CN116029604B - 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 - Google Patents
一种基于健康舒适度的笼养肉鸭养殖环境调控方法 Download PDFInfo
- Publication number
- CN116029604B CN116029604B CN202310076403.3A CN202310076403A CN116029604B CN 116029604 B CN116029604 B CN 116029604B CN 202310076403 A CN202310076403 A CN 202310076403A CN 116029604 B CN116029604 B CN 116029604B
- Authority
- CN
- China
- Prior art keywords
- information
- meat
- duck
- health
- index
- 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
- 235000013372 meat Nutrition 0.000 title claims abstract description 182
- 241000272525 Anas platyrhynchos Species 0.000 title claims abstract description 180
- 230000036541 health Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000009395 breeding Methods 0.000 title claims abstract description 16
- 230000001488 breeding effect Effects 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 63
- 241000272522 Anas Species 0.000 claims abstract description 52
- 238000012512 characterization method Methods 0.000 claims abstract description 51
- 230000007613 environmental effect Effects 0.000 claims abstract description 40
- 230000001276 controlling effect Effects 0.000 claims abstract description 10
- 230000001105 regulatory effect Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 54
- 230000033001 locomotion Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 22
- 230000036760 body temperature Effects 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 15
- 235000021050 feed intake Nutrition 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000009432 framing Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 20
- 230000004927 fusion Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 208000012661 Dyskinesia Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 244000144977 poultry Species 0.000 description 2
- 230000000384 rearing effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009374 poultry farming Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于健康舒适度的笼养肉鸭养殖环境调控方法,属于环境调控技术领域,包括以下步骤:S1:获取鸭舍内外环境监测信息和肉鸭健康表征信息;S2:根据鸭舍内外环境监测信息和肉鸭健康表征信息,确定肉鸭健康舒适度关键指标;S3:根据肉鸭健康舒适度关键指标,确定肉鸭健康舒适度指数;S4:将鸭舍内外环境监测信息和肉鸭健康舒适度指数作为神经网络的输入,得到下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值;S5:根据下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值,进行环境调控。本发明与现有技术相比,将养殖设外部环境信息及肉鸭信息纳入考虑,使环境调控参考信息更全面科学,提高了环境调控的准确性和可靠性。
Description
技术领域
本发明属于环境调控技术领域,具体涉及一种基于健康舒适度的笼养肉鸭养殖环境调控方法。
背景技术
随着家禽养殖产业技术和装备不断完善,笼养肉鸭养殖方式得到了快速发展。由于笼养肉鸭养殖密度大且肉鸭活动范围有限,养殖舍环境条件成为影响肉鸭健康与生产性能发挥的关键制约因素。因此,控制笼养肉鸭养殖环境处于适宜范围具有重要意义。
目前,家禽养殖舍环境调控***是基于环境参数监测结果的调控方法,通过养殖舍内环境传感器的监测数据判断是否符合舍内环境要求进行控制。张龙爱等人设计了了一种用于养殖的空调控制方法、控制装置及***,能够实现自动化控制养殖场所的空气环境,但仅能对空气和风量进行调控。周丰等人提出一种基于大数据的智能化多层立体肉鸭养殖***,包含环境监测和环境调控模块,根据检测环境变化进行环境调控,未考虑环境调控设备的调节滞后性,导致环境调控的实时性和准确性不足。李保明等人提出了一种畜禽舍养殖环境温度预测控制***及其调控方法,基于温度预测模型对养殖环境的温度进行模糊控制,提高了养殖舍温度调控的实时性和适应性,但未针对动物舒适度优化温度调控模型,在科学性和适应性上有所欠缺。因此,需要一种融合多环境参数以及肉鸭监测信息的方法,提高养殖舍环境调控的实时性、准确性、科学性和适应性。
发明内容
本发明的目的是为了解决现有环境调控存在的科学性和适应性不足且实时性和准确性低的问题,提出了一种基于健康舒适度的笼养肉鸭养殖环境调控方法。
本发明的技术方案是:一种基于健康舒适度的笼养肉鸭养殖环境调控方法包括以下步骤:
S1:获取鸭舍内外环境监测信息和肉鸭健康表征信息;
S2:根据鸭舍内外环境监测信息和肉鸭健康表征信息,确定肉鸭健康舒适度关键指标;
S3:根据肉鸭健康舒适度关键指标,确定肉鸭健康舒适度指数;
S4:将鸭舍内外环境监测信息和肉鸭健康舒适度指数作为神经网络的输入,得到下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值;
S5:根据下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值,进行环境调控。
进一步地,步骤S1中,肉鸭健康表征信息包括行为异常觉察信息、采食量异常觉察信息、运动异常觉察信息、声音异常觉察信息和体温异常觉察信息;
获取行为异常觉察信息和采食量异常觉察信息的具体方法为:采集鸭舍视频,并利用自适应阈值方法从鸭舍视频中获取肉鸭图像,将肉鸭图像作为卷积神经网络的输入,得到行为异常觉察信息和采食量异常觉察信息;
获取声音异常觉察信息的具体方法为:采集肉鸭声音数据,对肉鸭声音数据依次进行预加重、分帧、加窗、傅里叶变换和梅尔频率倒谱系数求解,得到声音特征向量,作为声音异常觉察信息;
获取运动异常觉察信息的具体方法为:采集肉鸭运动数据,利用信号时域分析方法、信号频域分析方法和信号时频域分析方法提取肉鸭运动数据的多维特征,得到运动特征向量,将声音特征向量和运动特征向量进行融合,得到融合特征向量,作为运动异常觉察信息;
获取体温异常觉察信息的具体方法为:采集肉鸭体温数据,将处于设定温度阈值范围外的体温数据作为体温异常觉察信息。
进一步地,步骤S2包括以下子步骤:
S21:将鸭舍内外环境监测信息和肉鸭健康表征信息进行时序配对并加上时间信息,将鸭舍内外环境监测信息的集合作为环境监测事务库,将肉鸭健康表征信息的集合作为肉鸭健康表征事务库,将环境监测事务库、肉鸭健康表征事务库和时间信息的集合作为总事务库;
S22:根据总事务库,计算事务支持度和事务置信度;
S23:根据事务支持度和事务置信度,计算事务提升度;
S24:将事务提升度大于设定提升度阈值的数据作为肉鸭健康舒适度关键指标。
进一步地,步骤S22中,事务支持度Support(Xi,Yi)的计算公式为:
式中,P(Xi,Yi)表示包含Xi状态的鸭舍内外环境监测信息和Yi状态的肉鸭健康表征信息的事务占总事务库的比例,number(Xi,Yi)表示包含Xi状态的鸭舍内外环境监测信息和Yi状态的肉鸭健康表征信息的事务数量,number(ALLSamples)表示总事务库内事务数量;
步骤S22中,事务置信度Confidence(Xi→Yi)的计算公式为:
式中,P(Xi〡Yi)表示总事务库内鸭舍内外环境监测信息为Xi状态的事务中包含肉鸭健康表征信息为Yi状态的比率,P(Xi)表示鸭舍内外环境监测信息为Xi状态的概率;
步骤S23中,事务提升度Lift(Xi,Yi)的计算公式为:
式中,P(Yi)表示肉鸭健康表征信息为Yi状态的概率。
进一步地,步骤S3包括以下子步骤:
S31:将鸭舍内外环境监测信息和肉鸭健康表征信息作为要素层,将肉鸭健康舒适度关键指标作为指标层,并根据要素层和指标层计算主观权重;
S32:根据要素层和指标层计算客观权重;
S33:根据主观权重和客观权重,计算综合主客观权重;
S34:根据综合主观权重,计算肉鸭健康舒适度指数。
进一步地,步骤S31中,主观权重μ1的计算公式为:
式中,U表示要素层元素个数,C表示指标层元素个数,ω表示各元素权重;
步骤S32中,对肉鸭健康舒适度关键指标进行归一化处理,计算归一化处理后第i个指标的综合数据值,根据第i个指标的综合数据值计算变异系数,根据变异系数计算客观权重;其中,第i个指标的综合数据值变异系数bi和客观权重μ2的计算公式分别为:
式中,t表示关键指标个数,Zil表示第i个关键指标的第l个数据,xij表示t个关键指标中属于第j类关键指标的第i个指标的参数值,表示第j个指标的综合数据值;
步骤S33中,综合主客观权重βi的计算公式为:
式中,αi表示第i个指标的经验因子,为第i个指标的主观权重,/>为第i个指标的客观权重;
步骤S34中,肉鸭健康舒适度指数的计算公式为:
式中,Zi表示第i个关键指标。
进一步地,步骤S5中,进行环境调控的具体方法为:计算下一时刻鸭舍内环境信息与预设环境信息的偏差和偏差变化率,在偏差或偏差变化率大于设定阈值时,将肉鸭健康舒适度指数预测值作为约束条件进行环境调控。
本发明的有益效果是:
(1)本发明将环境监测信息与肉鸭监测信息协同获取,并对肉鸭监测信息进行健康觉察处理得到肉鸭健康表征信息,结合关联分析方法将多源信息高效融合,与现有技术相比,将养殖设外部环境信息及肉鸭信息纳入考虑,使环境调控参考信息更全面科学,提高了环境调控的准确性和可靠性;
(2)本发明采用的肉鸭健康舒适度评估过程是对现有养殖舍综合环境评价体系的升级,将肉鸭健康表征信息纳入评价指标,主客观权重的融合使各指标的权重更科学严谨,提高了环境信息和健康舒适度动态预测的准确性和可靠性;
(3)本发明的肉鸭养殖环境调控方法在环境参数预测的基础上,以肉鸭健康舒适度预测指数作为约束制定的,与现有技术基于环境参数检测结果的调控方式相比,更加科学准确,且实时性更高。
附图说明
图1为笼养肉鸭养殖环境调控方法的流程图;
图2为笼养肉鸭养殖环境调控方法对应***的结构图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种基于健康舒适度的笼养肉鸭养殖环境调控方法,包括以下步骤:
S1:获取鸭舍内外环境监测信息和肉鸭健康表征信息;
S2:根据鸭舍内外环境监测信息和肉鸭健康表征信息,确定肉鸭健康舒适度关键指标;
S3:根据肉鸭健康舒适度关键指标,确定肉鸭健康舒适度指数;
S4:将鸭舍内外环境监测信息和肉鸭健康舒适度指数作为神经网络的输入,得到下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值;
S5:根据下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值,进行环境调控。
步骤S1中,根据时序对肉鸭监测信息进行健康觉察处理得到肉鸭健康表征信息(采食量、运动轨迹、行为等),将环境信息和肉鸭健康表征信息进行时序配对并加上时间信息。
步骤S2中,对步骤S1获取的环境监测信息和肉鸭健康表征信息根据时间信息进行数据融合,接着使用基于关联分析算法挖掘融合数据之间的关系,找出多源信息之间的强关联规则,提取出关键指标作为肉鸭健康舒适度评估体系建立的重要指标。
步骤S3中,将步骤S2得到的各重要指标输入肉鸭健康舒适度评估体系,得到当前肉鸭健康舒适度指数,将环境信息和肉鸭健康舒适度进行时序配对并加上时间信息。
步骤S4中,采用神经网络技术建立预测模型,将环境监测信息与肉鸭健康舒适度指数时间序列输入神经网络,得到下一时间段的环境信息和肉鸭健康舒适度动态预测值。
步骤S5中,将步骤S4得到环境信息预测值与适宜环境信息比较,获得偏差和偏差变化率。将环境信息预测值偏差和偏差变化率输入模糊控制模型得到养殖场各环境信息的模糊控制量,以肉鸭健康舒适度预测值作为约束条件,结合定性决策法制定环境调控设备调控规则,形成笼养肉鸭养殖环境调控决策。
在本发明实施例中,步骤S1中,肉鸭健康表征信息包括行为异常觉察信息、采食量异常觉察信息、运动异常觉察信息、声音异常觉察信息和体温异常觉察信息;
获取行为异常觉察信息和采食量异常觉察信息的具体方法为:采集鸭舍视频,并利用自适应阈值方法从鸭舍视频中获取肉鸭图像,将肉鸭图像作为卷积神经网络的输入,得到行为异常觉察信息和采食量异常觉察信息;
获取声音异常觉察信息的具体方法为:采集肉鸭声音数据,对肉鸭声音数据依次进行预加重、分帧、加窗、傅里叶变换和梅尔频率倒谱系数求解,得到声音特征向量,作为声音异常觉察信息;
获取运动异常觉察信息的具体方法为:采集肉鸭运动数据,利用信号时域分析方法、信号频域分析方法和信号时频域分析方法提取肉鸭运动数据的多维特征,得到运动特征向量,将声音特征向量和运动特征向量进行融合,得到融合特征向量,作为运动异常觉察信息;
综合运用信号时域、频域、时频域分析方法提取多维特征,组建表征肉鸭行为的运动特征向量,通过堆叠自编码器构造深度融合网络使声音特征与运动特征的交替优化融合,获得声音-运动融合特征向量,应用领域自适应理论获得运动异常觉察信息;
获取体温异常觉察信息的具体方法为:采集肉鸭体温数据,将处于设定温度阈值范围外的体温数据作为体温异常觉察信息。
对接入的视频流数据,应用自适应阈值方法对肉鸭图像分割,实现快速准确地提取肉鸭图像区域。在肉鸭图像分割的基础上,结合卡尔曼滤波算法进行肉鸭目标跟踪。首先利用提出的自适应阈值肉鸭图像分割算法找到完整运动目标区域,遍历每一个轮廓,并计算质心点坐标,采用卡尔曼滤波与前景目标分割算法相结合的改进算法进行实时跟踪,实现动态肉鸭目标的行为跟踪。基于深度学习的卷积神经网络,训练并建立针对肉鸭笼养环境下的卷积人工神经网络模型,获得肉鸭行为异常觉察、采食量异常觉察和运动异常觉察等信息。
对接入的肉鸭声音数据进行放大,分析采集到的肉鸭声音特点选择合适滤波方式,通过鉴频与定位算法相结合的方式,确定发出异常声音的肉鸭位置。基于MFCC(梅尔频率倒谱系数)设计适合肉鸭声音数据的声学特征,通过数据预加重、分帧、加窗、快速傅里叶变换和MFCC求解,得到表征肉鸭行为的声音特征向量。利用肉鸭运动行为数据,对肉鸭运动行为在X、Y、Z三轴方向曲线波动性进行分析,综合运用信号时域、频域和时频域分析方法提取多维特征,组建表征肉鸭行为的运动特征向量。为充分发挥多源异构数据的关联性和互补性,通过堆叠自编码器构造深度融合网络使声音特征与运动特征的交替优化融合,获得声音-运动融合特征向量。针对传感器所采集到的数据集存在类别不平衡问题,即部分类别的数量远远多于其他类别的数量,应用领域自适应理论,首先对融合特征向量归一化处理,定义边界损失函数,自适应地结合已知的行为分类确定球状决策边界中心和半径,进而确定决策边界用于肉鸭行为识别,获得行为异常觉察、运动异常觉察和声音异常觉察等信息。
综合行为异常觉察、采食量异常觉察、运动异常觉察、声音异常觉察和体温异常觉察等信息,作为肉鸭健康表征信息。
在本发明实施例中,步骤S2包括以下子步骤:
S21:将鸭舍内外环境监测信息的集合作为环境监测事务库,将肉鸭健康表征信息的集合作为肉鸭健康表征事务库;
S22:根据环境监测事务库和肉鸭健康表征事务库,计算事务支持度和事务置信度;
S23:根据事务支持度和事务置信度,计算事务提升度;
S24:将事务提升度大于设定提升度阈值的数据作为肉鸭健康舒适度关键指标。
本发明设计的基于Apriori的多源信息关联分析算法是步骤S2中的应用。该算法针对环境监测和肉鸭健康表征多源信息,使用逐层搜索的迭代方法,提取出关键指标建立肉鸭健康舒适度评估体系,算法相关概念如下:
事务:在本发明中带有时间信息的环境监测数据xi和肉鸭健康表征数据yi分别组成的数据集Xi和Yi称为事务,事务Xi和Yi组成的数据集为环境监测事务库X和肉鸭健康表征事务库Y。将环境监测信息分为三个范围:正常、偏高和偏低,则其中一个事务Xi可表示为:
[温度适宜、湿度适宜、CO2浓度偏高……]。将肉鸭健康表征信息分为三个等级:正常、健康和临界,则其中一个事务Yi可表示为:[行为正常、运动异常、声音正常、体温正常]。
k项集:如果事务Xi中包含k个元素,那么称这个事务Xi为k项集,并且事件X满足最小支持度阈值的事件称为频繁k项集。
在本发明实施例中,步骤S22中,支持度指事务库中几个事务同时出现的概率;事务支持度Support(Xi,Yi)的计算公式为:
式中,P(Xi,Yi)表示包含鸭舍内外环境监测信息Xi和肉鸭健康表征信息Yi的事务占事务库的比例,number(Xi,Yi)表示包含鸭舍内外环境监测信息Xi和肉鸭健康表征信息Yi的事务数量,number(ALLSamples)表示两个事务库内事务总数量;
步骤S22中,置信度指针对关联规则定义,P(Xi〡Yi)指当事务Xi发生时,事务Xi推出事务Yi(“Xi→Yi”)的概率,事务置信度Confidence(Xi→Yi)的计算公式为:
式中,P(Xi〡Yi)表示环境监测信息为Xi时肉鸭健康表征信息为Yi的概率,P(Xi)表示环境监测信息为Xi概率;
步骤S23中,提升度指“Xi→Yi”的置信度与Yi发生的机率之比;事务提升度Lift(Xi,Yi)的计算公式为:
式中,P(Yi)表示肉鸭健康表征信息为Yi概率。
提升度体现了Xi与Yi的关联性,当Lift(Xi,Yi)>1时,提升度值越大,则正向关联越强,当Lift(Xi,Yi)<1时,提升度值越小,则负向关联越弱,Lift(Xi,Yi)=1当时,则没有相关性。
对环境监测和肉鸭健康表征事务库计算支持度和置信度,设定最小支持度阀值和最小置信度阀值,逐层搜索迭代找出多源信息之间的强关联规则(同时满足最小支持度阀值和最小置信度阀值的规则)例如:“[舍内温度适宜、舍内湿度适宜、CO2浓度偏高……]→[行为正常、运动异常、声音正常、体温正常]”,从中提取出关键指标(如舍内温度、舍内湿度、CO2浓度……)素作为肉鸭健康舒适度评估体系建立的重要指标。
在本发明实施例中,步骤S3包括以下子步骤:
S31:将鸭舍内外环境监测信息和肉鸭健康表征信息作为要素层,将肉鸭健康舒适度关键指标作为指标层,并根据要素层和指标层计算主观权重;
S32:根据要素层和指标层计算客观权重;
S33:根据主观权重和客观权重,计算综合主客观权重;
S34:根据综合主观权重,计算肉鸭健康舒适度指数。
本发明设计了一种肉鸭健康舒适度评估体系。该评估体系是在步骤S3中应用,依据步骤S2对环境监测和肉鸭健康表征信息关联分析的结果,将整个评估体系划分为三个层次,即目标层、要素层和指标层。目标层为肉鸭健康舒适度指数A;要素层包含舍内环境监测信息U1、舍外环境监测信息U2和肉鸭健康表征信息U3;指标层为步骤S2对环境监测和肉鸭监测信息关联分析后提取的关键指标C,C={C1,C2,C3…Cc},c为关键指标个数。肉鸭健康舒适度评估为:
主观权重计算:以要素层作判断依据,得到要素层的判断矩阵,记为PU1,PU2,PU3;以指标层为判断依据,得到指标层的判断矩阵,记为PC1,PC2,PC3,…,PCc。判断矩阵P的形式如下:
式中,对于要素层的判断矩阵PU,bij表示要素i相对于要素j的重要程度;对于指标层的判断矩阵PC,bij表示指标i相对于指标j的重要程度,关系如下:
将各层元素两两之间进行重要性比较,计算各元素权重:
Pω=λmaxω
式中,λmax为R的最大特征根,ω=(ω1,ω2…,ωn)T为P的权重向量。利用以上公式计算要素层权重为ωU,指标层权重为ωC指标层相对目标层的权重为ωCA,综合主观权重为各权重表达式分别为:
式中,u为要素层元素个数,c为指标层元素个数。将综合主观权重记为μ1。
客观权重计算:将各关键指标的全部数据归一化处理后,对每一项指标进行平均统计,其计算过程如下:对肉鸭健康评估指标构造决策矩阵,记为:x=(xij)m*t,m为关键指标类型数量(本发明的关键指标类型有舍内环境信息、舍外环境信息和肉鸭健康表征信息),xij表示t个关键指标中属于第j(1≤j≤m)类关键指标的第i个指标的参数值。变异系数值越大越能够表示第i个指标在不同评价次序之间的权值越大。
综合主客观权重:利用变异系数对主观权重进行修正。
肉鸭健康舒适度评估:使用线性加权的方法求出目标层的综合评分F,即肉鸭健康舒适度指数,肉鸭健康舒适度指数越大说明肉鸭健康异常可能性越低。
在本发明实施例中,步骤S31中,主观权重μ1的计算公式为:
式中,U表示要素层元素个数,C表示指标层元素个数,ω表示各元素权重;
步骤S32中,对肉鸭健康舒适度关键指标进行归一化处理,计算归一化处理后第i个指标的综合数据值,根据第i个指标的综合数据值计算变异系数,根据变异系数计算客观权重;其中,第i个指标的综合数据值变异系数bi和客观权重μ2的计算公式分别为:
式中,t表示关键指标个数,Zil表示第i个关键指标的第l个数据,xij表示t个关键指标中属于第j类关键指标的第i个指标的参数值,表示第j个指标的综合数据值;
步骤S33中,综合主客观权重βi的计算公式为:
式中,αi表示第i个指标的经验因子,为第i个指标的主观权重,/>为第i个指标的客观权重;
步骤S34中,肉鸭健康舒适度指数的计算公式为:
式中,Zi表示第i个关键指标。
在本发明实施例中,步骤S5中,进行环境调控的具体方法为:计算下一时刻鸭舍内环境信息与预设环境信息的偏差和偏差变化率,在偏差或偏差变化率大于设定阈值时,将肉鸭健康舒适度指数预测值作为约束条件进行环境调控。
将步骤S4得到环境信息预测值与适宜环境信息比较,获得偏差E和偏差变化率△E,共同作为环境调控模型的输入。以温度监测指标舍内温度为例,E=H-H0,式中:H为温度预测值;H0为舍内适宜温度。基于模糊理论,将偏差E和偏差变化率△E转化为模糊控制理论语言值,具体转换公式如下:
式中,X为偏差值E及其变化率△E,a为论域上限;b为论域下限;Y为X对应的模糊语言值。
设定舍内温度预测值偏差模糊集论域为[-3,3],可分为7个等级{-3,-2,-1,0,1,2,3},这是输入值的量化过程。偏差的模糊语言值取:{NB=负大,NM=负中,NS=负小,Z=0中,PM=正小,PM=正中,PB=正大}。同理,舍内温度预测值偏差的变化率也根据上述方法划分三个等级模糊语言值(负,中,正);模糊控制模型输出控制量的模糊值取:{NB=负大,NM=负中,Z=0中,PM=正中,PB=正大},将模糊输出语言值转化为温度调控设备的模糊控制量。环境调控模型具体规则如下:当舍内温度预测值偏差E及其变化率△E较大时,应尽快消除偏差;当它们较小或为零时,需优先保持舍内温度预测值稳定性。
最后,根据环境调控模型输出的温度调控设备的模糊控制量,以肉鸭健康舒适度预测值作为约束条件定性分析制定温度调控设备调控规则,形成笼养肉鸭养殖环境调控决策。
笼养肉鸭养殖环境调控方法基于笼养肉鸭养殖环境调控***实现,包括环境监测模块、肉鸭监测模块、环境调控模块和核心处理模块。其中,环境监测模块采用环境监测传感器实时获取鸭舍内外环境信息(温度、湿度、风速、光照度、CO2浓度、NH3浓度、H2S浓度、PM2.5浓度、PM10浓度、舍外温度、舍外湿度、舍外风速和舍外光照度),肉鸭监测模块采用RGB摄像头、声音传感器、运动传感器和体温传感器实时采集肉鸭视频、声音、运动和体温信息,环境调控模块包括环境调控模型和环境调控设备,核心处理模块包括肉鸭健康舒适度评估体系和预测模型。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种基于健康舒适度的笼养肉鸭养殖环境调控方法,其特征在于,包括以下步骤:
S1:获取鸭舍内外环境监测信息和肉鸭健康表征信息;
所述步骤S1中,肉鸭健康表征信息包括行为异常觉察信息、采食量异常觉察信息、运动异常觉察信息、声音异常觉察信息和体温异常觉察信息;
获取行为异常觉察信息和采食量异常觉察信息的具体方法为:采集鸭舍视频,并利用自适应阈值方法从鸭舍视频中获取肉鸭图像,将肉鸭图像作为卷积神经网络的输入,得到行为异常觉察信息和采食量异常觉察信息;
获取声音异常觉察信息的具体方法为:采集肉鸭声音数据,对肉鸭声音数据依次进行预加重、分帧、加窗、傅里叶变换和梅尔频率倒谱系数求解,得到声音特征向量,作为声音异常觉察信息;
获取运动异常觉察信息的具体方法为:采集肉鸭运动数据,利用信号时域分析方法、信号频域分析方法和信号时频域分析方法提取肉鸭运动数据的多维特征,得到运动特征向量,将声音特征向量和运动特征向量进行融合,得到融合特征向量,作为运动异常觉察信息;
获取体温异常觉察信息的具体方法为:采集肉鸭体温数据,将处于设定温度阈值范围外的体温数据作为体温异常觉察信息;
S2:根据鸭舍内外环境监测信息和肉鸭健康表征信息,确定肉鸭健康舒适度关键指标;
S21:将鸭舍内外环境监测信息和肉鸭健康表征信息进行时序配对并加上时间信息,将鸭舍内外环境监测信息的集合作为环境监测事务库,将肉鸭健康表征信息的集合作为肉鸭健康表征事务库,将环境监测事务库、肉鸭健康表征事务库和时间信息的集合作为总事务库;
S22:根据总事务库,计算事务支持度和事务置信度;
S23:根据事务支持度和事务置信度,计算事务提升度;
S24:将事务提升度大于设定提升度阈值的数据作为肉鸭健康舒适度关键指标;
S3:根据肉鸭健康舒适度关键指标,确定肉鸭健康舒适度指数;
所述步骤S3包括以下子步骤:
S31:将鸭舍内外环境监测信息和肉鸭健康表征信息作为要素层,将肉鸭健康舒适度关键指标作为指标层,并根据要素层和指标层计算主观权重;
S32:根据要素层和指标层计算客观权重;
S33:根据主观权重和客观权重,计算综合主客观权重;
S34:根据综合主观权重,计算肉鸭健康舒适度指数;
S4:将鸭舍内外环境监测信息和肉鸭健康舒适度指数作为神经网络的输入,得到下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值;
S5:根据下一时刻鸭舍内环境信息和肉鸭健康舒适度指数预测值,进行环境调控。
2.根据权利要求1所述的基于健康舒适度的笼养肉鸭养殖环境调控方法,其特征在于,所述步骤S22中,事务支持度Support(X i,Y i)的计算公式为:
式中,P(X i,Y i)表示包含X i状态的鸭舍内外环境监测信息和Y i状态的肉鸭健康表征信息的事务占总事务库的比例,number(X i,Y i)表示包含X i状态的鸭舍内外环境监测信息和Y i状态的肉鸭健康表征信息的事务数量,number(ALLSamples)表示总事务库内事务数量;
所述步骤S22中,事务置信度Confidence(X i→Y i)的计算公式为:
式中,P(X i Y i)表示总事务库内鸭舍内外环境监测信息为X i状态的事务中包含肉鸭健康表征信息为Y i状态的比率,P(X i)表示鸭舍内外环境监测信息为X i状态的概率;
所述步骤S23中,事务提升度Lift(X i,Y i)的计算公式为:
式中,P(Y i)表示肉鸭健康表征信息为Y i状态的概率。
3.根据权利要求1所述的基于健康舒适度的笼养肉鸭养殖环境调控方法,其特征在于,所述步骤S31中,主观权重μ 1的计算公式为:
式中,U表示要素层元素个数,C表示指标层元素个数,ω表示各元素权重;
所述步骤S32中,对肉鸭健康舒适度关键指标进行归一化处理,计算归一化处理后第i个指标的综合数据值,根据第i个指标的综合数据值计算变异系数,根据变异系数计算客观权重;其中,第i个指标的综合数据值、变异系数b i和客观权重μ 2的计算公式分别为:
式中,t表示关键指标个数,Z il表示第i个关键指标的第l个数据,x ij表示t个关键指标中属于第j类关键指标的第i个指标的参数值,表示第j个指标的综合数据值;
所述步骤S33中,综合主客观权重β i的计算公式为:
式中,α i表示第i个指标的经验因子,为第i个指标的主观权重,/>为第i个指标的客观权重;
所述步骤S34中,肉鸭健康舒适度指数的计算公式为:
式中,Z i表示第i个关键指标。
4.根据权利要求1所述的基于健康舒适度的笼养肉鸭养殖环境调控方法,其特征在于,所述步骤S5中,进行环境调控的具体方法为:计算下一时刻鸭舍内环境信息与预设环境信息的偏差和偏差变化率,在偏差或偏差变化率大于设定阈值时,将肉鸭健康舒适度指数预测值作为约束条件进行环境调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076403.3A CN116029604B (zh) | 2023-02-03 | 2023-02-03 | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310076403.3A CN116029604B (zh) | 2023-02-03 | 2023-02-03 | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116029604A CN116029604A (zh) | 2023-04-28 |
CN116029604B true CN116029604B (zh) | 2024-01-23 |
Family
ID=86081098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310076403.3A Active CN116029604B (zh) | 2023-02-03 | 2023-02-03 | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029604B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116720713B (zh) * | 2023-08-07 | 2023-12-19 | 广州城建职业学院 | 一种用于畜牧业禽类养殖管理方法、***及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105929691A (zh) * | 2016-05-13 | 2016-09-07 | 东华大学 | 一种基于模糊控制的内模补偿控制方法 |
CN107483240A (zh) * | 2017-08-07 | 2017-12-15 | 国网安徽省电力公司淮北供电公司 | 基于网络资源关联关系的电力通信网业务健康度分析方法 |
CN113009952A (zh) * | 2021-02-26 | 2021-06-22 | 安徽强英鸭业集团有限公司 | 一种肉鸭笼养棚舍自动监管*** |
CN113283604A (zh) * | 2021-05-25 | 2021-08-20 | 广东工业大学 | 多要素情境自适应推理方法及应用 |
CN113297272A (zh) * | 2021-05-30 | 2021-08-24 | 福建中锐网络股份有限公司 | 一种桥梁监测数据关联规则挖掘及健康预警方法及*** |
CN114444910A (zh) * | 2022-01-14 | 2022-05-06 | 华北电力大学 | 一种面向电力物联网的边缘网络***健康度评估方法 |
CN115119775A (zh) * | 2022-07-19 | 2022-09-30 | 广西华兴食品集团有限公司 | 一种基于大数据的智能化多层立体肉鸭养殖*** |
CN115167587A (zh) * | 2022-08-04 | 2022-10-11 | 山东交通学院 | 一种基于自学习的鸡舍养殖环境健康监测控制***及方法 |
CN115375127A (zh) * | 2022-08-16 | 2022-11-22 | 上海方联技术服务有限公司 | 一种工程施工智能精细化管控*** |
-
2023
- 2023-02-03 CN CN202310076403.3A patent/CN116029604B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105929691A (zh) * | 2016-05-13 | 2016-09-07 | 东华大学 | 一种基于模糊控制的内模补偿控制方法 |
CN107483240A (zh) * | 2017-08-07 | 2017-12-15 | 国网安徽省电力公司淮北供电公司 | 基于网络资源关联关系的电力通信网业务健康度分析方法 |
CN113009952A (zh) * | 2021-02-26 | 2021-06-22 | 安徽强英鸭业集团有限公司 | 一种肉鸭笼养棚舍自动监管*** |
CN113283604A (zh) * | 2021-05-25 | 2021-08-20 | 广东工业大学 | 多要素情境自适应推理方法及应用 |
CN113297272A (zh) * | 2021-05-30 | 2021-08-24 | 福建中锐网络股份有限公司 | 一种桥梁监测数据关联规则挖掘及健康预警方法及*** |
CN114444910A (zh) * | 2022-01-14 | 2022-05-06 | 华北电力大学 | 一种面向电力物联网的边缘网络***健康度评估方法 |
CN115119775A (zh) * | 2022-07-19 | 2022-09-30 | 广西华兴食品集团有限公司 | 一种基于大数据的智能化多层立体肉鸭养殖*** |
CN115167587A (zh) * | 2022-08-04 | 2022-10-11 | 山东交通学院 | 一种基于自学习的鸡舍养殖环境健康监测控制***及方法 |
CN115375127A (zh) * | 2022-08-16 | 2022-11-22 | 上海方联技术服务有限公司 | 一种工程施工智能精细化管控*** |
Also Published As
Publication number | Publication date |
---|---|
CN116029604A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
CN111753918B (zh) | 一种基于对抗学习的去性别偏见的图像识别模型及应用 | |
CN101464950A (zh) | 基于在线学习和贝叶斯推理的视频人脸识别与检索方法 | |
CN116029604B (zh) | 一种基于健康舒适度的笼养肉鸭养殖环境调控方法 | |
CN114841257A (zh) | 一种基于自监督对比约束下的小样本目标检测方法 | |
CN110909672A (zh) | 一种基于双流卷积神经网络和svm的抽烟动作识别方法 | |
Jeantet et al. | Fully convolutional neural network: A solution to infer animal behaviours from multi-sensor data | |
CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
CN116720620A (zh) | 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法 | |
CN117437507A (zh) | 一种用于评价图像识别模型的偏见性评估方法 | |
CN116664545A (zh) | 一种基于深度学习的近海底栖生物定量检测方法及*** | |
CN116301042A (zh) | 一种基于vgg16和虚拟博弈的无人机群自主控制方法 | |
CN111860441B (zh) | 基于无偏深度迁移学习的视频目标识别方法 | |
CN115310559A (zh) | 一种基于贝叶斯-Transformer神经网络模型的目标识别方法 | |
Li et al. | Early drought plant stress detection with bi-directional long-term memory networks | |
CN115293249A (zh) | 一种基于动态时序预测的电力***典型场景概率预测方法 | |
CN114998731A (zh) | 智能终端导航场景感知识别的方法 | |
CN114723998A (zh) | 基于大边界贝叶斯原型学习的小样本图像分类方法及装置 | |
CN115240647A (zh) | 声音事件检测方法、装置、电子设备及存储介质 | |
CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
CN113868597A (zh) | 一种用于年龄估计的回归公平性度量方法 | |
CN116712035B (zh) | 基于CNN-PSO-BiLSTM睡眠分期方法及*** | |
CN113420705B (zh) | 一种基于双向嵌入特征的半监督信号分析方法 | |
Sudhir et al. | Plant Disease Severity Detection and Fertilizer Recommendation using Deep Learning Techniques | |
Mahajan et al. | Classification of emotions using a 2-channel convolution neural network |
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 |