CN118013448A - 基于物联网的数字化农业饲养数据采集方法及*** - Google Patents
基于物联网的数字化农业饲养数据采集方法及*** Download PDFInfo
- Publication number
- CN118013448A CN118013448A CN202410424347.2A CN202410424347A CN118013448A CN 118013448 A CN118013448 A CN 118013448A CN 202410424347 A CN202410424347 A CN 202410424347A CN 118013448 A CN118013448 A CN 118013448A
- Authority
- CN
- China
- Prior art keywords
- temperature data
- data point
- degree
- determining
- moments
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 241001465754 Metazoa Species 0.000 claims abstract description 63
- 230000000694 effects Effects 0.000 claims abstract description 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 230000000875 corresponding effect Effects 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 9
- 238000013480 data collection Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005842 biochemical reaction Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于物联网的数字化农业饲养数据采集方法及***,该方法应用于数据处理领域。该方法包括:获取动物所处饲养环境下多个时刻的温度数据点集合和动物在多个时刻的活跃程度数据;确定温度数据点集合和活跃程度数据之间在多个时刻的趋势差异信息;基于趋势差异信息,确定多个时刻的温度数据点集合的噪声表现程度;基于多个时刻的温度数据点集合的噪声表现程度,对温度数据点集合进行修正,得到已修正温度数据点集合;基于已修正温度数据点集合对动物所在环境进行异常监测。该方法能够依据噪声表现程度对温度数据点进行修正处理,最终能够依据处理后更真实的温度数据点,实现更为准确的异常监测。
Description
技术领域
本申请涉及数据处理领域,并且更具体地,涉及数据处理领域中一种基于物联网的数字化农业饲养数据采集方法及***。
背景技术
在农业饲养领域中,环境温度是影响饲养动物生理和行为的重要因素之一,温度过高或过低都可能对饲养动物的健康和生产效率产生负面影响。因此,基于物联网的数字化农业饲养***是农业产业智能化的重要组成部分,通过物联网技术监测饲养环境温度有助于及时发现温度异常,进而能够及时采取相应的措施来保障饲养动物的健康和生产效率。
在相关技术中,使用异常数据监测算法对农业饲养过程中的环境温度异常数据进行监测。而在数据采集监测过程中,可能会受到噪声影响,噪声会使温度数据发生不自然的突变,进而导致温度数据的可信程度性降低,从而使得异常数据监测算法的监测结果不够真实准确。
发明内容
本申请提供了一种基于物联网的数字化农业饲养数据采集方法及***,该方法能够依据噪声表现程度对温度数据点进行修正,最终能够依据修正后更真实的温度数据点,实现更为准确的异常监测。
本申请实施例提供了一种基于物联网的数字化农业饲养数据采集方法,该方法包括:
获取动物所处饲养环境下多个时刻的温度数据点集合和所述动物在所述多个时刻的活跃程度数据;
确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息;
基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度;
基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合;
基于所述已修正温度数据点集合对所述动物所在环境进行异常监测。
在上述方案中,通过获取动物所处饲养环境下多个时刻的温度数据点集合和动物在各个时刻的活跃程度数据,从而确定温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息;这样,通过该趋势差异信息能够分析出温度数据点集合和动物活跃程度数据之间的相关性。之后,通过趋势差异信息,确定多个时刻的温度数据点集合的噪声表现程度;再基于多个时刻的温度数据点集合的噪声表现程度,对温度数据点集合进行修正,得到已修正温度数据点集合,以便于通过已修正温度数据点集合对动物所在环境进行异常监测。如此,结合趋势差异信息确定温度数据点的噪声表现程度,从而能够依据噪声表现程度对温度数据点进行修正,最终能够依据修正后更真实的温度数据点,实现更为准确的异常监测。
结合上述第一方面,在一种可能的实现方式中,所述确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息,包括:
在所述多个时刻中的每一时刻,确定所述温度数据中的每一温度数据点与对应的活跃程度数据之间的比值;
基于所述每一时刻的比值,确定所述趋势差异信息。
结合上述第一方面,在一种可能的实现方式中,所述基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度,包括:
基于所述多个时刻中每一时刻对应的趋势差异信息,确定表征所述每一时刻对应的温度数据点中存在噪声的概率的目标程度值;
基于所述目标程度值和所述温度数据点在所述温度数据点集合中的邻域数据点,确定所述温度数据点的局部波动程度;
基于所述温度数据点的局部波动程度,确定所述温度数据点集合的噪声表现程度。
在上述方案中,通过温度数据点和活跃程度数据在各个时刻的趋势差异性,确定温度数据点中存在噪声的概率,并将该目标程度值与邻域数据点相结合,以分析每一温度数据点的局部波动程度,从而通过温度数据点的局部波动程度,既能够更加准确度得到温度数据点集合的噪声表现程度,还能够降低计算复杂度。
结合上述第一方面,在一种可能的实现方式中,所述基于所述多个时刻中每一时刻对应的趋势差异信息,确定表征所述每一时刻对应的温度数据点中存在噪声的概率的目标程度值,包括:
对所述多个时刻对应的趋势差异信息进行均值化处理,得到所述多个时刻下的均值差值信息;
确定所述每一时刻的趋势差异信息与所述均值差值信息之间的第一差值;
确定所述每一时刻的趋势差异信息分别与相邻时刻的趋势差异信息之间的第二差值;
将所述第一差值和所述第二差值进行融合,得到所述每一时刻的温度数据点的目标程度值。
在上述方案中,当温度数据点中存在噪声时,则在该噪声数据处的趋势差异信息相较周边的趋势差异信息会出现一定的差异性,即得到的目标程度数据具有一定的差异性,通过对各个时刻的趋势差异信息以及邻域数据的趋势差异性进行对比分析,能够提高目标程度数据的准确度。
结合上述第一方面,在一种可能的实现方式中,所述基于所述目标程度值和所述温度数据点在所述温度数据点集合中的邻域数据点,确定所述温度数据点的局部波动程度,包括:
对所述每一时刻的温度数据点和匹配的邻域数据点进行直线拟合,得到所述每一时刻的第一拟合直线;
对所述邻域数据点进行直线拟合,得到第二拟合直线;
针对所述邻域数据点中的每一数据点,对其他数据点和所述温度数据点进行直线拟合,得到第三拟合直线;其中,所述其他数据点为所述邻域数据点中除所述每一数据点之外的数据点;
