CN117073768B - 肉牛养殖管理***及其方法 - Google Patents
肉牛养殖管理***及其方法 Download PDFInfo
- Publication number
- CN117073768B CN117073768B CN202311328906.1A CN202311328906A CN117073768B CN 117073768 B CN117073768 B CN 117073768B CN 202311328906 A CN202311328906 A CN 202311328906A CN 117073768 B CN117073768 B CN 117073768B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- feature vector
- carbon dioxide
- humidity
- corrected
- 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
- 235000015278 beef Nutrition 0.000 title claims abstract description 74
- 241000283690 Bos taurus Species 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 18
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 364
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 182
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 182
- 239000013598 vector Substances 0.000 claims description 324
- 238000012549 training Methods 0.000 claims description 74
- 238000007726 management method Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000013527 convolutional neural network Methods 0.000 claims description 35
- 238000009313 farming Methods 0.000 claims description 28
- 238000012300 Sequence Analysis Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 abstract description 7
- 238000009395 breeding Methods 0.000 abstract 2
- 230000001488 breeding effect Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 15
- 230000014509 gene expression Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000011176 pooling Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000384 rearing effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能管理领域,其具体地公开了一种肉牛养殖管理***及其方法,其通过部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集养殖环境的多参数数据,并从中提取时序隐含特征信息,以此对肉牛养殖场的环境条件进行实时监控以判断养殖环境是否适宜。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种肉牛养殖管理***及其方法。
背景技术
肉牛养殖是重要的畜牧业产业之一。肉牛的养殖环境的适宜性直接影响肉牛的生长发育和健康状况。传统的肉牛养殖管理方法往往依赖人工观察和经验判断,缺乏科学依据和精准控制。
随着人工智能的不断进步,其在肉牛养殖管理领域中具有重要应用。例如,通过图像识别、数据分析、机器学习等,对肉牛的生长、健康、繁殖、饲养等方面进行监测、评估、预测和优化,以提高肉牛的生产效率和质量。人工智能的发展为构建或优化肉牛养殖管理方案提供了一种新的思路。
因此,期待一种基于人工智能的肉牛养殖管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种肉牛养殖管理***及其方法,其通过部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集养殖环境的多参数数据,并从中提取时序隐含特征信息,以此对肉牛养殖场的环境条件进行实时监控以判断养殖环境是否适宜。
根据本申请的一个方面,提供了一种肉牛养殖管理方法,其包括:
获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值;
对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量;
以及,基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜。
根据本申请的另一个方面,提供了一种肉牛养殖管理***,其包括:
数据采集模块,用于获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值;
时序分析模块,用于对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量;
以及,管理结果生成模块,用于基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜。
