CN114463701B - 一种基于多源大数据动物养殖数据挖掘的监测预警*** - Google Patents
一种基于多源大数据动物养殖数据挖掘的监测预警*** Download PDFInfo
- Publication number
- CN114463701B CN114463701B CN202210387398.3A CN202210387398A CN114463701B CN 114463701 B CN114463701 B CN 114463701B CN 202210387398 A CN202210387398 A CN 202210387398A CN 114463701 B CN114463701 B CN 114463701B
- Authority
- CN
- China
- Prior art keywords
- data
- animal
- unit
- animals
- cultured
- 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 28
- 238000003975 animal breeding Methods 0.000 title claims abstract description 22
- 238000007418 data mining Methods 0.000 title claims abstract description 20
- 241001465754 Metazoa Species 0.000 claims abstract description 337
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 238000009395 breeding Methods 0.000 claims abstract description 48
- 230000001488 breeding effect Effects 0.000 claims abstract description 48
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 206010011224 Cough Diseases 0.000 claims description 65
- 230000036760 body temperature Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 14
- 210000000746 body region Anatomy 0.000 claims description 13
- 238000009792 diffusion process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 239000003570 air Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000035622 drinking Effects 0.000 claims description 4
- 239000012080 ambient air Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000003651 drinking water Substances 0.000 claims description 2
- 235000020188 drinking water Nutrition 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000009313 farming Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 41
- 241000282887 Suidae Species 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 9
- 241000283690 Bos taurus Species 0.000 description 8
- 241000287828 Gallus gallus Species 0.000 description 8
- 235000013330 chicken meat Nutrition 0.000 description 8
- 102100030684 Sphingosine-1-phosphate phosphatase 1 Human genes 0.000 description 7
- 101710168942 Sphingosine-1-phosphate phosphatase 1 Proteins 0.000 description 7
- 102100030677 Sphingosine-1-phosphate phosphatase 2 Human genes 0.000 description 6
- 101710168938 Sphingosine-1-phosphate phosphatase 2 Proteins 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004634 feeding behavior Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000004590 drinking behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 208000034507 Haematemesis Diseases 0.000 description 1
- 208000022531 anorexia Diseases 0.000 description 1
- 206010061428 decreased appetite Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000012173 estrus Effects 0.000 description 1
- 230000000366 juvenile effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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, e.g. detecting heat or mating
-
- 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
- A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Acoustics & Sound (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Biodiversity & Conservation Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Epidemiology (AREA)
