CN114282671A - 一种基于加速度传感器行为识别的种鸡群序确定方法 - Google Patents
一种基于加速度传感器行为识别的种鸡群序确定方法 Download PDFInfo
- Publication number
- CN114282671A CN114282671A CN202111623542.0A CN202111623542A CN114282671A CN 114282671 A CN114282671 A CN 114282671A CN 202111623542 A CN202111623542 A CN 202111623542A CN 114282671 A CN114282671 A CN 114282671A
- Authority
- CN
- China
- Prior art keywords
- fitness
- breeding
- acceleration sensor
- data
- acceleration
- 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.)
- Granted
Links
- 238000009395 breeding Methods 0.000 title claims abstract description 67
- 230000001488 breeding effect Effects 0.000 title claims abstract description 67
- 230000001133 acceleration Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 19
- 241000287828 Gallus gallus Species 0.000 claims abstract description 28
- 235000013330 chicken meat Nutrition 0.000 claims abstract description 28
- 230000033001 locomotion Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 244000144992 flock Species 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 3
- -1 der Species 0.000 claims 5
- 230000007547 defect Effects 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 235000013601 eggs Nutrition 0.000 description 2
- 230000012447 hatching Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于加速度传感器行为识别的种鸡群序确定方法，包括以下步骤：A、根据种鸡数量确定加速度传感器的佩戴数量，随机选择种鸡佩戴加速度传感器；B、在设定的检测时间内收集存储加速度传感器发出的种鸡运动轨迹数据；然后将加速度传感器佩戴在其它种鸡上，再次进行检测和数据收集，直至全部种鸡至少佩戴过一次加速度传感器；C、对种鸡运动轨迹数据进行预处理；D、根据种鸡运动轨迹数据判定种鸡中的强鸡和弱鸡。本发明能够改进现有技术的不足，实现单独使用加速度传感器对种鸡群序现象中强鸡和弱鸡的快速分辨。
Description
技术领域
本发明涉及种鸡饲养技术领域，尤其是一种基于加速度传感器行为识别的种鸡群序确定方法。
背景技术
种鸡饲养过程中，会出现群序现象，如果不加以调控，会导致种蛋受精率的下降。而对于种鸡群序的调控，最重要的就是识别出鸡群中的强鸡和弱鸡，进而进行有针对性的饲养调控。使用加速度传感器可以准确获得种鸡的运动轨迹数据，但是由于种鸡数量多，运动轨迹复杂，导致如果单独使用加速度传感器获取的种鸡运动轨迹来识别强鸡和弱鸡则需要对每组运动轨迹进行繁琐的分析，运算量庞大，不适合在实际大规模饲养环境中使用，所以现有技术中通常是将加速度传感器配合其他检测设备进行联合检测分析，这就导致设备投入成本的增加。
发明内容
本发明要解决的技术问题是提供一种基于加速度传感器行为识别的种鸡群序确定方法，能够解决现有技术的不足，实现单独使用加速度传感器对种鸡群序现象中强鸡和弱鸡的快速分辨。
为解决上述技术问题，本发明所采取的技术方案如下。
一种基于加速度传感器行为识别的种鸡群序确定方法，包括以下步骤：
A、根据种鸡数量确定加速度传感器的佩戴数量，随机选择种鸡佩戴加速度传感器；
B、在设定的检测时间内收集存储加速度传感器发出的种鸡运动轨迹数据；然后将加速度传感器佩戴在其它种鸡上，再次进行检测和数据收集，直至全部种鸡至少佩戴过一次加速度传感器；
C、对种鸡运动轨迹数据进行预处理；
D、根据种鸡运动轨迹数据判定种鸡中的强鸡和弱鸡。
作为优选，步骤A中，佩戴加速度传感器的种鸡数量占种鸡总数的10％～20％。
作为优选，步骤B中，检测时间为8-12小时。
作为优选，步骤C中，对种鸡运动轨迹数据进行预处理包括以下步骤，
