一种牦牛养殖健康状态监测方法

技术领域

本发明属于智能化养殖技术领域，具体涉及一种牦牛养殖健康状态监测方法。

背景技术

随着科学技术的发展与大数据时代的来临，养殖畜牧业的信息化与智能化是促进我国畜牧业快速和健康发展的重中之重。

中国的牦牛养殖数量占到全世界的90％以上，是养殖牦牛的第一大国。而随着牦牛养殖的集约化程度的不断提高，也给牦牛的健康监测问题带来巨大挑战，稍有疏忽，疫情可能就会在牛群中迅速传播，造成巨大的损失；并且，牦牛群中隐藏的一些慢性疾病会导致肉牛日增重低或者造成食品安全等问题。现有的牦牛监测技术主要包括：通过传感技术做到对牦牛的健康实时监测实现疫情预警和生产力预测；然而，现有的健康监测是通过生理数据，通常就仅是体温数据，判断依据单一，判断结果片面。如何借助智能化、自动化的数据采集与计算机辅助分析，更加全面的监测到牦牛群的健康状态，是本领域需要迫切解决的技术问题。

发明内容

本发明的目的是为了解决全面监测牦牛群健康状态的问题，提出了一种牦牛养殖健康状态监测方法。

本发明的技术方案是：一种牦牛养殖健康状态监测方法包括以下步骤：

S1：采集牦牛体温数据和牦牛心率数据，并保存至服务器；

S2：采集牦牛监测视频，得到每头牦牛的行为轨迹信息；

S3：对行为轨迹信息以及保存至服务器的牦牛体温数据和牦牛心率数据进行归一化处理；

S4：对归一化处理后的牦牛体温数据、牦牛心率数据和行为轨迹信息分别赋予权重，并进行组合；

S5：将组合后的牦牛体温数据、牦牛心率数据和行为轨迹信息输入至LSTM神经网络中，进行训练，预测牦牛健康状态，并将预测结果发送至牦牛养殖户。

本发明的有益效果是：

(1)本发明的牦牛养殖健康状态监测方法，可以用于牦牛养殖场对牦牛的健康进行监测，通过对每头牦牛采取到的信息进行处理和预测，判断是否有身体异常的牦牛，及时医治可能生病的牦牛。同时，牦牛养殖户可根据这些预测结果对牦牛进行管理，对有异常的牦牛进行检查，及时医治生病的牦牛。

(2)本发明的牦牛养殖健康状态监测方法，能够通过对收集到的各类数据进行智能化的处理，实时有效的得到牦牛的健康状态，并且根据得到的预测结果，可以对牦牛进行管理，降低人力成本，增强生产效率，保证食品安全。

进一步地，步骤S1包括以下子步骤：

S11：将温度传感器安装在牦牛脖颈处，并采集牦牛体温数据；

S12：将脉搏传感器安装在牦牛颈部动脉处，并采集牦牛心率数据；

S13：通过网关将牦牛体温数据和牦牛心率数据上传至服务器，并进行保存。

上述进一步方案的有益效果是：在本发明中，需要先在每头牦牛身上安装温度传感器和心率传感器，测量周期为每隔30分钟进行一次检测，牦牛的皮毛厚实，导致其温度不能代表体内温度，牦牛的脖颈处皮毛相对较薄，其温度最接近体温，所以将温度传感器安放在脖颈处进行温度数据的采集；将脉搏传感器安放在奶牛的颈部动脉处，将脉冲波转化为电信号从而进行脉搏数据的采集。，并将测量到的结果实时上传至服务器进行保存。

进一步地，步骤S2包括以下子步骤：

S21：利用摄像头拍摄牦牛监测视频，并将牦牛监测视频上传至服务器；

S22：通过服务器，按帧从牦牛监测视频中提取牦牛监测图像数据；

S23：利用图像均方误差法和结构相似性法，筛选牦牛监测图像数据中的相似图像，得到牦牛行为分析数据集；

S24：根据牦牛行为分析数据集得到每头牦牛的行为轨迹信息。

上述进一步方案的有益效果是：在本发明中，视频包括同一头牦牛进行不同行为活动时的行为片段和处于站立状态下的静止片段，摄像头的方位至少包括牦牛的前方、后方、上方、左侧以及右侧；每一个行为片段分别对应一种表现行为，将采集到的所述视频数据上传至服务器。其视频以模拟牦牛在不同表现行为下的立体变化，其中，立体变化是根据牦牛在站立状态下开始完成一个表现行为的整个过程中的身体形态所发生的变化，比如喂食，最明显的特征就是牦牛需要弯下头，并保持一端时间以完成进食。而在实时监测过程中，需要至少一个上方的俯视图和至少一个前方的正视图，俯视图能避免牦牛拥挤而无法获得每一只牦牛的有效信息，至少能获得牦牛的体型轮廓图；而位于牛栏内喂牛槽上与牦牛等高的位置处的摄像头，不仅能在牦牛进食过程中清晰的看到牦牛脸和在进食行为时的肢体形态，同时也能更好的获取牦牛在其他表现行为时的肢体形态，以尽可能准确的获取每一头牦牛在实时养殖过程中的肢体形态，将采集到的视频数据上传至服务器。从牦牛监测视频内提取M帧连续的牦牛监测图片，得到牦牛行为分析图像集，其M大于或等于128。

进一步地，步骤S23包括以下子步骤：

S231：利用图像均方误差法，计算牦牛监测图像数据中相邻图像的均方误差MSE，其计算公式为：

其中，z

S232：通过相邻图像的均方误差MSE，对牦牛监测图像数据中的相似图像进行一次筛选，其方法为：通过相邻图像的均方误差MSE对相邻两张图像进行比较，若相邻图像的均方误差MSE大于0.5，则丢弃其中一张图像；

S234：利用结构相似性法，计算一次筛选后牦牛监测图像数据中相邻图像的结构相似度S(x,y)，其计算公式为：

其中，u

S235：通过相邻图像的结构相似度S(x,y)，对牦牛监测图像数据中的相似图像进行二次筛选，其方法为：通过相邻图像的结构相似度S(x,y)对相邻两张图像进行比较，若结构相似度S(x,y)大于0.7，则丢弃其中一张图像；

S236：将进行二次筛选后的牦牛监测图像数据中作为牦牛行为分析数据集。

上述进一步方案的有益效果是：在本发明中，首先去除图像数据中牦牛数据不完整和模糊的图片，监测图像数据是按帧进行提取的，相邻的两张图片相似度高，会造成神经网络过拟合，对牦牛监测图像数据，利用图像均方误差法和结构相似性法来计算相邻图片间的相似性并做筛选。只通过图像均方误差法不能很好地刻画图像的边缘和平坦区域的差别，不能完全去除相似的图像，因此加入了基于结构失真的结构相似性法，充分利用人类视觉对自然场景中的结构信息高度敏感的特点，结构相似性法通过两幅图像之间的方差、协方差和平均强度来判断两幅图像是否相似。

