CN116958611A - 猪仔死亡事件聚类分析方法 - Google Patents
猪仔死亡事件聚类分析方法 Download PDFInfo
- Publication number
- CN116958611A CN116958611A CN202310879772.6A CN202310879772A CN116958611A CN 116958611 A CN116958611 A CN 116958611A CN 202310879772 A CN202310879772 A CN 202310879772A CN 116958611 A CN116958611 A CN 116958611A
- Authority
- CN
- China
- Prior art keywords
- information
- piglets
- death
- data sets
- death event
- 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 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 235000005911 diet Nutrition 0.000 claims abstract description 19
- 230000037213 diet Effects 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 18
- 230000013872 defecation Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 20
- 206010012735 Diarrhoea Diseases 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 16
- 210000003022 colostrum Anatomy 0.000 claims description 16
- 235000021277 colostrum Nutrition 0.000 claims description 16
- 206010044565 Tremor Diseases 0.000 claims description 11
- 238000001125 extrusion Methods 0.000 claims description 8
- 210000002445 nipple Anatomy 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 4
- 208000009305 pseudorabies Diseases 0.000 claims description 3
- 210000003608 fece Anatomy 0.000 description 20
- 239000010871 livestock manure Substances 0.000 description 12
- 208000001848 dysentery Diseases 0.000 description 6
- 210000001981 hip bone Anatomy 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 210000004744 fore-foot Anatomy 0.000 description 4
- 210000000548 hind-foot Anatomy 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 210000001624 hip Anatomy 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 235000012054 meals Nutrition 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 210000003414 extremity Anatomy 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 208000007101 Muscle Cramp Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000000436 anus Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000000839 emulsion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 235000013336 milk Nutrition 0.000 description 1
- 239000008267 milk Substances 0.000 description 1
- 210000004080 milk Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 235000011837 pasties Nutrition 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 208000012788 shakes Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种猪仔死亡事件聚类分析方法,其特征在于,包括以下步骤:S1,对每一猪舍的猪仔进行监控,获取多个实时数据,所述实时数据包括该栏位的猪仔的排便信息、行为信息、饮食信息以及环境信息;S2,当该栏位发生猪仔死亡后,获取该栏位猪仔在预设历史时段下的实时数据信息,其中,所述预设历史时段为该死亡事件发生前的多天;S3,对该栏位猪仔在预设历史时段下的实时数据信息进行聚类分析生成多个数据集;S4,根据所述多个数据集获取该死亡事件的原因。本发明通过对每一栏位的猪仔的排便信息、行为信息、以及饮食信息、环境信息进行聚类,从而获取该各个栏位各种异常情况的变化量,并根据各种异常的变化量自动获取猪仔死亡事件的原因,大大的提高效率及即时性。
Description
技术领域
本发明涉及一种猪仔死亡事件聚类分析方法。
背景技术
目前,规模猪场一般都会在仔猪出生时统计活仔数和死胎数,因为这关系到猪场的盈利和育种计划。然而,幼龄仔猪很可能在出生时还是活的且健康的,但在其出生后就会因为各种原因而死亡。据统计,猪仔死亡的主要原因有4个:1)挤压致死;2)受寒着凉;3)无法摄取(足量)初乳;4)下痢。然而,现有技术中猪仔的死亡原因一般都是人工进行分析,时效性很低,现有技术中并没有对猪仔的死亡原因进行自动化分析的***或方法。
发明内容
本发明提供了一种猪仔死亡事件聚类分析方法,可以有效解决上述问题。
本发明是这样实现的:
本发明一种猪仔死亡事件聚类分析方法,包括以下步骤:
S1,对每一猪舍的猪仔进行监控,获取多个实时数据,所述实时数据包括该栏位的猪仔的排便信息、行为信息、饮食信息以及环境信息;
S2,当该栏位发生猪仔死亡后,获取该栏位猪仔在预设历史时段下的实时数据信息,其中,所述预设历史时段为该死亡事件发生前的多天;
S3,对该栏位猪仔在预设历史时段下的实时数据信息进行聚类分析生成多个数据集;
S4,根据所述多个数据集获取该死亡事件的原因。
本发明的有益效果是:本发明通过对每一栏位的猪仔的排便信息、行为信息、以及饮食信息、环境信息进行聚类,从而获取该各个栏位各种异常情况的变化量,并根据各种异常的变化量自动获取猪仔死亡事件的原因,大大的提高效率及即时性。从而可以实现无人值守的猪仔死亡事件进行的自动化识别及预警。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例提供的猪仔死亡事件聚类分析方法的流程图。
图2是本发明实施例提供的猪仔死亡事件聚类分析方法中收集的不同粪便的照片。
图3是本发明实施例提供的猪仔死亡事件聚类分析方法的流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
在本发明的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
参照图1所示,本发明实施例提供一种猪仔死亡事件聚类分析方法,包括以下步骤:
S1,对每一猪舍的猪仔进行监控,获取多个实时数据,所述实时数据包括该栏位的猪仔的排便信息、行为信息、饮食信息以及环境信息;
S2,当该栏位发生猪仔死亡后,获取该栏位猪仔在预设历史时段下的实时数据信息,其中,所述预设历史时段为该死亡事件发生前的多天;
S3,对该栏位猪仔在预设历史时段下的实时数据信息进行聚类分析生成多个数据集;
S4,根据所述多个数据集获取该死亡事件的原因。
在步骤S1中,所述排便信息为通过粪便识别模型识别为“排便异常”的数量以及异常类型的信息。所述通过粪便识别模型识别为“排便异常”的具体步骤包括:
S11,获取多张猪仔粪便图形;
S12,将所述猪仔粪便图形按照“正常”、“红痢病粪便”、“黄痢病粪便”、“白痢病粪便”进行标注,并进行大数据的训练;
S13,输出基于猪仔粪便的图像识别模型;
S14,对养殖场中的猪仔即时粪便图像进行实时采集,并根据所述图像识别模型,判断所述即时粪便图像是否异常。
在步骤S11中,所述猪仔粪便图形可以通过各地饲养的过程中采集具体猪仔粪便图形获得。这是由于,全国各地的饲养地饲养猪仔的品种、食物以及饲养习惯完全不同,如果采用统一的标准图片,可能会导致后期的识别不准确。
下痢通常能在产仔房的窝与窝之间传播,受感染仔猪通常介于1-7日龄之间,会出现水样、黄白色稀便,似膏状物从仔猪***喷射而出。因此,需要进行分析和预警。作为进一步改进的,所述获取多张猪仔粪便图形的可以通过深度摄像机获取。在其中一个实施例中个,可采用Kinect深度摄像机,所述Kinect深度摄像机采用的是红外线发射器、彩色RGB摄像头、红外CMOS摄像机构成的3D结构光深度感应器。所述红外发射器主动投射经调制的近红外光线,红外光线照到视野里的物体上就会发生反射,红外相机接收反射回来的红外线,采用TOF技术测量深度,计算光的时间差,根据可得物体的深度,进而获得猪仔粪便的深度图像。之所以采用深度摄像机获取,这是由于正常的猪仔粪便都是松散结团状的结构,需要通过深度摄像机获取其深度结构;而生病的猪仔的粪便,都是稀状或糊状(平面状结构),难以获得其深度结构,因此可以快速的进行分辨及训练,大大的提高训练的效率。
在步骤S12中,所述将猪仔粪便图形按照“正常”、“红痢病粪便”、“黄痢病粪便”、“白痢病粪便”进行标注的步骤,主要由人工进行。作为进一步改进的,在其中一个实施例中,在标注的过程中,将不同痢病下的拉稀或糊状对应标注为“非正常-红痢病粪便”、“非正常-黄痢病粪便”、“非正常-白痢病粪便”;而团状标注为“正常”。
将所述猪仔粪便图形在大数据处理单元中进行大数据训练。在本实施例中利用的Halcon软件进行处理,Halcon软件的优点在于其支持2D和3D图像采集设备数量的5倍,提供更高的位深度图像处理。在其中一个实施例中,调用Halcon中的预训练网络:pretrained_dl_classifier_compact.hdl。参照图2所示,在本实施例中上述的图像共采集到114张图像,其中“normal”图像57张,“innormal-Red dysentery”图像15张,如图2a所示,“innormal-Yellow dysentery”图像18张,如图2b所示,“innormal-white dysentery”图像24张,如图2c所示。将“normal”、“innormal-Red dysentery”、“innormal-Yellowdysentery”、“innormal-white dysentery”分类的图像按照标注类别分别存放在同一目中的“normal”和“innormal-Red dysentery”、“innormal-Yellow dysentery”、“innormal-white dysentery”文件夹,用read_dl_classifier_data_set直接读取对应数据集即可获得文件及图像所述的类别标签。
大数据训练结束后,输出基于猪仔粪便的图像识别模型。
作为进一步改进的,在步骤S13中,在输出基于猪仔粪便的图像识别模型前还进一步包括:
对所述基于猪仔粪便的图像识别模型进行验证的步骤。即,通过输入不同的粪便图像,对所述基于猪仔粪便的图像识别模型进行验证。试验表明,本发明实施例提供的基于猪仔粪便的图像识别模型,对“normal”和“innormal-Red dysentery”、“innormal-Yellowdysentery”、“innormal-white dysentery”的猪仔粪便,即,拉稀或糊状与团状的识别准确度可以达到97%以上。而,对于“innormal-Red dysentery”、“innormal-Yellowdysentery”、“innormal-white dysentery”三种类型的图片的识别率仅仅可以达到85%左右,这可能是由于猪舍的环境较差导致识别率不高。
在步骤S14中,通过深度摄像机实时采集猪仔的即时粪便图像,并输入到所述图像识别模型进行识别。其中,“红痢病粪便”、“黄痢病粪便”、“白痢病粪便”都被统计为“排便异常”。进一步的,本发明还进一步统计每天“排便异常”的数量。
在步骤S1中,所述行为信息为通过OpenPose姿态识别算法获取猪仔是否被识别为“颤抖异常”或“挤压异常”的次数以及异常类型的信息。
所述“挤压异常”可以通过以下方法获得,具体的包括以下步骤:
利用OpenPose姿态识别算法,获取猪仔视频片段中的所有帧,输出所有帧的猪仔骨骼的7个关节点,其包括:首、肩、左前足肘、右前足肘、臀、左后足肘、右后足肘;
判断每一猪仔的骨骼关节点中首骨骼关节点是否被遮挡第一预定时长,是则判断被挤压一次。
所述OpenPose姿态识别算法可以对被遮挡的局部关节点的位置进行预测。进一步的,还可以通过PoseTrack姿态追踪算法,对猪仔姿态进行跟踪。
所述被遮挡预定时长可以根据实际需要设置,例如,可以是1~5分钟,在其他实施例中,所述被遮挡预定时长为3分钟。
作为进一步改进的,在其他实施例中,所述判断每一猪仔的骨骼关节点中首骨骼关节点是否被遮挡预定时长,是则判断被挤压一次的步骤包括:
当每一猪仔的骨骼关节点中首骨骼关节点被遮挡第一预定时长,且臀骨骼关节点产生横向剧烈摆动,是则判断被挤压一次。这是由于如果猪仔的头部被挤压,这时,其臀部会产生剧烈的摇摆(拉扯),因此,可以通过进一步判断是否产生横向剧烈摆动(相对于肩骨骼关节点到臀骨骼关节点的连线)。
作为进一步改进的,在其他实施例中,定义肩骨骼关节点到臀骨骼关节点的距离为D,且所述剧烈摆动的幅度为d,其中,d≧1/2D。即,将横向摆动的幅度大于其两个关节距离的一般时,定义为剧烈摆动。
所述“颤抖异常”可以通过以下方法获得,具体的包括以下步骤:
利用OpenPose姿态识别算法,获取猪仔视频片段中的所有帧,输出所有帧的猪仔骨骼的7个关节点,其包括:首、肩、左前足肘、右前足肘、臀、左后足肘、右后足肘;
判断每一猪仔的骨骼关节点中首骨骼关节点、肩骨骼关节点和臀骨骼关节点中至少两个骨骼关节点是否产生横向摆动,且横向摆动超过设定值,是则判断为“颤抖异常”,并记录“颤抖异常”的周期及次数。
猪仔刚出生会产生站立不稳的情形,但是,站立不稳的情形,其首骨骼关节点、肩骨骼关节点和臀骨骼关节点中至少两个骨骼关节点产生横向往复摆动的频率很低。而如果是受冷或具有先天抖抖病等症状,其首骨骼关节点、肩骨骼关节点和臀骨骼关节点中至少两个骨骼关节点产生横向往复摆动的频率一般较高,每秒可以达到1-5次以上的往复摆动。故,在其中一个实施例中,判断每一猪仔的骨骼关节点中首骨骼关节点、肩骨骼关节点和臀骨骼关节点中至少两个骨骼关节点产生横向往复摆动的频率是否超过2次/秒的设定值。
所述饮食信息为猪仔的饮食次数及时间。所述饮食信息为该栏位的猪仔的进食的平均次数,例如,该栏位中有15头猪仔,每头猪仔每天的平均进食次数为10次等等。该进食次数可以通过摄像头获得幼崽的首骨骼关节点靠近母猪的***是否在预设距离范围内,是则判断为一次进食,并统计进食次数,在此不再累述。仔猪一生下来,就需要吸食足够母猪初乳,摄入其所含的抗体。如果初乳摄取不足,则生病的仔猪会增多,这些仔猪看起来发冷、颤抖、呼吸不正常,仔猪不乐意吃食,挤成一团并可能死亡。因此,更优选的,需更加关注初乳的时长和次数等等。所述进食时长为通过摄像头获得幼崽的首骨骼关节点靠近母猪的***是否在预设距离范围内且保持预定时长,是则判断为一次进食记录并记录进食时长。
所述预设历史时段为该死亡事件发生前的3-5天。所述预设历史时段下不宜过长,过长会导致数据量过大,也没有太大意义。在其中一个实施例中,所述所述预设历史时段为该死亡事件发生前的3天。
在步骤S3中,对该栏位猪仔在预设历史时段下的实时数据信息进行聚类分析生成多个数据集的步骤包括:
将在预设历史时段下的实时数据信息进行标准化处理,然后进行聚类分析生成多个数据集。所述标准化处理是将每个数据集按统一格式(字体大小、信息排列、插图方式等)形式进行编辑处理。
作为进一步改进的,在其中一个实施例中,在步骤S4中,步骤S4中,所述根据所述多个数据集获取该死亡事件的原因的步骤包括:
S41,判断所述多个数据集中“颤抖异常”数量是否持续增加,是则将该死亡事件归因于“伪狂犬”,否则进入S42;
S42,判断所述多个数据集中“挤压异常”数量是否持续增加,是则将该死亡事件归因于“压死”,否则进入S43;
S43,判断所述多个数据集中“饮食次数”数量是否异常,是则将该死亡事件归因于“无法摄取饮食”,否则进入步骤S44;
S44,判断所述多个数据集中“排便异常”数量是否持续增加,是则将该死亡事件归因于“下痢”,否则进入S45;
S45,判断所述多个数据集中“环境信息”是否异常,是则将该死亡事件归因于“受寒着凉”,否则将该死亡事件归因于“待定”。
在步骤S41中,“仔猪抖抖病”又叫“伪狂犬”,是新生仔猪刚出生、或出生几天即发生颤抖,临床上全窝仔猪都发病的,症情较重的往往在头部、四肢和尾部表现持续性的震颤,或有节奏的阵发性的痉挛,全身抖动,多数仔猪后肢无力,向外伸展,站立不稳,从而行动困难,只能趴在地上,无法吃奶,饥饿而死。由于这种病情的死亡率最高,发病率最快,且和其他另外主要几类的死亡原因的现象具有较大的差别,因此,本发明中,先进行“仔猪抖抖病”的判断或排除。
在步骤S42中,新生猪仔在前几天的死亡率占比最大的是“压死”。而压死的情况与其他几种现象也具有较大的差别。关于“挤压异常”问题,猪仔被挤压往往并不是一次被挤压就产生死亡,这是由于猪仔出生时一般体质较好,但是随着挤压次数的增加,导致其被多次挤压而无力自救致死。
在实际管理过程中,必须进一步关注猪仔的“初乳”的时间。如果初乳摄取不足或时间过长(例如,产下后长时间没有进食),则生病的仔猪会增多,这些仔猪看起来发冷、颤抖、呼吸不正常,仔猪不乐意吃食,挤成一团并可能死亡。因此,在步骤S43中,所述判断所述多个数据集中“饮食次数”数量是否异常,是则将该死亡事件归因于“无法摄取饮食”的步骤包括:
获取“初乳时间”及“初乳时长”,判断所述多个数据集中“初乳时间”及“初乳时长”是否异常,是则将该死亡事件归因于“无法摄取初乳”,否则将该死亡事件归因于“其他无法摄取饮食”
在步骤S44和S45中,由于环境因素导致的“受寒着凉”与“下痢”情况基本相似,但是,“下痢”的症状更容易通过视频技术识别,因此,优先对“下痢”进行判断。在步骤S45中,为避免仔猪受寒,产仔区应提供充足的设备维护,不使用门、窗帘、窗户通风,同时产仔栏要有适合仔猪睡觉的区域,要有有效的加热灯,地板应保持干燥。产房管理必须能提供充足的加热条件,室内温度应维持在20℃,且保持生活环境明亮。仔猪生活区至少加热至35℃,以便为其提供安全而温暖的空间。因此,“环境信息”是否异常一般是指,环境温度的变化是否超过设定的阈值,例如,仔猪生活区高于38℃或低于25℃等等。
以上所述仅为本发明的优选实施方式而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (8)
1.一种猪仔死亡事件聚类分析方法,其特征在于,包括以下步骤:
S1,对每一猪舍的猪仔进行监控,获取多个实时数据,所述实时数据包括该栏位的猪仔的排便信息、行为信息、饮食信息以及环境信息;
S2,当该栏位发生猪仔死亡后,获取该栏位猪仔在预设历史时段下的实时数据信息,其中,所述预设历史时段为该死亡事件发生前的多天;
S3,对该栏位猪仔在预设历史时段下的实时数据信息进行聚类分析生成多个数据集;
S4,根据所述多个数据集获取该死亡事件的原因。
2.如权利要求1所述的猪仔死亡事件聚类分析方法,其特征在于,在步骤S1中,所述排便信息包括通过粪便识别模型识别为“排便异常”的数量以及异常类型的信息;所述行为信息包括通过姿态识别算法获取猪仔是否被识别为“颤抖异常”或“挤压异常”的次数以及异常类型的信息;所述饮食信息包括每一猪仔的饮食次数及时间;所述环境信息包括该栏位的温度信息以通风信息。
3.如权利要求2所述的猪仔死亡事件聚类分析方法,其特征在于,在步骤S2中,所述预设历史时段为该死亡事件发生前的3-5天。
4.如权利要求3所述的猪仔死亡事件聚类分析方法,其特征在于,在步骤S3中,对该栏位猪仔在预设历史时段下的实时数据信息进行聚类分析生成多个数据集的步骤包括:
将在预设历史时段下的实时数据信息进行标准化处理,然后进行聚类分析生成多个数据集。
5.如权利要求4所述的猪仔死亡事件聚类分析方法,其特征在于,在步骤S4中,所述根据所述多个数据集获取该死亡事件的原因的步骤包括:
S41,判断所述多个数据集中“颤抖异常”数量是否持续增加,是则将该死亡事件归因于“伪狂犬”,否则进入S42;
S42,判断所述多个数据集中“挤压异常”数量是否持续增加,是则将该死亡事件归因于“压死”,否则进入S43;
S43,判断所述多个数据集中“饮食次数”数量是否异常,是则将该死亡事件归因于“无法摄取饮食”,否则进入步骤S44;
S44,判断所述多个数据集中“排便异常”数量是否持续增加,是则将该死亡事件归因于“下痢”,否则进入S45;
S45,判断所述多个数据集中“环境信息”是否异常,是则将该死亡事件归因于“受寒着凉”,否则将该死亡事件归因于“待定”。
6.如权利要求1所述的猪仔死亡事件聚类分析方法,其特征在于,在步骤S43中,所述判断所述多个数据集中“饮食次数”数量是否异常,是则将该死亡事件归因于“无法摄取饮食”的步骤包括:
获取“初乳时间”及“初乳时长”,判断所述多个数据集中“初乳时间”及“初乳时长”是否异常,是则将该死亡事件归因于“无法摄取初乳”,否则将该死亡事件归因于“其他无法摄取饮食”。
7.如权利要求6所述的猪仔死亡事件聚类分析方法,其特征在于,在步骤S1中,所述进食次数为通过摄像头获得幼崽的首骨骼关节点靠近母猪的***是否在预设距离范围内,是则判断为一次进食,并统计进食次数。
8.如权利要求7所述的猪仔死亡事件聚类分析方法,其特征在于,所述进食时长为通过摄像头获得幼崽的首骨骼关节点靠近母猪的***是否在预设距离范围内且保持预定时长,是则判断为一次进食记录并记录进食时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879772.6A CN116958611A (zh) | 2023-07-18 | 2023-07-18 | 猪仔死亡事件聚类分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879772.6A CN116958611A (zh) | 2023-07-18 | 2023-07-18 | 猪仔死亡事件聚类分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958611A true CN116958611A (zh) | 2023-10-27 |
Family
ID=88445591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879772.6A Pending CN116958611A (zh) | 2023-07-18 | 2023-07-18 | 猪仔死亡事件聚类分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958611A (zh) |
-
2023
- 2023-07-18 CN CN202310879772.6A patent/CN116958611A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lao et al. | Automatic recognition of lactating sow behaviors through depth image processing | |
US20200214266A1 (en) | Domestic animal information management system, domestic animal barn, domestic animal information management program, and domestic animal information management method | |
Tzanidakis et al. | An overview of the current trends in precision pig farming technologies | |
Wu et al. | Using a CNN-LSTM for basic behaviors detection of a single dairy cow in a complex environment | |
Yang et al. | An automatic recognition framework for sow daily behaviours based on motion and image analyses | |
Sadeghi et al. | Improving piglets health and well-being: A review of piglets health indicators and related sensing technologies | |
Gregorini et al. | Diurnal patterns of urination and drinking by grazing ruminants: a development in a mechanistic model of a grazing ruminant, MINDY | |
CA3230401A1 (en) | Systems and methods for the automated monitoring of animal physiological conditions and for the prediction of animal phenotypes and health outcomes | |
CN116958611A (zh) | 猪仔死亡事件聚类分析方法 | |
Gu et al. | A two-stage recognition method based on deep learning for sheep behavior | |
CN115777572A (zh) | 一种可统计生猪疾病数据的远程监控装置及*** | |
CN116958612A (zh) | 猪仔异常数据的聚类分析方法 | |
CN115423641A (zh) | 一种生猪养殖远程检测与ai控制设备 | |
CN116724958A (zh) | 基于大数据监测的母猪育种方法、***及存储介质 | |
KR20190124573A (ko) | 사물인터넷을 이용한 동물의 질병관리 시스템 및 그 운용방법 | |
CN116721380A (zh) | 基于图像识别的猪仔挤压识别方法、*** | |
Ismayilova | The use of image labelling to identify pig behaviours for the development of a real-time monitoring and control tool | |
Siegford et al. | Practical considerations for the use of precision livestock farming to improve animal welfare | |
WO2023190024A1 (ja) | 放し飼い家畜の管理サーバ装置、システム、方法、及びプログラム | |
Kelly et al. | FAIRshare: Co-creating an online platform for the European farm advisory community to access and share digital advisory tools and services | |
JP7410607B1 (ja) | 飼養管理システム、および飼養管理方法 | |
Thakur et al. | Digitalization of livestock farms through blockchain, big data, artificial intelligence, and Internet of Things | |
Dawkins et al. | Poultry welfare monitoring: group-level technologies | |
Nasirahmadi et al. | Investigating the effect of rooting substrate provision on the group lying behaviour of pigs using machine vision. | |
EP4210004A1 (en) | An animal detecting device, system, method and computer program |
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 |