CN112883999A - 一种用于奶牛运动异常检测计步器***及其方法 - Google Patents
一种用于奶牛运动异常检测计步器***及其方法 Download PDFInfo
- Publication number
- CN112883999A CN112883999A CN202110041210.5A CN202110041210A CN112883999A CN 112883999 A CN112883999 A CN 112883999A CN 202110041210 A CN202110041210 A CN 202110041210A CN 112883999 A CN112883999 A CN 112883999A
- Authority
- CN
- China
- Prior art keywords
- layer
- pedometer
- cow
- neural network
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 17
- 235000013365 dairy product Nutrition 0.000 title claims abstract description 16
- 208000012661 Dyskinesia Diseases 0.000 title claims description 6
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims abstract description 30
- 229910052753 mercury Inorganic materials 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000008267 milk Substances 0.000 claims description 5
- 235000013336 milk Nutrition 0.000 claims description 5
- 210000004080 milk Anatomy 0.000 claims description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 4
- 230000012173 estrus Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 229910052744 lithium Inorganic materials 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 206010012735 Diarrhoea Diseases 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 208000030175 lameness Diseases 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 230000001133 acceleration Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 244000144972 livestock Species 0.000 abstract description 2
- 241000283690 Bos taurus Species 0.000 description 26
- 238000010586 diagram Methods 0.000 description 5
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000000003 hoof Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C22/00—Measuring distance traversed on the ground by vehicles, persons, animals or other moving solid bodies, e.g. using odometers, using pedometers
- G01C22/006—Pedometers
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种用于奶牛运动异常检测计步器***及其方法，包括硬件模块和软件算法，所述硬件模块包括水银开关计步传感器、无线通信模块、电源、网关接收器和服务器，且水银开关计步传感器、无线通信模块、电源、网关接收器和服务器组成计步器检测算法，所述水银开关计步传感器和无线通信模块与电源进行电性连接，所述网关接收器与无线通信模块进行无线连接，所述软件算法包括定位算法和异常检测算法，具体涉及畜牧计步器技术领域。本发明通过设置通过设置计步器检测算法，计步器检测算法当中的水银开关比三维加速度传感器功耗更低，而CC同时集成了CPU和无线射频，既能处理数据又能通过无线通信发送数据，计步器整体设计较传统方法更为低功耗。
Description
技术领域
本发明涉及畜牧计步器技术领域，更具体地说，本发明涉及一种用于奶牛运动异常检测计步器***及其方法。
背景技术
规模化奶牛养殖场中，计步器是一个非常重要的管理工具。它是牧场信息化和精准养殖的基石，具有身份识别、运动步数统计和基于运动量的异常诊断功能。据统计，98％的奶牛异常可以通过计步器揭发，90％的发情和30％的蹄病依赖计步器检测。
现有的计步器如以色列的阿菲金(Afimilk)计步器主要由传感器ADXL362、无线通信模块、主控CPU和锂电池组成。ADXL362是三维加速度传感器，功耗高；其无线通信距离短，仅当奶牛通过特定位置时，读卡器近距离读取奶牛佩戴的计步器数据，即受时空限制，而无法做到实时或定时读取，奶牛分布牛棚中任意位置读取。另一方面，传统计步器将采集的奶牛运动量信息，传输到服务器上后，需要有经验的牧医专家凭借个人经验去观测运动曲线规律和特征，从而发现奶牛个体异常，这种方法效率低下。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种用于奶牛运动异常检测的计步器***，本发明所要解决的问题是：现有的计步器将采集的奶牛运动量信息，传输到服务器上后，需要有经验的牧医专家凭借个人经验去观测运动曲线规律和特征，从而发现奶牛个体异常，这种方法效率低下。
为实现上述目的，本发明提供如下技术方案：一种用于奶牛运动异常检测的计步器***，包括硬件模块和软件算法，所述硬件模块包括水银开关计步传感器、无线通信模块、电源、网关接收器和服务器，且水银开关计步传感器、无线通信模块、电源、网关接收器和服务器组成计步器检测算法，所述水银开关计步传感器和无线通信模块与电源进行电性连接，所述网关接收器与无线通信模块进行无线连接，所述软件算法包括定位算法和异常检测算法。
优选的，所述水银开关计步传感器通过两个水银开关与地面构成35°～45°的倾角，通过奶牛运动的震动使得电流导通，并且导通电路时间持续100Ms～1000Ms，作为计步的检测装置。
优选的，所述电源采用1800mAh的锂亚电池。
优选的，所述计步器检测算法通过CC2530的两个中断过程实现。
优选的，所述定位算法为基于CC2530无线信号强度的定位算法，所述定位算法采用CC2530传输的信号强度衰减，通过在牛棚中部署网格状的接受网关和加权定位算法估计奶牛在牛棚中的位置信息。
优选的，所述异常检测算法包括二维卷积神经网络(2D CNN)和深层神经网络；
优选的，所述计步器检测算法包括以下步骤：1)用两个水银开关与地面构成θ＝(35°～45°)之间的倾角，当任何一个水银开关因感知到震动导通后，启动定时器计数；
2)仅当两个开关同时检测到震动，并导通电路且时间持续Tmin＝100Ms以上Tmax＝1000Ms以下时，判定为1个步子，水银开关依靠外部中断来触发计步，可以更节约功耗；
3)当计步器计步达到24小时(48个字节)，向服务器发送一次数据包，并清除缓存，也可在服务器的指令下，定时向网关发送监测数据。
优选的，所述定位算法包括以下步骤：1)将汇聚网关均匀部署在牛棚的钢架上，并整齐排列成队列网格的形式；
2)在网格中，所有汇聚网关位于监测区域内，并把监测区域D分解为n2或者n×m个单元；
3)CC2530的通信半径设置为大于1个单元而小于等于2个单元区域，即以边长为2个单元的正方形区域，而CC2530的信号与距离的衰减关系为：
los＝32.44+20lg(d)+20lg(d)
其中los是传播损耗，单位为dB，d是发送端到接受端之间的距离，单位是km，f是电磁波的工作频率，单位是MHz，根据接受端的信号强度值，可以估计出传输距离d，但是d受环境影响比较大，因而只能将其作为加权因子，得到目标的定位公式如下：
其中di表示第j个网关到第i个目标的距离，(xj yj zj)T表示第j个网关位置，而(xCyC zC)T表示估计的目标位置。
优选的，所述异常检测算法包括以下步骤：1)二维卷积神经网络(2D CNN)：以一天时长的监测单元为例，一维向量为N＝48个数字(每半个小时占用一个字节的运动量)，即向卷积神经网络输入的向量为：V＝(n1，n2，n3...nN)，每一个输入向量为一个样本，每个样本都经过牧医专家数据标注，如图4所示给出了正常、跛行、腹泻和发情四种状态下的奶牛运动数据，但是数据集合依然在不断地扩增；
2)深层神经网络：
输入层：数据经过预处理后，每条记录种包含48个数据点(奶牛一天的运动数据，每半个小时为一个记录，共48个)，这样就得到48×1的向量V，向量输入到神经网络种；
第一个1D CNN层：第一层设置了高度为6的滤波器，即Convolution Kernel的大小，滤波器的定义是为了在第一层中学习并提取特征，为了提取足够的特征，我们在第一层定义100个滤波器，这样我们就在网络第一层学到100个不同的特征，这样第一个神经网络的输出是一个43×100的矩阵，输出矩阵的每一列都包含一个滤波器权值；
第二个1D CNN层：第一个CNN的输出结果将被输入到第二个CNN层中，同样我们在该层定义100个不同的滤波器进行训练，输出矩阵的大小为38×100，同样输出矩阵每一列都包含一个滤波器权值；
最大池化层：该层是为了减少输出的复杂度和防止数据的过拟合，在CNN层之后使用最大池化层，在本发明中，我们选择了尺度为3的池化层，这就意味着输出层矩阵大小是输入层的三分之一，即输出矩阵大小为12×100；
第三和第四个1D CNN层：此两层的CNN的设置是为了学习更高层次的特征，经过这两层之后神经网络的输出为2×96的矩阵；
平均值池化层：同样此处增加池化层的目的是为了防止过拟合，此处是平均池化而不是最大池化，最后神经网络的输出为1×96，每个特征检测器在神经网络的这一层中只剩下一个权重；
Dropout层：本层会随机地为神经网络中的各神经元赋值0权重；选择0.5的比例系数，则50％的神经元将会被清零，通过该操作，网络对数据的微小变化的敏感性会大大降低，因而它可提高对不可见数据处理的准确性，本层输出依然是1×96；
全连接层：使用softmax激活函数，最后将长度为96的向量按照图4中的四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。
本发明的技术效果和优点：
1、本发明通过设置计步器检测算法，计步器检测算法当中的水银开关计步传感器比三维加速度传感器功耗更低，而CC2530同时集成了CPU和无线射频，既能处理数据又能通过无线通信发送数据，计步器整体设计较传统方法更为低功耗；
2、本发明通过设置定位算法，根据CC2530信号强度，网格定位算法实现目标的位置估算，这是一种只借助无线信号，无需任何硬件辅助的测距***，功耗低，只在计步器发送数据时，将部署在牛棚中的读卡器作为位置参考点，估算目标所在位置，实现成本低廉。
3、本发明通过设置异常检测算法，因为奶牛各种疾病或异常几乎都会表现运动上，通过观测奶牛每天每个时段的运动数据，用深度学习算法可以检测出奶牛的各种异常。本发明将奶牛日常的运动数据曲线，结合牧医专家的临床经验与数据标注，用基于一维卷积神经网络SSD的异常检测算法训练并学习，最终能快速诊断奶牛运动异常。
附图说明
图1为本发明电路图结构示意图；
图2为本发明计步器控制程序流程示意图；
图3为本发明数据标注样例示意图；
图4是用于训练和测试的计步器数据集；
图5为本发明的神经网络结构图；
图6为本发明定位算法结果展示图。
附图标记为：1、水银开关计步传感器；2、无线通信模块；3、电源；4、网关接收器；5、服务器；6、定位算法；7、异常检测算法；8、计步器检测算法。
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。
本发明一实施例的用于奶牛运动异常检测的计步器***，一种用于奶牛运动异常检测的计步器***，包括硬件模块和软件算法，硬件模块包括水银开关计步传感器1、无线通信模块2、电源3、网关接收器4和服务器5，且水银开关计步传感器1、无线通信模块2、电源3、网关接收器4和服务器5组成计步器检测算法8，水银开关计步传感器1和无线通信模块2与电源3进行电性连接，网关接收器4与无线通信模块2进行无线连接，软件算法包括定位算法6和异常检测算法7。
水银开关计步传感器1通过两个水银开关与地面构成35°～45°的倾角，通过奶牛运动的震动使得电流导通，并且导通电路时间持续100Ms～1000Ms，作为计步的检测装置。
电源3采用1800mAh的锂亚电池。
计步器检测算法8通过CC2530的两个中断过程实现，控制流程图见图2，步子识别算法实用简单，功耗低。
定位算法6为基于CC2530无线信号强度的定位算法，定位算法6采用CC2530传输的信号强度衰减，通过在牛棚中部署网格状的接受网关和加权定位算法估计奶牛在牛棚中的位置信息。
异常检测算法7包括二维卷积神经网络(2D CNN)和深层神经网络。
计步器检测算法包括以下步骤：1)用两个水银开关与地面构成θ＝(35°～45°)之间的倾角，当任何一个水银开关因感知到震动导通后，启动定时器计数；
2)仅当两个开关同时检测到震动，并导通电路且时间持续Tmin＝100Ms以上Tmax＝1000Ms以下时，判定为1个步子，水银开关依靠外部中断来触发计步，可以更节约功耗；
3)当计步器计步达到24小时(48个字节)，向服务器发送一次数据包，并清除缓存，也可在服务器的指令下，定时向网关发送监测数据。
所述定位算法包括以下步骤：1)将汇聚网关均匀部署在牛棚的钢架上，并整齐排列成队列网格的形式；
2)在网格中，所有汇聚网关位于监测区域内，并把监测区域D分解为n2或者n×m个单元；
3)CC2530的通信半径设置为大于1个单元而小于等于2个单元区域，即以边长为2个单元的正方形区域，而CC2530的信号与距离的衰减关系为：
los＝32.44+20lg(d)+20lg(d)
其中los是传播损耗，单位为dB，d是发送端到接受端之间的距离，单位是km，f是电磁波的工作频率，单位是MHz，根据接受端的信号强度值，可以估计出传输距离d，但是d受环境影响比较大，因而只能将其作为加权因子，得到目标的定位公式如下：
其中di表示第j个网关到第i个目标的距离，(xj yj zj)T表示第j个网关位置，而(xCyC zC)T表示估计的目标位置。
异常检测算法包括以下步骤：1)二维卷积神经网络(2D CNN)：以一天时长的监测单元为例，一维向量为N＝48个数字(每半个小时占用一个字节的运动量)，即向卷积神经网络输入的向量为：V＝(n1，n2，n3...nN)，每一个输入向量为一个样本，每个样本都经过牧医专家数据标注，如图4所示给出了正常、跛行、腹泻和发情四种状态下的奶牛运动数据，但是数据集合依然在不断地扩增；
2)深层神经网络：
输入层：数据经过预处理后，每条记录种包含48个数据点(奶牛一天的运动数据，每半个小时为一个记录，共48个)，这样就得到48×1的向量V，向量输入到神经网络种；
第一个1D CNN层：第一层设置了高度为6的滤波器，即Convolution Kernel的大小，滤波器的定义是为了在第一层中学习并提取特征，为了提取足够的特征，我们在第一层定义100个滤波器，这样我们就在网络第一层学到100个不同的特征，这样第一个神经网络的输出是一个43×100的矩阵，输出矩阵的每一列都包含一个滤波器权值；
第二个1D CNN层：第一个CNN的输出结果将被输入到第二个CNN层中，同样我们在该层定义100个不同的滤波器进行训练，输出矩阵的大小为38×100，同样输出矩阵每一列都包含一个滤波器权值；
最大池化层：该层是为了减少输出的复杂度和防止数据的过拟合，在CNN层之后使用最大池化层，在本发明中，我们选择了尺度为3的池化层，这就意味着输出层矩阵大小是输入层的三分之一，即输出矩阵大小为12×100；
第三和第四个1D CNN层：此两层的CNN的设置是为了学习更高层次的特征，经过这两层之后神经网络的输出为2×96的矩阵；
平均值池化层：同样此处增加池化层的目的是为了防止过拟合，此处是平均池化而不是最大池化，最后神经网络的输出为1×96，每个特征检测器在神经网络的这一层中只剩下一个权重；
Dropout层：本层会随机地为神经网络中的各神经元赋值0权重；选择0.5的比例系数，则50％的神经元将会被清零，通过该操作，网络对数据的微小变化的敏感性会大大降低，因而它可提高对不可见数据处理的准确性，本层输出依然是1×96；
全连接层：使用softmax激活函数，最后将长度为96的向量按照图4中的四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种用于奶牛运动异常检测计步器***，包括硬件模块和软件算法，其特征在于：所述硬件模块包括水银开关计步传感器(1)、无线通信模块(2)、电源(3)、网关接收器(4)和服务器(5)，所述水银开关计步传感器(1)和无线通信模块(2)与电源(3)进行电性连接，且水银开关计步传感器(1)、无线通信模块(2)、电源(3)、网关接收器(4)和服务器(5)组成计步器检测算法(8)，所述网关接收器(4)与无线通信模块(2)进行无线连接，所述软件算法包括定位算法(6)和异常检测算法(7)。
2.根据权利要求1所述的一种用于奶牛运动异常检测的计步器***，其特征在于：所述水银开关计步传感器(1)通过两个水银开关与地面构成35°～45°的倾角，通过奶牛运动的震动使得电流导通，并且导通电路时间持续100Ms～1000Ms，作为计步的检测装置。
3.根据权利要求1所述的一种用于奶牛运动异常检测的计步器***，其特征在于：所述电源(3)采用1800mAh的锂亚电池。
4.根据权利要求1所述的一种用于奶牛运动异常检测的计步器***，其特征在于：所述计步器检测算法(8)通过CC2530的两个中断过程实现。
5.根据权利要求1所述的一种用于奶牛运动异常检测的计步器***，其特征在于：所述定位算法(6)为基于CC2530无线信号强度的定位算法，所述定位算法(6)采用CC2530传输的信号强度衰减，通过在牛棚中部署网格状的接受网关和加权定位算法估计奶牛在牛棚中的位置信息。
6.根据权利要求1所述的一种用于奶牛运动异常检测的计步器***，其特征在于：所述异常检测算法(7)包括二维卷积神经网络(2D CNN)和深层神经网络。
7.根据权利要求1所述的一种用于奶牛运动异常检测方法，其特征在于：所述计步器检测算法(8)包括以下步骤：1)用两个水银开关与地面构成θ＝(35°～45°)之间的倾角，当任何一个水银开关因感知到震动导通后，启动定时器计数；
2)仅当两个开关同时检测到震动，并导通电路且时间持续Tmin＝100Ms以上Tmax＝1000Ms以下时，判定为1个步子，水银开关依靠外部中断来触发计步，可以更节约功耗；
3)当计步器计步达到24小时(48个字节)，向服务器发送一次数据包，并清除缓存，也可在服务器的指令下，定时向网关发送监测数据。
8.根据权利要求1所述的一种用于奶牛运动异常检测方法，其特征在于：所述定位算法(6)包括以下步骤：1)将汇聚网关均匀部署在牛棚的钢架上，并整齐排列成队列网格的形式；
2)在网格中，所有汇聚网关位于监测区域内，并把监测区域D分解为n2或者n×m个单元；
3)CC2530的通信半径设置为大于1个单元而小于等于2个单元区域，即以边长为2个单元的正方形区域，而CC2530的信号与距离的衰减关系为：
los＝32.44+20lg(d)+20lg(d)
其中los是传播损耗，单位为dB，d是发送端到接受端之间的距离，单位是km，f是电磁波的工作频率，单位是MHz，根据接受端的信号强度值，可以估计出传输距离d，但是d受环境影响比较大，因而只能将其作为加权因子，得到目标的定位公式如下：
其中di表示第j个网关到第i个目标的距离，(xj yj zj)T表示第j个网关位置，而(xC yCzC)T表示估计的目标位置。
9.根据权利要求1所述的一种用于奶牛运动异常检测方法，其特征在于：所述异常检测算法(7)包括以下步骤：1)二维卷积神经网络(2D CNN)：以一天时长的监测单元为例，一维向量为N＝48个数字(每半个小时占用一个字节的运动量)，即向卷积神经网络输入的向量为：V＝(n1，n2，n3...nN)，每一个输入向量为一个样本，每个样本都经过牧医专家数据标注，如图4所示给出了正常、跛行、腹泻和发情四种状态下的奶牛运动数据，但是数据集合依然在不断地扩增；
2)深层神经网络：
输入层：数据经过预处理后，每条记录种包含48个数据点(奶牛一天的运动数据，每半个小时为一个记录，共48个)，这样就得到48×1的向量V，向量输入到神经网络种；
第一个1D CNN层：第一层设置了高度为6的滤波器，即Convolution Kernel的大小，滤波器的定义是为了在第一层中学习并提取特征，为了提取足够的特征，我们在第一层定义100个滤波器，这样我们就在网络第一层学到100个不同的特征，这样第一个神经网络的输出是一个43×100的矩阵，输出矩阵的每一列都包含一个滤波器权值；
第二个1D CNN层：第一个CNN的输出结果将被输入到第二个CNN层中，同样我们在该层定义100个不同的滤波器进行训练，输出矩阵的大小为38×100，同样输出矩阵每一列都包含一个滤波器权值；
最大池化层：该层是为了减少输出的复杂度和防止数据的过拟合，在CNN层之后使用最大池化层，在本发明中，我们选择了尺度为3的池化层，这就意味着输出层矩阵大小是输入层的三分之一，即输出矩阵大小为12×100；
第三和第四个1D CNN层：此两层的CNN的设置是为了学习更高层次的特征，经过这两层之后神经网络的输出为2×96的矩阵；
平均值池化层：同样此处增加池化层的目的是为了防止过拟合，此处是平均池化而不是最大池化，最后神经网络的输出为1×96，每个特征检测器在神经网络的这一层中只剩下一个权重；
Dropout层：本层会随机地为神经网络中的各神经元赋值0权重；选择0.5的比例系数，则50％的神经元将会被清零，通过该操作，网络对数据的微小变化的敏感性会大大降低，因而它可提高对不可见数据处理的准确性，本层输出依然是1×96；
全连接层：使用softmax激活函数，最后将长度为96的向量按照图4中的四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110041210.5A CN112883999A (zh) | 2021-01-13 | 2021-01-13 | 一种用于奶牛运动异常检测计步器***及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110041210.5A CN112883999A (zh) | 2021-01-13 | 2021-01-13 | 一种用于奶牛运动异常检测计步器***及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112883999A true CN112883999A (zh) | 2021-06-01 |
Family
ID=76045195
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110041210.5A Pending CN112883999A (zh) | 2021-01-13 | 2021-01-13 | 一种用于奶牛运动异常检测计步器***及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112883999A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113973739A (zh) * | 2021-09-13 | 2022-01-28 | 安徽大学 | 一种多功能的牛用电子耳标 |
| CN114881187A (zh) * | 2022-05-23 | 2022-08-09 | 温州格洛博电子有限公司 | 一种无源射频传感标签及计步方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104768219A (zh) * | 2014-01-06 | 2015-07-08 | 南京宜开数据分析技术有限公司 | 基于无线传感器网络的被动定位及追踪方法 |
| CN106871923A (zh) * | 2015-12-10 | 2017-06-20 | 哈尔滨黑石科技有限公司 | 一种多功能奶牛计步器 |
| CN107124696A (zh) * | 2017-03-20 | 2017-09-01 | 东华大学 | 一种基于蓝牙rssi的无钥匙***定位方法 |
| CN107533140A (zh) * | 2015-03-06 | 2018-01-02 | 看门人***公司 | 可移动物体的低能耗定位 |
| CN107801168A (zh) * | 2017-08-17 | 2018-03-13 | 龙岩学院 | 一种室外自适应的被动式目标的定位方法 |
| CN110476879A (zh) * | 2019-08-26 | 2019-11-22 | 重庆邮电大学 | 基于多标签链式生态环境的奶牛行为分类判别方法及装置 |
| CN111339838A (zh) * | 2020-02-10 | 2020-06-26 | 中国农业科学院农业信息研究所 | 一种基于信息融合的猪行为识别方法及*** |
| CN112067015A (zh) * | 2020-09-03 | 2020-12-11 | 青岛歌尔智能传感器有限公司 | 基于卷积神经网络的计步方法、装置及可读存储介质 |
-
2021
- 2021-01-13 CN CN202110041210.5A patent/CN112883999A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104768219A (zh) * | 2014-01-06 | 2015-07-08 | 南京宜开数据分析技术有限公司 | 基于无线传感器网络的被动定位及追踪方法 |
| CN107533140A (zh) * | 2015-03-06 | 2018-01-02 | 看门人***公司 | 可移动物体的低能耗定位 |
| CN106871923A (zh) * | 2015-12-10 | 2017-06-20 | 哈尔滨黑石科技有限公司 | 一种多功能奶牛计步器 |
| CN107124696A (zh) * | 2017-03-20 | 2017-09-01 | 东华大学 | 一种基于蓝牙rssi的无钥匙***定位方法 |
| CN107801168A (zh) * | 2017-08-17 | 2018-03-13 | 龙岩学院 | 一种室外自适应的被动式目标的定位方法 |
| CN110476879A (zh) * | 2019-08-26 | 2019-11-22 | 重庆邮电大学 | 基于多标签链式生态环境的奶牛行为分类判别方法及装置 |