进一步地，步骤S24包括以下子步骤：

S241：对牦牛行为分析数据集中的每张牦牛个体图像进行识别，得到每张牦牛个体图像一一对应的牦牛个体身份信息；

S242：将牦牛个体身份信息相同的牦牛个体图像进行归类，得到第一头牦牛个体数据集；

S243：根据第一头牦牛个体数据集中每张牦牛个体图像的时间信息和位置信息，生成第一头牦牛的行为轨迹信息；

S244：重复步骤S242-S243，得到每头牦牛的行为轨迹信息。

进一步地，步骤S3中，对行为轨迹信息以及保存至服务器的牦牛体温数据和牦牛心率数据进行归一化处理的方法相同，其计算公式为：

其中，x

上述进一步方案的有益效果是：在本发明中，x

进一步地，步骤S4包括以下子步骤：

S41：校验归一化处理后的牦牛体温数据、牦牛心率数据和行为轨迹信息的矩阵一致性；

S42：利用方根法，计算校验通过的牦牛体温数据、牦牛心率数据和行为轨迹信息的矩阵最大特征向量，得到其权重，并进行组合。

进一步地，步骤S41包括以下子步骤：

S411：计算归一化处理后的牦牛体温数据、牦牛心率数据和行为轨迹信息的各级矩阵最大特征根λ

S412：根据各级矩阵最大特征根λ

S413：根据矩阵的单层一致性指标C.I.，计算矩阵的总层一致性指标C.R.；

S414：根据总层一致性指标C.R.校验牦牛体温数据、牦牛心率数据和行为轨迹信息的矩阵一致性。

上述进一步方案的有益效果是：在本发明中，根据不同数据对预测牦牛健康状况的贡献度不同，需要对体温数据、心率数据和视频图像数据赋予不同的权重。

进一步地，步骤S411中，各级矩阵最大特征根λ

步骤S412中，矩阵的单层一致性指标C.I.的计算公式为：

步骤S413中，矩阵的总层一致性指标C.R.的计算公式为：

步骤S42中，矩阵最大特征向量W

其中，n表示矩阵的阶数，R.I.表示一致性指标，a

上述进一步方案的有益效果是：在本发明中，计算各级矩阵最大特征根λ

进一步地，步骤S5中，对组合后的牦牛体温数据、心率数据和行为轨迹信息进行训练时，利用LSTM神经网络的门单元执行常数误差，拟合数据前后间关系。

上述进一步方案的有益效果是：在本发明中，三类数据并不是连续的，牦牛的体温数据和心率数据都是每隔一段时间向服务器上传一次，而牦牛行为轨迹信息数据是由视频数据提取帧后并剔除掉相邻相似图像后的离散数据。采用的LSTM网络可以通过特殊的门单元的内部状态的体系结构执行常数的误差来防止权重爆炸和权重消失问题，并且可以很好拟合离散的数据前后间的关系。LSTM网络预测的结果通过网络实时的发送给牦牛养殖户，预测结果综合了牦牛的体温数据、心率数据、每日的饮食状况以及活动情况，得到牦牛的健康状态的情况，以此可以判断出处于异常的牦牛。

附图说明

图1为牦牛养殖健康状态监测方法的流程图。

具体实施方式

下面结合附图对本发明的实施例作进一步的说明。

如图1所示，本发明提供了一种牦牛养殖健康状态监测方法，包括以下步骤：

S1：采集牦牛体温数据和牦牛心率数据，并保存至服务器；

S2：采集牦牛监测视频，得到每头牦牛的行为轨迹信息；

S3：对行为轨迹信息以及保存至服务器的牦牛体温数据和牦牛心率数据进行归一化处理；

S4：对归一化处理后的牦牛体温数据、牦牛心率数据和行为轨迹信息分别赋予权重，并进行组合；

S5：将组合后的牦牛体温数据、心率数据和行为轨迹信息输入至LSTM神经网络中，进行训练，预测牦牛健康状态，并将预测结果发送至牦牛养殖户。

在本发明实施例中，如图1所示，步骤S1包括以下子步骤：

S11：将温度传感器安装在牦牛脖颈处，并采集牦牛体温数据；

S12：将脉搏传感器安装在牦牛颈部动脉处，并采集牦牛心率数据；

S13：通过网关将牦牛体温数据和牦牛心率数据上传至服务器，并进行保存。

在本发明中，需要先在每头牦牛身上安装温度传感器和心率传感器，测量周期为每隔30分钟进行一次检测，牦牛的皮毛厚实，导致其温度不能代表体内温度，牦牛的脖颈处皮毛相对较薄，其温度最接近体温，所以将温度传感器安放在脖颈处进行温度数据的采集；将脉搏传感器安放在奶牛的颈部动脉处，将脉冲波转化为电信号从而进行脉搏数据的采集。，并将测量到的结果实时上传至服务器进行保存。

在本发明实施例中，如图1所示，步骤S2包括以下子步骤：

S21：利用摄像头拍摄牦牛监测视频，并将牦牛监测视频上传至服务器；

S22：通过服务器，按帧从牦牛监测视频中提取牦牛监测图像数据；

S23：利用图像均方误差法和结构相似性法，筛选牦牛监测图像数据中的相似图像，得到牦牛行为分析数据集；

S24：根据牦牛行为分析数据集得到每头牦牛的行为轨迹信息。

在本发明中，视频包括同一头牦牛进行不同行为活动时的行为片段和处于站立状态下的静止片段，摄像头的方位至少包括牦牛的前方、后方、上方、左侧以及右侧；每一个行为片段分别对应一种表现行为，将采集到的所述视频数据上传至服务器。其视频以模拟牦牛在不同表现行为下的立体变化，其中，立体变化是根据牦牛在站立状态下开始完成一个表现行为的整个过程中的身体形态所发生的变化，比如喂食，最明显的特征就是牦牛需要弯下头，并保持一端时间以完成进食。而在实时监测过程中，需要至少一个上方的俯视图和至少一个前方的正视图，俯视图能避免牦牛拥挤而无法获得每一只牦牛的有效信息，至少能获得牦牛的体型轮廓图；而位于牛栏内喂牛槽上与牦牛等高的位置处的摄像头，不仅能在牦牛进食过程中清晰的看到牦牛脸和在进食行为时的肢体形态，同时也能更好的获取牦牛在其他表现行为时的肢体形态，以尽可能准确的获取每一头牦牛在实时养殖过程中的肢体形态，将采集到的视频数据上传至服务器。从牦牛监测视频内提取M帧连续的牦牛监测图片，得到牦牛行为分析图像集，其M大于或等于128。

在本发明实施例中，如图1所示，步骤S23包括以下子步骤：

S231：利用图像均方误差法，计算牦牛监测图像数据中相邻图像的均方误差MSE，其计算公式为：

其中，z

S232：通过相邻图像的均方误差MSE，对牦牛监测图像数据中的相似图像进行一次筛选，其方法为：通过相邻图像的均方误差MSE对相邻两张图像进行比较，若相邻图像的均方误差MSE大于0.5，则丢弃其中一张图像；

S234：利用结构相似性法，计算一次筛选后牦牛监测图像数据中相邻图像的结构相似度S(x,y)，其计算公式为：

其中，u

S235：通过相邻图像的结构相似度S(x,y)，对牦牛监测图像数据中的相似图像进行二次筛选，其方法为：通过相邻图像的结构相似度S(x,y)对相邻两张图像进行比较，若结构相似度S(x,y)大于0.7，则丢弃其中一张图像；

S236：将进行二次筛选后的牦牛监测图像数据中作为牦牛行为分析数据集。

在本发明中，首先去除图像数据中牦牛数据不完整和模糊的图片，监测图像数据是按帧进行提取的，相邻的两张图片相似度高，会造成神经网络过拟合，对牦牛监测图像数据，利用图像均方误差法和结构相似性法来计算相邻图片间的相似性并做筛选。只通过图像均方误差法不能很好地刻画图像的边缘和平坦区域的差别，不能完全去除相似的图像，因此加入了基于结构失真的结构相似性法，充分利用人类视觉对自然场景中的结构信息高度敏感的特点，结构相似性法通过两幅图像之间的方差、协方差和平均强度来判断两幅图像是否相似。

