一种基于动物生命体征传感器技术的智能养殖方法与装置
文献发布时间:2024-04-18 20:01:30
技术领域
本发明涉及智能养殖的技术领域,尤其涉及一种基于动物生命体征传感器技术的智能养殖方法与装置。
背景技术
我国是猪肉生产和消费的第一大国,生猪养殖在我国农业生产中占据重要地位。据统计,2021年我国生猪出栏量为67128万头,比上年增长27.4%;猪肉产量为5296万kg,比上年增长28.8%。目前,我国生猪养殖正在向集约化、规模化方向迈进,相较于粗放散养模式,规模化养殖具有占地小、便于管理、生产效率高等优点,但是其饲养密度高,在面对如非洲猪瘟、猪肺疫、猪蓝耳病等传染病时,通常存在发病率高、控制难度大等缺点。随着物联网技术、人工智能技术的不断发展和国家对于农业现代化的不断推进,越来越多的规模生猪养殖场开始采用生猪射频识别耳标及阅读器、红外测温枪、智能摄像头等现代化工具对生猪各项生产性能指标进行实时监测。但是该类方法对生猪生活习性影响较大并且接触式传感器易掉落,对安全监测产生一定影响。针对该问题,本发明提出一种动物生命体征传感器技术的智能养殖方法与装置,通过非接触式传感技术获取生命体征实现对生猪运动量、行为的实时监测,达到智能养殖的目的。
发明内容
有鉴于此,本发明提供一种基于动物生命体征传感器技术的智能养殖方法与装置,目的在于:1)利用非接触式传感技术的方式获取生猪养殖视频,并利用结合光照变化控制的不同帧的像素变化幅度,筛选得到生猪养殖视频中像素变化幅度较大的视频帧图像作为关键帧图像,实现生猪养殖视频的关键帧提取,并利用生猪发育状态估计模型对关键帧图像依次进行形体轮廓表征以及同普通生猪形体的形态差距表征,量化生猪在不同帧时刻的发育状态,进行生猪的发育特征序列提取,实现非接触式传感技术下的生命体征提取;2)结合数据差分处理以及多轮特征信息提取的方式构建生猪食量精准预测模型,采用生猪食量精准预测模型对生猪发育状态序列进行预测,实现每一头生猪在下一生猪喂养阶段的食量预测,并对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量,实现结合生猪生命体征信息的饲料投放量智能确定。
实现上述目的,本发明提供的一种基于动物生命体征传感器技术的智能养殖方法,包括以下步骤:
S1:采集生猪养殖视频并进行关键帧提取,得到生猪养殖关键帧图像序列;
S2:构建生猪发育状态估计模型,利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,得到生猪发育状态序列,所述生猪发育状态估计模型以生猪养殖关键帧图像序列为输入,以生猪发育状态序列为输出;
S3:构建生猪食量精准预测模型,所述生猪食量精准预测模型以生猪发育状态序列为输入,以预测食量为输出;
S4:利用生猪食量精准预测模型获取每一头生猪的预测食量,对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集生猪养殖视频并进行关键帧提取,包括:
利用安装在养殖场的摄像头采集生猪养殖视频,其中生猪养殖视频的采集时间范围为上一生猪喂养阶段结束时刻至当前时刻,生猪养殖视频的表示形式为:
其中:
X
表示生猪养殖视频X
对生猪养殖视频进行关键帧提取,其中生猪养殖视频X
S11:对生猪养殖视频X
其中:
表示视频帧图像/>
表示视频帧图像/>
分别表示视频帧图像/>
S12:生成生猪养殖视频X
S13:设置
S14:初始化s为1;
S15:计算得到关键帧图像
其中:
D(X
g
c
表示选取视频帧图像X
表示预设的灰度阈值;
S16:统计差值矩阵(D(X
S17:按照关键帧图像的添加顺序提取关键帧集合Ω
其中:
L
表示生猪养殖关键帧图像序列L
可选地,所述S2步骤中构建生猪发育状态估计模型,包括:
构建生猪发育状态估计模型,所述生猪发育状态估计模型以生猪养殖关键帧图像序列为输入,以生猪发育状态序列为输出,其中生猪发育状态估计模型包括输入层、生猪形体特征提取层、生猪发育状态计算层以及输出层;
输入层用于接收生猪养殖关键帧图像序列,并对生猪养殖关键帧图像序列进行灰度化处理,得到对应的灰度化图像矩阵序列;
生猪形体特征提取层用于依次对灰度化图像矩阵序列中的灰度化图像矩阵进行特征提取处理,得到生猪形体特征序列;
生猪发育状态计算层用于依次计算生猪形体特征序列中生猪形体特征的发育状态;
输出层用于将生猪形体特征序列中不同生猪形体特征的发育状态,按照生猪形体特征序列顺序排列为生猪发育状态序列。
可选地,所述S2步骤中利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,包括:
利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,得到对应的生猪发育状态序列,其中生猪养殖关键帧图像序列L
S21:输入层接收生猪养殖关键帧图像序列
(g
其中:
g
S22:生猪形体特征提取层依次对灰度化图像矩阵序列中的灰度化图像矩阵进行特征提取处理,得到每个灰度化图像矩阵对应的生猪形体特征,其中灰度化图像矩阵g
S221:对灰度化图像矩阵g
h
其中:
H表示滤波矩阵,*表示矩阵卷积操作;
h
S222:计算得到滤波处理结果h
其中:
分别表示h
表示h
h
S223:计算得到滤波处理结果h
其中:
表示h
S224:生成灰度化图像矩阵g
其中:
A
S23:生猪发育状态计算层计算得到生猪形体特征对应的生猪发育状态,其中生猪形体特征A
B
其中:
W表示生猪发育状态计算层的卷积计算矩阵;
A表示标准生猪图像的生猪形体特征;其中标准生猪图像表示无需进行喂养的生猪的对应图像;
S24:输出层构成生猪养殖关键帧图像序列L
其中:
B
可选地,所述S3步骤中构建生猪食量精准预测模型,包括:
构建生猪食量精准预测模型,所述生猪食量精准预测模型以生猪发育状态序列为输入,以预测食量为输出,其中生猪食量精准预测模型包括输入层、差分计算层、预测层以及输出层;
输入层用于接收生猪的生猪发育状态序列;
差分计算层用于对生猪发育状态序列进行差分序列表示;
预测层用于对差分序列进行预测,预测得到生猪的发育程度;
输出层结合上一生猪喂养阶段的饲料投放量以及生猪的发育程度预测结果,生成不同生猪的预测食量。
可选地,所述S4步骤中利用生猪食量精准预测模型预测得到每一头生猪的预测食量,包括:
利用生猪食量精准预测模型预测得到每一头生猪的预测食量,其中养殖场中编号为i的生猪的食量预测流程为:
S41:输入层编号为i的生猪的生猪发育状态序列
S42:差分计算层对生猪发育状态序列进行差分序列表示,其中生猪发育状态序列B
V
其中:
V
S43:预测层对差分序列V
C
其中:
C
μ
δ(·)表示ReLU激活函数;
||表示特征信息的拼接处理;
表示差分序列V
表示预测层中对于K
S43:输出层结合上一生猪喂养阶段的饲料投放量F
其中:
γ表示调节系数;在本发明实施例中,γ的值为0.1;
F
可选地,所述S4步骤中对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量,包括:
对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量,根据下一生猪喂养阶段的饲料投放量进行饲料投放,其中下一生猪喂养阶段饲料投放量的计算公式为:
其中:
F表示下一生猪喂养阶段的饲料投放量。
为了解决上述问题,本发明提供一种基于动物生命体征传感器技术的智能养殖装置,其特征在于,所述装置包括:
生猪养殖视频采集装置,用于采集生猪养殖视频并进行关键帧提取,得到生猪养殖关键帧图像序列;
生命体征提取模块,用于构建生猪发育状态估计模型,利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计;
生猪智能养殖模块,用于利用生猪食量精准预测模型获取每一头生猪的预测食量,对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量,实现智能养殖。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及
处理器,执行所述存储器中存储的指令以实现上述所述的基于动物生命体征传感器技术的智能养殖方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于动物生命体征传感器技术的智能养殖方法。
相对于现有技术,本发明提出一种基于动物生命体征传感器技术的智能养殖方法,该技术具有以下优势:
首先,本方案提出一种生猪生命体征信息提取方式,利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,得到对应的生猪发育状态序列,其中生猪养殖关键帧图像序列Li的发育状态估计流程为:输入层接收生猪养殖关键帧图像序列
其中:g
B
其中:W表示生猪发育状态计算层的卷积计算矩阵;A表示标准生猪图像的生猪形体特征;其中标准生猪图像表示无需进行喂养的生猪的对应图像;输出层构成生猪养殖关键帧图像序列L
其中:B
同时,本方案提出一种生猪食量预测方法,利用生猪食量精准预测模型预测得到每一头生猪的预测食量,其中养殖场中编号为i的生猪的食量预测流程为:输入层编号为i的生猪的生猪发育状态序列
V
其中:V
C
其中:C
其中:γ表示调节系数;F
附图说明
图1为本发明一实施例提供的一种基于动物生命体征传感器技术的智能养殖方法的流程示意图;
图2为本发明一实施例提供的基于动物生命体征传感器技术的智能养殖装置的功能模块图;
图2中:100基于动物生命体征传感器技术的智能养殖装置,101生猪养殖视频采集装置,102生命体征提取模块,103生猪智能养殖模块;
图3为本发明一实施例提供的实现基于动物生命体征传感器技术的智能养殖方法的电子设备的结构示意图;
图3中:1电子设备,10处理器,11存储器,12程序,13通信接口。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于动物生命体征传感器技术的智能养殖方法。所述基于动物生命体征传感器技术的智能养殖方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于动物生命体征传感器技术的智能养殖方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:采集生猪养殖视频并进行关键帧提取,得到生猪养殖关键帧图像序列。
所述S1步骤中采集生猪养殖视频并进行关键帧提取,包括:
利用安装在养殖场的摄像头采集生猪养殖视频,其中生猪养殖视频的采集时间范围为上一生猪喂养阶段结束时刻至当前时刻,生猪养殖视频的表示形式为:
其中:
X
表示生猪养殖视频X
对生猪养殖视频进行关键帧提取,其中生猪养殖视频X
S11:对生猪养殖视频X
其中:
表示视频帧图像/>
表示视频帧图像/>
分别表示视频帧图像/>
S12:生成生猪养殖视频X
S13:设置
S14:初始化s为1;
S15:计算得到关键帧图像
其中:
D(X
g
c
表示选取视频帧图像Xi(k)中第p行第q列像素在三个颜色通道的最大颜色值;
表示预设的灰度阈值;
S16:统计差值矩阵(D(X
S17:按照关键帧图像的添加顺序提取关键帧集合Ω
其中:
L
表示生猪养殖关键帧图像序列L
S2:构建生猪发育状态估计模型,利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,得到生猪发育状态序列,所述生猪发育状态估计模型以生猪养殖关键帧图像序列为输入,以生猪发育状态序列为输出。
所述S2步骤中构建生猪发育状态估计模型,包括:
构建生猪发育状态估计模型,所述生猪发育状态估计模型以生猪养殖关键帧图像序列为输入,以生猪发育状态序列为输出,其中生猪发育状态估计模型包括输入层、生猪形体特征提取层、生猪发育状态计算层以及输出层;
输入层用于接收生猪养殖关键帧图像序列,并对生猪养殖关键帧图像序列进行灰度化处理,得到对应的灰度化图像矩阵序列;
生猪形体特征提取层用于依次对灰度化图像矩阵序列中的灰度化图像矩阵进行特征提取处理,得到生猪形体特征序列;
生猪发育状态计算层用于依次计算生猪形体特征序列中生猪形体特征的发育状态;
输出层用于将生猪形体特征序列中不同生猪形体特征的发育状态,按照生猪形体特征序列顺序排列为生猪发育状态序列。
所述S2步骤中利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,包括:
利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,得到对应的生猪发育状态序列,其中生猪养殖关键帧图像序列L
S21:输入层接收生猪养殖关键帧图像序列
其中:
g
S22:生猪形体特征提取层依次对灰度化图像矩阵序列中的灰度化图像矩阵进行特征提取处理,得到每个灰度化图像矩阵对应的生猪形体特征,其中灰度化图像矩阵g
S221:对灰度化图像矩阵g
h
其中:
H表示滤波矩阵,*表示矩阵卷积操作;
h
S222:计算得到滤波处理结果h
其中:
分别表示h
表示h
h
S223:计算得到滤波处理结果h
其中:
表示h
S224:生成灰度化图像矩阵g
其中:
A
S23:生猪发育状态计算层计算得到生猪形体特征对应的生猪发育状态,其中生猪形体特征A
B
其中:
W表示生猪发育状态计算层的卷积计算矩阵;
A表示标准生猪图像的生猪形体特征;其中标准生猪图像表示无需进行喂养的生猪的对应图像;
S24:输出层构成生猪养殖关键帧图像序列L
其中:
B
S3:构建生猪食量精准预测模型,所述生猪食量精准预测模型以生猪发育状态序列为输入,以预测食量为输出。
所述S3步骤中构建生猪食量精准预测模型,包括:
构建生猪食量精准预测模型,所述生猪食量精准预测模型以生猪发育状态序列为输入,以预测食量为输出,其中生猪食量精准预测模型包括输入层、差分计算层、预测层以及输出层;
输入层用于接收生猪的生猪发育状态序列;
差分计算层用于对生猪发育状态序列进行差分序列表示;
预测层用于对差分序列进行预测,预测得到生猪的发育程度;
输出层结合上一生猪喂养阶段的饲料投放量以及生猪的发育程度预测结果,生成不同生猪的预测食量。
S4:利用生猪食量精准预测模型获取每一头生猪的预测食量,对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量。
所述S4步骤中利用生猪食量精准预测模型预测得到每一头生猪的预测食量,包括:
利用生猪食量精准预测模型预测得到每一头生猪的预测食量,其中养殖场中编号为i的生猪的食量预测流程为:
S41:输入层编号为i的生猪的生猪发育状态序列
S42:差分计算层对生猪发育状态序列进行差分序列表示,其中生猪发育状态序列B
V
其中:
V
S43:预测层对差分序列V
/>
C
其中:
C
μ
δ(·)表示ReLU激活函数;
||表示特征信息的拼接处理;
表示差分序列V
表示预测层中对于K
S43:输出层结合上一生猪喂养阶段的饲料投放量F
其中:
γ表示调节系数;在本发明实施例中,γ的值为0.1;
F
所述S4步骤中对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量,包括:
对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量,根据下一生猪喂养阶段的饲料投放量进行饲料投放,其中下一生猪喂养阶段饲料投放量的计算公式为:
其中:
F表示下一生猪喂养阶段的饲料投放量。
实施例2:
如图2所示,是本发明一实施例提供的基于动物生命体征传感器技术的智能养殖装置的功能模块图,其可以实现实施例1中的基于动物生命体征传感器技术的智能养殖方法。
本发明所述基于动物生命体征传感器技术的智能养殖装置100可以安装于电子设备中。根据实现的功能,所述基于动物生命体征传感器技术的智能养殖装置可以包括生猪养殖视频采集装置101、生命体征提取模块102及生猪智能养殖模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
生猪养殖视频采集装置101,用于采集生猪养殖视频并进行关键帧提取,得到生猪养殖关键帧图像序列;
生命体征提取模块102,用于构建生猪发育状态估计模型,利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计;
生猪智能养殖模块103,用于利用生猪食量精准预测模型获取每一头生猪的预测食量,对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量。
详细地,本发明实施例中所述基于动物生命体征传感器技术的智能养殖装置100中的所述各模块在使用时采用与上述的图1中所述的基于动物生命体征传感器技术的智能养殖方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图3所示,是本发明一实施例提供的实现基于动物生命体征传感器技术的智能养殖方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现基于动物生命体征传感器技术的智能养殖的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集生猪养殖视频并进行关键帧提取,得到生猪养殖关键帧图像序列;
构建生猪发育状态估计模型,利用生猪发育状态估计模型对生猪养殖关键帧图像序列进行发育状态估计,得到生猪发育状态序列;
构建生猪食量精准预测模型;
利用生猪食量精准预测模型获取每一头生猪的预测食量,对每一头生猪的预测食量进行汇总得到下一生猪喂养阶段的饲料投放量。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。