旋转、随机裁剪、颜色变换、加噪声、平移变换、尺度变换和形变变换对原始图像进行变换和处理；
所述编码序列化为：将图像中的像素点进行编码，随后将编码后的像素点排列成序列数据；
所述编码序列化的公式为：
；
；
其中，表示序列数据中第i行第j列元素；表示ASCII编码函数，将像素点灰度值转换成对应的ASCII编码值；表示Unicode编码函数，将像素点灰度值转换成对应的Unicode编码值；K表示ASCII字符集的长度；L表示Unicode字符集的长度；S表示编码序列化后的图像数据输入子矩阵；T表示转置；表示行优先或列优先的方式进行排列的图像数据输入子向量；表示从起始时间至终止时间所获取的图像数据；表示数据获取的起始时间；表示数据获取的终止时间；
将灰度化处理、图像增强和编码序列化后的图像数据输入子矩阵进行堆叠，构建得到行为特征图像数据输入矩阵。
3.根据权利要求1所述的一种羊只行为特征识别方法，其特征在于，对所述多维度生物信号数据中缺失的数据点进行补偿，具体为：
判断与所需补偿数据点相似的多维度生物信号数据，相似度量公式为：
；
其中，表示两个多维度生物信号数据的相似度量值，表示均值；
通过相似度量公式，得到相似的多维度生物信号数据，并对其进行补偿值预测计算，公式如下：
；
其中，表示补偿预测权重总参数期望值；表示通过相似度量计算所求得的相似多维度生物信号数据；表示第种向量参数的同质权重参数；表示第种向量参数的参数维度；表示修正常数。
4.根据权利要求3所述的一种羊只行为特征识别方法，其特征在于，在所述步骤S2中，所述多维度生物信号数据的处理包括：
行为标注及身份编号标注：将得到的多维度生物信号数据，结合羊只行为特征视频记录信息进行分类，并对分类后的多维度生物信号数据行为特征类别标注和羊只身份编号标注，得到包括但不限于采食行为特征多维度生物信号数据、反刍行为特征多维度生物信号数据、静立行为特征多维度生物信号数据、移动行为特征多维度生物信号数据以及卧息行为特征多维度生物信号数据；
数据分窗：将上述的多维度生物信号数据进行数据分窗，获得多维度生物信号数据集合；
信号调幅：对所述多维度生物信号数据集合中的多维度生物信号片段逐次进行信号调幅，并将调幅后的多维度生物信号片段返回至多维度生物信号数据集合中，所述信号调幅公式为：
其中，表示信号调幅函数；表示羊只行为特征的多维度生物信号特征值输入矩阵中任意一个多维度生物信号；表示权重系数，i=1，2，3；表示最大衰减对应的幅度波动因子；表示信号频率；表示截止频率；表示信号调幅系数；表示信号在拉普拉斯域中的复变量；k表示椭圆积分的模量参数；
特征提取：对多维度生物信号数据集合中的多维度生物信号片段逐次进行关键信息特征提取，并将关键特征信息提取后的数据保存至多维度生物信号数据集合中；
特征降维处理：基于条件概率分布随机领域嵌入方法，构建羊只行为特征的多维度生物信号特征输入值矩阵；
缩放规范化处理：对羊只行为特征的多维度生物信号特征值输入矩阵中的多维度生物信号特征数据进行缩放规范化处理，公式为：
；
其中，a表示羊只行为特征的多维度生物信号特征值输入矩阵中任一个多维度生物信号特征数据点；表示多维度生物信号特征值输入矩阵中多维生物信号特征向量的第i个数据点；n表示羊只行为特征的多维度生物信号特征值输入矩阵中多维度生物信号特征数据点的个数；
结合所述步骤S1和S2中的方法，即通过可穿戴传感技术采集个体的多维度生物信号和视频技术采集视频记录信息，经过数据处理，获得输入矩阵，定义如下：
；表示从起始时间至终止时间所获取的多维度生物信号数据；表示多维度生物信号数据向量；表示数据获取的起始时间；表示数据获取的终止时间；即通过上述过程实现数据测量采集。
5.根据权利要求1所述的一种羊只行为特征识别方法，其特征在于，在所述步骤S3中，所述权值交叉融合运算和分层提取的多层学习分类模型由输入层、交叉融合层、激励函数层、采样层、密集连接层和输出层组成，且其用于处理时序数据和图像数据；
权值交叉融合运算公式为：
；
其中，表示交叉融合运算后得到的张量的第i行第j列的元素；表示输入张量的第i+m第j+n列的元素；表示权值函数K的第m行n列的元素；M和N分别表示权值函数的高度和宽度；
激励函数公式为：
；
其中，表示激励函数；表示激励函数的权重系数，i=1，2，3；
采样函数公式为：
；
其中，表示采样函数；分别表示采样窗口的长度；h表示采样窗口的步长。