与现有技术相比,本申请提供的一种肉牛养殖管理***及其方法,其通过部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集养殖环境的多参数数据,并从中提取时序隐含特征信息,以此对肉牛养殖场的环境条件进行实时监控以判断养殖环境是否适宜。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的肉牛养殖管理方法的流程图;
图2为根据本申请实施例的肉牛养殖管理方法的***架构图;
图3为根据本申请实施例的肉牛养殖管理方法的训练阶段的流程图;
图4为根据本申请实施例的肉牛养殖管理方法的子步骤S2的流程图;
图5为根据本申请实施例的肉牛养殖管理方法的子步骤S22的流程图;
图6为根据本申请实施例的肉牛养殖管理方法的子步骤S3的流程图;
图7为根据本申请实施例的肉牛养殖管理***的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
随着人工智能的不断进步,其在肉牛养殖管理领域中具有重要应用。例如,通过图像识别、数据分析、机器学习等,对肉牛的生长、健康、繁殖、饲养等方面进行监测、评估、预测和优化,以提高肉牛的生产效率和质量。人工智能的发展为构建或优化肉牛养殖管理方案提供了一种新的思路。因此,期待一种基于人工智能的肉牛养殖管理方案。
在本申请的技术方案中,提出了一种肉牛养殖管理方法。图1为根据本申请实施例的肉牛养殖管理方法的流程图。图2为根据本申请实施例的肉牛养殖管理方法的***架构图。如图1和图2所示,根据本申请的实施例的肉牛养殖管理方法,包括步骤:S1,获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值;S2,对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量;以及,S3,基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜。
具体地,在步骤S1中,获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值。其中,温度传感器是一种用于测量环境或物体温度的设备。它可以将温度转换为电信号或数字信号,以便于测量、监控和控制***的使用。温度传感器广泛应用于各个领域,包括工业自动化、环境监测、气象观测、医疗设备等。通过测量和监控温度,可以实现对***的控制和调节,提高安全性和效率。湿度传感器是一种用于测量环境中的湿度水分含量的设备。它可以将湿度转换为电信号或数字信号,以便于测量、监测和控制***的使用。湿度传感器广泛应用于各个领域,包括室内环境监测、农业、食品加工、制药、仓储等。通过测量和监测湿度,可以实现对环境湿度的控制和调节,保证产品质量,提高生产效率,并防止湿度对设备和材料的损害。二氧化碳传感器是一种用于测量环境中二氧化碳(CO2)浓度的设备。它可以将二氧化碳浓度转换为电信号或数字信号,以便于测量、监测和控制***的使用。二氧化碳传感器广泛应用于室内空气质量监测、温室控制、工业过程控制等领域。通过测量和监测二氧化碳浓度,可以实现对空气质量的控制和调节,提高室内舒适度和工作效率,并确保工作环境的安全性。
相应的,在一种可能的实现方式中,可通过以下步骤来获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值,例如:确定预定时间段;查询温度传感器数据:使用肉牛养殖场内的温度传感器,按照预定时间段内的多个预定时间点,查询每个时间点的温度值。此外,可以通过访问传感器的数据接口或者查询数据库来获取这些数据;查询湿度传感器数据:使用肉牛养殖场内的湿度传感器,按照预定时间段内的多个预定时间点,查询每个时间点的湿度值。同样地,可以通过访问传感器的数据接口或者查询数据库来获取这些数据;查询二氧化碳传感器数据:使用肉牛养殖场内的二氧化碳传感器,按照预定时间段内的多个预定时间点,查询每个时间点的二氧化碳浓度值。同样地,可以通过访问传感器的数据接口或者查询数据库来获取这些数据;整理数据:将获取到的温度值、湿度值和二氧化碳浓度值整理成表格或者其他形式,以便后续分析和使用。
具体地,在步骤S2中,对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量。特别地,在本申请的一个具体示例中,如图4所示,所述步骤S2,包括:S21,对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行数据结构化和时序特征提取以得到温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量;以及,S22,基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量。
相应地,所述S21,对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行数据结构化和时序特征提取以得到温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量。特别地,在本申请的一个具体示例中,所述S21,包括:将所述多个预定时间点的温度值、湿度值和二氧化碳浓度值分别按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的特征提取器以得到所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量。也就是,将温度值、湿度值和二氧化碳浓度值的时序离散数据进行结构化处理以将它们转变为便于计算机读取和识别的向量表示,再利用卷积神经网络模型所构建的所述特征提取器进行特征提取。具体地,使用所述基于一维卷积神经网络模型的特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述器的最后一层的输出为所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量,所述器的第一层的输入为所述多个预定时间点的温度值、湿度值和二氧化碳浓度值按照时间维度排列得到的输入向量。