C1、提取种鸡运动轨迹数据中的全部轨迹点，并根据时序确定轨迹点的先后顺序，将轨迹点的坐标以及每个轨迹点前后的加速度数据作为个体，全部个体组成初始种群；
C2、设定适应度函数；
C3、对初始种群进行选择、交叉和变异运算，直至种群中全部个体的适应度均大于设定阈值。
作为优选，步骤C2中，适应度函数为
其中，af为轨迹点前方的加速度，ab为轨迹点后方的加速度，L为轨迹点与其距离最近的另一个轨迹点之间的欧氏距离。
作为优选，步骤C3中，对初始种群进行选择、交叉和变异运算包括以下步骤，
选择：根据适应度函数计算每个个体的适应度，淘汰适应度最低的占个体总数5％的个体；
交叉：随机选择两个个体，适应度较高的个体的轨迹点的坐标不变，使用适应度较低的个体的加速度数据与适应度较高的个体的加速度数据进行加权平均后作为适应度较高的个体的新加速度数据，权重值与适应度成正比，取两个个体的轨迹点坐标的几何中点为适应度较低的个体的新轨迹点坐标，适应度较低的个体的加速度数据不变；循环进行上述交叉操作，直至全部个体均进行过至少一次交叉操作；
变异：将全部个体按照适应度降序排列，选择适应度最高的占个体总数10％的个体和适应度最低的占个体总数10％的个体进行变异操作；变异操作是随机生成一个包括若干轨迹点坐标和加速度数据的变异数据集，然后在变异数据集中随机提取数据，与待变异的个体进行加权平均，权重值随机生成。
采用上述技术方案所带来的有益效果在于：本发明通过将遗传算法引入种鸡运动轨迹数据处理中，期望解决现有技术中种鸡运动轨迹数据分析运算过程繁杂的问题。但是，传统的遗传算法对于类似于种鸡运动轨迹数据这种大量的随机性数据的收敛性不佳，申请人在进行反复试验后无法得到有效的处理结果。基于此，申请人进一步对遗传算法进行改进，首先提出了全新的适应度函数，通过使用本申请所提出的适应度数据对种群个体进行非对称的交叉运算和少数个体的变异运算，有效提高了遗传算法在种鸡运动轨迹数据处理过程的收敛速度，从而成功的解决了种鸡运动轨迹数据分析运算过程繁杂的问题，实现了单独使用加速度传感器对种鸡群序现象中强鸡和弱鸡的快速分辨。
附图说明
图1是本发明的总体流程图。
具体实施方式
参照图1，本发明的一个具体实施方式包括以下步骤：
A、根据种鸡数量确定加速度传感器的佩戴数量，随机选择种鸡佩戴加速度传感器；
B、在设定的检测时间内收集存储加速度传感器发出的种鸡运动轨迹数据；然后将加速度传感器佩戴在其它种鸡上，再次进行检测和数据收集，直至全部种鸡至少佩戴过一次加速度传感器；
C、对种鸡运动轨迹数据进行预处理；
D、根据种鸡运动轨迹数据判定种鸡中的强鸡和弱鸡。
步骤A中，佩戴加速度传感器的种鸡数量占种鸡总数的10％～20％。
步骤B中，检测时间为8-12小时。
步骤C中，对种鸡运动轨迹数据进行预处理包括以下步骤，
C1、提取种鸡运动轨迹数据中的全部轨迹点，并根据时序确定轨迹点的先后顺序，将轨迹点的坐标以及每个轨迹点前后的加速度数据作为个体，全部个体组成初始种群；
C2、设定适应度函数；
C3、对初始种群进行选择、交叉和变异运算，直至种群中全部个体的适应度均大于设定阈值。
步骤C2中，适应度函数为
其中，af为轨迹点前方的加速度，ab为轨迹点后方的加速度，L为轨迹点与其距离最近的另一个轨迹点之间的欧氏距离。
步骤C3中，对初始种群进行选择、交叉和变异运算包括以下步骤，
选择：根据适应度函数计算每个个体的适应度，淘汰适应度最低的占个体总数5％的个体；
交叉：随机选择两个个体，适应度较高的个体的轨迹点的坐标不变，使用适应度较低的个体的加速度数据与适应度较高的个体的加速度数据进行加权平均后作为适应度较高的个体的新加速度数据，权重值与适应度成正比，取两个个体的轨迹点坐标的几何中点为适应度较低的个体的新轨迹点坐标，适应度较低的个体的加速度数据不变；循环进行上述交叉操作，直至全部个体均进行过至少一次交叉操作；
变异：将全部个体按照适应度降序排列，选择适应度最高的占个体总数10％的个体和适应度最低的占个体总数10％的个体进行变异操作；变异操作是随机生成一个包括若干轨迹点坐标和加速度数据的变异数据集，然后在变异数据集中随机提取数据，与待变异的个体进行加权平均，权重值随机生成。
使用上述方法在保定市满城区万千羽养鸡场进行实地测试，通过本发明的方法可以准确识别出种鸡群中的强鸡和弱鸡，然后进行有针对性的分群饲养和淘汰，有效保证了种蛋受精率。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种基于加速度传感器行为识别的种鸡群序确定方法，其特征在于包括以下步骤：
A、根据种鸡数量确定加速度传感器的佩戴数量，随机选择种鸡佩戴加速度传感器；
B、在设定的检测时间内收集存储加速度传感器发出的种鸡运动轨迹数据；然后将加速度传感器佩戴在其它种鸡上，再次进行检测和数据收集，直至全部种鸡至少佩戴过一次加速度传感器；
C、对种鸡运动轨迹数据进行预处理；
D、根据种鸡运动轨迹数据判定种鸡中的强鸡和弱鸡。
2.根据权利要求1所述的基于加速度传感器行为识别的种鸡群序确定方法，其特征在于：步骤A中，佩戴加速度传感器的种鸡数量占种鸡总数的10％～20％。
3.根据权利要求1所述的基于加速度传感器行为识别的种鸡群序确定方法，其特征在于：步骤B中，检测时间为8-12小时。
4.根据权利要求1所述的基于加速度传感器行为识别的种鸡群序确定方法，其特征在于：步骤C中，对种鸡运动轨迹数据进行预处理包括以下步骤，