- Birds (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
Abstract
本发明公开了一种基于多源大数据动物养殖数据挖掘的监测预警***,属于动物养殖检测预警***设计技术领域,包括动物体征传感器、动物声音传感器、环境传感器、轨道机器人、算法训练模块、动物健康数据产生模块、动物健康数字矩阵模块和动物健康分析模块;本方案提供一种多源动物养殖数据采集、处理及动物健康分析预警的***,通过构建动物数字矩阵信息,并对养殖动物状态进行分析和预警,解决了通过多源大数据的方式挖掘动物养殖数据,并对非健康养殖动物健康预警的问题,本***对于动物养殖具有通用性。
Description
技术领域
本发明属于动物养殖检测预警***设计技术领域,尤其涉及一种基于多源大数据动物养殖数据挖掘的监测预警***。
背景技术
在规模化的动物养殖过程中,动物健康出现变化而患病的情况是无法避免的,并需要及时采取对应措施才能保证养殖效益,因此实时准确且有效的动物健康预警技术对保证动物养殖的稳定与高产具有重要意义。当动物患病时必定会出现异常行为和病理特征,例如猪只就会出现爬跨、嚎叫、厌食、咬尾、久卧、蓝耳、吐血、体温升高、红皮和腹泻等情况。只要根据以上异常行为和病理特征,利用彩色摄像头、红外摄像头、声音传感器、耳标和***等设备进行对应的数据获取和检测,就能判断出动物健康状态。
目前,对动物健康判断主要是通过人工观察的方式,需要养殖人员根据养殖经验进行实时监测。但该方法费时、费力且容易出错。随着计算机视觉技术的成熟与普及,越来越多的学者通过摄像头获取动物生活图像或视频,并根据图像特征对动物行为进行检测,该方法是实现动物健康自动检测的重要途径。但目前从图像特征上对动物行为的自动检测方法都仅针对动物某一种特定行为进行研究,并且缺少其他维度的数据分析和进一步的健康状态分析。以猪为例,目前实现了识别视频中的猪只采食行为,但该方法可行的前提条件是要在猪只的背部打上标记,否则该方法失效,而在真实的养殖环境中猪只身体非常容易出现因沾染污渍而看不见标记的情况。目前也实现了猪只爬跨行为的识别,但仍然未进一步对猪只进行是否属于发情期分析并判断健康状态。此外,已有的生猪生理信息数据库往往都是通过单一角度进行数据获取,缺少多维度的数据,即使存在多维度的数据也没有对应的时间序列和个体身份信息实现数据关联,因此不具备多种数据融合分析的功能,也难以实现猪只健康监测及预警的功能。牛和鸡在规模化养殖中也存在着类似的问题,并且同样对猪只的方法却难以直接应用于鸡和牛上,因此目前非常需要一套具有一定通用性的动物健康养殖数据挖掘模型及监测预警***应用于养殖业。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于多源大数据动物养殖数据挖掘的监测预警***解决了通过多源大数据的方式挖掘动物养殖数据,并对非健康养殖动物健康预警的问题。
为了达到上述发明目的,本发明采用的技术方案为:
本方案提供一种基于多源大数据动物养殖数据挖掘的监测预警***,包括:
动物体征传感器,用于获取养殖动物的体征原始数据,并向轨道机器人传输体征原始数据,所述体征原始数据包括养殖动物的身份、位置、体温和运动量;
动物声音传感器,用于获取各养殖栏中养殖动物的夜间声音原始数据,并向轨道机器人传输夜间声音原始数据;
环境传感器,用于获取养殖栏中的环境监测数据,其中,所述环境监测数据包括环境温度、环境湿度和环境气压;
轨道机器人,用于控制自动饲喂器逐一对养殖动物投喂饲料,并同时通过滑轨***定位获取各养殖栏中的养殖动物的定位数据,得到养殖动物的视频原始数据、体征原始数据、夜间声音原始数据,其中,所述视频原始数据包括养殖动物的彩色图像、热红外图像和3D图像;
算法训练模块,用于利用养殖动物的视频原始数据、体征原始数据和夜间声音原始数据对***算法进行训练和参数调整,得到训练好的***算法,其中,***算法包括数据清洗校验算法、Yolov4行为和局部温度识别算法、点云图体尺测量算法和咳嗽检测算法;
动物健康数据产生模块,用于根据训练好的***算法处理视频原始数据、体征原始数据和夜间声音原始数据,得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据;
动物健康数字矩阵模块,用于根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据,构建若干关联养殖动物身份和位置的数字信息矩阵;
动物健康分析模块,用于利用各数字信息矩阵对其对应的养殖动物进行健康评分,并根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据对养殖动物健康分析,且对非健康养殖动物进行健康预警。
本发明的有益效果为:本发明提供的一种基于多源大数据动物养殖数据挖掘的监测预警***,分别通过动物体征传感器、动物声音传感器、环境传感器、轨道机器人获取养殖动物的体征原始数据、夜间声音原始数据、环境监测数据和视频原始数据;通过算法训练模块实现通过体征原始数据、夜间声音原始数据、环境监测数据和视频原始数据对***算法进行训练和参数调整,得到训练好的***算法;通过动物健康数据产生模块通过训练好的***算法处理视频原始数据、体征原始数据和夜间声音原始数据得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据;通过动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵,并通过动物健康分析模块计算对应的养殖动物的健康矩阵评分,且对非健康养殖动物进行健康预警,实现了通过多源大数据对动物养殖数据的挖掘,并通过多维度数据融合分析实现了对养殖动物的健康检测及预警,公开了一种具有一定通用性的动物养殖数据挖掘模型及检测预警的***。
进一步地,所述轨道机器人包括:
微型中央处理器,用于控制自动饲喂器逐一对各栏位内的养殖动物投喂饲料;
养殖动物传感器接收器,用于获取养殖动物耳标传递的体征原始数据;
双目摄像头,用于通过滑轨***定位获取养殖动物的彩色图像和热红外图像;
3D摄像头,用于通过滑轨***定位获取养殖动物的3D图像。
采用上述进一步方案的有益效果为:通过轨道机器人实现动物投喂饲料,并采集养殖动物的视频原始数据和体征原始数据。
进一步地,所述动物健康数据产生模块包括:
数据清洗校验子模块,用于根据训练好的数据清洗校验算法校验、过滤、计算和填充体征原始数据,得到数据库格式的养殖动物的体征数据,并将养殖动物体征数据存储至数据库;
Yolov4行为和温度识别子模块,用于根据训练好的Yolov4行为和局部温度识别算法提取视频原始数据,得到养殖动物的行为数据、身体区域坐标信息和部位温度数据;
点云图体尺测量子模块,用于根据训练好的点云图体尺测量算法计算养殖动物的行为数据和身体区域坐标信息,得到养殖动物的体长数据和体高数据;
咳嗽检测子模块,用于根据训练好的咳嗽检测算法对夜间声音原始数据进行去噪声和相似性检测,得到养殖动物的咳嗽次数数据。
采用上述进一步方案的有益效果为:所述动物健康数据产生模块通过数据清洗校验子模块对体征原始数据校验、过滤、计算和填充,得到养殖动物的体征数据;通过Yolov4行为和温度识别子模块,得到养殖动物的行为数据、身体区域坐标信息和部位温度数据;通过点云图体尺测量子模块得到养殖动物的体长数据和体高数据;通过咳嗽检测子模块得到养殖动物的咳嗽次数数据;为构建关联养殖动物身份和位置的数字信息矩阵提供基础。