分别确定所述每一时刻的温度数据点到所述第一拟合直线的第一距离,以及,所述每一时刻的温度数据点到所述邻域数据点的第二距离;
基于所述第二拟合直线的斜率、所述第三拟合直线的斜率、所述第一距离和所述第二距离,确定所述每一时刻的温度数据点的候选波动程度;
基于所述每一时刻的目标程度值对所述候选波动程度进行调整,得到所述每一时刻的温度数据点的局部波动程度。
在上述方案中,通过对温度数据点和响应的邻域数据点进行不同情况的直线拟合,以分析该温度数据点的局部波动程度,能够提高局部波动程度的精准度。
结合上述第一方面,在一种可能的实现方式中,所述基于所述第二拟合直线的斜率、所述第三拟合直线的斜率、所述第一距离和所述第二距离,确定所述每一时刻的温度数据点的候选波动程度,包括:
确定所述每一时刻对应的第二拟合直线的斜率与所述第三拟合直线的斜率之间的斜率差值;
基于所述第二距离对所述斜率差值进行调整,得到已调整差值;
基于所述第一距离和所述已调整差值,确定所述每一时刻的温度数据点的候选波动程度。
在上述方案中,针对各个时刻,通过该时刻的第二拟合直线以及其他时刻的第二拟合直线之间的斜率差值,结合温度数据点到第一拟合直线的距离,以及温度数据点与邻域数据点之间的第二距离,能够准确分析出温度数据点相对于其他温度数据点的波动情况,进而便于更加快速且准确的得到该温度数据点的局部波动程度。
结合上述第一方面,在一种可能的实现方式中,所述基于所述温度数据点的局部波动程度,确定所述温度数据点集合的噪声表现程度,包括:
基于所述多个时刻的温度数据点集合的局部波动程度,确定所述温度数据点集合的局部波动均值和局部波动标准差;
基于所述局部波动均值和所述局部波动标准差,确定所述每一时刻的温度数据点的局部波动程度相对于所述温度数据点集合的偏离程度;
确定所述每一时刻的温度数据点的局部波动程度,与其他时刻的温度数据点的局部波动程度之间的波动差异;
对所述偏离程度和所述波动差异进行归一化处理,确定所述每一时刻的温度数据点的噪声表现程度。
在上述方案中,获得所有温度数据点的局部波动程度之后,通过分析每一时刻的温度数据的局部波动程度相对于整个温度数据点集合的偏离程度,即可准确得到该温度数据点的波动差异,从而能够精准分析出该温度数据点中存在噪声的概率,即得到该温度数据点的噪声表现程度。
结合上述第一方面,在一种可能的实现方式中,所述基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合,包括:
基于所述多个时刻的温度数据点集合的噪声表现程度,在所述温度数据点集合中确定噪声表现程度大于预设噪声阈值的至少一个目标温度数据点;
基于所述至少一个目标温度数据点的噪声表现程度和所述至少一个目标温度数据点的邻域数据点,对所述至少一个目标温度数据点进行修正,得到所述已修正温度数据点集合。
在上述方案中,基于多个时刻的温度数据点的噪声表现程度,确定出存在噪声概率较高的目标温度数据点,通过对高概率噪声的目标温度数据点进行修正,使得到的已修正温度数据点集合更加准确,从而提高通过已修正温度数据点集合进行异常监测的准确性。
结合上述第一方面,在一种可能的实现方式中,所述基于所述至少一个目标温度数据点的邻域数据点的噪声表现程度和所述至少一个目标温度数据点的噪声表现程度,对所述至少一个目标温度数据点进行修正,得到所述已修正温度数据点集合,包括:
针对所述至少一个目标温度数据点中的任一目标温度数据点,确定所述任一目标温度数据点的邻域数据点的邻域均值;
基于所述任一目标温度数据点的噪声表现程度,对所述任一目标温度数据点与所述邻域均值之间的差值进行调整,得到已调整噪声表现程度;
基于所述已调整噪声表现程度对所述任一目标温度数据点的进行修正,得到所述任一目标温度数据点对应的已修正温度数据点;
基于所述至少一个目标温度数据点分别对应的已修正温度数据点,得到所述已修正温度数据点集合。
在上述方案中,通过目标温度数据点的噪声表现程度,对目标温度数据点与邻域均值之间的差值进行相乘,以实现对该目标温度数据点的修正,从而使得到的已修正温度数据点中受噪声的影响更小,从而使得已修正温度数据点集合更加真实。
第二方面,提供了一种基于物联网的数字化农业饲养数据采集***,所述***包括:
获取模块,用于获取动物所处饲养环境下多个时刻的温度数据点集合和所述动物在所述多个时刻的活跃程度数据;
第一确定模块,用于确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息;
第二确定模块,用于基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度;
修正模块,用于基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合;
监测模块,用于基于所述已修正温度数据点集合对所述动物所在环境进行异常监测。
第三方面,提供了一种服务器,包括存储器和处理器。该存储器用于存储可执行程序代码,该处理器用于从存储器中调用并运行该可执行程序代码,使得该设备执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第四方面,提供了一种计算机程序产品,该计算机程序产品包括:计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第五方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
附图说明
图1是本申请实施例提供的基于物联网的数字化农业饲养数据采集***的实施环境的实施环境的示意图;
图2是本申请实施例提供的一种基于物联网的数字化农业饲养数据采集方法的实现流程示意图;
图3是本申请实施例提供的一种基于物联网的数字化农业饲养数据采集方法的另一实现流程示意图;
图4是本申请实施例提供的一种基于物联网的数字化农业饲养数据采集方法的再一实现流程示意图;
图5是本申请实施例提供的一种基于物联网的数字化农业饲养数据采集方法的又一实现流程示意图;
图6是本申请实施例提供的一种基于物联网的数字化农业饲养数据采集***的组成结构示意图;
图7是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行清楚、详尽地描述。其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B:文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或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多个该特征。
下面对本申请实施例的实施环境进行以下介绍,该实施环境如图1所示,本申请实施例提供的基于物联网的数字化农业饲养数据采集***的实施环境包括数据采集端101、服务器102、异常监测端103。
数据采集端101和异常监测端103通过无线网络相连,异常监测端103与服务器102通过无线或有线网络相连。数据采集端101可以是任意类型的终端,比如,数据采集传感器。数据采集端101采集动物所处饲养环境下多个时刻的温度数据点集合和所述动物在所述多个时刻的活跃程度数据,并上传至服务器102;服务器102通过确定温度数据点集合和活跃程度数据之间在多个时刻的趋势差异信息;并通过趋势差异信息,确定所多个时刻的温度数据点集合的噪声表现程度,采用多个时刻的温度数据点集合的噪声表现程度,对温度数据点集合进行修正,以将已修正温度数据点集合发送给异常监测端103,使得异常监测端103已修正温度数据点集合对动物所在环境进行异常监测,从而得到更为准确的异常数据监测结果。
服务器102是独立的物理服务器,或者是多个物理服务器构成的服务器集群或者分布式***,或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
下面对本申请实施例提供的技术方案进行介绍,本申请实施例提供一种基于物联网的数字化农业饲养数据采集方法,参见图2,图2是本申请实施例提供的一种基于物联网的数字化农业饲养数据采集方法的实现流程示意图,该方法包括:
201,获取动物所处饲养环境下多个时刻的温度数据点集合和所述动物在所述多个时刻的活跃程度数据。
这里,温度数据点集合包括:多个时刻中每一时刻的温度值;动物在多个时刻的活跃程度数据,用于表示该动物在该多个时刻的每一时刻的活动情况,包括:运动模式和活动水平;其中,运动模式包括:运动和静止;活动水平包括:加速度、旋转角度、位置以及运动速度等。
在一些可能的实现方式中,通过温度传感器对农业饲养环境中的温度数据进行采集。在一个具体例子中,采集温度数据的时长为24小时为样本数据,采集数据频率为每10分钟采集一次(经验值,根据具体场景进行调控)。同时因在后续发明步骤中,需用到饲养动物的活跃程度与饲养环境的温度数据之间的相关性对温度数据进行对比分析,故本步骤需对饲养动物的活跃程度数据进行对应采集,具体地,使用运动追踪器和传感器来监测动物的运动活动。这些传感器可以是加速度计、陀螺仪、GPS或其他运动传感器。通过监测动物的运动模式和活动水平,可以得到动物的活跃程度数据,对于动物活跃程度数据的数据采集时长同样选取为24小时,采集数据频率为每10分钟采集一次。将采集的饲养环境温度数据和动物活跃程度数据传输到电脑分析***,以便于后续计算两类数据之间的趋势差异信息。
202,确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息。
这里,趋势差异信息用于表示各个时刻点的温度数据点和活跃程度数据之间的差异。比如,该多个时刻为24小时之内每间隔10分钟进行数据采集的时刻,那么得到通过先分析温度数据点集合和活跃程度数据在该24小时的各个采集时刻内的趋势,再确定两个趋势之间的差异信息。还可以是,分别确定温度数据点集合和活跃程度数据在每一时刻的差异,然后,将24小时内的多个采集时刻相结合,即可得到该趋势差异信息。
在一些可能的实现方式中,通过温度数据点和活跃程度数据在各个时刻比值,得到该趋势差异信息,即上述步骤202可以通过以下步骤221和222(图示未示出)实现:
221,在所述多个时刻中的每一时刻,确定所述温度数据中的每一温度数据点与对应的活跃程度数据之间的比值。
这里,分别计算出各个时刻下的温度数据点和活跃程度数据之间的比值。
222,基于所述每一时刻的比值,确定所述趋势差异信息。
这里,对该各个时刻的比值进行求均值计算,并针对任一时刻的比值,将该比值与得到的均值求差,从而得到该任一时刻下的趋势差异信息。如此,通过分析各个时刻下温度数据点与对应的活跃程度数据之间的比值,能够准确且快速得出温度数据点集合和活跃程度数据之间的趋势差异信息。
203,基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度。
其中,噪声表现程度用于表示温度数据点中是否存在噪声的概率。
在一些可能的实现方式中,先通过对各温度数据点的趋势差异信息进行归一化处理,以分析该温度数据点的目标程度值,通过该目标程度值来体现温度数据点中存在噪声的概率。之后,将该目标成都至和温度数据点的值相结合,来分析各个温度数据点的局部波动程度;最后,通过将各个温度数据点的局部波动程度相结合,即可得到温度数据点集合的噪声表现程度。
204,基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合。
这里,通过温度数据点集合的噪声表现程度,从温度数据点集合中确定出高概率噪声点的温度数据点。通过先确定该高概率噪声点的温度数据点的邻域的数据点的邻域均值,再确定出该高概率噪声点的温度数据点与邻域均值之间的差值,最后采用该高概率噪声点的温度数据点噪声表现程度对该差值进行调整,从而得到已修正温度数据点。
205,基于所述已修正温度数据点集合对所述动物所在环境进行异常监测。
这里,在得到已修正温度数据点集合之后,采用异常数据监测算法对已修正温度数据点集合进行异常监测,实现更为高效的基于物联网的数字化农业饲养温度数据采集。如此,通过获取动物所处饲养环境下多个时刻的温度数据点集合和动物在各个时刻的活跃程度数据,从而确定温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息;这样,通过该趋势差异信息能够分析出温度数据点集合和动物活跃程度数据之间的相关性。之后,通过趋势差异信息,确定多个时刻的温度数据点集合的噪声表现程度;再基于多个时刻的温度数据点集合的噪声表现程度,对温度数据点集合进行修正,得到已修正温度数据点集合,以便于通过已修正温度数据点集合对动物所在环境进行异常监测。如此,结合趋势差异信息确定温度数据点的噪声表现程度,从而能够依据噪声表现程度对温度数据点进行修正,最终能够依据修正后更真实的温度数据点,实现更为准确的异常监测。
在一些实施例中,通过动物的活跃程度数据与饲养环境温度数据之间数据趋势的相关性初步得到温度数据的目标程度值,进而在目标程度值的基础上根据温度数据点与周边数据的数据波动特征分析判断出温度数据点的局部波动程度,进而根据局部波动程度判断温度数据点的噪声表现程度,根据噪声表现程度对温度数据值进行修正;即上述步骤203可以通过图3所示的步骤实现:
301,基于所述多个时刻中每一时刻对应的趋势差异信息,确定表征所述每一时刻对应的温度数据点中存在噪声的概率的目标程度值。
这里,由于当饲养环境的温度越高时,饲养动物的代谢率和生化反应速度通常会增加,从而导致动物的活跃程度具有相应提高,故饲养环境的温度数据应与饲养动物的活跃程度数据具有正相关的关系,即温度数据点与动物活跃程度数据之间某处数据的趋势差异信息越大,则该处数据是噪声的可能性越大,故可由温度数据与动物活跃程度数据之间的趋势差异性对温度数据中可能为噪声的目标像素点进行分析判断。
由于温度数据和动物活跃程度数据之间具有正相关的数据关系,故当两组数据中某时刻处正相关的关联性越弱,也即趋势差异性越大,则该处数据的噪声概率越大。具体地,可将温度数据点与动物活跃程度数据作商处理,则某数据段处无噪声影响时,该商值会在该数据段趋向于一个平稳无波动的数据趋势;而当任一温度数据点存在噪声时,则在该噪声数据处的商值相较周边的商值会出现一定的差异性。因此,可由温度数据点和动物活跃成都数据的商值变化特征说明两组数据之间的相关性关系,进而判断出每一时刻对应的温度数据点中存在噪声的概率的目标程度值,即得到温度数据点集合中更有可能是噪声的目标温度数据点。
在一些可能的实现方式中,上述步骤301可以通过以下过程实现:
首先,对所述多个时刻对应的趋势差异信息进行均值化处理,得到所述多个时刻下的均值差值信息。
其次,确定所述每一时刻的趋势差异信息与所述均值差值信息之间的第一差值。
再次,确定所述每一时刻的趋势差异信息分别与相邻时刻的趋势差异信息之间的第二差值。
最后,将所述第一差值和所述第二差值进行融合,得到所述每一时刻的温度数据点的目标程度值。
在上述过程中,针对该多个时刻中的每一时刻(这里,以第i时刻为例)的温度数据点,该第i时刻的温度数据点的目标程度值如公式(1)所示:
(1);
在公式(1)中,表示温度数据点集合中第i个数据的目标程度值;/>表示归一化函数;/>表示第i个时刻下温度数据点与动物活跃程度数据的商值;L表示温度数据点集合的数据总数量;/>表示第j个时刻下温度数据点与动物活跃程度数据的商值;表示L个时刻下的均值差值信息。
表示第i个时刻下温度数据点和动物活跃程度数据的商值与所有时刻的商值均值水平的差异性,即第一差值,该第一差值越大,则说明第i个时刻下温度数据点和动物活跃程度数据的商值与所有时刻的商值均值水平的差异性越大,则对应第i个时刻对应的温度数据点的噪声概率越大。/>和/>分别表示第i-1时刻和第i+1个时刻下温度数据点与动物活跃程度数据的商值。/>表示第i个时刻下温度数据点与动物活跃程度数据的商值与相邻两时刻对应的商值的差异性,即第二差值,该第二差值越大,则说明第i个时刻下温度数据点与动物活跃程度数据的商值与相邻两时刻对应的商值的越具有差异性,则对应第i个时刻对应的温度数据点的噪声概率越大,则目标程度值越大。
获取所有温度数据点的目标程度值,则目标程度值可从动物活跃程度数据与温度数据点两组数据的趋势相关性上反映出各温度数据点的噪声概率。如此,由于温度数据点中存在噪声时,在该噪声数据处的趋势差异信息相较周边的趋势差异信息会出现一定的差异性,即得到的目标程度数据具有一定的差异性,通过对各个时刻的趋势差异信息以及邻域数据的趋势差异性进行对比分析,能够提高目标程度数据的准确度。
302,基于所述目标程度值和所述温度数据点在所述温度数据点集合中的邻域数据点,确定所述温度数据点的局部波动程度。
其中,温度数据点的局部波动程度表示该温度数据点相对于邻域数据点的变化情况。邻域数据点为采集时刻在该温度数据点的采集时刻的邻域内的温度数据点。邻域的半径可以是自定义设置的,比如,设置邻域半径为4个数据点。这样,对于任一温度数据点,该温度数据点的邻域数据点为:左侧的4个数据点以及右侧的4个温度数据点。
在一些可能的实现方式中,根据温度数据点与邻域数据点构成的拟合直线的直线特征分析出温度数据点的局部波动程度,进而根据局部波动程度的差异特征判断出温度数据点的噪声表现程度。
303,基于所述温度数据点的局部波动程度,确定所述温度数据点集合的噪声表现程度。
其中,当温度数据点存在局部噪声时,那么噪声数据点所在的局部波动程度与其他数据点的局部波动程度差异则是比较大的。因此,通过每个温度数据点的局部波动程度与其他数据点的局部波动程度的差异,从而得到每个温度数据点的噪声表现程度。如此,通过温度数据点和活跃程度数据在各个时刻的趋势差异性,确定温度数据点中存在噪声的概率,并将该目标程度值与邻域数据点相结合,以分析每一温度数据点的局部波动程度,从而通过温度数据点的局部波动程度,既能够更加准确度得到温度数据点集合的噪声表现程度,还能够降低计算复杂度。
在一些实施例中,通过对温度数据点和响应的邻域数据点进行不同情况的直线拟合,以分析该温度数据点的局部波动程度,能够提高局部波动程度的精准度,即上述步骤302可以通过图4所示的步骤实现:
401,对所述每一时刻的温度数据点和匹配的邻域数据点进行直线拟合,得到所述每一时刻的第一拟合直线。
其中,第一拟合直线为将包含该温度数据点和邻域数据点共9个数据进行最小二乘法拟合获得的直线。
402,对所述邻域数据点进行直线拟合,得到第二拟合直线。
这里,第二拟合直线为仅由邻域数据点通过最小二乘法拟合的直线(此时拟合直线不包含该温度数据点)。
403,针对所述邻域数据点中的每一数据点,对其他数据点和所述温度数据点进行直线拟合,得到第三拟合直线。
其中,所述其他数据点为所述邻域数据点中除所述每一数据点之外的数据点。比如,该温度数据点的邻域数据点为8个数据点,对于第1个邻域数据点来说,将这8个邻域数据点中去除第1个邻域数据点后的7个邻域数据点和温度数据点作为样本,进行直线拟合,即可得到该第三拟合直线;以此类推,得到8条第三拟合直线。
404,分别确定所述每一时刻的温度数据点到所述第一拟合直线的第一距离,以及,每一时刻的温度数据点到所述邻域数据点的第二距离。
这里,对于任一温度数据点,计算该数据点到第一拟合直线的距离,即得到第一距离;以及,该温度数据点到每一个邻域数据点的距离,即第二距离。
405,基于所述第二拟合直线的斜率、所述第三拟合直线的斜率、所述第一距离和所述第二距离,确定所述每一时刻的温度数据点的候选波动程度。
这里,通过将第二拟合直线的斜率、第一距离和第二距离相结合,共同确定该温度数据点的候选波动程度。在一些可能的实现方式中,上述步骤404可以通过以下过程实现:
首先,确定所述每一时刻对应的第二拟合直线的斜率与所述第三拟合直线的斜率之间的斜率差值。
这里,针对每一时刻来说,得到该时刻的温度数据点的邻域数据点的多条第三拟合直线。分别确定出该温度数据点对应的第二拟合直线与多条第三拟合直线之间的斜率差值。其中,所述其他时刻为所述多个时刻中所述每一时刻之外的时刻。通过分析该第一拟合直线的斜率与每一个第三拟合直线的斜率之间的差值,即可得到斜率差值。
其次,基于所述第二距离对所述斜率差值进行调整,得到已调整差值。
这里,由于邻域数据点为多个,所以第二距离也是多个。将同一邻域数据点的对应的第二距离与斜率差值相乘,得到该已调整差值。
最后,基于所述第一距离和所述已调整差值,确定所述每一时刻的温度数据点的候选波动程度。
这里,由于得到的已调整差值是多个,对多个已调整差值进行求和,将第一距离与求和结果进行相乘,并采用以自然常数e为底的指数函数,对相乘结果进行处理,得到每一时刻的温度数据点的候选波动程度。如此,针对各个时刻,通过该时刻的第二拟合直线以及其他时刻的第二拟合直线之间的斜率差值,结合温度数据点到第一拟合直线的距离,以及温度数据点与邻域数据点之间的第二距离,能够准确分析出温度数据点相对于其他温度数据点的波动情况,进而便于更加快速且准确的得到该温度数据点的局部波动程度。
406,基于所述每一时刻的目标程度值对所述候选波动程度进行调整,得到所述每一时刻的温度数据点的局部波动程度。
这里,将每一时刻的目标程度值与候选波动程度进行相乘,再对相乘结果进行归一化处理,即可得到每一时刻的温度数据点的局部波动程度。
在一些可能的实现方式中,选取当前待分析的温度数据点及取邻域8个数据点作为邻域数据点(比如,左侧4个和右侧4个,邻域数据点的取值设置经验值,可由实施者根据具体场景进行调控),对当前的温度数据点和邻域数据点共9个数据点,通过最小二乘法直线拟合技术对这些数据点进行不同情况的拟合,以得到第一拟合直线、第二拟合直线和第三拟合直线。根据不同拟合情况下的拟合直线特征分析出数据的噪声概率。
其中,对于不同拟合情况的解释为:对于当前待分析的温度数据点的邻域8个数据点,将这8个邻域数据点按照数值从小至大排列,第n个数据点即为数值第n小的邻域数据点,记去除这8个邻域数据点中的第n个数据后剩余的7个数据点与当前待分析的温度数据点共同作为样本点进行拟合的拟合情况为第n种直线拟合情况(如第3种拟合情况的样本点为当前待分析的温度数据点、以及对应8个邻域点中去除第3小的数据点后剩下的7个邻域数据点)。
通过不同情况下的拟合直线特征分析出温度数据点的局部波动程度,每一时刻(以第i时刻为例)的温度数据点的局部波动程度,如公式(2)所示:
(2);
在公式(2)中,为指数函数;/>表示归一化函数。/>表示第i个温度数据点的局部波动程度;/>表示第i个温度数据点到对应拟合直线的距离值(此时拟合直线为将包含第i个温度数据点和所有邻近温度数据点共9个数据进行最小二乘法拟合获得的直线);/>表示仅由第i个温度数据点邻近的8个温度数据点通过最小二乘法拟合的直线斜率(此时拟合直线不包含第i个温度数据点);/>表示第n种拟合情况下对应拟合直线的斜率。
将/>和/>作差并取绝对值,该值越大,则说明去除第i个温度数据点后剩余8个数据点拟合得到的直线斜率与第n种拟合情况下拟合得到的直线斜率的差异性越大,则说明第i个温度数据点的噪声概率越大。/>表示第i个温度数据点到选取的第n个邻近温度数据点之间的距离值,该值可作为/>的置信参数,该距离值越小,说明得到的可信任程度越高。/>将各邻域温度数据点得到的特征情况叠加;/>表示第i个温度数据点的目标程度值,该值作为局部波动程度的置信参数,即该值越大,则得到的局部波动程度的可信任程度越高。
在一些实施例中,获得所有温度数据点的局部波动程度之后,通过分析每一时刻的温度数据的局部波动程度相对于整个温度数据点集合的偏离程度,即可准确得到该温度数据点的波动差异,从而能够精准分析出该温度数据点中存在噪声的概率,即得到该温度数据点的噪声表现程度。这样,可以通过以下过程确定各个时刻的温度数据点的噪声表现程度:
首先,基于所述多个时刻的温度数据点集合的局部波动程度,确定所述温度数据点集合的局部波动均值和局部波动标准差。
这里,在得到各个时刻的温度数据点的局部波动程度之后,进一步计算这些温度数据点的局部波动程度的均值以及标准差,即可得到局部波动均值和局部波动标准差。
其次,基于所述局部波动均值和所述局部波动标准差,确定所述每一时刻的温度数据点的局部波动程度相对于所述温度数据点集合的偏离程度。
这里,先确定每一时刻的温度数据点的局部波动程度与局部波动均值之间的差值,再将该差值与局部波动标准差求比值,将该比值作为偏离程度。
再次,确定所述每一时刻的温度数据点的局部波动程度,与其他时刻的温度数据点的局部波动程度之间的波动差异。
这里,分别确定出每一时刻的温度数据点的局部波动程度与其他各个时刻的局部波动程度之间的差值,并对得到的多个差值求均值,将该均值作为波动差异。
最后,对所述偏离程度和所述波动差异进行归一化处理,确定所述每一时刻的温度数据点的噪声表现程度。
这里,将偏离程度和波动差异相乘,再采用归一化函数对乘积进行归一化处理,得到该每一时刻的温度数据点的噪声表现程度。
在一些可能的实现方式中,获得所有温度数据点的局部波动程度之后,该局部波动程度可从温度数据点及其邻近数据点通过不同拟合情况构成的拟合直线的特征上进一步反映出温度数据点的噪声概率。这样,第i时刻的温度数据点的噪声表现程度可以通过公式(3)得到:
(3);
其中,表示第i个时刻的温度数据点的噪声表现程度;/>表示第i个温度数据点的局部波动程度;/>表示所有数据点的局部波动程度的均值(即局部波动均值);/>表示每个温度数据点的局部波动程度值所组成的波动程度序列的标准差(即局部波动标准差)。
表示第i个温度数据点的局部波动程度与整体数据点的局部波动程度均值的差值绝对值比上所有数据点的局部波动程度的标准差,即偏离程度,该值越大则说明第i个温度数据点的局部波动程度相对于采集温度数据的整体波动程度偏离程度越大,那么第i个温度数据点所在局部受到噪声干扰的可能性越大。/>表示第s个数据点的局部波动程度;L表示采集温度数据点的总数量;/>表示第i个温度数据点的局部波动程度与其余每个数据点的局部波动程度的差值绝对值进行求和的均值,即,波动差异,该值则表示了第i个温度数据点与的局部波动程度与其余数据点局部波动程度的差异性,该值越大则说明第i个温度数据点局部存在噪声干扰的可能性越大。
在一些实施例中,通过多个时刻的温度数据点的噪声表现程度,确定出存在噪声概率较高的目标温度数据点,通过对高概率噪声的目标温度数据点进行修正,使得到的已修正温度数据点集合更加准确,从而提高通过已修正温度数据点集合进行异常监测的准确性;即上述步骤204可以通过图5所示的步骤实现:
501,基于所述多个时刻的温度数据点集合的噪声表现程度,在所述温度数据点集合中确定噪声表现程度大于预设噪声阈值的至少一个目标温度数据点。
这里,获取所有温度数据点的噪声表现程度,将预设噪声阈值取经验值0.68,对噪声表现程度高于0.68的温度数据点确定为高概率噪声点,即目标温度数据点。其中,预设噪声阈值可以是自定义设置的,还可以是基于经验值得到的。
502,基于所述至少一个目标温度数据点的噪声表现程度和所述至少一个目标温度数据点的邻域数据点,对所述至少一个目标温度数据点进行修正,得到所述已修正温度数据点集合。
在一些可能的实现方式中,通过目标温度数据点的噪声表现程度,对目标温度数据点与邻域均值之间的差值进行相乘,以实现对该目标温度数据点的修正,从而使得到的已修正温度数据点中受噪声的影响更小,从而使得已修正温度数据点集合更加真实,即上述步骤502可以通过以下过程实现:
首先,针对所述至少一个目标温度数据点中的任一目标温度数据点,确定所述任一目标温度数据点的邻域数据点的邻域均值。
这里,针对每一个时刻的目标温度数据点,确定出该目标温度数据点的邻域数据点,并进一步计算该邻域数据点的均值,即邻域均值。
其次,基于所述任一目标温度数据点的噪声表现程度,对所述任一目标温度数据点与所述邻域均值之间的差值进行调整,得到已调整噪声表现程度。
这里,采用该目标温度数据点的噪声表现程度与该差值进行相乘,得到已调整噪声表现程度。
再次,基于所述已调整噪声表现程度对所述任一目标温度数据点的进行修正,得到所述任一目标温度数据点对应的已修正温度数据点。
这里,将目标温度数据点加上已调整噪声表现程度,实现对目标温度数据点的修正,得到已修正温度数据点。
最后,基于所述至少一个目标温度数据点分别对应的已修正温度数据点,得到所述已修正温度数据点集合。
这里,在得到每一个目标温度数据点分别对应的已修正温度数据点之后,将这些已修正温度数据点与噪声概率不高的温度数据点相结合,得到该已修正温度数据点集合。
在一些可能的实现方式中,获取温度数据点集合中疑似噪声的高概率噪声点(即目标温度数据点)及其对应的噪声表现程度之后,对温度数据点集合中各高概率噪声点依据其噪声表现程度对温度数据点的值进行相应的修正,对于高概率噪声点的噪声表现程度越大的温度点,则使其温度数据点的值向其邻域数据点的均值处进行更多的修正,故根据以上逻辑对各高概率噪声点(即目标温度数据点)处的温度值进行修正的公式如下:
(4);
其中,表示温度数据中第r个目标温度数据点修正后的值;/>表示第r个目标温度数据点修正前的值;/>表示第r个目标温度数据点点左右两侧各取两个数据点构成的4个数据点的温度均值(即邻域均值,这里取的数量值4为经验值)。
表示第r个目标温度数据点的邻域均值与第r个目标温度数据点的温度值的差值;/>表示第r个目标温度数据点的噪声表现程度;/>表示将第r个目标温度数据点修正前的值根据其数据点的噪声表现程度向其邻域数据点的均值水平进行趋近修正。进而能够通过噪声表现程度对目标温度数据点的温度值进行修正,从而获取更真实可信的温度数据点。之后,根据异常数据监测算法对修正后的温度数据进行异常监测,实现更为高效的基于物联网的数字化农业饲养温度数据采集。
本申请实施例提供一种基于物联网的数字化农业饲养数据采集***,如图6所示,***600包括:
获取模块601,用于获取动物所处饲养环境下多个时刻的温度数据点集合和所述动物在所述多个时刻的活跃程度数据;
第一确定模块602,用于确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息;
第二确定模块603,用于基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度;
修正模块604,用于基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合;
监测模块605,用于基于所述已修正温度数据点集合对所述动物所在环境进行异常监测。
在上述***中,所述第一确定模块602,还用于在所述多个时刻中的每一时刻,确定所述温度数据中的每一温度数据点与对应的活跃程度数据之间的比值;基于所述每一时刻的比值,确定所述趋势差异信息。
在上述***中,所述第二确定模块603,还用于基于所述多个时刻中每一时刻对应的趋势差异信息,确定表征所述每一时刻对应的温度数据点中存在噪声的概率的目标程度值;基于所述目标程度值和所述温度数据点在所述温度数据点集合中的邻域数据点,确定所述温度数据点的局部波动程度;基于所述温度数据点的局部波动程度,确定所述温度数据点集合的噪声表现程度。
在上述***中,所述第二确定模块603,还用于对所述多个时刻对应的趋势差异信息进行均值化处理,得到所述多个时刻下的均值差值信息;确定所述每一时刻的趋势差异信息与所述均值差值信息之间的第一差值;确定所述每一时刻的趋势差异信息分别与相邻时刻的趋势差异信息之间的第二差值;将所述第一差值和所述第二差值进行融合,得到所述每一时刻的温度数据点的目标程度值。
在上述***中,所述第二确定模块603,还用于对所述每一时刻的温度数据点和匹配的邻域数据点进行直线拟合,得到所述每一时刻的第一拟合直线;对所述邻域数据点进行直线拟合,得到第二拟合直线;针对所述邻域数据点中的每一数据点,对其他数据点和所述温度数据点进行直线拟合,得到第三拟合直线;其中,所述其他数据点为所述邻域数据点中除所述每一数据点之外的数据点;分别确定所述每一时刻的温度数据点到所述第一拟合直线的第一距离,以及,所述每一时刻的温度数据点到所述邻域数据点的第二距离;基于所述第二拟合直线的斜率、所述第三拟合直线的斜率、所述第一距离和所述第二距离,确定所述每一时刻的温度数据点的候选波动程度;基于所述每一时刻的目标程度值对所述候选波动程度进行调整,得到所述每一时刻的温度数据点的局部波动程度。
在上述***中,所述第二确定模块603,还用于确定所述每一时刻对应的第二拟合直线的斜率与所述第三拟合直线的斜率之间的斜率差值;基于所述第二距离对所述斜率差值进行调整,得到已调整差值;基于所述第一距离和所述已调整差值,确定所述每一时刻的温度数据点的候选波动程度。
在上述***中,所述第二确定模块603,还用于基于所述多个时刻的温度数据点集合的局部波动程度,确定所述温度数据点集合的局部波动均值和局部波动标准差;基于所述局部波动均值和所述局部波动标准差,确定所述每一时刻的温度数据点的局部波动程度相对于所述温度数据点集合的偏离程度;确定所述每一时刻的温度数据点的局部波动程度,与其他时刻的温度数据点的局部波动程度之间的波动差异;对所述偏离程度和所述波动差异进行归一化处理,确定所述每一时刻的温度数据点的噪声表现程度。
在上述***中,所述修正模块604,还用于基于所述多个时刻的温度数据点集合的噪声表现程度,在所述温度数据点集合中确定噪声表现程度大于预设噪声阈值的至少一个目标温度数据点;基于所述至少一个目标温度数据点的噪声表现程度和所述至少一个目标温度数据点的邻域数据点,对所述至少一个目标温度数据点进行修正,得到所述已修正温度数据点集合。
在上述***中,所述修正模块604,还用于针对所述至少一个目标温度数据点中的任一目标温度数据点,确定所述任一目标温度数据点的邻域数据点的邻域均值;基于所述任一目标温度数据点的噪声表现程度,对所述任一目标温度数据点与所述邻域均值之间的差值进行调整,得到已调整噪声表现程度;基于所述已调整噪声表现程度对所述任一目标温度数据点的进行修正,得到所述任一目标温度数据点对应的已修正温度数据点;基于所述至少一个目标温度数据点分别对应的已修正温度数据点,得到所述已修正温度数据点集合。
可选地,传输介质可以是有线链路(例如但不限于,同轴电缆、光纤和数字用户线路(Digital Subscriber Line,DSL)等)或无线链路(例如但不限于,无线上网(WirelessFidelity,WIFI)、蓝牙和移动设备网络等)。
需要说明的是:上述实施例提供的***,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的导购装置与图像延展方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图7是本申请实施例提供的一种计算机设备的结构示意图。示例性的,如图7所示,该计算机设备700包括:存储器701、处理器702以及存储在该存储器701中并在处理器702上运行的计算机程序703,其中,该处理器702执行该计算机程序703时,使得该计算机设备可执行前述介绍的任意一种基于物联网的数字化农业饲养数据采集方法。
此外,本申请实施例还保护一种装置,该装置可以包括存储器和处理器,其中,存储器中存储有可执行程序代码,处理器用于调用并执行该可执行程序代码执行本申请实施例提供的一种基于物联网的数字化农业饲养数据采集方法。
本实施例可以根据上述方法示例对该装置进行功能模块的划分,例如,可以对应各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中,上述集成的模块可以采用硬件的形式实现。需要说明的是,本实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个模块的情况下,该装置还可以包括信号上传模块、确定模块和调整模块等。需要说明的是,上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述,在此不再赘述。
应理解,本实施例提供的装置用于执行上述一种基于物联网的数字化农业饲养数据采集方法,因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下,该装置可以包括处理模块、存储模块。其中,当该装置应用于设备上时,处理模块可以用于对设备的动作进行控制管理。存储模块可以用于支持设备执行相互程序代码等。
其中,处理模块可以是处理器或控制器,其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包括一个或多个微处理器组合,数字信号处理(Digital Signal Processing,DSP)和微处理器的组合等等,存储模块可以是存储器。
另外,本申请的实施例提供的装置具体可以是芯片、组件或模块,该芯片可包括相连的处理器和存储器;其中,存储器用于存储指令,当处理器调用并执行指令时,可以使芯片执行上述实施例提供的一种基于物联网的数字化农业饲养数据采集方法。
本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序代码,当该计算机程序代码在计算机上运行时,使得计算机执行上述相关方法步骤实现上述实施例提供的一种基于物联网的数字化农业饲养数据采集方法。
本实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例提供的一种基于物联网的数字化农业饲养数据采集方法。
其中,本实施例提供的装置、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于物联网的数字化农业饲养数据采集方法,其特征在于,所述方法包括:
获取动物所处饲养环境下多个时刻的温度数据点集合和所述动物在多个时刻的活跃程度数据;
确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息;
基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度;
基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合;
基于所述已修正温度数据点集合对所述动物所在环境进行异常监测;
所述确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息,包括:
在所述多个时刻中的每一时刻,确定所述温度数据中的每一温度数据点与对应的活跃程度数据之间的比值;
基于所述每一时刻的比值,确定所述趋势差异信息;
所述基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度,包括:
基于所述多个时刻中每一时刻对应的趋势差异信息,确定表征所述每一时刻对应的温度数据点中存在噪声的概率的目标程度值;
基于所述目标程度值和所述温度数据点在所述温度数据点集合中的邻域数据点,确定所述温度数据点的局部波动程度;
基于所述温度数据点的局部波动程度,确定所述温度数据点集合的噪声表现程度。
2.根据权利要求1所述的一种基于物联网的数字化农业饲养数据采集方法,其特征在于,所述基于所述多个时刻中每一时刻对应的趋势差异信息,确定表征所述每一时刻对应的温度数据点中存在噪声的概率的目标程度值,包括:
对所述多个时刻对应的趋势差异信息进行均值化处理,得到所述多个时刻下的均值差值信息;
确定所述每一时刻的趋势差异信息与所述均值差值信息之间的第一差值;
确定所述每一时刻的趋势差异信息分别与相邻时刻的趋势差异信息之间的第二差值;
将所述第一差值和所述第二差值进行融合,得到所述每一时刻的温度数据点的目标程度值。
3.根据权利要求1所述的一种基于物联网的数字化农业饲养数据采集方法,其特征在于,所述基于所述目标程度值和所述温度数据点在所述温度数据点集合中的邻域数据点,确定所述温度数据点的局部波动程度,包括:
对所述每一时刻的温度数据点和匹配的邻域数据点进行直线拟合,得到所述每一时刻的第一拟合直线;
对所述邻域数据点进行直线拟合,得到第二拟合直线;
针对所述邻域数据点中的每一数据点,对其他数据点和所述温度数据点进行直线拟合,得到第三拟合直线;其中,所述其他数据点为所述邻域数据点中除所述每一数据点之外的数据点;
分别确定所述每一时刻的温度数据点到所述第一拟合直线的第一距离,以及,所述每一时刻的温度数据点到所述邻域数据点的第二距离;
基于所述第二拟合直线的斜率、所述第三拟合直线的斜率、所述第一距离和所述第二距离,确定所述每一时刻的温度数据点的候选波动程度;
基于所述每一时刻的目标程度值对所述候选波动程度进行调整,得到所述每一时刻的温度数据点的局部波动程度。
4.根据权利要求3所述的一种基于物联网的数字化农业饲养数据采集方法,其特征在于,所述基于所述第二拟合直线的斜率、所述第三拟合直线的斜率、所述第一距离和所述第二距离,确定所述每一时刻的温度数据点的候选波动程度,包括:
确定所述每一时刻对应的第二拟合直线的斜率与所述第三拟合直线的斜率之间的斜率差值;
基于所述第二距离对所述斜率差值进行调整,得到已调整差值;
基于所述第一距离和所述已调整差值,确定所述每一时刻的温度数据点的候选波动程度。
5.根据权利要求1所述的一种基于物联网的数字化农业饲养数据采集方法,其特征在于,所述基于所述温度数据点的局部波动程度,确定所述温度数据点集合的噪声表现程度,包括:
基于所述多个时刻的温度数据点集合的局部波动程度,确定所述温度数据点集合的局部波动均值和局部波动标准差;
基于所述局部波动均值和所述局部波动标准差,确定所述每一时刻的温度数据点的局部波动程度相对于所述温度数据点集合的偏离程度;
确定所述每一时刻的温度数据点的局部波动程度,与其他时刻的温度数据点的局部波动程度之间的波动差异;
对所述偏离程度和所述波动差异进行归一化处理,确定所述每一时刻的温度数据点的噪声表现程度。
6.根据权利要求1所述的一种基于物联网的数字化农业饲养数据采集方法,其特征在于,所述基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合,包括:
基于所述多个时刻的温度数据点集合的噪声表现程度,在所述温度数据点集合中确定噪声表现程度大于预设噪声阈值的至少一个目标温度数据点;
基于所述至少一个目标温度数据点的噪声表现程度和所述至少一个目标温度数据点的邻域数据点,对所述至少一个目标温度数据点进行修正,得到所述已修正温度数据点集合。
7.根据权利要求6所述的一种基于物联网的数字化农业饲养数据采集方法,其特征在于,所述基于所述至少一个目标温度数据点的邻域数据点的噪声表现程度和所述至少一个目标温度数据点的噪声表现程度,对所述至少一个目标温度数据点进行修正,得到所述已修正温度数据点集合,包括:
针对所述至少一个目标温度数据点中的任一目标温度数据点,确定所述任一目标温度数据点的邻域数据点的邻域均值;
基于所述任一目标温度数据点的噪声表现程度,对所述任一目标温度数据点与所述邻域均值之间的差值进行调整,得到已调整噪声表现程度;
基于所述已调整噪声表现程度对所述任一目标温度数据点的进行修正,得到所述任一目标温度数据点对应的已修正温度数据点;
基于所述至少一个目标温度数据点分别对应的已修正温度数据点,得到所述已修正温度数据点集合。
8.一种基于物联网的数字化农业饲养数据采集***,其特征在于,所述***包括:
获取模块,用于获取动物所处饲养环境下多个时刻的温度数据点集合和所述动物在多个时刻的活跃程度数据;
第一确定模块,用于确定所述温度数据点集合和所述活跃程度数据之间在所述多个时刻的趋势差异信息;
第二确定模块,用于基于所述趋势差异信息,确定所述多个时刻的温度数据点集合的噪声表现程度;
修正模块,用于基于所述多个时刻的温度数据点集合的噪声表现程度,对所述温度数据点集合进行修正,得到已修正温度数据点集合;
监测模块,用于基于所述已修正温度数据点集合对所述动物所在环境进行异常监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424347.2A CN118013448B (zh) | 2024-04-10 | 2024-04-10 | 基于物联网的数字化农业饲养数据采集方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424347.2A CN118013448B (zh) | 2024-04-10 | 2024-04-10 | 基于物联网的数字化农业饲养数据采集方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013448A true CN118013448A (zh) | 2024-05-10 |
CN118013448B CN118013448B (zh) | 2024-06-21 |
Family
ID=90946688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410424347.2A Active CN118013448B (zh) | 2024-04-10 | 2024-04-10 | 基于物联网的数字化农业饲养数据采集方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013448B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102893337A (zh) * | 2010-02-19 | 2013-01-23 | 桑迪士克技术有限公司 | 具有基于邻近存储元件的状态信息的温度补偿的非易失性存储装置 |
EP2988188A2 (de) * | 2014-08-14 | 2016-02-24 | Xpertec GmbH | Thermostateinheit und verfahren zur automatischen regelung der raumtemperatur |
CN112817354A (zh) * | 2021-02-08 | 2021-05-18 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制***及其调控方法 |
WO2021259365A1 (zh) * | 2020-06-24 | 2021-12-30 | 杭州海康威视数字技术股份有限公司 | 一种目标测温方法、装置及测温*** |
CN114287361A (zh) * | 2022-01-20 | 2022-04-08 | 中国农业科学院农业信息研究所 | 一种牲畜行为监测分析***及方法 |
CN114565042A (zh) * | 2022-02-28 | 2022-05-31 | 上海赞娅机械有限公司 | 基于气压传感器的行为模式识别方法、***和电子设备 |
US20220351042A1 (en) * | 2019-03-08 | 2022-11-03 | Ai Concepts, Llc | Intelligent recognition and alert methods and systems |
US20230142802A1 (en) * | 2020-02-04 | 2023-05-11 | Zoll Circulation, Inc. | Determining a value indicative of a thermoregulatory activity of a patient using a temperature management system |
US20230227046A1 (en) * | 2022-01-14 | 2023-07-20 | Toyota Motor North America, Inc. | Mobility index determination |
CN116842326A (zh) * | 2023-08-30 | 2023-10-03 | 灌南县北陈集动物防疫检疫所 | 一种基于光学手段的畜牧养殖水质监测*** |
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*** |
CN117470380A (zh) * | 2023-12-26 | 2024-01-30 | 西安艺琳农业发展有限公司 | 一种智慧养猪多传感器监测及预警*** |
US20240038383A1 (en) * | 2020-12-02 | 2024-02-01 | Innsightful, Inc. | Health Monitoring System |
-
2024
- 2024-04-10 CN CN202410424347.2A patent/CN118013448B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102893337A (zh) * | 2010-02-19 | 2013-01-23 | 桑迪士克技术有限公司 | 具有基于邻近存储元件的状态信息的温度补偿的非易失性存储装置 |
EP2988188A2 (de) * | 2014-08-14 | 2016-02-24 | Xpertec GmbH | Thermostateinheit und verfahren zur automatischen regelung der raumtemperatur |
US20220351042A1 (en) * | 2019-03-08 | 2022-11-03 | Ai Concepts, Llc | Intelligent recognition and alert methods and systems |
US20230142802A1 (en) * | 2020-02-04 | 2023-05-11 | Zoll Circulation, Inc. | Determining a value indicative of a thermoregulatory activity of a patient using a temperature management system |
WO2021259365A1 (zh) * | 2020-06-24 | 2021-12-30 | 杭州海康威视数字技术股份有限公司 | 一种目标测温方法、装置及测温*** |
US20240038383A1 (en) * | 2020-12-02 | 2024-02-01 | Innsightful, Inc. | Health Monitoring System |
CN112817354A (zh) * | 2021-02-08 | 2021-05-18 | 中国农业大学 | 一种畜禽舍养殖环境温度预测控制***及其调控方法 |
US20240000046A1 (en) * | 2021-02-08 | 2024-01-04 | China Agricultural University | Predictive control system and regulatory method for temperature of livestock house |
US20230227046A1 (en) * | 2022-01-14 | 2023-07-20 | Toyota Motor North America, Inc. | Mobility index determination |
CN114287361A (zh) * | 2022-01-20 | 2022-04-08 | 中国农业科学院农业信息研究所 | 一种牲畜行为监测分析***及方法 |
CN114565042A (zh) * | 2022-02-28 | 2022-05-31 | 上海赞娅机械有限公司 | 基于气压传感器的行为模式识别方法、***和电子设备 |
CN116842326A (zh) * | 2023-08-30 | 2023-10-03 | 灌南县北陈集动物防疫检疫所 | 一种基于光学手段的畜牧养殖水质监测*** |
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*** |
CN117470380A (zh) * | 2023-12-26 | 2024-01-30 | 西安艺琳农业发展有限公司 | 一种智慧养猪多传感器监测及预警*** |
Non-Patent Citations (2)
Title |
---|
QIANG HUANG等: "Comparative analysis of the characteristics of digestive organs in broiler chickens with different feed efficiencies", 《POULTRY SCIENCE》, 31 December 2022 (2022-12-31), pages 1 - 10 * |
黄强: "正大上线猪场温控管理、免疫程序优化对生产成绩的影响研究", 《中国优秀硕士学位论文电子期刊》, 15 December 2019 (2019-12-15), pages 1 - 45 * |
Also Published As
Publication number | Publication date |
---|---|
CN118013448B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108880931B (zh) | 用于输出信息的方法和装置 | |
CN108269254B (zh) | 图像质量评估方法和装置 | |
CN116229036B (zh) | 数据采集***、方法、计算机设备及存储介质 | |
CN111467074B (zh) | 用于检测牲畜状态的方法和装置 | |
CN107508809A (zh) | 识别网址类型的方法及装置 | |
CN111177725B (zh) | 一种检测恶意刷点击操作的方法、装置、设备及存储介质 | |
CN111968750A (zh) | 一种服务器、数据处理方法、装置及可读存储介质 | |
CN112492297A (zh) | 一种对视频的处理方法以及相关设备 | |
CN118013448B (zh) | 基于物联网的数字化农业饲养数据采集方法及*** | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN110503181B (zh) | 用于生成多层神经网络的方法和装置 | |
CN114580572A (zh) | 一种异常值的识别方法、装置、电子设备及存储介质 | |
CN113672782A (zh) | 一种基于数据查询的物联网设备重要性匹配方法 | |
US20230409422A1 (en) | Systems and Methods for Anomaly Detection in Multi-Modal Data Streams | |
CN112380126A (zh) | Web***健康预测装置及方法 | |
CN116662904A (zh) | 数据类型的变异检测方法、装置、计算机设备及介质 | |
CN111258854A (zh) | 模型训练方法、基于预测模型的报警方法和相关装置 | |
WO2021206226A1 (ko) | 영상 인공지능 기반 피부 손실도 및 수분도 추정 방법 | |
CN117992834B (zh) | 一种数据分析方法以及相关装置 | |
CN111078984A (zh) | 网络模型发布方法、装置、计算机设备和存储介质 | |
CN117033145B (zh) | 一种基于云计算的软件开发方法 | |
CN117729063B (zh) | 工业物联网的设备接入方法、装置、设备及存储介质 | |
CN117073604B (zh) | 涂布测厚方法、装置、设备及存储介质 | |
JP2024027789A (ja) | 土壌成分推定装置、土壌成分推定方法、および、コンピュータプログラム | |
CN117041085A (zh) | 网络异常识别方法、***、电子设备和存储介质 |
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 |