C1、提取种鸡运动轨迹数据中的全部轨迹点，并根据时序确定轨迹点的先后顺序，将轨迹点的坐标以及每个轨迹点前后的加速度数据作为个体，全部个体组成初始种群；
C2、设定适应度函数；
C3、对初始种群进行选择、交叉和变异运算，直至种群中全部个体的适应度均大于设定阈值。
5.根据权利要求4所述的基于加速度传感器行为识别的种鸡群序确定方法，其特征在于：步骤C2中，适应度函数为
其中，af为轨迹点前方的加速度，ab为轨迹点后方的加速度，L为轨迹点与其距离最近的另一个轨迹点之间的欧氏距离。
6.根据权利要求5所述的基于加速度传感器行为识别的种鸡群序确定方法，其特征在于：步骤C3中，对初始种群进行选择、交叉和变异运算包括以下步骤，
选择：根据适应度函数计算每个个体的适应度，淘汰适应度最低的占个体总数5％的个体；
交叉：随机选择两个个体，适应度较高的个体的轨迹点的坐标不变，使用适应度较低的个体的加速度数据与适应度较高的个体的加速度数据进行加权平均后作为适应度较高的个体的新加速度数据，权重值与适应度成正比，取两个个体的轨迹点坐标的几何中点为适应度较低的个体的新轨迹点坐标，适应度较低的个体的加速度数据不变；循环进行上述交叉操作，直至全部个体均进行过至少一次交叉操作；
变异：将全部个体按照适应度降序排列，选择适应度最高的占个体总数10％的个体和适应度最低的占个体总数10％的个体进行变异操作；变异操作是随机生成一个包括若干轨迹点坐标和加速度数据的变异数据集，然后在变异数据集中随机提取数据，与待变异的个体进行加权平均，权重值随机生成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623542.0A CN114282671B (zh) | 2021-12-28 | 2021-12-28 | 一种基于加速度传感器行为识别的种鸡群序确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111623542.0A CN114282671B (zh) | 2021-12-28 | 2021-12-28 | 一种基于加速度传感器行为识别的种鸡群序确定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114282671A true CN114282671A (zh) | 2022-04-05 |
| CN114282671B CN114282671B (zh) | 2022-10-18 |
Family
ID=80876957
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111623542.0A Active CN114282671B (zh) | 2021-12-28 | 2021-12-28 | 一种基于加速度传感器行为识别的种鸡群序确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114282671B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014118788A2 (en) * | 2013-02-04 | 2014-08-07 | Faunus Ltd. | Early warning system and/or optical monitoring of livestock including poultry |
| CN107704905A (zh) * | 2017-10-13 | 2018-02-16 | 河北农业大学 | 一种基于rfid的种鸡个体行为追踪***及其追踪方法 |
| CN110276336A (zh) * | 2019-07-22 | 2019-09-24 | 河北农业大学 | 一种本交笼种鸡个体行为识别***及其识别方法 |
| CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
| CN112649002A (zh) * | 2020-12-11 | 2021-04-13 | 南京邮电大学 | 一种基于边缘计算的野保无人机监测*** |
| CN113255549A (zh) * | 2021-06-03 | 2021-08-13 | 中山大学 | 一种狼群围猎行为状态智能识别方法及*** |
| CN113456063A (zh) * | 2021-06-30 | 2021-10-01 | 南京晓庄学院 | 一种基于人工智能的死鸡病鸡检测***及检测方法 |
| CN113589753A (zh) * | 2021-07-12 | 2021-11-02 | 西安电子科技大学 | 三维模型表面路径规划方法、***、设备、终端及应用 |
-
2021
- 2021-12-28 CN CN202111623542.0A patent/CN114282671B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014118788A2 (en) * | 2013-02-04 | 2014-08-07 | Faunus Ltd. | Early warning system and/or optical monitoring of livestock including poultry |