一维卷积神经网络(1D CNN)是一种用于处理序列数据的深度学习模型。与传统的卷积神经网络不同,1D CNN在输入数据上进行一维卷积操作,可以有效地捕捉序列数据中的局部模式和特征。1D CNN通常由多个卷积层、激活函数、池化层和全连接层组成。卷积层通过滑动窗口的方式对输入序列进行卷积操作,提取不同位置上的特征。激活函数引入非线性因素,增强网络的表达能力。池化层用于减小特征图的尺寸,并保留最重要的特征。全连接层将池化层输出的特征映射到最终的输出类别或数值。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行数据结构化和时序特征提取以得到温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量,例如:获取预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值。可以从传感器中直接获取这些数据,或者从数据库或文件中读取;将获取的数据进行结构化,以便后续处理。可以使用列表、数组或数据框等数据结构来存储数据。每个时间点的温度值、湿度值和二氧化碳浓度值应该被存储为一个数据项;对结构化的数据进行时序特征提取,以得到温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量。常用的时序特征包括均值、方差、最大值、最小值、趋势等;对温度值的时序特征进行提取。可以计算每个时间点的温度均值、温度方差、温度最大值、温度最小值等特征,并将它们组合成一个特征向量;对湿度值的时序特征进行提取。可以计算每个时间点的湿度均值、湿度方差、湿度最大值、湿度最小值等特征,并将它们组合成一个特征向量;对二氧化碳浓度值的时序特征进行提取。可以计算每个时间点的二氧化碳浓度均值、二氧化碳浓度方差、二氧化碳浓度最大值、二氧化碳浓度最小值等特征,并将它们组合成一个特征向量;根据需要,可以对时序特征向量进行校正。例如,可以进行归一化、标准化或其他预处理操作,以确保特征向量具有一致的尺度和范围。
相应地,所述S22,基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量。考虑到在肉牛养殖场内,温度数据、湿度数据和二氧化碳数据之间存在一定的关联。例如,温度和湿度通常是相互影响的,高温通常伴随着较低的湿度,而低温通常伴随着较高的湿度。其原因在于,温度升高会导致水分的蒸发速度加快,从而降低湿度;而温度降低则会减缓水分的蒸发速度,导致湿度升高。又如,温度与二氧化碳浓度也存在关联关系。具体而言,适宜的温度可以促进牛的新陈代谢,增加二氧化碳的产生。因此,在本申请的技术方案中,基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量。也就是,利用三者之间的隐含关联信息来提升各自的特征表达丰富度。特别地,在本申请的一个具体示例中,如图5所示,所述S22,包括:S221,将所述多个预定时间点的温度值、湿度值和二氧化碳浓度值分别按照时间维度和样本维度排列为养殖环境多参数输入矩阵后通过基于卷积神经网络模型的参数间关联特征提取器以得到多参数时序关联特征矩阵;以及,S222,分别以所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述多参数时序关联特征矩阵之间的乘积以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量。
所述S221,将所述多个预定时间点的温度值、湿度值和二氧化碳浓度值分别按照时间维度和样本维度排列为养殖环境多参数输入矩阵后通过基于卷积神经网络模型的参数间关联特征提取器以得到多参数时序关联特征矩阵。具体地,使用所述基于卷积神经网络模型的参数间关联特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积神经网络模型的参数间关联特征提取器的最后一层的输出为所述多参数时序关联特征矩阵,所述基于卷积神经网络模型的参数间关联特征提取器的第一层的输入为所述养殖环境多参数输入矩阵。
卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习模型,专门用于处理具有网格结构的数据,如图像和音频。它在计算机视觉和模式识别领域取得了巨大的成功。CNN的核心思想是利用卷积层(Convolutional Layer)和池化层(PoolingLayer)来提取输入数据的特征,并通过全连接层(Fully Connected Layer)进行分类或回归等任务。CNN通过多个卷积层和池化层的堆叠,逐渐提取出输入数据的高级特征,从而实现对复杂数据的有效建模和分析。
所述S222,分别以所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述多参数时序关联特征矩阵之间的乘积以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量。也就是,将所述多参数时序关联特征矩阵中的参数关联隐含信息映射至所述温度时序特征向量当中,使得所述温度时序特征向量包含温度数据的时序特征信息和与其他参数之间的关联特征信息。
相应的,在一种可能的实现方式中,可通过以下步骤分别以所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述多参数时序关联特征矩阵之间的乘积以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,例如:获取温度、湿度和二氧化碳浓度的时序数据,以及多参数时序关联特征矩阵;将温度时序特征向量与多参数时序关联特征矩阵相乘,得到校正后的温度时序特征向量;将湿度时序特征向量与多参数时序关联特征矩阵相乘,得到校正后的湿度时序特征向量;将二氧化碳浓度时序特征向量与多参数时序关联特征矩阵相乘,得到校正后的二氧化碳浓度时序特征向量;得到校正后的温度时序特征向量、校正后的湿度时序特征向量和校正后的二氧化碳浓度时序特征向量作为结果。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,例如:收集多个预定时间点的温度值、湿度值和二氧化碳浓度值数据;对收集到的数据进行预处理,包括去除异常值、填补缺失值和数据平滑处理等;通过分析温度值、湿度值和二氧化碳浓度值之间的参数关联关系,可以探索它们之间的相关性和影响因素;根据参数关联关系,对温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量进行校正;得到校正后的温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量,这些校正后的向量反映了更准确的数据关联关系。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量,例如:收集原始数据:使用之前提到的方法,获取多个预定时间点的温度值、湿度值和二氧化碳浓度值;数据校正:根据传感器的规格和特性,对原始数据进行校正。例如,如果知道传感器的误差范围或者校准方法,可以使用这些信息来校正数据。校正的目的是消除传感器的偏差或误差,以提高数据的准确性;时序特征提取:从校正后的数据中提取时序特征。时序特征可以包括以下内容:温度时序特征:例如平均温度、最高温度、最低温度、温度变化率等;湿度时序特征:例如平均湿度、最高湿度、最低湿度、湿度变化率等;二氧化碳浓度时序特征:例如平均浓度、最高浓度、最低浓度、浓度变化率等。构建特征向量:将提取的时序特征组合成特征向量。每个时间点对应一个特征向量,包含温度、湿度和二氧化碳浓度的时序特征;分析和应用:使用得到的校正后的温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量进行进一步的分析和应用。例如,可以使用机器学习算法对特征向量进行模式识别、异常检测或预测分析。
具体地,在步骤S3中,基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜。特别地,在本申请的一个具体示例中,如图6所示,所述S3,包括:S31,融合所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量以得到分类特征向量;以及,S32,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述养殖环境是否适宜。
相应地,所述S31,融合所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量以得到分类特征向量。也就是,在得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量后,进一步将三者进行特征融合以此来融合校正后温度特征、校正后湿度特征和校正后二氧化碳浓度特征在时序上的关联关系。
相应的,在一种可能的实现方式中,可通过以下步骤融合所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量以得到分类特征向量,例如:准备数据:首先,需要收集并准备校正后的温度、湿度和二氧化碳浓度的时序数据。计算乘积:将校正后的温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量进行融合。一种简单的方法是将它们的值相乘,得到一个新的分类特征向量。例如,假设校正后的温度特征向量为[T1, T2, T3, ...],湿度特征向量为[H1, H2, H3,...],二氧化碳浓度特征向量为[C1, C2, C3, ...],则融合后的分类特征向量为[T1*H1*C1, T2*H2*C2, T3*H3*C3, ...];定义适宜的环境条件:根据实际需求和应用场景,定义适宜的环境条件。这可以是一组预先确定的阈值或范围,用于判断环境是否适宜。例如,温度在某个范围内、湿度在某个范围内、二氧化碳浓度在某个范围内等;分析时序特征向量:对于融合后的分类特征向量,可以进行进一步的分析。这包括统计特征提取、模式识别、机器学***均值、方差、最大值、最小值等统计指标,或者使用机器学习算法进行分类或回归分析;判断环境是否适宜:根据定义的适宜环境条件和对时序特征向量的分析结果,判断环境是否适宜。
相应地,所述S32,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述养殖环境是否适宜。也就是,将所述分类特征向量通过分类器以得到用于表示所述养殖环境是否适宜的分类结果,具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类结果。
分类器(Classifier)是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层(Fully Connected Layer)是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜,例如:定义适宜的养殖环境条件:根据养殖的具体要求,确定适宜的温度范围、湿度范围和二氧化碳浓度范围;分析校正后的温度时序特征向量:通过观察校正后的温度时序特征向量,计算统计指标(如平均值、标准差等)来了解温度的整体趋势和波动情况;判断温度是否适宜:将校正后的温度时序特征向量与适宜的温度范围进行比较,如果温度在适宜范围内,并且波动较小,则判断温度适宜;分析校正后的湿度时序特征向量:通过观察校正后的湿度时序特征向量,计算统计指标(如平均值、标准差等)来了解湿度的整体趋势和波动情况;判断湿度是否适宜:将校正后的湿度时序特征向量与适宜的湿度范围进行比较,如果湿度在适宜范围内,并且波动较小,则判断湿度适宜;分析校正后的二氧化碳浓度时序特征向量:通过观察校正后的二氧化碳浓度时序特征向量,计算统计指标(如平均值、标准差等)来了解二氧化碳浓度的整体趋势和波动情况;判断二氧化碳浓度是否适宜:将校正后的二氧化碳浓度时序特征向量与适宜的二氧化碳浓度范围进行比较,如果二氧化碳浓度在适宜范围内,并且波动较小,则判断二氧化碳浓度适宜;综合判断:综合考虑温度、湿度和二氧化碳浓度的适宜性判断结果,如果它们都适宜,则认为养殖环境适宜;如果有任何一个不适宜,则认为养殖环境不适宜。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于一维卷积神经网络模型的特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述分类器进行训练。也就是说,在本申请的肉牛养殖管理方法中,还包括训练阶段,用于对所述基于一维卷积神经网络模型的特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述分类器进行训练。