6.根据权利要求1所述的一种羊只行为特征识别方法，其特征在于，在所述步骤S4中，对预设羊只行为特征识别模型包括：将多维度生物信号特征值输入矩阵和行为特征图像数据输入矩阵按照比例划分为训练集、验证集和测试集，并将所得训练集输入至预设羊只行为特征识别模型中进行训练，随后在获取网络权重后使用所得验证集对训练后的羊只行为特征识别模型进行验证，并根据验证结果调整权重矩阵与可变参数，根据测试结果进行模型评价，最终获得羊只行为特征识别模型；
其中，在训练过程中，所述羊只行为特征识别模型通过正向传播进行数据误差计算；
输出误差计算公式为：
；
式中，表示输入数据参数的权重矩阵；表示输入数据参数的可变参数；
将所得的输出误差与期望值进行比较，若未达到预期效果，将所述羊只行为特征识别模型中的输入数据通过反向传播进行数据误差缩放，并通过修正多层学习分类模型中的权重矩阵与可变参数，不断迭代数据以减小误差，待达到预期效果后，获得羊只行为特征识别模型。
7.根据权利要求6所述的一种羊只行为特征识别方法，其特征在于，修正权重矩阵与可变参数，即输出误差的修正，误差公式为：
；
式中，表示所输入数据参数的数量；表示所输入数据参数的维度；表示输出期望值；表示实际输出值；
其中，误差公式与权重矩阵和可变参数相关，所述权重矩阵公式与可变参数公式为：
；
；
式中，表示所输入数据参数的数量；表示权重矩阵；表示可变参数；表示修正常数；
通过调整权重矩阵与可变参数，多次重复更新模型和交叉验证，以此改善模型性能，直至达到预期效果；使用测试集对训练及验证后的模型进行测试，并计算模型的混淆矩阵，且根据混淆矩阵的性能指标主动更新羊只行为特征识别模型，调整模型参数，得到最优的羊只行为特征识别模型。
8.根据权利要求1所述的一种羊只行为特征识别方法，其特征在于，在所述步骤S5中，所述分级输入矩阵的构建公式为：
设有三个不同的可穿戴传感器，生成三种不同的生物信号数据，分别记为x、y、z：
；
；
；
；
式中，表示分级输入矩阵；表示多维度生物信号特征值输入矩阵；表示行为特征图像数据待识别矩阵；表示多维度生物信号特征值待识别矩阵所对应的分级系数；表示行为特征图像数据待识别矩阵所对应的分级系数；表示生物信号数据x的第i个特征的第j个数据点，其中、同理；表示生物信号数据x的第i个特征的第j个数据点的分级系数，其中、同理；
其次，根据阈值判断机制输出判断结果，记五种不同行为特征为A、B、C、D、E，模型输出的五个节点向量为[]，所述阈值判断机制的公式为：
；
式中，表示最大概率；表示次大概率；表示多个设定阈值；表示取函数的输入向量中最大的索引；表示失效、无法找寻最佳值；表示输出结果；
最后，根据阈值判断机制输出判断结果；识别可信率即的其中之一，表示模型预测样本行为属于五种不同行为特征A、B、C、D、E的概率。
9.根据权利要求1所述的一种羊只行为特征识别方法，其特征在于，在所述步骤S6中，羊只行为特征结果包括但不限于行为特征类别标签、身份编号标签和识别可信率；
基于所述步骤S1-S6中的方法，即通过可穿戴传感技术采集个体的多维度生物信号和视频技术采集视频记录信息，经过数据处理，输入至羊只识别模型进一步输出羊只行为识别结果，整体步骤的定义如下：
；
即通过上述过程实现羊只行为特征的预测。
10.一种羊只行为特征识别系统，其特征在于，包括：
数据获取模块，具有数据信息采集、数据信息存储和数据信息传输的功能；
数据处理模块，具有数据信息修正、补偿和数据处理的功能；
行为特征识别模块，具有数据接收、数据储存、数据分析和数据判定的功能；
可视化输出模块，具有向饲养人员提供羊只行为特征和羊只身份编号的文字显示的功能。
CN202410398556.4A 2024-04-03 2024-04-03 一种羊只行为特征识别方法及系统 Active CN118296552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410398556.4A CN118296552B (zh) 2024-04-03 2024-04-03 一种羊只行为特征识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410398556.4A CN118296552B (zh) 2024-04-03 2024-04-03 一种羊只行为特征识别方法及系统

Publications (2)

Publication Number Publication Date
CN118296552A CN118296552A (zh) 2024-07-05
CN118296552B true CN118296552B (zh) 2025-09-02

Family

ID=91685211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410398556.4A Active CN118296552B (zh) 2024-04-03 2024-04-03 一种羊只行为特征识别方法及系统

Country Status (1)

Country Link
CN (1) CN118296552B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119380371B (zh) * 2024-10-10 2025-10-31 中国农业大学 一种基于深度学习的羊只生命特征识别方法
CN120339954B (zh) * 2025-04-18 2025-12-05 中国农业科学院北京畜牧兽医研究所 一种基于机器视觉的羊只行为识别方法及系统
CN120562446B (zh) * 2025-08-01 2025-10-28 华裕农业科技有限公司 一种种鸡饲养过程中的参数采集分析系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529840A (zh) * 2022-01-28 2022-05-24 内蒙古农业大学 一种基于YOLOv4的羊舍内羊群个体身份识别方法及系统
CN116051410A (zh) * 2023-01-18 2023-05-02 内蒙古工业大学 基于图像增强的羊毛羊绒纤维表面形态结构图识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10037592B2 (en) * 2015-06-05 2018-07-31 Mindaptiv LLC Digital quaternion logarithm signal processing system and method for images and other data types
CN111062355A (zh) * 2019-12-25 2020-04-24 神思电子技术股份有限公司 一种人体动作识别方法
CN111460889B (zh) * 2020-02-27 2023-10-31 平安科技（深圳）有限公司 一种基于语音及图像特征的异常行为识别方法、装置及设备
CN111368696A (zh) * 2020-02-28 2020-07-03 淮阴工学院 基于视觉协同的危化品运输车违规驾驶行为检测方法及系统
CN113449712B (zh) * 2021-09-01 2021-12-07 武汉方芯科技有限公司 一种基于改进Alexnet网络的羊脸识别方法
CN114595357A (zh) * 2022-02-22 2022-06-07 平安科技（深圳）有限公司 视频搜索方法和装置、电子设备、存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529840A (zh) * 2022-01-28 2022-05-24 内蒙古农业大学 一种基于YOLOv4的羊舍内羊群个体身份识别方法及系统
CN116051410A (zh) * 2023-01-18 2023-05-02 内蒙古工业大学 基于图像增强的羊毛羊绒纤维表面形态结构图识别方法

Also Published As

Publication number Publication date
CN118296552A (zh) 2024-07-05

Similar Documents

Publication Publication Date Title
CN118296552B (zh) 一种羊只行为特征识别方法及系统
US20220301717A1 (en) Artificial intelligence-based difficult airway evaluation method and device
CN116343284B (zh) 基于注意力机制的多特征户外环境情绪识别方法
CN114176607B (zh) 一种基于视觉Transformer的脑电信号分类方法
CN118447994B (zh) 一种基于医学图像和疾病属性描述对的诊断报告生成系统
CN116468667A (zh) 一种加入Transformer的串式知识蒸馏的无监督缺陷检测方法
CN115292538A (zh) 一种基于深度学习的地图线要素提取方法
CN110930378A (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN119398584A (zh) 一种基于多源数据解析的智能训考评定方法
CN119274734A (zh) 一种基于跨模态全局特征融合Transformer的医学图像诊断报告自动生成方法
CN117010971B (zh) 一种基于人像识别的智能健康险提供方法及系统
CN115661751B (zh) 一种基于注意力变换网络的公路低能见度检测方法和系统
CN120783398B (zh) 一种鱼的异常行为监测、描述与诊断方法
CN115909438A (zh) 基于深度时空域卷积神经网络的疼痛表情识别系统
CN118645248B (zh) 一种双重半监督集成式的异常心理沙盘检测方法及系统
CN117593666B (zh) 一种极光图像的地磁台站数据预测方法及系统
CN120496866A (zh) 基于多模态数据的精神疾病智能识别方法、设备和介质
CN117171649B (zh) 一种基于一致性学习的模糊分段时间序列分类方法和系统
CN116994295B (zh) 基于灰度样本自适应选择门的野生动物类别识别方法
Senthilnayaki et al. African Birds Identification Using Swing Transformer
CN118248321A (zh) 基于小样本学习方法maml的病理辅助诊断装置及方法
CN117423149A (zh) 基于人脸识别的智能考勤系统及其统计方法
CN116597588A (zh) 一种智能化社区安防报警系统
CN116958701A (zh) 一种基于改进vgg16与图像增强的网络异常流量检测方法
CN116912879A (zh) 一种基于迁移学习的刷耳身份识别方法

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
GR01 Patent grant