控制养殖场的方法

技术领域

本发明涉及一种计算机实现的方法和系统，用于控制饲养诸如鸡或其他家禽之类的一群动物的养殖场。

背景技术

农场主通常通过手动进行日常的农场作业来管理和经营诸如鸡舍之类的农舍。这些作业主要包括向所饲养(house)的动物或家畜提供足够的饲料和水。随着时间的推移，已经发现控制某些参数会导致家畜的产量和质量更高。例如，温度、湿度、通风、饲料循环和照明都有助于成功饲养家畜和提高产量。此外，通过选择性育种过程，某些期望的特性，比如肉类产量已经被改变。

用于农舍的控制系统最初由简单的模拟控制开始，比如控制农舍内的温度的自动调温器。数字控制器紧随其后，并且普遍取代了农舍里的手动或模拟控制。相关参数通常经由布置在农舍各处的各种传感器和致动器自动控制。在诸如家禽或猪舍之类的农舍中控制的参数通常包括温度、湿度、水、通风、喂食器和饮水器的计时器、以及照明的计时器。

根据US 2005/0010333，已知一种用于监控、管理和/或经营在多个农场上的多个农舍的系统，该系统包括农舍中的控制器和/或监控箱，以及与控制器通信以控制和调整农舍的各种参数，或者与监控箱通信以监控农舍的计算机。该系统还包括位于集成商办公室的计算机，该计算机可操作以远程监控和/或控制来自农舍的各种参数。这些参数使集成商能够与加工厂，饲料厂，现场服务和孵化场协调操作。它还使集成商能够准备供集成商或其他人使用的各种数据报告。集成商可以标准化或确定各个农场的最优控制参数，以获得由结果参数测量的最佳结果。集成商可以比较第一农舍和第二农舍的喂食速率，然后比较家畜达到选定的家畜体重的速率。如果一个农舍更快地达到所选择的结果参数，则集成商能够确定更好的控制参数来达到所选择的结果参数。

在目前的养殖场，从而可以收集大量的(传感器)数据，比如温度、气压、空气流量、噪声、CO

于是，本发明的目的是提供一种计算机实现的方法和系统，用于控制饲养诸如鸡或其他家禽之类的一群动物的养殖场，这有助于农场主改进对在农场收集的数据的使用，以便优化在农场获得的结果。

发明内容

该目的通过一种计算机实现的控制饲养一群动物的养殖场的方法来实现，所述方法包括以下步骤：通过一个或更多的传感器，优选多个传感器获得指示养殖场的状况的农场传感器数据；可选地，将所述农场传感器数据与指示养殖场的状况、但不是经由传感器获得的其他数据组合，以获得农场状况数据；通过一个或更多的测量设备，优选多个测量设备获得养殖场种群的动物状态数据；和取决于所获得的农场传感器数据或农场状况数据以及动物状态数据，选择并使用反馈回路连续地调整一组动物供给值，使得动物状态数据中的至少一个所选动物状态数据的值得到优化。

本发明还提供一种用于控制饲养一群动物的养殖场的系统，所述系统包括一个或更多的传感器，优选多个传感器，所述传感器适合于获得指示养殖场的状况的农场传感器数据；可选地，适合于将所述农场传感器数据与指示养殖场的状况、但不是经由传感器获得的其他数据组合，以获得农场状况数据的设备；适合于获得养殖场种群的动物状态数据的一个或更多的测量设备，优选多个测量设备；和控制单元，所述控制单元适合于取决于所获得的农场传感器数据或农场状况数据以及动物状态数据，选择并使用反馈回路连续地调整一组动物供给值，使得动物状态数据中的至少一个所选动物状态数据的值得到优化。

可以随机地、连续地和/或按预先定义的时间间隔来获得和监控传感器数据。这同样适用于动物状态数据的获得。

农场主或农场经营者可以选择特定的动物状态数据或多个值的组合作为性能指标，并且基于反馈机制并使用动物供给值作为可变系统输入值来连续地优化这些值。动物供给值可以至少包括动物饲料供给值和动物水供给值。

对于使用反馈回路的动物供给值的优化，可以使用人工智能(AI)。适用于反馈回路的适当AI方案是机器学习和机器推理，或者两者的组合。

在机器推理方法中，使用有选择地连接的预先定义的知识构建块的网络来进行所述调整步骤，其中每个知识构建块按照预先定义的知识规则，将输入状态映射到输出值；知识构建块的输出值可以是另一个知识构建块的输入状态；该组知识构建块取决于所获得的农场传感器数据或农场状况数据来定义动物供给值，并且基于所测量的养殖场种群的动物状态数据来适配知识构建块的网络的连接。