| CN111339838A (zh) * | 2020-02-10 | 2020-06-26 | 中国农业科学院农业信息研究所 | 一种基于信息融合的猪行为识别方法及*** |
| CN112067015A (zh) * | 2020-09-03 | 2020-12-11 | 青岛歌尔智能传感器有限公司 | 基于卷积神经网络的计步方法、装置及可读存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 黄小平: "基于多传感器的奶牛个体信息感知与体况评分方法研究", 《万方数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113973739A (zh) * | 2021-09-13 | 2022-01-28 | 安徽大学 | 一种多功能的牛用电子耳标 |
| CN114881187A (zh) * | 2022-05-23 | 2022-08-09 | 温州格洛博电子有限公司 | 一种无源射频传感标签及计步方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019218602A1 (zh) | 一种奶牛行为与生理特征物联网***及其工作方法 | |
| CN109145032A (zh) | 一种蜜蜂养殖智能监测方法与*** | |
| CN107157458A (zh) | 一种动物个体采食量与健康状况监测的传感***及方法 | |
| CN112883999A (zh) | 一种用于奶牛运动异常检测计步器***及其方法 | |
| CN105091938A (zh) | 畜禽健康状况监测方法及*** | |
| WO2018109725A1 (en) | Process and device for the detection of estrus in a ruminant animal | |
| US20210338165A1 (en) | Method of managing disease, and apparatuses operating the same | |
| Feiyang et al. | Monitoring behavior of poultry based on RFID radio frequency network | |
| JP2021035355A (ja) | 家畜の健康状態管理システム、家畜用ウェアラブルデバイス、家畜の健康状態管理方法及びプログラム | |
| CN112568141A (zh) | 对猪进行疾病预防的监管*** | |
| Shen et al. | Automatic recognition method of cow ruminating behaviour based on edge computing | |
| CN113456063B (zh) | 一种基于人工智能的死鸡病鸡检测***及检测方法 | |
| CN110532926A (zh) | 基于深度学习的猪神经性疾病智能测报方法 | |
| CN107714000B (zh) | 一种奶牛健康状况检测方法及装置 | |
| Dulyala et al. | Classification system for estrus behavior of cow using an accelerometer | |
| CN116935439A (zh) | 一种孕羊分娩自动监测预警方法及自动监测预警*** | |
| CN113973739B (zh) | 一种多功能的牛用电子耳标 | |
| CN114224287B (zh) | 一种动物健康监测*** | |
| CN212990135U (zh) | 一种基于MobileNet神经网络模型的病虫害图像识别装置 | |
| CN114557292A (zh) | 一种用于奶牛行为检测的方法及电子项圈 | |
| Wang | Research of the cow body evaluation system based on Internet of things | |
| KR20210153545A (ko) | 질병 관리 방법 및 이를 수행하기 위한 장치들 | |
| CN114022831A (zh) | 一种基于双目视觉的牲畜体况监测方法及*** | |
| CN106407694A (zh) | 一种基于增量式神经网络模型的神经衰弱预测方法和预测*** | |
| CN112201345A (zh) | 一种基于运动传感器分析牛只疾病的方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |