CN111626481B - 一种基于动态运输监测的动物肉品质评价方法及*** - Google Patents
一种基于动态运输监测的动物肉品质评价方法及*** Download PDFInfo
- Publication number
- CN111626481B CN111626481B CN202010378958.XA CN202010378958A CN111626481B CN 111626481 B CN111626481 B CN 111626481B CN 202010378958 A CN202010378958 A CN 202010378958A CN 111626481 B CN111626481 B CN 111626481B
- Authority
- CN
- China
- Prior art keywords
- parameter
- value
- monitoring
- homogeneous
- sample
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 314
- 235000013372 meat Nutrition 0.000 title claims abstract description 224
- 241001465754 Metazoa Species 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013441 quality evaluation Methods 0.000 title claims description 40
- 239000011159 matrix material Substances 0.000 claims abstract description 87
- 238000003860 storage Methods 0.000 claims abstract description 50
- 230000008569 process Effects 0.000 claims abstract description 30
- 235000016709 nutrition Nutrition 0.000 claims abstract description 14
- 230000035764 nutrition Effects 0.000 claims abstract description 11
- 239000000523 sample Substances 0.000 claims description 211
- 230000007613 environmental effect Effects 0.000 claims description 129
- 239000013074 reference sample Substances 0.000 claims description 83
- 238000012360 testing method Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 38
- 238000003908 quality control method Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000003307 slaughter Methods 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 41
- 238000001514 detection method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000000144 pharmacologic effect Effects 0.000 description 8
- 230000000384 rearing effect Effects 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 150000001720 carbohydrates Chemical class 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910017053 inorganic salt Inorganic materials 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 229940088594 vitamin Drugs 0.000 description 2
- 229930003231 vitamin Natural products 0.000 description 2
- 235000013343 vitamin Nutrition 0.000 description 2
- 239000011782 vitamin Substances 0.000 description 2
- 150000003722 vitamin derivatives Chemical class 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004310 lactic acid Substances 0.000 description 1
- 235000014655 lactic acid Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013622 meat product Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明实施例提供一种基于动态运输监测的动物肉品质评价方法及***，所述方法包括：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值；计算动态参数监测值对应的同质参数期望值，并根据同质参数期望值构建输入参数矩阵；将输入参数矩阵输入肉品质预测模型，获得目标动物活体对应的肉品质参数预测值，肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；根据所述肉品质参数预测值确定最差品质参数预测值，根据最差品质参数预测值和有效贮藏期规则确定有效贮藏期。本发明实施例能够准确地对肉品质参数的值进行预测，且恰当准确地确定出目标动物肉的有效贮藏期。
Description
技术领域
本发明涉及可穿戴设备与食品质量溯源领域，具体涉及一种基于动态运输监测的动物肉品质评价方法及***。
背景技术
未来牧场的信息化和智能化程度会越来越高，这对解放劳动力、发展生产和动物产品质量溯源等十分有利。现有技术中的数据采集和管理方法不仅效率低，而且耗费了大量的人力物力财力，不利于牧场的可持续发展。
现有技术存在信息较为不方便、信息传输效率不高和信息处理不智能等问题，不能高效地为动物健康管理、动物福利与肉品质溯源提供支持。
因此，如何实现基于动态运输监测的动物肉品质评价，提升数据采集和肉品质评价的效率，成为亟待解决的问题。
发明内容
针对现有技术中的缺陷，本发明实施例提供一种基于动态运输监测的动物肉品质评价方法。
第一方面，本发明实施例提供一种基于动态运输监测的动物肉品质评价方法，包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
可选地，所述计算所述动态参数监测值对应的同质参数期望值，具体包括：
根据所述动态参数监测值中的环境参数监测值计算同质环境参数期望值；
根据所述动态参数监测值中的生化参数监测值计算同质生化参数期望值；
根据所述动态参数监测值中的体征参数监测值计算同质体征参数期望值；和/或，将所述同质环境参数期望值、同质生化参数期望值和同质体征参数期望值进行组合得到同质综合参数期望值；
其中，采用如下公式计算同质环境参数期望值：
其中，为第i种环境参数的同质环境参数期望值；/>为第i种环境参数的同质环境参数维度；/>为第i种环境参数的第a维度的同质环境参数监测值权重；/>为第i种环境参数的第a维度的环境参数监测值，/>为预先获取的第i种环境参数的第a维度的环境参数监测标准误差；
其中，采用如下公式计算同质生化参数期望值：