在本发明实施例中，如图1所示，步骤S24包括以下子步骤：

S241：对牦牛行为分析数据集中的每张牦牛个体图像进行识别，得到每张牦牛个体图像一一对应的牦牛个体身份信息；

S242：将牦牛个体身份信息相同的牦牛个体图像进行归类，得到第一头牦牛个体数据集；

S243：根据第一头牦牛个体数据集中每张牦牛个体图像的时间信息和位置信息，生成第一头牦牛的行为轨迹信息；

S244：重复步骤S242-S243，得到每头牦牛的行为轨迹信息。

在本发明实施例中，如图1所示，步骤S3中，对行为轨迹信息以及保存至服务器的牦牛体温数据和牦牛心率数据进行归一化处理的方法相同，其计算公式为：

其中，x

在本发明中，x

在本发明实施例中，如图1所示，步骤S4包括以下子步骤：

S41：校验归一化处理后的牦牛体温数据、牦牛心率数据和行为轨迹信息的矩阵一致性；

S42：利用方根法，计算校验通过的牦牛体温数据、牦牛心率数据和行为轨迹信息的矩阵最大特征向量，得到其权重分别为0.3、0.3和0.4，并进行组合。

在本发明实施例中，如图1所示，步骤S41包括以下子步骤：

S411：计算归一化处理后的牦牛体温数据、牦牛心率数据和行为轨迹信息的各级矩阵最大特征根λ

S412：根据各级矩阵最大特征根λ

S413：根据矩阵的单层一致性指标C.I.，计算矩阵的总层一致性指标C.R.，得到牦牛体温数据、牦牛心率数据和行为轨迹信息的总层一致性指标C.R.分别为0.000898、0.000910和0.000953；

S414：根据总层一致性指标C.R.校验牦牛体温数据、牦牛心率数据和行为轨迹信息的矩阵一致性。

在本发明中，根据不同数据对预测牦牛健康状况的贡献度不同，需要对体温数据、心率数据和视频图像数据赋予不同的权重。

在本发明实施例中，如图1所示，步骤S411中，各级矩阵最大特征根λ

步骤S412中，矩阵的单层一致性指标C.I.的计算公式为：

步骤S413中，矩阵的总层一致性指标C.R.的计算公式为：

步骤S42中，矩阵最大特征向量W

其中，n表示矩阵的阶数，R.I.表示一致性指标，a

在本发明中，计算各级矩阵最大特征根λ

在本发明实施例中，如图1所示，步骤S5中，对组合后的牦牛体温数据、心率数据和行为轨迹信息进行训练时，利用LSTM神经网络的门单元执行常数误差，拟合数据前后间关系。

上述进一步方案的有益效果是：在本发明中，三类数据并不是连续的，牦牛的体温数据和心率数据都是每隔一段时间向服务器上传一次，而牦牛行为轨迹信息数据是由视频数据提取帧后并剔除掉相邻相似图像后的离散数据。采用的LSTM网络可以通过特殊的门单元的内部状态的体系结构执行常数的误差来防止权重爆炸和权重消失问题，并且可以很好拟合离散的数据前后间的关系。LSTM网络预测的结果通过网络实时的发送给牦牛养殖户，预测结果综合了牦牛的体温数据、心率数据、每日的饮食状况以及活动情况，得到牦牛的健康状态的情况，以此可以判断出处于异常的牦牛。

本发明的工作原理及过程为：本发明公开了一种牦牛养殖健康状态监测方法，首先，通过牦牛温度传感器和脉搏传感器收集牦牛的体温和心率信息并将收集到的数据实时上传至服务器；获取养殖场内每头牦牛的视频监控信息并将视频数据保存至服务器，并对牦牛的视频信息进行处理，按帧提取图片数据并去除掉相似图像；然后，分别给牦牛的图片数据、体温数据和心率数据赋予不同的权重；将处理后数据输入到LSTM神经网络中，智能地对每头的牦牛的健康状态做出判断并将结果实时的提供给养殖户；养殖户能够及时了解到牦牛的健康状态并做出相应的处理。其中，采用LSTM神经网络能够对离散的数据进行预测，通过对体温数据、心率数据和视频图像数据赋予不同的权重使得神经网络能够更快的给出预测结果，能够让养殖户实时的了解到养殖场内每头牦牛的健康状况并能及时的对生病的牦牛进行医治，减少养殖场的损失。

本发明的有益效果为：

(1)本发明的牦牛养殖健康状态监测方法，可以用于牦牛养殖场对牦牛的健康进行监测，通过对每头牦牛采取到的信息进行处理和预测，判断是否有身体异常的牦牛，及时医治可能生病的牦牛。同时，牦牛养殖户可根据这些预测结果对牦牛进行管理，对有异常的牦牛进行检查，及时医治生病的牦牛。

(2)本发明的牦牛养殖健康状态监测方法，能够通过对收集到的各类数据进行智能化的处理，实时有效的得到牦牛的健康状态，并且根据得到的预测结果，可以对牦牛进行管理，降低人力成本，增强生产效率，保证食品安全。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。