进一步地,所述数据清洗校验算法包括如下步骤:
S1、通过轨道机器人对养殖动物进行位置和身份绑定设为主键;
S2、基于养殖动物的位置和身份,计算得到养殖动物每两次间隔体征原始数据中运动量增量;
S3、判断运动量增量是否大于零米且小于预设动物最大运动量,若是则进入步骤S4,否则报警动物体征传感器故障,并结束;
S4、将养殖动物的运动量增量与位置和身份关联;
S5、基于养殖动物的位置和身份,计算得到连续二十次获取的体征原始数据中的体温平均值;
S5、判断体温平均值是否大于零度且小于预设动物最大体温,若是则进入步骤S6,否则报警动物体征传感器故障,并结束;
S6、将体温平均值与位置和身份关联;
S7、将养殖栏中的环境温度、环境湿度和环境气压与位置和身份关联;
S8、将养殖动物的位置和身份,以及与位置和身份关联的运动量增量、体温平均值、环境温度、环境湿度和环境气压作为养殖动物体征数据存储至数据库。
采用上述进一步方案的有益效果为:提供数据清洗校验算法,通过所述数据清洗校验算法得到养殖动物的体征数据,并将养殖动物体征数据存储至数据库,可用作历史数据用于以后数据挖掘和研究分析,同时为构建关联养殖动物身份和位置的数字信息矩阵提供基础。
进一步地,所述Yolov4行为和温度识别子模块包括:
图像输入单元Inputs、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2、第四残差单元Resblock_body()×8、第五残差单元Resblock_body()×8、第六残差单元Resblock_body()×4、第一空间金字单元SPP1、第二空间金字塔单元SPP2、第一Concat拼接堆叠卷积单元、第二Concat拼接堆叠卷积单元、第三Concat拼接堆叠卷积单元、第四Concat拼接堆叠卷积单元、第五Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元、第一YOLOHead检测头、第二YOLOHead检测头和第三YOLOHead检测头、图像输出单元Oouts;
所述图像输入单元、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2和第四残差单元Resblock_body()×8依次连接;所述第四残差单元Resblock_body()×8分别与第五残差单元Resblock_body()×8和第一Concat拼接堆叠卷积单元连接;所述第五残差单元Resblock_body()×8分别与第六残差单元Resblock_body()×4和第一空间金字单元SPP1连接;所述第六残差单元Resblock_body()×4与第二空间金字塔单元SPP2连接;所述第一空间金字单元SPP1与第二Concat拼接堆叠卷积单元连接;所述第二空间金字单元SPP2与第三Concat拼接堆叠卷积单元连接;所述第三Concat拼接堆叠卷积单元分别与第二Concat拼接堆叠卷积单元和第六Concat拼接堆叠卷积单元连接;所述第二Concat拼接堆叠卷积单元分别与第一Concat拼接堆叠卷积单元和第五Concat拼接堆叠卷积单元连接;所述第一Concat拼接堆叠卷积单元与第四Concat拼接堆叠卷积单元连接;所述第四Concat拼接堆叠卷积单元分别与第一YOLOHead检测头和第五Concat拼接堆叠卷积单元连接;所述第五Concat拼接堆叠卷积单元分别与第二YOLOHead检测头和第六Concat拼接堆叠卷积单元连接;所述第六Concat拼接堆叠卷积单元与第三YOLOHead检测头连接;所述第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头均与图像输出单元Outs连接;
所述第六残差单元Resblock_body()×4、第二空间金字塔单元SPP2、第三Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元和第三YOLOHead检测头构成彩色图像专用特征提取网络。
采用上述进一步方案的有益效果为:所述Yolov4行为和温度识别子模块提供基于Yolov4D 行为和温度识别神经网络结构,能够对彩色图像和热红外图像的数字信息处理得到养殖动物的行为数据、坐标信息和部位温度数据,为构建关联养殖动物身份和位置的数字信息矩阵提供基础。
进一步地,所述点云图体尺测量算法包括如下步骤:
B1、利用养殖动物身体区域坐标信息将3D图像与彩色图像进行位置校准,得到身体区域坐标信息对应的点云图动物身体区域 (x1,y1,x2,y2),其中(x1,y1)为点云图动物身体区域的左上角坐标点,(x2,y2)为点云图动物身体区域的右下角坐标点,(x2,y1)为点云图动物身体区域的右上角坐标点,(x1,y2)为点云图动物身体区域的左边下角坐标点;
B2、利用邻接点扩散法逐一计算得到点云图动物身体区域 (x1,y1,x2,y2)内所有点的连通区域;
B3、判断点云图动物身体区域内任一点X1连通区域内的全部相邻三维点高度差是否大于预设高度差值,若是则进入步骤B5,否则进入步骤B4;
B4、将高度差小于或等于预设高度差的相邻三维点归入点X1连通区域,并返回步骤B3;
B5、将高度差大于预设高度差的相邻三维点不纳入点X1连通区域;
B6、计算利用邻接点扩散法得到的面积最大连通区域的长度,并将面积最大连通区域的长度作为养殖动物的体长数据;
B7、计算利用邻接点扩散法得到的面积最大连通区域的平均高度,并将面积最大连通区域的平均高度作为养殖动物的体高数据。
采用上述进一步方案的有益效果为:所述点云图体尺测量算法通过将3D图像与彩色图像进行位置校准,并通过邻接点扩散法得到点云图动物身体区域、养殖动物的体长数据和体高数据,为构建关联养殖动物身份和位置的数字信息矩阵以及养殖动物健康分析提供基础。
进一步地,所述咳嗽检测算法包括如下步骤:
C1、获取各养殖栏中养殖动物的夜间声音原始数据;
C2、通过汉明窗处理夜间声音原始数据,并对各窗口进行傅里叶变换后减去平均窗口,得到降噪后的夜间声音数据;
C3、根据分贝大小对降噪后的夜间声音数据进行数值转换,并根据频率高低对降噪后的夜间声音数据20等分,得到咳嗽特征粗频谱图;
C4、计算得到咳嗽特征粗频谱与标准咳嗽频谱的马氏距离E;
所述马氏距离E的计算表达式如下:
其中,S表示咳嗽特征粗频谱与标准咳嗽频谱间的协方差矩阵,x表示协方差矩阵S的多边向量,x p 表示多边向量x的第p个向量,表示协方差矩阵S的均值向量,表示均值向量的第p个向量,表示多边向量x与均值向量对应相减后的转置,表示协方差矩阵的逆矩阵;
C5、判断马氏距离是否小于预设距离阈值K,若是则进入步骤C6,否则返回步骤C1;
C6、认定咳嗽特征粗频谱与标准咳嗽频谱相似,并得到该咳嗽特征粗频谱对应养殖动物的咳嗽次数数据。
采用上述进一步方案的有益效果为:所述咳嗽检测算法通过对养殖动物的夜间声音原始数据进行降噪、数值转换和等分后得到咳嗽特征粗频谱图,并通过马氏距离判断与标准咳嗽频谱相似性,得到养殖动物的咳嗽次数数据,为构建关联养殖动物身份和位置的数字信息矩阵以及养殖动物健康分析提供基础。
进一步地,所述动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵的具体过程如下:
D1、将养殖动物的身体区域坐标信息与位置和身份关联,并将位置和身份对应的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据关联,得到若干养殖动物关联数据矩阵;
D2、将各养殖动物关联数据矩阵根据位置排序,完成若干关联养殖动物身份和位置的数字信息矩阵的构建。
采用上述进一步方案的有益效果为:通过动物健康数字矩阵模块根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据与养殖动物的位置和身份关联,并将各养殖动物关联数据矩阵根据位置排序,构建成关联养殖动物身份和位置的数字信息矩阵,为养殖动物健康评估提供基础。
进一步地,所述利用各数字信息矩阵对其对应的养殖动物进行健康评估,并对非健康养殖动物进行健康预警的具体过程如下:
E1、根据评分规则对各数字信息矩阵评分,得到各数字信息矩阵的评分矩阵D;
E2、基于各评分矩阵D计算得到各数字信息矩阵对应的各养殖动物的健康评分P;
所述健康评分的计算表达式如下:
E3、逐个判断各健康评分P是否等于0,若是则进入步骤E4,否则进入步骤E5;
E4、将该健康评分P对应的养殖动物认定为健康养殖动物;
E5、对该健康评分P对应的养殖动物做出健康预警。
采用上述进一步方案的有益效果为:所述动物健康分析模块通过对各数字信息矩阵评分,得到评分矩阵后,基于评分矩阵计算矩阵评分,并对评分非健康的养殖动物做出健康预警。
附图说明
图1为本发明实施例中基于多源大数据动物养殖数据挖掘的监测预警***的***结构图。
图2为本发明实施例中数据采集设备部署方案示意图。
图3为本发明实施例中Yolov4行为和温度识别子模块的结构图。
图4为本发明实施例中Yolov4行为和温度识别子模块的具体结构例图。
图5为本发明实施例中关联养殖动物身份和位置的数字信息矩阵。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1和图2所示,在本发明的一个实施例中,本方案提供一种基于多源大数据动物养殖数据挖掘的监测预警***,包括:
动物体征传感器,用于获取养殖动物的体征原始数据,并向轨道机器人传输体征原始数据,所述体征原始数据包括养殖动物的身份、位置、体温和运动量;
所述动物体征传感器当养殖动物为猪只时,采用猪只耳标,当养殖动物为牛时,采用项圈,当养殖动物为鸡时,采用脚环,且所述动物体征传感器采用超宽带Ultra Wideband定位技术,可采集养殖动物体温和运动量;
所述体征原始数据包括获取时长大于三天且获取数量大于1500条的养殖动物的身份、位置、体温和运动量数据;
动物声音传感器,用于获取各养殖栏中养殖动物的夜间声音原始数据,并向轨道机器人传输夜间声音原始数据;所述动物声音传感器以16位精度和22050hz的采样频率波形格式录制动物咳嗽声音;
所述夜间声音原始数据包括获取时间于凌晨一点到五点,且超过三段以上的养殖动物的咳嗽声;
环境传感器,用于获取养殖栏中的环境监测数据,其中,所述环境监测数据包括环境温度、环境湿度和环境气压;
所述环境监测数据可用于分析养殖动物的养殖环境,以及比较养殖动物体温与养殖环境温度相比是否异常;
轨道机器人,用于控制自动饲喂器逐一对养殖动物投喂饲料,并同时通过滑轨***定位获取各养殖栏中的养殖动物的定位数据,得到养殖动物的视频原始数据、体征原始数据、夜间声音原始数据,其中,所述视频原始数据包括养殖动物的彩色图像、热红外图像和3D图像;
所述视频原始数据包括获取时长大于三天、获取数量大于1000张且具有不同养殖栏中成年体型和幼年体型的养殖动物的彩色图像、热红外图像和3D图像;
算法训练模块,用于利用养殖动物的视频原始数据、体征原始数据和夜间声音原始数据对***算法进行训练和参数调整,得到训练好的***算法,其中,***算法包括数据清洗校验算法、Yolov4行为和局部温度识别算法、点云图体尺测量算法和咳嗽检测算法,若发现视频原始数据、体征原始数据和夜间声音原始数据存在异常,则根据实际情况对现场设备进行精度校准以及维护;
动物健康数据产生模块,用于根据训练好的***算法处理视频原始数据、体征原始数据和夜间声音原始数据,得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据;
动物健康数字矩阵模块,用于根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据,构建若干关联养殖动物身份和位置的数字信息矩阵;
动物健康分析模块,用于利用各数字信息矩阵对其对应的养殖动物进行健康评分,并对非健康养殖动物进行健康预警;
所述轨道机器人包括:
微型中央处理器,用于控制自动饲喂器逐一对各栏位内的养殖动物投喂饲料;
养殖动物传感器接收器,用于获取养殖动物耳标传递的体征原始数据;
双目摄像头,用于通过滑轨***定位获取养殖动物的彩色图像和热红外图像;
3D摄像头,用于通过滑轨***定位获取养殖动物的3D图像;
所述双目摄像头和3D摄像头以1秒1张的速度进行图片拍摄;所述轨道机器人在5分钟数据采集后,便走向下一栏位,直至全部栏位投喂完毕后,回到原位进行充电并等待下次投喂时再次启动;
所述动物健康数据产生模块包括:
数据清洗校验子模块,用于根据训练好的数据清洗校验算法校验、过滤、计算和填充体征原始数据,得到养殖动物的体征数据,并将养殖动物体征数据存储至数据库;
Yolov4行为和温度识别子模块,用于根据训练好的Yolov4行为和局部温度识别算法提取视频原始数据,得到养殖动物的行为数据、身体区域坐标信息和部位温度数据;
点云图体尺测量子模块,用于根据训练好的点云图体尺测量算法计算养殖动物的行为数据和身体区域坐标信息,得到养殖动物的体长数据和体高数据;
咳嗽检测子模块,用于根据训练好的咳嗽检测算法对夜间声音原始数据进行去噪声和相似性检测,得到养殖动物的咳嗽次数数据;
所述数据清洗校验算法包括如下步骤:
S1、通过轨道机器人对养殖动物进行位置和身份绑定设为主键;
S2、基于养殖动物的位置和身份,计算得到养殖动物每两次间隔体征原始数据中运动量增量;
S3、判断运动量增量是否大于零米且小于预设动物最大运动量,若是则进入步骤S4,否则报警动物体征传感器故障,并结束,其中预设动物最大运动量为10000步;
S4、将养殖动物的运动量增量与位置和身份关联;
S5、基于养殖动物的位置和身份,计算得到连续二十次获取的体征原始数据中的体温平均值;
S5、判断体温平均值是否大于零度且小于预设动物最大体温,若是则进入步骤S6,否则报警动物体征传感器故障,并结束,其中预设动物最大体温为40℃;
S6、将体温平均值与位置和身份关联;
S7、将养殖栏中的环境温度、环境湿度和环境气压与位置和身份关联;
S8、将养殖动物的位置和身份,以及与位置和身份关联的运动量增量、体温平均值、环境温度、环境湿度和环境气压作为养殖动物体征数据存储至数据库;所述环境温度用于当养殖动物体温平均值和热红外图像的温度与环境温度存在差异时,选取精度更高的养殖动物体温平均值和热红外图像的温度用作养殖动物健康分析;
如图3所示,所述Yolov4行为和温度识别子模块包括:
图像输入单元Inputs、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2、第四残差单元Resblock_body()×8、第五残差单元Resblock_body()×8、第六残差单元Resblock_body()×4、第一空间金字单元SPP1、第二空间金字塔单元SPP2、第一Concat拼接堆叠卷积单元、第二Concat拼接堆叠卷积单元、第三Concat拼接堆叠卷积单元、第四Concat拼接堆叠卷积单元、第五Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元、第一YOLOHead检测头、第二YOLOHead检测头和第三YOLOHead检测头、图像输出单元Oouts;
所述图像输入单元、特征提取单元DarknetConv2D、第一残差单元Resblock_body()×1、第二残差单元Resblock_body()×2、第三残差单元Resblock_body()×2和第四残差单元Resblock_body()×8依次连接;所述第四残差单元Resblock_body()×8分别与第五残差单元Resblock_body()×8和第一Concat拼接堆叠卷积单元连接;所述第五残差单元Resblock_body()×8分别与第六残差单元Resblock_body()×4和第一空间金字单元SPP1连接;所述第六残差单元Resblock_body()×4与第二空间金字塔单元SPP2连接;所述第一空间金字单元SPP1与第二Concat拼接堆叠卷积单元连接;所述第二空间金字单元SPP2与第三Concat拼接堆叠卷积单元连接;所述第三Concat拼接堆叠卷积单元分别与第二Concat拼接堆叠卷积单元和第六Concat拼接堆叠卷积单元连接;所述第二Concat拼接堆叠卷积单元分别与第一Concat拼接堆叠卷积单元和第五Concat拼接堆叠卷积单元连接;所述第一Concat拼接堆叠卷积单元与第四Concat拼接堆叠卷积单元连接;所述第四Concat拼接堆叠卷积单元分别与第一YOLOHead检测头和第五Concat拼接堆叠卷积单元连接;所述第五Concat拼接堆叠卷积单元分别与第二YOLOHead检测头和第六Concat拼接堆叠卷积单元连接;所述第六Concat拼接堆叠卷积单元与第三YOLOHead检测头连接;所述第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头均与图像输出单元Outs连接;
所述第六残差单元Resblock_body()×4、第二空间金字塔单元SPP2、第三Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元和第三YOLOHead检测头构成彩色图像专用特征提取网络;
所述Yolov4行为和温度识别子模块中改进的Yolov4神经网络相较于传统的Yolov4神经网络增加了第三残差单元Resblock_body()×2和第五残差单元Resblock_body()×8,所述第三残差单元Resblock_body()×2可实现提取更多红外图像的特征和体型较小动物(彩色图像)的特征但又不至于出现拟合,所述第五残差单元Resblock_body()×8和第一空间金字单元SPP1连接可实现将提取的红外图像特征信息转换为坐标,类别等信息;所述改进的Yolov4网络中彩色图像不会进行计算,仅当彩色图像经处理进入彩色图像专用特征提取网络才会进行计算;
如图4所示,所述Yolov4行为和温度识别子模块中改进的Yolov4神经网络可实现Yolov4行为和局部温度识别算法;当实现Yolov4行为识别算法时,所述图像输入单元Inputs输入的彩色图像,当实现Yolov4局部温度识别算法使,所述图像输入单元Inputs输入的热红外图像;
所述Yolov4行为和局部温度识别算法包括如下步骤:
A1、获取养殖动物的视频原始数据;
A2、对视频原始数据中的彩色图像和热红外图像分别添加饮水标签、进食标签、头部标签和尾部标签;
A3、利用Yolov4行为和温度识别子模块对添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像均分别按照8:1:1的比例输入训练集、测试集和验证集进行参数训练,得到训练好的Yolov4行为和温度识别子模块;
A4、利用训练好的Yolov4行为和温度识别子模块识别添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像,得到养殖动物的行为数据、坐标信息和部位温度数据;
A5、删除部位温度数据中小于预设动物最低体温的部位温度数据,并对剩余部位温度数据去除最高部位温度数据后进行分部位求平均部位温度数据,其中,预设动物最低体温为34℃;
A6、将平均部位温度数据作为养殖动物的部位温度数据;
所述点云图体尺测量算法包括如下步骤:
B1、利用养殖动物身体区域坐标信息将3D图像与彩色图像进行位置校准,得到身体区域坐标信息对应的点云图动物身体区域 (x1,y1,x2,y2),其中(x1,y1)为点云图动物身体区域的左上角坐标点,(x2,y2)为点云图动物身体区域的右下角坐标点,(x2,y1)为点云图动物身体区域的右上角坐标点,(x1,y2)为点云图动物身体区域的左边下角坐标点;
B2、利用邻接点扩散法逐一计算得到点云图动物身体区域 (x1,y1,x2,y2)内所有点的连通区域;
B3、判断点云图动物身体区域内任一点X1连通区域内的全部相邻三维点高度差是否大于预设高度差值,若是则进入步骤B5,否则进入步骤B4;
如,设H为高度差,XY1为X1连通区域内的点,XY2为X1连通区域外的相邻点|XY1 -XY2|>H(猪的预设高度差为10cm,鸡的预设高度差为为5cm,牛的预设高度差为50cm);
B4、将高度差小于或等于预设高度差的相邻三维点归入点X1连通区域,并返回步骤B3;
B5、将高度差大于预设高度差的相邻三维点不纳入点X1连通区域;
B6、计算利用邻接点扩散法得到的面积最大连通区域的长度,并将面积最大连通区域的长度作为养殖动物的体长数据;
B7、计算利用邻接点扩散法得到的面积最大连通区域的平均高度,并将面积最大连通区域的平均高度作为养殖动物的体高数据;
所述咳嗽检测算法包括如下步骤:
C1、获取各养殖栏中养殖动物的夜间声音原始数据;
C2、通过汉明窗处理夜间声音原始数据,并对各窗口进行傅里叶变换后减去平均窗口,得到降噪后的夜间声音数据;
C3、根据分贝大小对降噪后的夜间声音数据进行数值转换,并根据频率高低对降噪后的夜间声音数据20等分,得到咳嗽特征粗频谱图;
C4、计算得到咳嗽特征粗频谱与标准咳嗽频谱的马氏距离E;
所述马氏距离E的计算表达式如下:
其中,S表示咳嗽特征粗频谱与标准咳嗽频谱间的协方差矩阵,x表示协方差矩阵S的多边向量,x p 表示多边向量x的第p个向量,表示协方差矩阵S的均值向量,表示均值向量的第p个向量,表示多边向量x与均值向量对应相减后的转置,表示协方差矩阵的逆矩阵;
C5、判断马氏距离是否小于预设距离阈值K,若是则进入步骤C6,否则返回步骤C1;
C6、认定咳嗽特征粗频谱与标准咳嗽频谱相似,并得到该咳嗽特征粗频谱对应养殖动物的咳嗽次数数据;
所述动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵的具体过程如下:
D1、将养殖动物的身体区域坐标信息与位置和身份关联,并将位置和身份对应的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据关联,得到若干养殖动物关联数据矩阵;
D2、将各养殖动物关联数据矩阵根据位置排序,完成若干关联养殖动物身份和位置的数字信息矩阵的构建;
如图5所示,所述利用各数字信息矩阵对其对应的养殖动物进行健康评估,并对非健康养殖动物进行健康预警的具体过程如下:
E1、根据评分规则对各数字信息矩阵评分,得到各数字信息矩阵的评分矩阵D;
E2、基于各评分矩阵D计算得到各数字信息矩阵对应的各养殖动物的健康评分P;
所述健康评分的计算表达式如下:
E3、逐个判断各健康评分P是否等于0,若是则进入步骤E4,否则进入步骤E5;
E4、将该健康评分P对应的养殖动物认定为健康养殖动物;
E5、对该健康评分P对应的养殖动物做出健康预警。
所述评分规则如下:
若部位温度数据小于预设养殖动物最低健康温度,则动物体温评分为-1,若部位温度数据大于预设养殖动物最高健康温度,则动物体温评分为1,若部位温度数据大于预设养殖动物最低健康温度且小于预设养殖动物最高健康温度,则动物体温评分为0;
所述预设养殖动物最低健康温度在养殖动物为猪时设置为35℃,在养殖动物为鸡时设置为34℃,在养殖动物为牛时设置为35℃;所述预设养殖动物最高健康温度在养殖动物为猪时设置为38℃,在养殖动物为鸡时设置为37℃,在养殖动物为牛时设置为39℃;
若热红外图像温度小于预设养殖动物最低健康温度,则图像温度评分为-1,若热红外图像温度大于预设养殖动物最高健康温度,则图像温度评分为1,若热红外图像温度大于预设养殖动物最低健康温度且小于预设养殖动物最高健康温度,则图像温度评分为0;
若所述体征数据中运动量增量小于预设单日养殖动物最低健康运动量,则动物运动量评分为-1,若运动量增量大于预设单日养殖动物最高健康运动量,则动物运动量评分为1,若运动量增量大于预设单日养殖动物最低健康运动量且小于预设单日养殖动物最高健康运动量,则动物运动量评分为0;
所述预设养殖动物最低健康运动量在养殖动物为猪时设置为25步,在养殖动物为鸡时设置为10步,在养殖动物为牛时设置为60步;所述预设养殖动物最高健康温度在养殖动物为猪时设置为120步,在养殖动物为鸡时设置为10步,在养殖动物为牛时设置为200步;
所述养殖动物的身份和位置默认评分为0;
若所述养殖动物出现饮水行为,则饮水行为得分为0,否则为1;
若所述养殖动物出现进食行为,则进食行为得分为0,否则为1;
若养殖动物体高小于同栏养殖动物平均体高,则养殖动物体高得分为1,否则为0;
若养殖动物体长小于同栏养殖动物平均体长,则养殖动物体高长分为1,否则为0;
若养殖动物出现咳嗽,则咳嗽次数得分为1,否则为0。
Claims (8)
1.一种基于多源大数据动物养殖数据挖掘的监测预警***,其特征在于,包括:
动物体征传感器,用于获取养殖动物的体征原始数据,并向轨道机器人传输体征原始数据;
动物声音传感器,用于获取各养殖栏中养殖动物的夜间声音原始数据,并向轨道机器人传输夜间声音原始数据;
环境传感器,用于获取养殖栏中的环境监测数据;
轨道机器人,用于控制自动饲喂器逐一对养殖动物投喂饲料,并同时通过滑轨***定位获取各养殖栏中的养殖动物的定位数据,得到养殖动物的视频原始数据、体征原始数据和夜间声音原始数据;
算法训练模块,用于利用养殖动物的视频原始数据、体征原始数据和夜间声音原始数据对***算法进行训练和参数调整,得到训练好的***算法;
动物健康数据产生模块,用于根据训练好的***算法处理视频原始数据、体征原始数据和夜间声音原始数据,得到养殖动物的体征数据、行为数据、身体区域坐标信息、部位温度数据、体长数据、体高数据和咳嗽次数数据;
所述动物健康数据产生模块包括:
数据清洗校验子模块,用于根据训练好的数据清洗校验算法校验、过滤、计算和填充体征原始数据,得到养殖动物的体征数据,并将养殖动物体征数据存储至数据库;
Yolov4行为和温度识别子模块,用于根据训练好的Yolov4行为和局部温度识别算法提取视频原始数据,得到养殖动物的行为数据、身体区域坐标信息和部位温度数据;
所述Yolov4行为和温度识别子模块包括:
图像输入单元、特征提取单元、第一残差单元、第二残差单元、第三残差单元、第四残差单元、第五残差单元、第六残差单元、第一空间金字塔单元、第二空间金字塔单元、第一Concat拼接堆叠卷积单元、第二Concat拼接堆叠卷积单元、第三Concat拼接堆叠卷积单元、第四Concat拼接堆叠卷积单元、第五Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元、第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头和图像输出单元;
所述图像输入单元、特征提取单元、第一残差单元、第二残差单元、第三残差单元和第四残差单元依次连接;所述第四残差单元分别与第五残差单元和第一Concat拼接堆叠卷积单元连接;所述第五残差单元分别与第六残差单元和第一空间金字塔单元连接;所述第六残差单元与第二空间金字塔单元连接;所述第一空间金字塔单元与第二Concat拼接堆叠卷积单元连接;所述第二空间金字塔单元与第三Concat拼接堆叠卷积单元连接;所述第三Concat拼接堆叠卷积单元分别与第二Concat拼接堆叠卷积单元和第六Concat拼接堆叠卷积单元连接;所述第二Concat拼接堆叠卷积单元分别与第一Concat拼接堆叠卷积单元和第五Concat拼接堆叠卷积单元连接;所述第一Concat拼接堆叠卷积单元与第四Concat拼接堆叠卷积单元连接;所述第四Concat拼接堆叠卷积单元分别与第一YOLOHead检测头和第五Concat拼接堆叠卷积单元连接;所述第五Concat拼接堆叠卷积单元分别与第二YOLOHead检测头和第六Concat拼接堆叠卷积单元连接;所述第六Concat拼接堆叠卷积单元与第三YOLOHead检测头连接;所述第一YOLOHead检测头、第二YOLOHead检测头、第三YOLOHead检测头均与图像输出单元连接;
所述第六残差单元、第二空间金字塔单元、第三Concat拼接堆叠卷积单元、第六Concat拼接堆叠卷积单元和第三YOLOHead检测头构成彩色图像专用特征提取网络;
点云图体尺测量子模块,用于根据训练好的点云图体尺测量算法计算养殖动物的行为数据和身体区域坐标信息,得到养殖动物的体长数据和体高数据;
咳嗽检测子模块,用于根据训练好的咳嗽检测算法对夜间声音原始数据进行去噪声和相似性检测,得到养殖动物的咳嗽次数数据;
动物健康数字矩阵模块,用于根据养殖动物的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据,构建若干关联养殖动物身份和位置的数字信息矩阵;
动物健康分析模块,用于利用各数字信息矩阵对其对应的养殖动物进行健康评分,并对非健康养殖动物进行健康预警。
2.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警***,其特征在于,所述轨道机器人包括:
微型中央处理器,用于控制自动饲喂器逐一对各栏位内的养殖动物投喂饲料;
养殖动物传感器接收器,用于获取养殖动物耳标传递的体征原始数据;
双目摄像头,用于通过滑轨***定位获取养殖动物的彩色图像和热红外图像;
3D摄像头,用于通过滑轨***定位获取养殖动物的3D图像。
3.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警***,其特征在于,所述数据清洗校验算法包括如下步骤:
S1、通过轨道机器人对养殖动物进行位置和身份绑定设为主键;
S2、基于养殖动物的位置和身份,计算得到养殖动物每两次间隔体征原始数据中运动量增量;
S3、判断运动量增量是否大于零米且小于预设动物最大运动量,若是则进入步骤S4,否则报警动物体征传感器故障,并结束;
S4、将养殖动物的运动量增量与位置和身份关联;
S5、基于养殖动物的位置和身份,计算得到连续二十次获取的体征原始数据中的体温平均值;
S5、判断体温平均值是否大于零度且小于预设动物最大体温,若是则进入步骤S6,否则报警动物体征传感器故障,并结束;
S6、将体温平均值与位置和身份关联;
S7、将养殖栏中的环境温度、环境湿度和环境气压与位置和身份关联;
S8、将养殖动物的位置和身份,以及与位置和身份关联的运动量增量、体温平均值、环境温度、环境湿度和环境气压作为养殖动物体征数据存储至数据库。
4.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警***,其特征在于,所述Yolov4行为和局部温度识别算法包括如下步骤:
A1、获取养殖动物的视频原始数据;
A2、对视频原始数据中的彩色图像和热红外图像分别添加饮水标签、进食标签、头部标签和尾部标签;
A3、利用Yolov4行为和温度识别子模块对添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像均分别按照8:1:1的比例输入训练集、测试集和验证集进行参数训练,得到训练好的Yolov4行为和温度识别子模块;
A4、利用训练好的Yolov4行为和温度识别子模块识别添加有饮水标签、进食标签、头部标签和尾部标签的彩色图像和热红外图像,得到养殖动物的行为数据、坐标信息和部位温度数据;
A5、删除部位温度数据中小于预设动物最低体温的部位温度数据,并对剩余部位温度数据去除最高部位温度数据后进行分部位求平均部位温度数据;
A6、将平均部位温度数据作为养殖动物的部位温度数据。
5.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警***,其特征在于,所述点云图体尺测量算法包括如下步骤:
B1、利用养殖动物身体区域坐标信息将3D图像与彩色图像进行位置校准,得到身体区域坐标信息对应的点云图动物身体区域 (x1,y1,x2,y2),其中(x1,y1)为点云图动物身体区域的左上角坐标点,(x2,y2)为点云图动物身体区域的右下角坐标点,(x2,y1)为点云图动物身体区域的右上角坐标点,(x1,y2)为点云图动物身体区域的左边下角坐标点;
B2、利用邻接点扩散法逐一计算得到点云图动物身体区域 (x1,y1,x2,y2)内所有点的连通区域;
B3、判断点云图动物身体区域内任一点X1连通区域内的全部相邻三维点高度差是否大于预设高度差值,若是则进入步骤B5,否则进入步骤B4;
B4、将高度差小于或等于预设高度差的相邻三维点归入点X1连通区域,并返回步骤B3;
B5、将高度差大于预设高度差的相邻三维点不纳入点X1连通区域;
B6、计算利用邻接点扩散法得到的面积最大连通区域的长度,并将面积最大连通区域的长度作为养殖动物的体长数据;
B7、计算利用邻接点扩散法得到的面积最大连通区域的平均高度,并将面积最大连通区域的平均高度作为养殖动物的体高数据。
6.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警***,其特征在于,所述咳嗽检测算法包括如下步骤:
C1、获取各养殖栏中养殖动物的夜间声音原始数据;
C2、通过汉明窗处理夜间声音原始数据,并对各窗口进行傅里叶变换后减去平均窗口,得到降噪后的夜间声音数据;
C3、根据分贝大小对降噪后的夜间声音数据进行数值转换,并根据频率高低对降噪后的夜间声音数据20等分,得到咳嗽特征粗频谱图;
C4、计算得到咳嗽特征粗频谱与标准咳嗽频谱的马氏距离E;
所述马氏距离E的计算表达式如下:
其中,S表示咳嗽特征粗频谱与标准咳嗽频谱间的协方差矩阵,x表示协方差矩阵S的多边向量,x p 表示多边向量x的第p个向量,表示协方差矩阵S的均值向量,表示均值向量的第p个向量,表示多边向量x与均值向量对应相减后的转置,表示协方差矩阵的逆矩阵;
C5、判断马氏距离是否小于预设距离阈值K,若是则进入步骤C6,否则返回步骤C1;
C6、认定咳嗽特征粗频谱与标准咳嗽频谱相似,并得到该咳嗽特征粗频谱对应养殖动物的咳嗽次数数据。
7.根据权利要求1所述的基于多源大数据动物养殖数据挖掘的监测预警***,其特征在于,所述动物健康数字矩阵模块构建若干关联养殖动物身份和位置的数字信息矩阵的具体过程如下:
D1、将养殖动物的身体区域坐标信息与位置和身份关联,并将位置和身份对应的体征数据、行为数据、部位温度数据、体长数据、体高数据和咳嗽次数数据关联,得到若干养殖动物关联数据矩阵;
D2、将各养殖动物关联数据矩阵根据位置排序,完成若干关联养殖动物身份和位置的数字信息矩阵的构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210387398.3A CN114463701B (zh) | 2022-04-14 | 2022-04-14 | 一种基于多源大数据动物养殖数据挖掘的监测预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210387398.3A CN114463701B (zh) | 2022-04-14 | 2022-04-14 | 一种基于多源大数据动物养殖数据挖掘的监测预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463701A CN114463701A (zh) | 2022-05-10 |
CN114463701B true CN114463701B (zh) | 2022-07-01 |
Family
ID=81418484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210387398.3A Active CN114463701B (zh) | 2022-04-14 | 2022-04-14 | 一种基于多源大数据动物养殖数据挖掘的监测预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463701B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116034904B (zh) * | 2023-03-31 | 2023-06-13 | 华南农业大学 | 基于轨道式巡检机器人的猪只健康监测***及方法 |
CN116452667B (zh) * | 2023-06-16 | 2023-08-22 | 成都实时技术股份有限公司 | 一种基于图像处理的目标识别与定位方法 |
CN117456472B (zh) * | 2023-12-25 | 2024-04-23 | 北京市农林科学院信息技术研究中心 | 食草动物采食量监测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894551A (zh) * | 2010-07-02 | 2010-11-24 | 华南理工大学 | 一种咳嗽自动识别方法及装置 |
WO2019046216A1 (en) * | 2017-08-28 | 2019-03-07 | Robbins David S | SYSTEMS, METHODS AND APPARATUS FOR MONITORING ANIMAL HEALTH CONDITIONS |
CN112113603A (zh) * | 2020-04-20 | 2020-12-22 | 中国矿业大学 | 一种基于移动机器人的室内多源环境健康指数监测评估方法 |
CN113223035A (zh) * | 2021-06-07 | 2021-08-06 | 南京农业大学 | 笼养鸡智能巡检*** |
CN113938503A (zh) * | 2021-09-26 | 2022-01-14 | 云南追溯科技有限公司 | 一种通过生猪行为体征监测对疾病的预警***及构建方法 |
CN114255357A (zh) * | 2021-12-23 | 2022-03-29 | 东北大学 | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150039239A1 (en) * | 2013-07-31 | 2015-02-05 | AgLogica Holdings, LLC | Processor-based methods, systems and programs for remote animal health monitoring, assessment, diagnosis, and management |
CN111883257B (zh) * | 2020-09-25 | 2021-02-26 | 西南交通大学 | 基于多传感器的人体健康状态评估与预警*** |
-
2022
- 2022-04-14 CN CN202210387398.3A patent/CN114463701B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894551A (zh) * | 2010-07-02 | 2010-11-24 | 华南理工大学 | 一种咳嗽自动识别方法及装置 |
WO2019046216A1 (en) * | 2017-08-28 | 2019-03-07 | Robbins David S | SYSTEMS, METHODS AND APPARATUS FOR MONITORING ANIMAL HEALTH CONDITIONS |
CN112113603A (zh) * | 2020-04-20 | 2020-12-22 | 中国矿业大学 | 一种基于移动机器人的室内多源环境健康指数监测评估方法 |
CN113223035A (zh) * | 2021-06-07 | 2021-08-06 | 南京农业大学 | 笼养鸡智能巡检*** |
CN113938503A (zh) * | 2021-09-26 | 2022-01-14 | 云南追溯科技有限公司 | 一种通过生猪行为体征监测对疾病的预警***及构建方法 |
CN114255357A (zh) * | 2021-12-23 | 2022-03-29 | 东北大学 | 一种基于计算机视觉的群养生猪身份识别与健康监测方法 |
Non-Patent Citations (1)
Title |
---|
猪只饮水行为机器视觉自动识别;杨秋妹等;《农业机械学报》;20180630;第232-238页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114463701A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114463701B (zh) | 一种基于多源大数据动物养殖数据挖掘的监测预警*** | |
Bao et al. | Artificial intelligence in animal farming: A systematic literature review | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
CN110147771B (zh) | 基于母猪关键部位与环境联合分区的母猪侧卧姿态实时检测*** | |
CN111104906A (zh) | 一种基于yolo的输电塔鸟巢故障检测方法 | |
ZA202300610B (en) | System and method for crop monitoring | |
CN113688889A (zh) | 异常检测方法、装置、电子设备及计算机可读存储介质 | |
KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
US10685231B2 (en) | Computer system, and method and program for diagnosing plants | |
CN111209832B (zh) | 变电站巡检机器人辅助避障训练方法、设备及介质 | |
CN109784200A (zh) | 基于双目视觉的奶牛行为图像获取与体况智能监测*** | |
CN116034904B (zh) | 基于轨道式巡检机器人的猪只健康监测***及方法 | |
CN116052211A (zh) | 一种基于知识蒸馏的YOLOv5s轻量级羊只品种识别方法及*** | |
CN115830490A (zh) | 一种群养生猪多目标跟踪及行为统计方法 | |
CN110991222A (zh) | 一种物体状态监测、母猪发情监测方法、装置及*** | |
US11100642B2 (en) | Computer system, and method and program for diagnosing animals | |
CN111783751A (zh) | 基于枪球联动与bim的养殖舍仔猪异常预警方法 | |
Xu et al. | Automatic sheep behaviour analysis using mask r-cnn | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测*** | |
Li et al. | Automatic dairy cow body condition scoring using depth images and 3D surface fitting | |
CN116977862A (zh) | 一种植物生长阶段视频检测方法 | |
CN109686032B (zh) | 一种水产养殖生物防盗监测方法及*** | |
CN116778391A (zh) | 一种多模态作物病害表型协同分析模型及装置 | |
CN115918571A (zh) | 一种栅栏过道式牛体健康数据提取装置及其智能提取方法 | |
CN113516232B (zh) | 一种基于自注意力机制的穿墙雷达人体姿态重构方法 |
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 |