其中，为第j种生化参数的同质生化参数期望值；/>为第j种生化参数的同质生化参数维度；/>为第j种生化参数的第b维度的同质生化参数监测值权重；/>为第j种生化参数的第b维度的生化参数监测值；/>为预先获取的第j种生化参数的第b维度的生化参数监测标准误差；
其中，采用如下公式计算同质体征参数期望值：
其中，为第k种体征参数的同质体征参数期望值；/>为第k种体征参数的同质体征参数维度；/>为第k种体征参数的第c维度的同质体征参数监测值权重；/>为第k种体征参数的第c维度的体征参数监测值；/>为预先获取的第k种体征参数的第c维度的体征参数监测标准误差。
可选地，训练获得所述肉品质预测模型的步骤，具体包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值样本，并获取所述动态参数监测值样本对应的肉品质参数试验值样本，所述动态参数监测值样本具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值样本；
计算所述动态参数监测值样本的同质参数期望值，以及所述肉品质参数试验值样本的同质品质参数期望值；
根据所述动态参数监测值样本的同质参数期望值构建训练样本，并将所述同质品质参数期望值作为所述训练样本对应的样本标签；
从所述训练样本中提取出N个样本，构成总体样本，并从所述总体样本中无规则提取M个样本作为初始基准样本；
分别计算所述初始基准样本与所述总体样本中的其他样本之间的欧氏距离的大小，按照欧式距离最小原则将所述总体样本划分为M个输入子样本；
计算每个输入子样本的样本均值，将所有输入子样本的样本均值作为下一代基准样本，当基准样本不再发生变化时，获得最终基准样本；
利用所述最终基准样本计算函数标准差和连接权值；
根据所述最终基准样本、函数标准差和连接权值计算获得所述训练样本对应的肉品质参数预测值，并根据所述肉品质参数预测值与样本标签，计算预测误差；
若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，直至计算获得的预测误差小于等于预设阈值时，保存当前迭代的最终基准样本、函数标准差和连接权值，获得训练完成的肉品质预测模型；
其中，N和M为大于0的自然数。可选地，利用所述最终基准样本计算函数标准差和连接权值，具体为：
根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差；
根据所述最终基准样本对应的样本标签确定连接权值。
可选地，所述将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，具体包括：
采用如下公式计算“环境参数-品质参数”预测输出结果：
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本数；
采用如下公式计算“生化参数-品质参数”预测输出结果：
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本数；
采用如下公式计算“体征参数-品质参数”预测输出结果：
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测值；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本数；和/或，
采用如下公式计算“综合参数-品质参数”预测输出结果：
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个同质综合参数期望值样本；εξ为综合函数标准差；M为最终基准样本的样本数。
可选地，所述按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，具体包括：
基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值。
可选地，所述根据所述同质参数期望值构建输入参数矩阵，具体包括：
获取品质调控参数，并确定品质调控参数值；
根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵；
相应地，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到，包括：
所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
可选地，根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案。
第二方面，本发明实施例提供一种基于动态运输监测的动物肉品质评价装置，包括：
动态参数监测模块，用于按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
预处理模块，用于计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
预测模块，用于将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
肉品质评价模块，用于确定所述肉品质参数预测值中的最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
第三方面，本发明实施例提供一种基于动态运输监测的动物肉品质评价***，包括：
感知端、执行如第一方面任一所述基于动态运输监测的动物肉品质评价方法的云平台和智能设备，其中，所述感知端用于动态、实时和连续采集动态参数监测数据，所述智能设备用于通过访问所述云平台进行数据管理及分析，并向所述感知端发送指令，所述云平台与所述感知端和智能设备通信连接。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，可以准确地预测出所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确地确定出目标动物肉的有效贮藏期。
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为本发明实施例提供的一种基于动态运输监测的动物肉品质评价方法的流程示意图；
图2为本发明实施例提供的另一基于动态运输监测的动物肉品质评价方法的流程示意图；
图3为本发明实施例提供的一种基于动态运输监测的动物肉品质评价装置的结构示意图；
图4是本发明实施例提供的一种基于动态运输监测的动物肉品质评价***的结构示意图；
图5是本发明实施例提供的一种基于动态运输监测的动物肉品质评价子***的结构示意图；
图6为本发明实施例提供的一种电子设备的实体结构示意图。
附图说明：感知端-001；读写端-002；云平台-003；智能设备-004；汇聚节点005；车载动态监测***-100；环境参数监测子***-101；生化参数监测子***-102；体征参数监测子***-103；综合参数监测子***-104；辅助检测***-200；安全参数检测子***-201；食用参数检测子***-202；营养参数检测子***-203；综合参数检测子***-204。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
图1是本发明实施例提供的一种基于动态运输监测的动物肉品质评价方法的流程示意图，如图1所示，该方法包括：
S101：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
其中，所述动态监测参数须具有易被动态、实时和连续采集和记录的特征。
所述环境参数监测值具体包括温度、相对湿度、车厢振动强度(三维加速度、三维角速度、振动频率)、噪音强度、气压、二氧化碳浓度、氧气浓度、一氧化碳浓度、硫化氢浓度、氨气浓度和甲烷浓度，但不局限于这些。
所述生化参数监测值具体包括血糖浓度和血乳酸浓度，但不局限于此。
所述体征参数监测值具体包括脉搏频率、体温、呼吸频率、血压和血氧饱和度，但不局限于此。
具体地，通过多维单一传感器，按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的环境参数监测值、生化参数监测值、体征参数监测值中的一类或多类。
S102：计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵。
其中，所述同质参数期望值为通过多维单一传感器采集多方的动态参数监测值进一步计算得到，为同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值。
具体地，图2是本发明实施例提供的另一基于动态运输监测的动物肉品质评价方法的流程示意图，如图2所示，多维单一传感器采集多方的动态参数监测值，进一步计算所述动态参数监测值对应的同质参数期望值，再对同质参数期望值进行归一化处理，并根据归一化处理之后的同质参数期望值构建形成输入参数矩阵，同质环境参数期望值X、同质生化参数期望值Y、同质体征参数期望值Z、同质综合参数期望值V可用如下公式表示：
其中，表示第n1异质环境参数维度的期望值，/>表示第n2异质生化参数维度的期望值，/>表示第n3异质体征参数维度的期望值，/>表示第n4异质综合参数维度的期望值。
S103：将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉类品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
其中，所述肉品质参数预测值可用于评价肉类品质。
所述安全参数具体包括挥发性盐基氮含量、菌落总数和pH值，但不局限于此。
所述食用参数具体包括系水力和剪切力，但不局限于此。
所述营养参数具体包括碳水化合物含量、脂肪含量、蛋白质含量、维生素含量、水含量和无机盐含量，但不局限于此。
所述肉品质参数试验值样本的同质品质参数期望值为根据预先已知的多维单一样本品质参数试验值计算得到的同质品质参数期望值。
具体地，将S102构建形成的输入参数矩阵输入肉品质预测模型，可获得肉品质预测模型输出的所述目标动物活体对应的肉品质参数预测值，即输出的参数矩阵，需要说明的是，肉品质预测模型是根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。输出的参数矩阵W可用如下公式表示：
其中，表示第n0异质品质参数维度的期望值。
S104：根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期。
其中，所述预设的有效贮藏期规则为根据多维单一样本品质参数试验值制定的与目标动物肉的有效贮藏期对应的规则。
有效贮藏期为动物肉从贮藏开始到满足最低品质限度的品质参数极限参考值所经历的时间。
所述最低品质限度的品质参数极限参考值是为保证目标动物肉产品质量的品质参数最小和/或最大参考值。
所述最差品质参数预测值为所述最低品质限度的品质参数极限参考值的子集。
具体地，根据S103得到的目标动物活体对应的肉品质参数预测值，可确定安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类，进一步地，可确定出肉品质参数预测值中的最差品质参数预测值；若肉品质参数预测值中包含安全参数预测值、食用参数预测值和营养参数预测值中的至少两类品质参数预测值，则称为综合品质参数预测值；有效贮藏期取从动物肉贮藏开始到满足最低品质限度的极限参考值所经历的时间。例如，最低品质限度的极限参考值可为：挥发性盐基氮含量不大于15mg/100g、菌落总数不大于7lg CFU/g、pH值不小于5.4且不大于6.5、系水力不小于30％、剪切力不小于30N且不大于60N、碳水化合物含量不大于1g/100g、脂肪含量不小于15g/100g且不大于35g/100g、蛋白质含量不小于8g/100g、维生素含量不低于0.2mg/100g、水含量不小于50％且不大于77.5％和无机盐含量，但不局限于上述参考值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值中的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确的确定出目标动物肉的有效贮藏期。
进一步地，在上述发明实施例的基础上，所述计算所述动态参数监测值对应的同质参数期望值，具体包括：
根据所述动态参数监测值中的环境参数监测值计算同质环境参数期望值；
根据所述动态参数监测值中的生化参数监测值计算同质生化参数期望值；
根据所述动态参数监测值中的体征参数监测值计算同质体征参数期望值；和/或，将所述同质环境参数期望值、同质生化参数期望值和同质体征参数期望值进行组合得到同质综合参数期望值；
其中，采用如下公式计算同质环境参数期望值：
其中，为第i种环境参数的同质环境参数期望值；/>为第i种环境参数的同质环境参数维度；/>为第i种环境参数的第a维度的同质环境参数监测值权重；/>为第i种环境参数的第a维度的环境参数监测值，/>为预先获取的第i种环境参数的第a维度的环境参数监测标准误差，可根据具体监测数据计算获取。
其中，采用如下公式计算同质生化参数期望值：
其中，为第j种生化参数的同质生化参数期望值；/>为第j种生化参数的同质生化参数维度；/>为第j种生化参数的第b维度的同质生化参数监测值权重；/>为第j种生化参数的第b维度的生化参数监测值；/>为预先获取的第j种生化参数的第b维度的生化参数监测标准误差，可根据具体监测数据计算获取。
其中，采用如下公式计算同质体征参数期望值：
其中，为第k种体征参数的同质体征参数期望值；/>为第k种体征参数的同质体征参数维度；/>为第k种体征参数的第c维度的同质体征参数监测值权重；/>为第k种体征参数的第c维度的体征参数监测值；/>为预先获取的第k种体征参数的第c维度的体征参数监测标准误差，可根据具体监测数据计算获取。
具体地，多维单一传感器获取动态参数监测值中的环境参数监测值，并根据如下公式计算同质环境参数期望值：
多维单一传感器获取动态参数监测值中的生化参数监测值，并根据如下公式计算同质生化参数期望值：
多维单一传感器获取动态参数监测值中的体征参数监测值，并根据如下公式计算同质体征参数期望值：
和/或，将所述同质环境参数期望值、同质生化参数期望值和同质体征参数期望值进行组合得到同质综合参数期望值；根据同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值得到同质参数期望值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过公式计算能够准确得到同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值，进一步能够准确得到同质参数期望值。
进一步地，在上述发明实施例的基础上，训练获得所述肉品质预测模型的步骤，具体包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值样本，并获取所述动态参数监测值样本对应的肉品质参数试验值样本，所述动态参数监测值样本具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值样本；
计算所述动态参数监测值样本的同质参数期望值，以及所述肉品质参数试验值样本的同质品质参数期望值；
根据所述动态参数监测值样本的同质参数期望值构建训练样本，并将所述同质品质参数期望值作为所述训练样本对应的样本标签；
从所述训练样本中提取出N个样本，构成总体样本，并从所述总体样本中无规则提取M个样本作为初始基准样本；
分别计算所述初始基准样本与所述总体样本中的其他样本之间的欧氏距离的大小，按照欧式距离最小原则将所述总体样本划分为M个输入子样本；
计算每个输入子样本的样本均值，将所有输入子样本的样本均值作为下一代基准样本，当基准样本不再发生变化时，获得最终基准样本；
利用所述最终基准样本计算函数标准差和连接权值；
根据所述最终基准样本、函数标准差和连接权值计算获得所述训练样本对应的肉品质参数预测值，并根据所述肉品质参数预测值与样本标签，计算预测误差；
若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，直至计算获得的预测误差小于等于预设阈值时，保存当前迭代的最终基准样本、函数标准差和连接权值，获得训练完成的肉品质预测模型；
其中，N和M为大于0的自然数。具体地，所述同质品质参数期望值采用如下公式计算：
其中，为同质品质参数期望值；/>为同质品质参数维度；/>为第d维度的同质品质参数试验值权重；/>为已知的第d维度的品质参数试验值；/>为已知的第d维度的品质参数试验标准误差，可根据具体监测数据计算获取。/>
通过动态监测获取环境参数监测值样本、生化参数监测值样本和体征参数监测值样本，并获取所述环境参数监测值样本、生化参数监测值样本和体征参数监测值样本对应的肉品质参数试验值样本，并基于此计算得出环境参数监测值样本、生化参数监测值样本、体征参数监测值样本对应的同质环境参数期望值、同质生化参数期望值、同质体征参数期望值，并获得同质环境参数期望值样本、同质生化参数期望值样本、同质体征参数期望值样本，根据所述动态参数监测值样本的同质参数期望值构建训练样本，再分别计算所述环境参数监测值样本、生化参数监测值样本和体征参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值，并将所述同质品质参数期望值作为所述训练样本对应的样本标签。
从所述同质环境参数期望值样本、同质生化参数期望值样本、同质体征参数期望值样本中分别提取N个样本，并将所提取的样本结合起来作为同质综合参数期望值样本，构成同质环境参数期望值总体样本、同质生化参数期望值总体样本、同质体征参数期望值总体样本和同质综合参数期望值总体样本；所述同质综合参数期望值总体样本的样本个数为N，且包括同质环境参数期望值样本、同质生化参数期望值样本和同质体征参数期望值样本中的至少两类参数期望值样本。
从所述总体样本中无规则提取M个样本作为肉品质预测模型输入的基准样本，即分别从同质环境参数期望值总体样本、同质生化参数期望值总体样本、同质体征参数期望值总体样本和同质综合参数期望值总体样本中提取M个基准样本，分别记作Xα、Yβ、Zγ和Vξ，其中，α＝1,2,…,M；β＝1,2,…,M；γ＝1,2,…,M；ξ＝1,2,…,M，分别计算Xα、Yβ、Zγ、Vξ与输入参数矩阵中的同质环境参数期望值样本Xn、同质生化参数期望值样本Yn、同质体征参数期望值样本Zn、同质综合参数期望值样本Vn的欧氏距离，按照欧氏距离最小原则，将Xn、Yn、Zn和Vn分别划分至环境参数输入样本集合、生化参数输入样本集合、体征参数输入样本集合和综合参数输入样本集合φn中，其中，n＝1,2,…,N，并分别计算环境参数输入样本集合均值、生化参数输入样本集合均值、体征参数输入样本集合均值和综合参数输入样本集合均值，将所述环境参数输入样本集合均值、所述生化参数输入样本集合均值、所述体征参数输入样本集合均值和所述综合参数输入样本集合均值作为新的基准样本。当新的基准样本不再发生变化时，获得最终基准样本，基于最终基准样本计算函数标准差和连接权值，其中环境函数标准差εα、生化函数标准差εβ、体征函数标准差εγ和综合函数标准差εξ根据如下公式确定：
其中，Xαmax、Yβmax、Zγmax和Vψmax分别对应为与Xα、Yβ、Zγ和Vψ之间欧氏距离最大值，M为可变参数。
环境连接权值wαψ第ψ个元素、生化连接权值wβψ第ψ个元素、体征连接权值wγψ第ψ个元素和综合连接权值wξψ第ψ个元素分别对应第α、β、γ和ξ个样本标签的第ψ个元素。
并利用所述最终基准样本、函数标准差和连接权值计算获得总体样本中的每个样本对应的肉品质参数预测值；详细地，采用如下公式计算“环境参数-品质参数”预测输出结果：
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“生化参数-品质参数”预测输出结果：
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“体征参数-品质参数”预测输出结果：
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本个数；或者，
采用如下公式计算“综合参数-品质参数”预测输出结果：
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个同质综合参数期望值样本；εξ为综合函数标准差；M为最终基准样本的样本个数。
根据所述每个样本对应的肉品质参数预测值以及样本标签，计算预测误差，若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，更新基准样本，再基于新基准样本计算函数标准差和连接权值，循环迭代直至基准样本不再发生变化，确定最终基准样本；再基于所述最终基准样本确定最终的函数标准差和连接权值，获得所述肉品质预测模型。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述每个样本对应的肉品质参数预测值以及样本标签，计算预测误差，判断所述预测误差，进一步确定最终基准样本，能够准确确定最终的函数标准差和连接权值，获得所述肉品质预测模型。
进一步地，利用所述最终基准样本计算函数标准差和连接权值，具体为：
根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差；
根据所述最终基准样本对应的样本标签确定连接权值。
具体地，根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差，根据所述最终基准样本对应的样本标签确定连接权值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差并根据所述最终基准样本对应的样本标签确定连接权值，能够准确确定函数标准差和连接权值。
进一步地，所述将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，具体包括：
采用如下公式计算“环境参数-品质参数”预测输出结果：
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本数。
采用如下公式计算“生化参数-品质参数”预测输出结果：
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本数。
采用如下公式计算“体征参数-品质参数”预测输出结果：
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测值；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本数。
和/或，采用如下公式计算“综合参数-品质参数”预测输出结果：
/>
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个同质综合参数期望值样本；εξ为综合函数标准差；M为最终基准样本的样本数。
具体地，将所述输入参数矩阵输入肉品质预测模型，根据上述公式计算得到“环境参数-品质参数”预测输出结果、“生化参数-品质参数”预测输出结果、“体征参数-品质参数”预测输出结果和“综合参数-品质参数”预测输出结果，即获得了所述目标动物活体对应的肉品质参数预测值。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据上述公式计算得到“环境参数-品质参数”预测输出结果、“生化参数-品质参数”预测输出结果、“体征参数-品质参数”预测输出结果和“综合参数-品质参数”预测输出结果，能够准确获得目标动物活体对应的肉品质参数预测值。
进一步地，所述按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，具体包括：
基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值。
具体地，基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值，详细地，通过如下公式计算得到动态参数监测值：
采用如下公式计算环境参数监测值：
其中，为第i种环境参数的第a维度的环境参数监测值；/>为环境参数监测值提取函数；/>为基于环境参数监测的运输时间累积因素权重；/>为基于环境参数监测的运输距离累积因素权重；/>为基于环境参数监测的间歇时间影响权重；/>为基于环境参数监测的有效起始时间；/>为基于环境参数监测的有效起始距离；/>为提取环境参数监测值的固定时间间隔；/>为提取环境参数监测值的固定距离间隔；/>为基于环境参数监测的运输总时间；/>为基于环境参数监测的间歇总时间；/>为环境参数监测值提取常数。
车厢振动强度由三维加速度、三维角速度和振动频率共同决定，如下式所示：
xvib＝λgxg+λθxθ+λhxh
λg+λθ+λh＝1
其中，xvib为车厢振动强度；xg、xθ和xh分别为三维加速度、三维角速度和振动频率；λg、λθ和λh分别为三维加速度、三维角速度和振动频率计算权值。
采用如下公式计算生化参数监测值：
其中，为第j种生化参数的第b维度的生化参数监测值；/>为生化参数监测值提取函数；/>为基于生化参数监测的运输时间累积因素权重；/>基于生化参数监测的运输距离累积因素权重；/>为基于生化参数监测的间歇时间影响权重；/>为基于生化参数监测的有效起始时间；/>为基于生化参数监测的有效起始距离；/>为提取生化参数监测值的固定时间间隔；/>为提取生化参数监测值的固定距离间隔；/>为基于生化参数监测的运输总时间；/>为基于生化参数监测的间歇总时间；/>为生化参数监测值提取常数；
采用如下公式计算体征参数监测值：
其中，为第k种体征参数的第c维度的体征参数监测值；/>为体征参数监测值提取函数；/>为基于体征参数监测的运输时间累积因素权重；/>为基于体征参数监测的运输距离累积因素权重；/>为基于体征参数监测的间歇时间影响权重；/>为基于体征参数监测的有效起始时间；/>为基于体征参数监测的有效起始距离；/>为提取体征参数监测值的固定时间间隔；/>为提取体征参数监测值的固定距离间隔；/>为基于体征参数监测的运输总时间；/>为基于体征参数监测的间歇总时间；/>为体征参数监测值提取常数。
进一步地，所述根据所述同质参数期望值构建输入参数矩阵，具体包括：
获取品质调控参数，并确定品质调控参数值；
根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵；
相应地，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到，包括：
所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
具体地，获取品质调控参数，并确定品质调控参数值，所述品质调控参数为：在活体运输阶段包括运输时间、运输距离、运输密度、饲饮用量、饲饮次数、药理用量、药理次数、间歇时间和间歇次数；在临时圈养阶段包括饲饮用量、饲饮次数、药理用量、药理次数、圈养时间和圈养密度；在屠宰加工阶段的操作流程是否规范；在肉类贮运阶段是否采用冷链***和低温贮藏；所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵，且肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值的同质品质参数期望值进行训练得到，能够综合考虑品质调控参数的影响，更能使得预测结果真实地反映实际运输的动物活体对应的的目标肉品质情况。
进一步地，所述方法还包括：
根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案。
具体地，把整个评价流程分为四个阶段，即活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段，分析每个阶段的品质调控参数和制定品质调控方案，根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案，如在活体运输阶段减少运输时间、缩短运输距离、规范运输密度、规范饲饮用量、规范饲饮次数、规范药理用量、规范药理次数、增加间歇时间和增加间歇次数；在临时圈养阶段规范饲饮用量、规范饲饮次数、规范药理用量、规范药理次数、增加圈养时间和降低圈养密度；规范屠宰加工阶段的操作流程；在肉类贮运阶段采用冷链***和低温贮藏。
本发明实施例提供了基于动态运输监测的动物肉品质评价方法，该方法中，通过根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案，能够更加细致具体地确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案，能够合理且符合实际情况地处理运输过程中的目标动物活体。
图3为本发明实施例提供的一种基于动态运输监测的动物肉品质评价装置的结构示意图，如图3所示，包括：
一种基于动态运输监测的动物肉品质评价装置的结构示意图，如图3所示，包括：
动态参数监测模块301，用于按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
预处理模块302，用于计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
预测模块303，用于将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
肉品质评价模块304，用于确定所述肉品质参数预测值中的最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
本发明实施例提供了基于动态运输监测的动物肉品质评价装置，该装置中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确地确定出目标动物肉的有效贮藏期。
本实施例所述的基于动态运输监测的动物肉品质评价装置可以用于执行上述对应的方法实施例，其原理和技术效果类似，此处不再赘述。
图4是本发明实施例提供的一种基于动态运输监测的动物肉品质评价***的结构示意图，如图4所示，包括：
感知端、执行如上所述基于动态运输监测的动物肉品质评价方法的云平台和智能设备，其中，所述感知端用于动态、实时和连续采集动态参数监测数据，所述智能设备用于通过访问所述云平台进行数据管理及分析，并向所述感知端发送指令，所述云平台与所述感知端和智能设备通信连接。
具体地，感知端001用于感知环境和动物生理信息，包括信号采集、信号处理、信息记录和信息传输等功能；读写端002用于读取感知端001记录的环境和动物生理信息，并可向感知端001发送指令和将数据信息上传至云平台003，具有信号处理、信息存储、信息传输和发送指令等功能；云平台003提供数据管理服务，具有数据接收、数据分析、数据存储和数据下载等功能；智能设备004包括计算机和智能手机等，在智能设备004上可通过客户端和浏览器两种方式访问云平台003进行数据管理及分析，此外，还可向感知端001发送指令。
一般地，所述感知端001可设计为穿戴式设备或电子标签，并具有动态、实时和连续采集信息的功能；当感知端001设计为穿戴式设备时，安装方式为束缚式，通信方式为远距无线通信，感知端001可设计成直接将信息上传至云平台003和智能设备004，也可设计成通过网络汇聚节点005将信息上传至云平台003和智能设备004；当感知端001设计为电子标签时，安装方式为贴覆式，通信方式为近距无线通信，须首先利用扫描端提取感知端001记录的信息，然后上传至云平台003和智能设备004。
图5是本发明实施例提供的一种基于动态运输监测的动物肉品质评价子***的结构示意图，如图5所示：
感知端001、读写端002、云平台003和智能设备004组成车载动态监测***100，车载动态监测***100具有效率高、智能化和信息化等特征；
基于动态运输监测的动物肉品质评价***还包括获取肉类品质信息的检测仪器，所述检测仪器组成辅助检测***200，辅助检测***200效率低，但精度高；辅助检测***200一方面为车载动态监测***100提供足量品质数据用于训练，另一方面提供辅助校验手段；当预测模型完成训练后，则可以去掉辅助检测***200，直接由车载动态监测***100完成品质监测。
所述车载动态监测***100又分为环境参数监测子***101、生化参数监测子***102和体征参数监测子***103，各子***结合起来可组成综合参数监测子***104；所述辅助检测***200又分为安全参数检测子***201、食用参数检测子***202和营养参数检测子***203，各子***结合起来可组成综合参数检测子***204；所述车载动态监测***100的各个子***可分别与辅助检测***200的各个子***组成肉品质评价子***。
本发明实施例提供了基于动态运输监测的动物肉品质评价***，该***中，通过按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，能够准确得到动态参数监测值；通过计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵，可以使得输入矩阵更能反应真实的目标动物活体的情况；通过将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值；且通过确定所述肉品质参数预测值的最差品质参数预测值，能够结合有效贮藏期规则，恰当准确的确定出目标动物肉的有效贮藏期。
本实施例所述的基于动态运输监测的动物肉品质评价***可以用于执行上述对应的方法实施例，其原理和技术效果类似，此处不再赘述。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(Processor)601、存储器(Memory)602、通信接口(Communications Interface)603和通信总线604，其中，处理器601，存储器602，通信接口603通过通信总线604完成相互间的通信。处理器601可以调用存储器602中的逻辑指令，以执行上述各方法实施例所提供的方法，例如包括：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
此外，上述的存储器602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。
本发明实施例还提供非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法实施例所提供的方法，例如包括：按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
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)
1.一种基于动态运输监测的动物肉品质评价方法，其特征在于，包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
根据所述肉品质参数预测值确定最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到；
其中，所述同质参数期望值为通过多维单一传感器采集多方的动态参数监测值进一步计算得到，为同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值；
其中，所述肉品质参数试验值样本的同质品质参数期望值为根据预先已知的多维单一样本品质参数试验值计算得到的同质品质参数期望值；
所述计算所述动态参数监测值对应的同质参数期望值，具体包括：
若所述动态参数监测值为环境参数监测值，则根据所述环境参数监测值计算同质环境参数期望值；
若所述动态参数监测值为生化参数监测值，则根据所述生化参数监测值计算同质生化参数期望值；
若所述动态参数监测值为体征参数监测值，则根据所述体征参数监测值计算同质体征参数期望值；或者，
若所述动态参数监测值为综合参数监测值，则根据所述综合参数监测值所包含的各类参数监测值分别计算得到各类参数监测值的同质参数期望值，将所述各类参数监测值的同质参数期望值进行组合，获得同质综合参数期望值；
其中，采用如下公式计算同质环境参数期望值：
其中，为第i种环境参数的同质环境参数期望值；/>为第i种环境参数的同质环境参数维度；/>为第i种环境参数的第a维度的同质环境参数监测值权重；/>为第i种环境参数的第a维度的环境参数监测值，/>为预先获取的第i种环境参数的第a维度的环境参数监测标准误差；
其中，采用如下公式计算同质生化参数期望值：
其中，为第j种生化参数的同质生化参数期望值；/>为第j种生化参数的同质生化参数维度；/>为第j种生化参数的第b维度的同质生化参数监测值权重；/>为第j种生化参数的第b维度的生化参数监测值；/>为预先获取的第j种生化参数的第b维度的生化参数监测标准误差；
其中，采用如下公式计算同质体征参数期望值：
其中，为第k种体征参数的同质体征参数期望值；/>为第k种体征参数的同质体征参数维度；/>为第k种体征参数的第c维度的同质体征参数监测值权重；/>为第k种体征参数的第c维度的体征参数监测值；/>为预先获取的第k种体征参数的第c维度的体征参数监测标准误差；
其中，采用如下公式计算同质品质参数期望值：
其中，为同质品质参数期望值；/>为同质品质参数维度；/>为第d维度的同质品质参数试验值权重；/>为已知的第d维度的品质参数试验值；/>为已知的第d维度的品质参数试验标准误差，可根据具体监测数据计算获取；
所述将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，具体包括：
采用如下公式计算“环境参数-品质参数”预测输出结果：
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“生化参数-品质参数”预测输出结果：
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“体征参数-品质参数”预测输出结果：
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本个数；或者，
采用如下公式计算“综合参数-品质参数”预测输出结果：
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个综合参数；εξ为综合函数标准差；M为最终基准样本的样本个数。
2.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，训练获得所述肉品质预测模型的步骤，具体包括：
按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值样本，并获取所述动态参数监测值样本对应的肉品质参数试验值样本，所述动态参数监测值样本具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值样本；
计算所述动态参数监测值样本的同质参数期望值，以及所述肉品质参数试验值样本的同质品质参数期望值；
根据所述动态参数监测值样本的同质参数期望值构建训练样本，并将所述同质品质参数期望值作为所述训练样本对应的样本标签；
从所述训练样本中提取出N个样本，构成总体样本，并从所述总体样本中无规则提取M个样本作为初始基准样本；
分别计算所述初始基准样本与所述总体样本中的其他样本之间的欧氏距离的大小，按照欧式距离最小原则将所述总体样本划分为M个输入子样本；
计算每个输入子样本的样本均值，将所有输入子样本的样本均值作为下一代基准样本，当基准样本不再发生变化时，获得最终基准样本；
利用所述最终基准样本计算函数标准差和连接权值；
根据所述最终基准样本、函数标准差和连接权值计算获得所述训练样本对应的肉品质参数预测值，并根据所述肉品质参数预测值与样本标签，计算预测误差；
若判断所述预测误差大于预设阈值，则调整所述基准样本的样本个数M，从所述总体样本中无规则提取出新的初始基准样本，直至计算获得的预测误差小于等于预设阈值时，保存当前迭代的最终基准样本、函数标准差和连接权值，获得训练完成的肉品质预测模型；
其中，N和M为大于0的自然数。
3.根据权利要求2所述的基于动态运输监测的动物肉品质评价方法，其特征在于，利用所述最终基准样本计算函数标准差和连接权值，具体为：
根据所述最终基准样本与所述总体样本中的其他样本之间的欧氏距离的最大值，以及所述最终基准样本的样本个数计算函数标准差；
根据所述最终基准样本对应的样本标签确定连接权值。
4.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，具体包括：
基于运输时间累积、运输距离累积和间歇时间，获取多维单一传感器在目标动物活体运输过程中相同时间间隔和相同距离间隔的动态参数监测值。
5.根据权利要求1所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述根据所述同质参数期望值构建输入参数矩阵，具体包括：
获取品质调控参数，并确定品质调控参数值；
根据所述同质参数期望值和所述品质调控参数值构建输入参数矩阵；
相应地，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到，包括：
所述肉品质预测模型根据所述品质调控参数值、动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到。
6.根据权利要求5所述的基于动态运输监测的动物肉品质评价方法，其特征在于，所述方法还包括：
根据所述有效贮藏期、所述品质调控参数和所述肉品质参数预测值确定活体运输阶段、临时圈养阶段、屠宰加工阶段和肉类贮运阶段的品质调控方案。
7.一种基于动态运输监测的动物肉品质评价装置，其特征在于，包括：
动态参数监测模块，用于按照动态、连续和实时的数据采集方式获取目标动物活体运输过程中的动态参数监测值，所述动态参数监测值具体为环境参数、生化参数、体征参数或综合参数中的任意一类参数的监测值，所述综合参数包括环境参数、生化参数和体征参数中的至少两类参数；
预处理模块，用于计算所述动态参数监测值对应的同质参数期望值，并根据所述同质参数期望值构建输入参数矩阵；
预测模块，用于将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，所述肉品质参数预测值包括安全参数预测值、食用参数预测值和营养参数预测值中的一类或多类；
肉品质评价模块，用于确定所述肉品质参数预测值中的最差品质参数预测值，根据所述最差品质参数预测值和预设的有效贮藏期规则确定有效贮藏期；
其中，所述肉品质预测模型根据动态参数监测值样本对应的同质参数期望值和所述动态参数监测值样本对应的肉品质参数试验值样本的同质品质参数期望值进行训练得到；
其中，所述同质参数期望值为通过多维单一传感器采集多方的动态参数监测值进一步计算得到，为同质环境参数期望值、同质生化参数期望值、同质体征参数期望值和/或同质综合参数期望值；
其中，所述肉品质参数试验值样本的同质品质参数期望值为根据预先已知的多维单一样本品质参数试验值计算得到的同质品质参数期望值；
所述计算所述动态参数监测值对应的同质参数期望值，具体包括：
若所述动态参数监测值为环境参数监测值，则根据所述环境参数监测值计算同质环境参数期望值；
若所述动态参数监测值为生化参数监测值，则根据所述生化参数监测值计算同质生化参数期望值；
若所述动态参数监测值为体征参数监测值，则根据所述体征参数监测值计算同质体征参数期望值；或者，
若所述动态参数监测值为综合参数监测值，则根据所述综合参数监测值所包含的各类参数监测值分别计算得到各类参数监测值的同质参数期望值，将所述各类参数监测值的同质参数期望值进行组合，获得同质综合参数期望值；
其中，采用如下公式计算同质环境参数期望值：
其中，为第i种环境参数的同质环境参数期望值；/>为第i种环境参数的同质环境参数维度；/>为第i种环境参数的第a维度的同质环境参数监测值权重；/>为第i种环境参数的第a维度的环境参数监测值，/>为预先获取的第i种环境参数的第a维度的环境参数监测标准误差；
其中，采用如下公式计算同质生化参数期望值：
其中，为第j种生化参数的同质生化参数期望值；/>为第j种生化参数的同质生化参数维度；/>为第j种生化参数的第b维度的同质生化参数监测值权重；/>为第j种生化参数的第b维度的生化参数监测值；/>为预先获取的第j种生化参数的第b维度的生化参数监测标准误差；
其中，采用如下公式计算同质体征参数期望值：
其中，为第k种体征参数的同质体征参数期望值；/>为第k种体征参数的同质体征参数维度；/>为第k种体征参数的第c维度的同质体征参数监测值权重；/>为第k种体征参数的第c维度的体征参数监测值；/>为预先获取的第k种体征参数的第c维度的体征参数监测标准误差；
其中，采用如下公式计算同质品质参数期望值：
其中，为同质品质参数期望值；/>为同质品质参数维度；/>为第d维度的同质品质参数试验值权重；/>为已知的第d维度的品质参数试验值；/>为已知的第d维度的品质参数试验标准误差，可根据具体监测数据计算获取；
所述将所述输入参数矩阵输入肉品质预测模型，获得所述目标动物活体对应的肉品质参数预测值，具体包括：
采用如下公式计算“环境参数-品质参数”预测输出结果：
其中，wxψ为“环境参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质环境参数期望值计算的肉品质参数预测值；wαψ为环境连接权值的第ψ个元素；Xn为输入参数矩阵中的同质环境参数期望值；Xα为最终基准样本中的第α个同质环境参数期望值样本；εα为环境函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“生化参数-品质参数”预测输出结果：
其中，wyψ为“生化参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质生化参数期望值计算的肉品质参数预测值；wβψ为生化连接权值的第ψ个元素；Yn输入参数矩阵中的同质生化参数期望值；Yβ为最终基准样本中的第β个同质生化参数期望值样本；εβ为生化函数标准差；M为最终基准样本的样本个数；
采用如下公式计算“体征参数-品质参数”预测输出结果：
其中，wzψ为“体征参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质体征参数期望值计算的肉品质参数预测；wγψ为体征连接权值的第ψ个元素；Zn为输入参数矩阵中的同质体征参数期望值；Zγ为最终基准样本中的第γ个同质体征参数期望值样本；εγ为体征函数标准差；M为最终基准样本的样本个数；或者，
采用如下公式计算“综合参数-品质参数”预测输出结果：
其中，wvψ为“综合参数-品质参数”预测输出结果中的第ψ个元素，即根据输入参数矩阵中的同质综合参数期望值计算的肉品质参数预测值；wξψ为综合连接权值的第ψ个元素；Vn为输入参数矩阵中的同质综合参数期望值；Vξ为最终基准样本中的第ξ个综合参数；εξ为综合函数标准差；M为最终基准样本的样本个数。
8.一种基于动态运输监测的动物肉品质评价***，其特征在于，包括：感知端、执行如权利要求1至6任一所述基于动态运输监测的动物肉品质评价方法的云平台和智能设备，其中，所述感知端用于动态、实时和连续采集动态参数监测数据，所述智能设备用于通过访问所述云平台进行数据管理及分析，并向所述感知端发送指令，所述云平台与所述感知端和智能设备通信连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010378958.XA CN111626481B (zh) | 2020-05-07 | 2020-05-07 | 一种基于动态运输监测的动物肉品质评价方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010378958.XA CN111626481B (zh) | 2020-05-07 | 2020-05-07 | 一种基于动态运输监测的动物肉品质评价方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111626481A CN111626481A (zh) | 2020-09-04 |
| CN111626481B true CN111626481B (zh) | 2023-08-15 |
Family
ID=72259741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010378958.XA Active CN111626481B (zh) | 2020-05-07 | 2020-05-07 | 一种基于动态运输监测的动物肉品质评价方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111626481B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112200446A (zh) * | 2020-09-30 | 2021-01-08 | 中国农业科学院农业质量标准与检测技术研究所 | 一种猪肉品质综合评价的方法 |
| CN113057598B (zh) * | 2021-04-20 | 2022-02-11 | 中国农业大学 | 一种面向动物活体无屠宰的肉质品质分级方法与*** |
| CN113706053B (zh) * | 2021-09-10 | 2022-03-25 | 游敏涛 | 一种物流配送实时在线监测分析方法、***、终端及介质 |
| CN114965910A (zh) * | 2022-04-14 | 2022-08-30 | 北京市农林科学院信息技术研究中心 | 肉类品质感知方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DD228640A1 (de) * | 1984-02-16 | 1985-10-16 | Svb Delicata Leipzig Veb | Verfahren zur frueherkennung der zu erwartenden fleischqualitaet lebender tiere |
| CN102507882A (zh) * | 2011-12-19 | 2012-06-20 | 中国农业大学 | 牛肉品质的多参数综合评价方法 |
| CN102830027A (zh) * | 2012-08-12 | 2012-12-19 | 南京农业大学 | 一种测定肉制品质构特性的方法 |
| CN103424526A (zh) * | 2013-08-01 | 2013-12-04 | 浙江工商大学 | 牛肉新鲜度检测装置及检测方法 |
| CN109738600A (zh) * | 2018-12-22 | 2019-05-10 | 河南农业大学 | 一种冷链肉制品微生物间歇性动态预测模型的构建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE522906C2 (sv) * | 2001-09-28 | 2004-03-16 | Telenvironment Ab | Förfarande och system för att kontrollera köttprodukters kvalitet och ursprung |
-
2020
- 2020-05-07 CN CN202010378958.XA patent/CN111626481B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DD228640A1 (de) * | 1984-02-16 | 1985-10-16 | Svb Delicata Leipzig Veb | Verfahren zur frueherkennung der zu erwartenden fleischqualitaet lebender tiere |
| CN102507882A (zh) * | 2011-12-19 | 2012-06-20 | 中国农业大学 | 牛肉品质的多参数综合评价方法 |
| CN102830027A (zh) * | 2012-08-12 | 2012-12-19 | 南京农业大学 | 一种测定肉制品质构特性的方法 |
| CN103424526A (zh) * | 2013-08-01 | 2013-12-04 | 浙江工商大学 | 牛肉新鲜度检测装置及检测方法 |
| CN109738600A (zh) * | 2018-12-22 | 2019-05-10 | 河南农业大学 | 一种冷链肉制品微生物间歇性动态预测模型的构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 猪肉品质无损检测研究进展;成芳;廖宜涛;马君伟;浙江大学学报. 农业与生命科学版;第36卷(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111626481A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111626481B (zh) | 一种基于动态运输监测的动物肉品质评价方法及*** | |
| García et al. | A systematic literature review on the use of machine learning in precision livestock farming | |
| Dórea et al. | Mining data from milk infrared spectroscopy to improve feed intake predictions in lactating dairy cows | |
| Cannas et al. | How can nutrition models increase the production efficiency of sheep and goat operations? | |
| Ferdinandy et al. | Challenges of machine learning model validation using correlated behaviour data: Evaluation of cross-validation strategies and accuracy measures | |
| US11209419B2 (en) | Lifecycle assessment systems and methods for determining emissions from animal production | |
| EP3716275A1 (en) | System and method for monitoring and quality evaluation of perishable food items | |
| Kebreab et al. | A new modeling environment for integrated dairy system management | |
| White et al. | Big data analytics and precision animal agriculture symposium: data to decisions | |
| Wisnieski et al. | Predictive modeling of bovine respiratory disease outcomes in feedlot cattle: A narrative review | |
| Sejian et al. | Assessment of the carbon footprint of four commercial dairy production systems in Australia using an integrated farm system model | |
| Zhang et al. | Daily milk yield prediction of dairy cows based on the GA-LSTM algorithm | |
| Bergman et al. | Variation in ungulate body fat: individual versus temporal effects | |
| Wełeszczuk et al. | Prediction of Polish Holstein's economical index and calving interval using machine learning | |
| Bartlett et al. | Advancing the quantitative characterization of farm animal welfare | |
| Lee et al. | Prediction of average daily gain of swine based on machine learning | |
| KR20190020429A (ko) | 스마트 축산 통합 관리 플랫폼 운영 방법 | |
| CN116760719A (zh) | 构建智慧养殖多模态物联网信息搜集、预警模型的方法 | |
| CN115757372A (zh) | 一种基于gru模型的数据缺失值填充方法及*** | |
| KR102328981B1 (ko) | 하네스 카메라를 이용한 반려동물 정보 공유 서비스 제공 시스템 | |
| Aunindita et al. | Use of machine learning and IoT for monitoring and tracking of livestock | |
| KR102590406B1 (ko) | 가축 생육 기반의 바이오인증 장치 | |
| US20230066394A1 (en) | Virtual and digital research model and related methods for improving animal health and performance outcomes | |
| KR102518418B1 (ko) | 영상 분석 기반의 반추동물 및 사육환경 분석 장치 및 방법 | |
| García et al. | A meta-learning approach in a cattle weight identification system for anomaly detection |
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 |