图3为根据本申请实施例的肉牛养殖管理方法的训练阶段的流程图。如图3所示,根据本申请实施例的肉牛养殖管理方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练温度值、训练湿度值和训练二氧化碳浓度值,以及,养殖环境是否适宜的真实值;S120,将所述多个预定时间点的训练温度值、训练湿度值和训练二氧化碳浓度值分别按照时间维度排列为输入向量后通过所述基于一维卷积神经网络模型的特征提取器以得到训练温度时序特征向量、训练湿度时序特征向量和训练二氧化碳浓度时序特征向量;S130,将所述多个预定时间点的训练温度值、训练湿度值和训练二氧化碳浓度值分别按照时间维度和样本维度排列为训练养殖环境多参数输入矩阵后通过所述基于卷积神经网络模型的参数间关联特征提取器以得到训练多参数时序关联特征矩阵;S140,分别以所述训练温度时序特征向量、训练湿度时序特征向量和训练二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述训练多参数时序关联特征矩阵之间的乘积以得到训练校正后温度时序特征向量、训练校正后湿度时序特征向量和训练校正后二氧化碳浓度时序特征向量;S150,融合所述训练校正后温度时序特征向量、所述训练校正后湿度时序特征向量和所述训练校正后二氧化碳浓度时序特征向量以得到训练分类特征向量;S160,将所述训练分类特征向量通过分类器以得到分类损失函数值;S170,计算所述训练多参数时序关联特征矩阵的行列分解一致性因数;以及,S180,以所述分类损失函数值和所述行列分解一致性因数的加权和作为损失函数值,来对所述基于一维卷积神经网络模型的特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述分类器进行训练。
特别地,这里,分别以所述温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述多参数时序关联特征矩阵之间的乘积时,是将所述多参数时序关联特征矩阵表达的温度值、湿度值和二氧化碳浓度值的时序-样本交叉维度局部关联特征映射到所述温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量所表达的温度值、湿度值和二氧化碳浓度值的局部时序关联特征空间内,因此,如果能够提升所述多参数时序关联特征矩阵的整体特征表达与所述温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量的特征表达的一致性,则能够提升所得到的校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量的表达效果。并且,考虑到所述多参数时序关联特征矩阵在行方向上遵循温度值、湿度值和二氧化碳浓度值的时序分布,因此,如果使得所述多参数时序关联特征矩阵在高维特征空间内的流形表达在行方向和列方向对应的不同分布维度上保持一致,则可以提升所述多参数时序关联特征矩阵的整体特征表达与所述温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量的特征表达的一致性。因此,本申请的申请人在分类损失函数之外,进一步引入所述多参数时序关联特征矩阵的行列分解一致性因数来作为损失函数,具体表示为:
;
;
;
其中和/>分别是矩阵/>对应行向量的均值向量和列向量的均值向量,表示向量/>的一范数,/>表示向量/>的一范数,/>表示向量/>乘以向量/>得到的矩阵的Frobenius范数,/>和/>是矩阵/>的宽度和高度,且/>、/>和/>是权重超参数,/>表示向量乘法,/>表示所述行列分解一致性因数。也就是,考虑到所述多参数时序关联特征矩阵/>的行和列维度的上述时序和样本间关联特征表达特性,所述行列分解一致性因数针对所述多参数时序关联特征矩阵/>在行和列所代表的子维度上的分布差异性,通过所述多参数时序关联特征矩阵/>所表示的特征流形的几何凸分解,来对不同维度上的流形的有限凸多面体的集合进行平展化,并以子维度关联的形状权重的形式来约束几何凸分解,从而促进所述多参数时序关联特征矩阵/>的特征流形在行和列所代表的可分解维度上的凸几何表示的一致性,以使得所述多参数时序关联特征矩阵在高维特征空间内的流形表达在与行方向和列方向对应的不同分布维度上保持一致,从而提升所述多参数时序关联特征矩阵/>的整体特征表达与所述温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量的特征表达的一致性。
综上,根据本申请实施例的肉牛养殖管理方法被阐明,其通过部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集养殖环境的多参数数据,并从中提取时序隐含特征信息,以此对肉牛养殖场的环境条件进行实时监控以判断养殖环境是否适宜。
进一步地,还提供一种肉牛养殖管理***。
图7为根据本申请实施例的肉牛养殖管理***的框图。如图6所示,根据本申请实施例的肉牛养殖管理***300,包括:数据采集模块310,用于获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值;时序分析模块320,用于对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量;以及,管理结果生成模块330,用于基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜。
如上所述,根据本申请实施例的肉牛养殖管理***300可以实现在各种无线终端中,例如具有肉牛养殖管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的肉牛养殖管理***300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该肉牛养殖管理***300可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该肉牛养殖管理***300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该肉牛养殖管理***300与该无线终端也可以是分立的设备,并且该肉牛养殖管理***300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (6)
1.一种肉牛养殖管理方法,其特征在于,包括:
获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值;
对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量;
以及,基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜;
其中,对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量,包括:
对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行数据结构化和时序特征提取以得到温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量;
以及,基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量;
其中,基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,包括:
将所述多个预定时间点的温度值、湿度值和二氧化碳浓度值分别按照时间维度和样本维度排列为养殖环境多参数输入矩阵后通过基于卷积神经网络模型的参数间关联特征提取器以得到多参数时序关联特征矩阵;
以及,分别以所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述多参数时序关联特征矩阵之间的乘积以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量。
2.根据权利要求1所述的肉牛养殖管理方法,其特征在于,对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行数据结构化和时序特征提取以得到温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量,包括:
将所述多个预定时间点的温度值、湿度值和二氧化碳浓度值分别按照时间维度排列为输入向量后通过基于一维卷积神经网络模型的特征提取器以得到所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量。
3.根据权利要求2所述的肉牛养殖管理方法,其特征在于,基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜,包括:
融合所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量以得到分类特征向量;
以及,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示所述养殖环境是否适宜。
4.根据权利要求3所述的肉牛养殖管理方法,其特征在于,还包括训练步骤:对所述基于一维卷积神经网络模型的特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练温度值、训练湿度值和训练二氧化碳浓度值,以及,养殖环境是否适宜的真实值;
将所述多个预定时间点的训练温度值、训练湿度值和训练二氧化碳浓度值分别按照时间维度排列为输入向量后通过所述基于一维卷积神经网络模型的特征提取器以得到训练温度时序特征向量、训练湿度时序特征向量和训练二氧化碳浓度时序特征向量;
将所述多个预定时间点的训练温度值、训练湿度值和训练二氧化碳浓度值分别按照时间维度和样本维度排列为训练养殖环境多参数输入矩阵后通过所述基于卷积神经网络模型的参数间关联特征提取器以得到训练多参数时序关联特征矩阵;
分别以所述训练温度时序特征向量、训练湿度时序特征向量和训练二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述训练多参数时序关联特征矩阵之间的乘积以得到训练校正后温度时序特征向量、训练校正后湿度时序特征向量和训练校正后二氧化碳浓度时序特征向量;
融合所述训练校正后温度时序特征向量、所述训练校正后湿度时序特征向量和所述训练校正后二氧化碳浓度时序特征向量以得到训练分类特征向量;
将所述训练分类特征向量通过分类器以得到分类损失函数值;
计算所述训练多参数时序关联特征矩阵的行列分解一致性因数;
以及,以所述分类损失函数值和所述行列分解一致性因数的加权和作为损失函数值,来对所述基于一维卷积神经网络模型的特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述分类器进行训练。
5.根据权利要求4所述的肉牛养殖管理方法,其特征在于,计算所述训练多参数时序关联特征矩阵的行列分解一致性因数,包括:以如下公式计算所述训练多参数时序关联特征矩阵的行列分解一致性因数;
其中,所述公式为:
;
;
;
其中和/>分别是矩阵/>对应行向量的均值向量和列向量的均值向量,/>表示向量/>的一范数,/>表示向量/>的一范数,/>表示向量/>乘以向量/>得到的矩阵的Frobenius范数,/>和/>是矩阵/>的宽度和高度,且/>、/>和/>是权重超参数,表示向量乘法,/>表示所述行列分解一致性因数。
6.一种肉牛养殖管理***,其特征在于,包括:
数据采集模块,用于获取由部署于肉牛养殖场内的温度传感器、湿度传感器和二氧化碳传感器采集的预定时间段内多个预定时间点的温度值、湿度值和二氧化碳浓度值;
时序分析模块,用于对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行时序分析以得到校正后温度时序特征向量、校正后湿度时序特征向量和校正后二氧化碳浓度时序特征向量;
以及,管理结果生成模块,用于基于所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,确定养殖环境是否适宜;
其中,所述时序分析模块,包括:
对所述多个预定时间点的温度值、湿度值和二氧化碳浓度值进行数据结构化和时序特征提取以得到温度时序特征向量、湿度时序特征向量和二氧化碳浓度时序特征向量;
以及,基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量;
其中,基于所述多个预定时间点的温度值、湿度值和二氧化碳浓度值之间的参数关联关系对所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量进行校正以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量,包括:
将所述多个预定时间点的温度值、湿度值和二氧化碳浓度值分别按照时间维度和样本维度排列为养殖环境多参数输入矩阵后通过基于卷积神经网络模型的参数间关联特征提取器以得到多参数时序关联特征矩阵;
以及,分别以所述温度时序特征向量、所述湿度时序特征向量和所述二氧化碳浓度时序特征向量作为初始特征向量,计算其与所述多参数时序关联特征矩阵之间的乘积以得到所述校正后温度时序特征向量、所述校正后湿度时序特征向量和所述校正后二氧化碳浓度时序特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311328906.1A CN117073768B (zh) | 2023-10-16 | 2023-10-16 | 肉牛养殖管理***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311328906.1A CN117073768B (zh) | 2023-10-16 | 2023-10-16 | 肉牛养殖管理***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117073768A CN117073768A (zh) | 2023-11-17 |
CN117073768B true CN117073768B (zh) | 2023-12-29 |
Family
ID=88704575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311328906.1A Active CN117073768B (zh) | 2023-10-16 | 2023-10-16 | 肉牛养殖管理***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117073768B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271906B (zh) * | 2023-11-22 | 2024-03-22 | 吉林省牛人网络科技股份有限公司 | 肉牛交易管理***及其方法 |
CN117554574B (zh) * | 2023-11-27 | 2024-07-19 | 武汉宇境科技有限公司 | 基于物联网的微型空气质量自动监测仪 |
CN117351659B (zh) * | 2023-12-01 | 2024-02-20 | 四川省华地建设工程有限责任公司 | 一种水文地质灾害监测装置及监测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782832A (zh) * | 2019-01-18 | 2019-05-21 | 中国农业科学院农业信息研究所 | 一种蛋鸡养殖环境监控***及方法 |
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
CN115047821A (zh) * | 2022-06-17 | 2022-09-13 | 盐城工学院 | 一种生猪养殖环境智能监测***及其评价方法 |
WO2023035757A1 (zh) * | 2021-09-09 | 2023-03-16 | 成都齐碳科技有限公司 | 生物聚合物的表征方法、装置、设备及计算机存储介质 |
CN115877896A (zh) * | 2023-02-12 | 2023-03-31 | 广州市华南畜牧设备有限公司 | 一种畜禽养殖棚通风***智能控制方法、***及装置 |
CN116029435A (zh) * | 2023-01-10 | 2023-04-28 | 盐城工学院 | 一种生猪设施养殖环境舒适度预警*** |
CN116150566A (zh) * | 2023-04-20 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶燃料供应安全监测***及其方法 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制***及其方法 |
CN116597377A (zh) * | 2023-05-11 | 2023-08-15 | 新疆汗庭牧元养殖科技有限责任公司 | 牛养殖的智能监控管理方法及其*** |
CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的***和方法 |
CN116776273A (zh) * | 2023-08-23 | 2023-09-19 | 烟台云朵软件有限公司 | 物联网设备的运行状态监测方法及*** |
CN116865400A (zh) * | 2023-07-17 | 2023-10-10 | 湖州顺为能源科技有限公司 | 一种智能锂电池充电机及其控制*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220000079A1 (en) * | 2020-07-06 | 2022-01-06 | Ecto, Inc. | Acoustics augmentation for monocular depth estimation |
-
2023
- 2023-10-16 CN CN202311328906.1A patent/CN117073768B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
CN109782832A (zh) * | 2019-01-18 | 2019-05-21 | 中国农业科学院农业信息研究所 | 一种蛋鸡养殖环境监控***及方法 |
WO2023035757A1 (zh) * | 2021-09-09 | 2023-03-16 | 成都齐碳科技有限公司 | 生物聚合物的表征方法、装置、设备及计算机存储介质 |
CN115047821A (zh) * | 2022-06-17 | 2022-09-13 | 盐城工学院 | 一种生猪养殖环境智能监测***及其评价方法 |
CN116029435A (zh) * | 2023-01-10 | 2023-04-28 | 盐城工学院 | 一种生猪设施养殖环境舒适度预警*** |
CN115877896A (zh) * | 2023-02-12 | 2023-03-31 | 广州市华南畜牧设备有限公司 | 一种畜禽养殖棚通风***智能控制方法、***及装置 |
CN116147130A (zh) * | 2023-04-18 | 2023-05-23 | 杭州行至云起科技有限公司 | 智能家居控制***及其方法 |
CN116150566A (zh) * | 2023-04-20 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶燃料供应安全监测***及其方法 |
CN116597377A (zh) * | 2023-05-11 | 2023-08-15 | 新疆汗庭牧元养殖科技有限责任公司 | 牛养殖的智能监控管理方法及其*** |
CN116865400A (zh) * | 2023-07-17 | 2023-10-10 | 湖州顺为能源科技有限公司 | 一种智能锂电池充电机及其控制*** |
CN116649159A (zh) * | 2023-08-01 | 2023-08-29 | 江苏慧岸信息科技有限公司 | 一种食用菌生长参数寻优的***和方法 |
CN116776273A (zh) * | 2023-08-23 | 2023-09-19 | 烟台云朵软件有限公司 | 物联网设备的运行状态监测方法及*** |
Non-Patent Citations (2)
Title |
---|
基于BP 神经网络的牛舍环境预测模型研究;马铁民等;《江苏科技信息》(第15期);第16-18页 * |
马铁民等.基于BP 神经网络的牛舍环境预测模型研究.《江苏科技信息》.2018,(第15期),第16-18页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117073768A (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117073768B (zh) | 肉牛养殖管理***及其方法 | |
CN117379016B (zh) | 用于肉牛养殖的远程监控***及其方法 | |
CN117540908B (zh) | 基于大数据的农业资源整合方法和*** | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集*** | |
CN115115830A (zh) | 一种基于改进Transformer的家畜图像实例分割方法 | |
CN116918546A (zh) | 一种玉米高产种植施肥方法 | |
CN117476214A (zh) | 一种基于医院信息的数据治理方法和*** | |
Sathyavani et al. | Detection of plant leaf nutrients using convolutional neural network based internet of things data acquisition | |
CN115457403A (zh) | 一种基于多类型遥感图像的农作物智能识别方法 | |
CN117136765A (zh) | 基于智能农业的大棚控制***及方法 | |
CN111814866A (zh) | 一种病虫害预警方法、装置、计算机设备及存储介质 | |
CN116034904A (zh) | 基于轨道式巡检机器人的猪只健康监测***及方法 | |
CN117787510A (zh) | 基于时序预测分析的农药残留监测过程的优化方法 | |
CN118097438A (zh) | 一种基于大数据的施肥方法及*** | |
CN117391482A (zh) | 一种基于大数据监测的大棚温度智能预警方法及*** | |
Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
CN116484193A (zh) | 一种作物产量的预测方法、***、设备及介质 | |
CN112036470A (zh) | 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法 | |
Harvyanti et al. | Application of Convolutional Neural Network for Identifying Cocoa Leaf Disease | |
CN116703638A (zh) | 大棚蔬菜种植管理***及其方法 | |
CN112131954A (zh) | 基于卷积神经网络的中国北方冬小麦遥感估产 | |
CN113762773B (zh) | 一种灾害监测预报的关联定位分解方法及*** | |
CN117972433B (zh) | 菇房温度预测模型的训练方法、菇房温度预测方法及装置 | |
Valencia et al. | Optimization of a vision-based lettuce growth stage classification using genetic algorithm | |
CN117520823A (zh) | 基于特征挖掘的动态监测数据处理***及方法 |
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 |