| CN107704905A (zh) * | 2017-10-13 | 2018-02-16 | 河北农业大学 | 一种基于rfid的种鸡个体行为追踪***及其追踪方法 |
| CN110276336A (zh) * | 2019-07-22 | 2019-09-24 | 河北农业大学 | 一种本交笼种鸡个体行为识别***及其识别方法 |
| CN110866559A (zh) * | 2019-11-14 | 2020-03-06 | 上海中信信息发展股份有限公司 | 一种家禽的行为分析方法及装置 |
| CN112649002A (zh) * | 2020-12-11 | 2021-04-13 | 南京邮电大学 | 一种基于边缘计算的野保无人机监测*** |
| CN113255549A (zh) * | 2021-06-03 | 2021-08-13 | 中山大学 | 一种狼群围猎行为状态智能识别方法及*** |
| CN113456063A (zh) * | 2021-06-30 | 2021-10-01 | 南京晓庄学院 | 一种基于人工智能的死鸡病鸡检测***及检测方法 |
| CN113589753A (zh) * | 2021-07-12 | 2021-11-02 | 西安电子科技大学 | 三维模型表面路径规划方法、***、设备、终端及应用 |
Non-Patent Citations (2)
| Title |
|---|
| 刘志伟: "基于加速度传感器的本交笼种鸡个体行为识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
| 黄孟选: "基于UHF RFID本交笼内种鸡个体轨迹追踪技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114282671B (zh) | 2022-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
| CN104615912B (zh) | 一种改进的基于通路的全基因组关联分析算法 | |
| CN107679463A (zh) | 一种采用机器视觉技术识别群养猪攻击行为的分析方法 | |
| CN107844798A (zh) | 一种基于机器学习的海量数据中检测异常值的方法 | |
| CN109409227A (zh) | 一种基于多通道cnn的手指静脉图质量评估方法及其装置 | |
| CN110688968A (zh) | 基于多示例深度卷积记忆网络的高光谱目标检测方法 | |
| CN106203476B (zh) | 一种基于最近邻分类与模糊算法的猪头尾轮廓识别方法 | |
| Juyal et al. | Detecting the infectious area along with disease using deep learning in tomato plant leaves | |
| CN108805907B (zh) | 一种行人姿势多特征智能辨识方法 | |
| CN109977755B (zh) | 一种采用单幅图像检测猪站立和躺卧姿态的方法 | |
| CN114282671B (zh) | 一种基于加速度传感器行为识别的种鸡群序确定方法 | |
| CN111242971A (zh) | 一种基于改进的双中心粒子群优化算法的目标跟踪方法 | |
| CN108108700B (zh) | 一种基于弦轴变换的猪的特征区域识别方法 | |
| CN106874838A (zh) | 融合互补特征的视觉人体行为识别方法 | |
| CN111160422B (zh) | 一种采用卷积神经网络和长短期记忆检测群养猪攻击行为的分析方法 | |
| CN116578569B (zh) | 卫星时空轨迹数据关联分析方法 | |
| CN106778824A (zh) | 一种面向时间序列数据的增量模糊c中心点聚类方法 | |
| Ambarwari et al. | Combination of relief feature selection and fuzzy K-nearest neighbor for plant species identification | |
| CN110110651A (zh) | 基于时空重要性和3d cnn的视频中行为识别方法 | |
| CN108990833A (zh) | 一种基于位置信息的动物运动行为判别方法及装置 | |
| CN112712088B (zh) | 动物膘情检测方法、装置及计算机可读存储介质 | |
| CN113627531A (zh) | 基于支持向量机分类算法测定梨树轮纹病抗性的方法 | |
| CN114677553A (zh) | 一种解决农作物病虫害样本不均衡问题的图像识别方法 | |
| CN113933304A (zh) | 基于视觉的金针菇成熟状态检测方法 | |
| CN114170673A (zh) | 基于卷积神经网络对视频中猪只饲养行为进行识别的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |