CN117470380B - 一种智慧养猪多传感器监测及预警*** - Google Patents
一种智慧养猪多传感器监测及预警*** Download PDFInfo
- Publication number
- CN117470380B CN117470380B CN202311799501.6A CN202311799501A CN117470380B CN 117470380 B CN117470380 B CN 117470380B CN 202311799501 A CN202311799501 A CN 202311799501A CN 117470380 B CN117470380 B CN 117470380B
- Authority
- CN
- China
- Prior art keywords
- data
- points
- body surface
- surface temperature
- time
- 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
- 241000282887 Suidae Species 0.000 title claims description 16
- 230000000630 rising effect Effects 0.000 claims abstract description 94
- 241000282898 Sus scrofa Species 0.000 claims abstract description 78
- 230000004044 response Effects 0.000 claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 22
- 238000004140 cleaning Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 18
- 238000003331 infrared imaging Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000036760 body temperature Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000001931 thermography Methods 0.000 claims description 4
- 241000213006 Angelica dahurica Species 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000000758 substrate Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0022—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation of moving bodies
- G01J5/0025—Living bodies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及电子数字数据处理技术领域,具体涉及一种智慧养猪多传感器监测及预警***,包括:通过结合体表温度数据中相邻数据点的变化情况,对体表温度数据进行分段分析与合并获得新上升时间段,并结合新上升时间段中各时间点与移动距离数据点各数据点对应时间点形成的区间,通过分析区间内数据点的数量变化情况获得响应时间,结合响应时间获得影响参数利用影响参数对异常程度进行调节准确获得数据点的异常特征,根据异常特征的大小进一步准确得到体表温度数据中的异常点。本发明根据异常特征的大小进一步准确得到体表温度数据中的异常点,大大提高了数据清洗的准确性以及家猪体表温度监测结果的准确性。
Description
技术领域
本发明涉及电子数字数据处理技术领域,具体涉及一种智慧养猪多传感器监测及预警***。
背景技术
目前智慧养猪***利用多种传感器收集养猪场内的数据,并通过数据处理和分析技术进行实时监测和预警功能,以帮助养殖户改善养猪管理和提高养猪效益。
目前在通过传感器获取到养猪场内的家猪体表的温度数据后,由于所采集的数据受到电磁噪声影响,导致数据内存在一定的缺失或噪声数据,因此需要对所采集的数据进行数据清洗,并在数据清洗的过程中判断家猪的运动状态,结合家猪的运动状态保证清洗后的数据准确反映家猪的体表温度,而由于家猪处于运动状态时,易造成温度数据出现偏差,导致温度检测结果不准确。
发明内容
本发明提供一种智慧养猪多传感器监测及预警***,以解决现有的问题。
本发明的一种智慧养猪多传感器监测及预警***采用如下技术方案:
本发明一个实施例提供了一种智慧养猪多传感器监测及预警***,该***包括以下模块:
数据采集模块,用于获取养殖场中任意家猪的体表温度数据和移动距离数据;
时间段模块,用于根据体表温度数据中相邻数据点的差异获得数据点的异常程度,将体表温度数据划分为多个时间段,根据相邻时间段中数据点的差异获得相邻时间段之间的同一可能性,根据同一可能性的大小将时间段进行合并获得若干个新上升时间段;
影响参数模块,用于根据体表温度数据中新上升时间段的时间点与移动距离数据中时间点形成的区间记为响应区间,根据响应区间内数据点的数量获得响应区间的响应系数,根据响应系数的大小获得体表温度数据对于移动距离数据的响应时间,结合响应时间根据同一可能性以及移动距离数据获得体表温度数据中数据点的影响参数;
体温预警模块,用于利用影响参数对异常程度进行调节获得数据点的异常特征,根据异常特征的大小进行家猪体温预警。
进一步的,所述获取养殖场中任意家猪的体表温度数据和移动距离数据,包括的具体方法为:
首先,在室内养殖场安装红外热成像传感器获取连续的红外成像数据;
然后,利用YOLOv3算法对红外成像数据进行目标检测,获取红外成像数据中的家猪以及任意时间段内家猪的体表温度数据,并利用光流法对家猪进行运动追踪,获取家猪每个时间点对应的移动距离,将家猪在任意时间段内移动距离形成的数据记为移动距离数据。
进一步的,所述根据体表温度数据中相邻数据点的差异获得数据点的异常程度,包括的具体方法为:
将体表温度数据的第个时间点的体表温度与预设的标准体表温度的差值绝对值记为第一数值,将体表温度数据的第/>个时间点的体表温度与体表温度数据的第/>个时间点的体表温度的差值绝对值记为第二数值;
将第一数值和第二数值的融合结果记为数据点的异常程度。
进一步的,所述将第一数值和第二数值的融合结果记为数据点的异常程度,包括的具体方法为:
将第一数值和第二数值的乘积记为第三数值,获取所有第三数值的最小值记为第四数值,将任意第三数值和第四数值的差值记为第五数值,将线性归一化后的第五数值与第三数值相乘获得数据点的异常程度。
进一步的,所述将体表温度数据划分为多个时间段,根据相邻时间段中数据点的差异获得相邻时间段之间的同一可能性,包括的具体方法为:
首先,获取任意体表温度数据对应的一阶差分序列,记为温度差分数据,获取温度差分数据中所有数值大于0时对应数据点的时间点记为上升时间点;将任意由连续的上升时间点形成的时间段记为上升时间段,获得若干个上升时间段,将相邻两个上升时间段之间的时间点记为间隔时间点;
然后,获取任意相邻的两个上升时间段之间的间隔时间点的数量,获取任意相邻两个上升时间段的同一可能性,具体计算方法为:
其中,表示第/>个上升时间段和第/>个上升时间段之间的同一可能性;表示第/>个上升时间段中上升时间点的数量;/>表示第/>个上升时间段中上升时间点的数量;/>表示第/>个上升时间段和第/>个上升时间段之间间隔时间点的数量;/>表示以自然常数为底数的指数函数;/>表示上升时间段中第/>个数据点对应的体表温度;表示上升时间段中第/>个数据点对应的体表温度;/>表示上升时间段中第/>个数据点对应的体表温度。
进一步的,所述根据同一可能性的大小将时间段进行合并获得若干个新上升时间段,包括的具体方法为:
利用线性归一化将所有相邻的两个上升时间段的同一可能性进行归一化处理,将归一化后的同一可能性记为归一同一性,预设同一性阈值,当归一同一性大于同一性阈值时,将对应的相邻两个上升时间段以及两个上升时间段时间的间隔时间点共同形成的时间段进行合并,将最终没有合并的上升时间段和合并后得到的时间段均记为新上升时间段,获得若干个新上升时间段。
进一步的,所述根据体表温度数据中新上升时间段的时间点与移动距离数据中时间点形成的区间记为响应区间,包括的具体方法为:
获取移动距离数据中所有数据点的斜率,将斜率大于0的数据点记为斜率点,当斜率点的上一个数据点的斜率为0时,将斜率点对应的时间点记为移动变化点,获得若干个移动变化点;获取任意新上升时间段的最左侧的时间点记为左时间点,将小于左时间点的移动变化点记为小移动变化点,获得任意左时间点的若干个小移动变化点;将左时间点与任意小移动变化点相减记为左时间点与小移动变化点之间的偏移长度,将左时间点与任意小移动变化点所形成的区间记为响应区间。
进一步的,所述根据响应区间内数据点的数量获得响应区间的响应系数,根据响应系数的大小获得体表温度数据对于移动距离数据的响应时间,包括的具体方法为:
首先,获取左时间点与任意小移动变化点对应响应区间的响应系数,具体计算方法为:
其中,表示左时间点与小移动变化点对应响应区间的响应系数;/>表示新上升时间段的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点对应响应区间中斜率点的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点对应响应区间中斜率点的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点之间的偏移长度;/>表示第/>个新上升时间段的左时间点与小移动变化点之间的偏移长度;
然后,获取当所有左时间点与所有对应的小移动变化点对应响应区间的响应系数最大时,将所有响应区间对应偏移长度的均值记为体表温度数据对于移动距离数据的响应时间。
进一步的,所述结合响应时间根据同一可能性以及移动距离数据获得体表温度数据中数据点的影响参数,包括的具体方法为:
获取影响参数,具体计算方法为:
其中,表示第/>个新上升时间段中第t个数据点的影响参数;/>表示第/>个新上升时间段和第/>个新上升时间段之间的归一同一性;/>表示移动距离数据中第/>个时间点对应的移动距离;/>表示移动距离数据中第/>个时间点对应的移动距离。
进一步的,所述利用影响参数对异常程度进行调节获得数据点的异常特征,根据异常特征的大小进行家猪体温预警,包括的具体方法为:
首先,根据数据点的影响参数和异常程度获得数据点的异常特征,具体计算方法为:
其中,表示第/>个新上升时间段中第/>个数据点的;/>表示第/>个新上升时间段中第/>个数据点的影响参数;/>表示第/>个新上升时间段中第/>个时间点对应数据点的异常程度;/>表示自然常数;
然后,将所有数据点的异常特征进行线性归一化,得到归一异常特征,预设异常阈值,将归一异常特征大于异常阈值的数据点记为异常点,将所有异常点进行删除,完成对体表温度数据的数据清洗,将数据清洗后的体表温度数据记为新体表温度数据;
最后,当家猪的新体表温度数据中体表温度大于预设的标准体表温度T0时,利用显示器在对应时刻下的红外成像数据中将对应的家猪进行标注和预警显示。
本发明的技术方案的有益效果是:通过结合体表温度数据中相邻数据点的变化情况,对体表温度数据进行分段分析,将可能属于同一上升时间段的分段进行合并获得新上升时间段,并结合新上升时间段中各时间点与移动距离数据点各数据点对应时间点形成的区间,通过分析区间内数据点的数量变化情况,准确得到了家猪在活动过程中体表温度数据相对于移动距离数据的响应时间,即家猪在活动后体表温度开始上升所对应的时间,结合响应时间获得影响参数,反映了家猪在活动时的移动距离对体表温度的影响程度,利用影响参数对异常程度进行调节准确获得数据点的异常特征,根据异常特征的大小进一步准确得到体表温度数据中的异常点,大大提高了数据清洗的准确性以及家猪体表温度监测结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明一种智慧养猪多传感器监测及预警***的结构框图;
图2为本发明一个实施例所提供的原始的体表温度数据示意图;
图3为本发明一个实施例所提供的数据清洗后新体表温度数据示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种智慧养猪多传感器监测及预警***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智慧养猪多传感器监测及预警***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种智慧养猪多传感器监测及预警***的结构框图,该***包括以下模块:
数据采集模块,获取养殖场中任意家猪的体表温度数据和移动距离数据。
为了实现本实施例提出的一种智慧养猪多传感器监测及预警***,首先需要采集体表温度数据和移动距离数据,具体过程为:
首先,在室内养殖场安装红外热成像传感器获取连续的红外成像数据。
然后,利用YOLOv3算法对红外成像数据进行目标检测,获取红外成像数据中的家猪以及任意时间段内家猪的体表温度数据,并利用光流法对家猪进行运动追踪,获取家猪每个时间点对应的移动距离,将家猪在任意时间段内移动距离形成的数据记为移动距离数据。
需要说明的是,YOLOv3算法为现有的目标检测算法,光流法为现有的运动追踪算法,因此本实施例对YOLOv3和光流法均不进行过多赘述。
需要说明的是,由于在猪圈中家猪的运动频率较低,且短时间内体表温度变化不大,因此本实施例在获取连续的红外成像数据时,选择每天每隔一个小时统计10min内所有家猪的体表温度数据和运动状态,采集过程中的采样时间间隔为1s,具体获取时间和采样频率可根据实际情况进行调整,本实施例不进行具体限定。
需要说明的是,所述由红外热成像传感器得到的红外成像数据即为红外图像。
至此,通过上述方法得到养殖场中任意一只家猪在多个时间段所对应的体表温度数据和移动距离。
时间段模块,根据体表温度数据中相邻数据点的差异获得数据点的异常程度,将体表温度数据划分为多个时间段,根据相邻时间段中数据点的差异获得相邻时间段之间的同一可能性,根据同一可能性的大小获得若干个新上升时间段。
需要说明的是,已知健康家猪的体表温度通常在38.5~39.5度之间,但受到家猪活动的影响,家猪在活动时的移动距离越大,其体表温度上升的越快;同时当家猪处在不同的状态下时,正常的温度数据相较于周围活动强度较小的家猪的体温受到其短时间内运动状态的影响,运动幅度越大,温度变化越快,因而对采集到的家猪的体表温度数据产生较大影响,因此本实施例通过分析家猪的活动状态,判断其对体表温度变化的影响程度,进而确定其对异常体表温度数据的影响程度。
具体的,步骤(1),预设标准体表温度,对于任意家猪的任意时间段所对应的体表温度数据中的数据点,获取异常程度,具体计算方法为:
其中,表示体表温度数据的第t个时间点对应数据点的异常程度;/>表示体表温度数据的第/>个时间点的变化系数;/>表示体表温度数据的第/>个时间点的体表温度;/>表示标准体表温度;/>表示体表温度数据的第/>个时间点的体表温度;/>表示获取最小值;/>表示线性归一化。
需要说明的是,反映了任意时间点下体表温度与标准体表温度之间的差异,差异越大,体表温度数据的异常程度越大;/>表示相邻时间点下体表温度之间的差异,差异越大,体表温度数据的异常程度越大;/>表示体表温度数据中所有时间点对应变化系数的最小值,/>越大,反映体表温度数据的异常程度越高,通过利用归一化函数将差异/>归一化至区间/>内,将归一化后的差异作为变化系数的权重,对变化系数进行加权得到异常程度。
需要说明的是,根据经验预设家猪的标准体表温度T0为39°C,可根据实际情况进行调整,本实施例不进行具体限定。
步骤(2),由于家猪活动时体表温度会升高,并稳定在正常的体温范围内,但在实际监测体表温度的过程中,得到的体表温度数据也存在一定的波动,因此需要识别体表温度数据中表现家猪处在活动状态的部分数据。
首先,获取任意体表温度数据对应的一阶差分序列,记为温度差分数据,获取温度差分数据中所有数值大于0时对应数据点的时间点记为上升时间点;将任意由连续的上升时间点形成的时间段记为上升时间段,获得若干个上升时间段,将相邻两个上升时间段之间的时间点记为间隔时间点。
需要说明的是,由于数据存在的波动,使本应该形成一个的上升时间段受到非上升时间点的影响,而得到了多个上升时间段,因此需要获取任意两个相邻的上升时间段可以形成一个上升时间段的可能性。
然后,获取任意相邻的两个上升时间段之间的间隔时间点的数量,获取任意相邻两个上升时间段的同一可能性,具体计算方法为:
其中,表示第/>个上升时间段和第/>个上升时间段之间的同一可能性;表示第/>个上升时间段中上升时间点的数量;/>表示第/>个上升时间段中上升时间点的数量;/>表示第/>个上升时间段和第/>个上升时间段之间间隔时间点的数量;/>表示以自然常数为底数的指数函数;/>表示上升时间段中第/>个数据点对应的体表温度;表示上升时间段中第/>个数据点对应的体表温度;/>表示上升时间段中第/>个数据点对应的体表温度。
需要说明的是,反映了任意两个相邻的上升时间段之间的连续程度;、/>分别表示两个上升时间段中上升时间点与二者之间的间隔时间点的数量比值,上升时间点的数量越多,同时上升时间段之间的间隔时间点的数量越小,则两个比值的乘积越大,即两个相邻上升时间段的连续程度越大,则对应的两个相邻的上升时间段本应该属于同一个上升时间段的可能性越大;线性因子/>表示任意上升时间段中任意三个相邻数据点之间的体表温度差异,线性因子的数值越接近于1,说明三个相邻数据点服从线性变化,则/>越小,说明两个上升时间段属于同一个上升时间段的可能性越大,因此利用指数函数对该值归一化,并对连续程度进行加权,获得两个上升时间段的同一可能性,同一可能性越大,说明两个上升时间段本应该属于同一个上升时间段的可能性越大。
最后,利用线性归一化将所有相邻的两个上升时间段的同一可能性进行归一化处理,将归一化后的同一可能性记为归一同一性,预设同一性阈值,当归一同一性大于同一性阈值时,将对应的相邻两个上升时间段以及两个上升时间段时间的间隔时间点共同形成的时间段进行合并,将最终没有合并的上升时间段和合并后得到的时间段均记为新上升时间段,获得若干个新上升时间段。
需要说明的是,根据经验预设同一性阈值为0.7,可根据经验进行调整,本实施例不进行具体限定。
至此,通过上述方法得到若干个新上升时间段。
影响参数模块,获取体表温度数据对于移动距离数据的响应时间,根据响应时间获得体表温度数据中数据点的影响参数。
需要说明的是,家猪开始活动后的一段时间,其体表温度才开始升高,存在一定的响应时间,为将家猪在活动时产生的温度变化的时间点进行对应,以方便后续获取影响程度。
具体的,步骤(1),首先,获取移动距离数据中所有数据点的斜率,将斜率大于0的数据点记为斜率点,当斜率点的上一个数据点的斜率为0时,将斜率点对应的时间点记为移动变化点,获得若干个移动变化点;获取任意新上升时间段的最左侧的时间点记为左时间点,将小于左时间点的移动变化点记为小移动变化点,获得任意左时间点的若干个小移动变化点;将左时间点与任意小移动变化点相减记为左时间点与小移动变化点之间的偏移长度,将左时间点与任意小移动变化点所形成的区间记为响应区间。
然后,获取左时间点与任意小移动变化点对应响应区间的响应系数,具体计算方法为:
其中,表示左时间点与小移动变化点对应响应区间的响应系数;/>表示新上升时间段的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点对应响应区间中斜率点的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点对应响应区间中斜率点的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点之间的偏移长度;/>表示第/>个新上升时间段的左时间点与小移动变化点之间的偏移长度。
需要说明的是,表示两个新上升时间段与小移动变化点对应偏移长度的差异,差异越小,说明偏移长度对应的时间作为体表温度数据对于移动距离数据的响应时间的可能性越大;/>表示响应区间中斜率点个数与区间长度的比值,比值越大,说明区间内家猪持续活动的程度越高,响应区间对应的偏移长度的时间作为响应时间的可能性越大。
最后,获取当所有左时间点与所有对应的小移动变化点对应响应区间的响应系数的最大值时,对应所有的响应区间对应偏移长度的均值记为体表温度数据对于移动距离数据的响应时间。
需要说明的是,家猪的运动幅度越小,其温度上升的越慢,此时对于温度数据来说对应时间段内所产生的异常数据的可能性越大;同时家猪在相邻时序内运动幅度差异越大,此时对于体表温度数据来说对应时间段内所产生的异常数据的可能性越大。
步骤(2),获取影响参数,具体计算方法为:
其中,表示第/>个新上升时间段中第t个数据点的影响参数;/>表示第/>个新上升时间段和第/>个新上升时间段之间的归一同一性;/>表示移动距离数据中第/>个时间点对应的移动距离;/>表示移动距离数据中第/>个时间点对应的移动距离。
需要说明的是,表示任意两个相邻新上升时间段对应移动距离对体表温度的影响程度,该值越小说明影响程度越大;/>表示家猪移动距离之间的差异,该值差异越大说明相邻时刻下活动时的移动距离较为规律,其对异常程度的影响越大;归一同一性反映上升时间段的连续程度,该值越小说明连续程度越低,对体表温度数据的影响越大;数据点的影响参数越小,说明家猪在时刻t下的活动状态对体表温度异常的影响程度越大。
至此,通过上述方法得到上升时间段中数据点的影响参数。
体温预警模块,根据数据点的影响参数和异常程度获得数据点的异常特征,根据异常特征的大小进行体温预警。
具体的,首先,根据数据点的影响参数和异常程度获得数据点的异常特征,具体计算方法为:
其中,第/>个新上升时间段中第/>个数据点的;/>表示第/>个上升时间段中第/>个数据点的影响参数;/>表示第/>个新上升时间段中第/>个时间点对应数据点的异常程度;/>表示自然常数。
然后,将所有数据点的异常特征进行线性归一化,得到归一异常特征,预设异常阈值,将归一异常特征大于异常阈值的数据点记为异常点,将所有异常点进行删除,完成对体表温度数据的数据清洗,将数据清洗后的体表温度数据记为新体表温度数据。如图2和图3所示,图2为本发明一个实施例所提供的原始的体表温度数据示意图,图3为本发明一个实施例所提供的数据清洗后新体表温度数据示意图,经由图2和图3能够轻而易举得知,经由本方案的数据清洗与处理之后,对应的家猪体温数据变化更为平滑,更符合实际的家猪体温变化,增强家猪体表温度监测结果的准确性。
最后,当家猪的新体表温度数据中体表温度大于预设的标准体表温度T0时,利用显示器在对应时刻下的红外成像数据中将对应的家猪进行标注和预警显示。
需要说明的是,根据经验预设异常阈值为0.9,可根据实际情况进行调整,本实施例不进行具体限定。
至此,本实施例完成。
需要说明的是,本实施例中所用的模型仅用于表示负相关关系和约束模型输出的结果处于/>区间内,具体实施时,可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对其做具体限定,其中/>是指该模型的输入。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (7)
1.一种智慧养猪多传感器监测及预警***,其特征在于,该***包括以下模块:
数据采集模块,用于获取养殖场中任意家猪的体表温度数据和移动距离数据;
时间段模块,用于根据体表温度数据中相邻数据点的差异获得数据点的异常程度,将体表温度数据划分为多个时间段,根据相邻时间段中数据点的差异获得相邻时间段之间的同一可能性,根据同一可能性的大小将时间段进行合并获得若干个新上升时间段;
影响参数模块,用于根据体表温度数据中新上升时间段的时间点与移动距离数据中时间点形成的区间记为响应区间,根据响应区间内数据点的数量获得响应区间的响应系数,根据响应系数的大小获得体表温度数据对于移动距离数据的响应时间,结合响应时间根据同一可能性以及移动距离数据获得体表温度数据中数据点的影响参数;
体温预警模块,用于利用影响参数对异常程度进行调节获得数据点的异常特征,根据异常特征的大小进行家猪体温预警;
所述将体表温度数据划分为多个时间段,根据相邻时间段中数据点的差异获得相邻时间段之间的同一可能性,包括的具体方法为:
首先,获取任意体表温度数据对应的一阶差分序列,记为温度差分数据,获取温度差分数据中所有数值大于0时对应数据点的时间点记为上升时间点;将任意由连续的上升时间点形成的时间段记为上升时间段,获得若干个上升时间段,将相邻两个上升时间段之间的时间点记为间隔时间点;
然后,获取任意相邻的两个上升时间段之间的间隔时间点的数量,获取任意相邻两个上升时间段的同一可能性,具体计算方法为:
其中,表示第/>个上升时间段和第/>个上升时间段之间的同一可能性;/>表示第/>个上升时间段中上升时间点的数量;/>表示第/>个上升时间段中上升时间点的数量;/>表示第/>个上升时间段和第/>个上升时间段之间间隔时间点的数量;/>表示以自然常数为底数的指数函数;/>表示上升时间段中第/>个数据点对应的体表温度;/>表示上升时间段中第/>个数据点对应的体表温度;/>表示上升时间段中第/>个数据点对应的体表温度;
所述根据同一可能性的大小将时间段进行合并获得若干个新上升时间段,包括的具体方法为:
利用线性归一化将所有相邻的两个上升时间段的同一可能性进行归一化处理,将归一化后的同一可能性记为归一同一性,预设同一性阈值,当归一同一性大于同一性阈值时,将对应的相邻两个上升时间段以及两个上升时间段时间的间隔时间点共同形成的时间段进行合并,将最终没有合并的上升时间段和合并后得到的时间段均记为新上升时间段,获得若干个新上升时间段;
所述利用影响参数对异常程度进行调节获得数据点的异常特征,根据异常特征的大小进行家猪体温预警,包括的具体方法为:
首先,根据数据点的影响参数和异常程度获得数据点的异常特征,具体计算方法为:
其中,表示第/>个新上升时间段中第/>个数据点的;/>表示第/>个新上升时间段中第/>个数据点的影响参数;/>表示第/>个新上升时间段中第/>个时间点对应数据点的异常程度;/>表示自然常数;
然后,将所有数据点的异常特征进行线性归一化,得到归一异常特征,预设异常阈值,将归一异常特征大于异常阈值的数据点记为异常点,将所有异常点进行删除,完成对体表温度数据的数据清洗,将数据清洗后的体表温度数据记为新体表温度数据;
最后,当家猪的新体表温度数据中体表温度大于预设的标准体表温度T0时,利用显示器在对应时刻下的红外成像数据中将对应的家猪进行标注和预警显示。
2.根据权利要求1所述一种智慧养猪多传感器监测及预警***,其特征在于,所述获取养殖场中任意家猪的体表温度数据和移动距离数据,包括的具体方法为:
首先,在室内养殖场安装红外热成像传感器获取连续的红外成像数据;
然后,利用YOLOv3算法对红外成像数据进行目标检测,获取红外成像数据中的家猪以及任意时间段内家猪的体表温度数据,并利用光流法对家猪进行运动追踪,获取家猪每个时间点对应的移动距离,将家猪在任意时间段内移动距离形成的数据记为移动距离数据。
3.根据权利要求1所述一种智慧养猪多传感器监测及预警***,其特征在于,所述根据体表温度数据中相邻数据点的差异获得数据点的异常程度,包括的具体方法为:
将体表温度数据的第个时间点的体表温度与预设的标准体表温度的差值绝对值记为第一数值,将体表温度数据的第/>个时间点的体表温度与体表温度数据的第/>个时间点的体表温度的差值绝对值记为第二数值;
将第一数值和第二数值的融合结果记为数据点的异常程度。
4.根据权利要求3所述一种智慧养猪多传感器监测及预警***,其特征在于,所述将第一数值和第二数值的融合结果记为数据点的异常程度,包括的具体方法为:
将第一数值和第二数值的乘积记为第三数值,获取所有第三数值的最小值记为第四数值,将任意第三数值和第四数值的差值记为第五数值,将线性归一化后的第五数值与第三数值相乘获得数据点的异常程度。
5.根据权利要求1所述一种智慧养猪多传感器监测及预警***,其特征在于,所述根据体表温度数据中新上升时间段的时间点与移动距离数据中时间点形成的区间记为响应区间,包括的具体方法为:
获取移动距离数据中所有数据点的斜率,将斜率大于0的数据点记为斜率点,当斜率点的上一个数据点的斜率为0时,将斜率点对应的时间点记为移动变化点,获得若干个移动变化点;获取任意新上升时间段的最左侧的时间点记为左时间点,将小于左时间点的移动变化点记为小移动变化点,获得任意左时间点的若干个小移动变化点;将左时间点与任意小移动变化点相减记为左时间点与小移动变化点之间的偏移长度,将左时间点与任意小移动变化点所形成的区间记为响应区间。
6.根据权利要求5所述一种智慧养猪多传感器监测及预警***,其特征在于,所述根据响应区间内数据点的数量获得响应区间的响应系数,根据响应系数的大小获得体表温度数据对于移动距离数据的响应时间,包括的具体方法为:
首先,获取左时间点与任意小移动变化点对应响应区间的响应系数,具体计算方法为:
其中,表示左时间点与小移动变化点对应响应区间的响应系数;/>表示新上升时间段的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点对应响应区间中斜率点的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点对应响应区间中斜率点的数量;/>表示第/>个新上升时间段的左时间点与小移动变化点之间的偏移长度;/>表示第/>个新上升时间段的左时间点与小移动变化点之间的偏移长度;
然后,获取当所有左时间点与所有对应的小移动变化点对应响应区间的响应系数最大时,将所有响应区间对应偏移长度的均值记为体表温度数据对于移动距离数据的响应时间。
7.根据权利要求1所述一种智慧养猪多传感器监测及预警***,其特征在于,所述结合响应时间根据同一可能性以及移动距离数据获得体表温度数据中数据点的影响参数,包括的具体方法为:
获取影响参数,具体计算方法为:
其中,表示第/>个新上升时间段中第t个数据点的影响参数;/>表示第/>个新上升时间段和第/>个新上升时间段之间的归一同一性;/>表示移动距离数据中第个时间点对应的移动距离;/>表示移动距离数据中第/>个时间点对应的移动距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799501.6A CN117470380B (zh) | 2023-12-26 | 2023-12-26 | 一种智慧养猪多传感器监测及预警*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311799501.6A CN117470380B (zh) | 2023-12-26 | 2023-12-26 | 一种智慧养猪多传感器监测及预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117470380A CN117470380A (zh) | 2024-01-30 |
CN117470380B true CN117470380B (zh) | 2024-03-22 |
Family
ID=89625923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311799501.6A Active CN117470380B (zh) | 2023-12-26 | 2023-12-26 | 一种智慧养猪多传感器监测及预警*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117470380B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428963A (zh) * | 2001-12-25 | 2003-07-09 | 松下电器产业株式会社 | 异常检测装置及异常检测*** |
KR20160129383A (ko) * | 2015-04-30 | 2016-11-09 | 대한민국(농촌진흥청장) | 열화상 이미지를 활용한 가축의 건강 상태 판단 방법 |
CN114596448A (zh) * | 2022-03-07 | 2022-06-07 | 华南农业大学 | 一种肉鸭健康管理方法及其管理*** |
CN116111727A (zh) * | 2023-04-13 | 2023-05-12 | 盛锋电力科技有限公司 | 基于动态温度阈值的综合配电箱异常监测方法 |
CN116208172A (zh) * | 2023-05-04 | 2023-06-02 | 山东阁林板建材科技有限公司 | 一种建筑工程项目的数据管理*** |
CN116324854A (zh) * | 2020-09-28 | 2023-06-23 | 西门子股份公司 | 用于对传感器数据点的不同时间序列进行分段的监视设备和方法 |
CN117056862A (zh) * | 2023-10-10 | 2023-11-14 | 贵州省畜牧兽医研究所 | 基于物联网的家禽养殖环境异常监测*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230160636A1 (en) * | 2019-09-11 | 2023-05-25 | Quantum IR Technologies, LLC | Rotary kiln brick layer thermal monitoring systems |
-
2023
- 2023-12-26 CN CN202311799501.6A patent/CN117470380B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1428963A (zh) * | 2001-12-25 | 2003-07-09 | 松下电器产业株式会社 | 异常检测装置及异常检测*** |
KR20160129383A (ko) * | 2015-04-30 | 2016-11-09 | 대한민국(농촌진흥청장) | 열화상 이미지를 활용한 가축의 건강 상태 판단 방법 |
CN116324854A (zh) * | 2020-09-28 | 2023-06-23 | 西门子股份公司 | 用于对传感器数据点的不同时间序列进行分段的监视设备和方法 |
CN114596448A (zh) * | 2022-03-07 | 2022-06-07 | 华南农业大学 | 一种肉鸭健康管理方法及其管理*** |
CN116111727A (zh) * | 2023-04-13 | 2023-05-12 | 盛锋电力科技有限公司 | 基于动态温度阈值的综合配电箱异常监测方法 |
CN116208172A (zh) * | 2023-05-04 | 2023-06-02 | 山东阁林板建材科技有限公司 | 一种建筑工程项目的数据管理*** |
CN117056862A (zh) * | 2023-10-10 | 2023-11-14 | 贵州省畜牧兽医研究所 | 基于物联网的家禽养殖环境异常监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN117470380A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN116484307B (zh) | 基于云计算智能戒指远程控制方法 | |
CN117093879A (zh) | 一种数据中心智能化运营管理方法及*** | |
CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
CN116307944B (zh) | 基于人工智能与物联网的配电箱远程监测*** | |
CN116258281B (zh) | 基于云平台管理的物联网消防监测及调控*** | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN117470380B (zh) | 一种智慧养猪多传感器监测及预警*** | |
CN117273402A (zh) | 基于物联网技术的玻璃深加工生产线节能管理***及方法 | |
CN117473351B (zh) | 基于物联网的电源信息远程传输*** | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN117390378B (zh) | 一种双碳平台数据智能管理方法及*** | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN111353208B (zh) | 一种基于深度学习的物体往复运动距离评估方法 | |
CN117407744B (zh) | 基于数字孪生的多源数据融合方法 | |
CN117033935B (zh) | 基于贝叶斯融合的统计与监测下的场降雨特征的预测方法 | |
CN117250593A (zh) | 复杂环境下多个人体目标脉冲响应的获取方法及*** | |
CN116510223A (zh) | 基于物联网的自识别消防泵电参数巡检监测*** | |
CN116494493A (zh) | 一种注塑集中供料***智能监测方法 | |
CN110009132A (zh) | 一种基于lstm深度神经网络的短期电力负荷精细化预测方法 | |
CN107305563B (zh) | 一种基于距离的异常数据检测方法及*** | |
CN106600449B (zh) | 一种自动的功率趋势识别方法 | |
CN102855467A (zh) | 从视频流中提取和识别车辆牌号的方法 | |
CN116415128A (zh) | 用于润滑评估的方法、***及介质 | |
CN114065335A (zh) | 基于多尺度卷积循环神经网络的建筑物能耗预测方法 |
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 |