知识构建块的这种网络允许将先前获得的细颗粒水平的知识馈送到反馈机制中，从而充当调整选择的一组动物供给值的AI驱动机构。

知识构建块优选定义先前获得的表示动物对特定农场状况的反应的规则。

作为使用知识构建块的网络的替代，可以使用机器学习方法来进行所述调整步骤。与上述基于规则的机器推理方法相反，机器学习使用数学模型和统计模型从数据集进行学习。存在数十种不同的机器学习过程。原则上，机器学习区分两种系统：第一，其中明确地表示知识的符号方法，比如发音-逻辑系统。第二，以人脑的方式起作用，并且其中隐含地表示知识的亚符号系统，比如人工神经网络。

按照本发明，机器学习过程可以在人工神经网络上运行，以取决于所获得的农场传感器数据来迭代地优化所述一组动物供给值，其中动物状态数据用作用于训练神经网络的目标数据。

术语“传感器”指的是其用途是检测其环境中的数据、变化或事件，并将信息发送到其他电子设备，优选计算机处理器的任何设备、模块、机器或子系统。因而，农场传感器数据是经由位于养殖场内的传感器收集的农场数据。

按照本发明的方法中所使用的传感器可包括光学、声学和/或化学传感器。

优选地，如果所获得的农场传感器数据之一在预定范围之外，则生成光学或声学报警信号。

农场传感器数据可以可选地与指示养殖场的状况、但不是经由传感器获得的另外的数据组合。从而，获得农场状况数据。

农场传感器数据和/或农场状况数据可以包括关于动物年龄、农场大小、照明和通风状况、或疫苗接种计划的数据，关于动物的饲料和水消耗量(动物代谢数据)、体重、或行为的数据。农场传感器数据和/或农场状况数据还可以包括温度、气压、关于农舍内动物的分布和运动的数据、动物的肌肉运动活动、声音数据、空气成分数据和嗅觉数据中的一个或多个。

术语“动物状态数据”指的是关于养殖场种群的状态、状况或情况的数据。因而，动物状态数据与动物种群直接相关，并且可以包括动物健康和死亡率、热量转化率和饲料转化率、动物的体重增加、屠宰量、生产的肉类的数量、质量和可变性中的一个或多个。

充当农舍的输入数据的动物供给值可以包括动物饲料的数量、质量和组成、饮食、饲料补充剂(supplement)、益生菌、药物、供水、农舍中的温度、气压、通风、照明、声音和湿度中的一个或多个。

附图说明

根据结合附图的本发明具体实施例的以下描述，本发明将变得更加明显，附图中：

图1是动物供给值、农场传感器数据和动物状态数据之间的一般相关性的示意图；

图2是按照本发明的实施例的例证反馈回路的示意图；

图3是按照本发明的实施例的多级反馈回路的示意图；

图4是按照本发明的实施例的知识构建块的网络的示意图；

图5是按照本发明的实施例的基于知识构建块的网络的例证反馈回路的示意图；

图6是按照本发明的实施例的使用例证知识构建块的调整处理的示意图；

图7是按照本发明的另一个实施例的使用例证知识构建块的调整处理的示意图。

具体实施方式

本发明涉及一种计算机实现的方法和系统，用于控制饲养诸如鸡或其他家禽之类的一群动物的养殖场。本发明不限于特定类型的农舍，而是适用于具有饲养和喂养动物种群的设施的所有类型的农舍。例证的农舍可以是家禽舍。

农舍(图中未图示)包括多个传感器，所述多个传感器包括获得农场传感器数据的光学、声学和/或化学传感器。这些数据可以包括关于温度、气压、通风、照明的数据、关于动物在农舍内的分布和运动、动物的肌肉运动活动、动物的体重、饲料和水消耗量的数据、声音数据、空气成分数据和嗅觉数据。

动物的分布、运动和肌肉运动活动可以通过基于视频或照片的数据的统计分析来确定。动物体重可以使用适当的体重计来确定，比如测量在鸡舍的栖息杆上产生的力的体重计。饲料消耗量可以使用具有填充系统的喂食器来确定，该填充系统包括流量计，所述流量计能够测量提供给农舍的由包含在农舍中的家畜所消耗的饲料量。空气成分和嗅觉数据例如可以使用电子鼻或气相色谱法(GC)来确定。

另外，农舍包括为动物种群提供例如水、饲料、通风、温度、湿度、饲料补充剂、益生菌、药物、疫苗接种等的确定数量的必要供给的设施。上述参数的量(动物供给值)充当影响动物种群的健康和成功的可变输入参数。

通风系统(通常包括可关闭和打开的风扇和可打开和关闭的通风调节板)允许控制进入农舍的新鲜空气吸入量，并且还允许压力差异化。通风系统，包括其各个部件，可以影响农舍内的温度和空气质量(比如氨和二氧化碳浓度以及氧含量)。

温度可以经由通风系统间接控制。不过，它也可以通过蒸发冷却系统和孵化器直接控制。蒸发冷却系统不仅可以调整温度参数，而且可以通过透过湿帘抽吸空气来调整农舍内的湿度水平。

动物，优选猪和鸡的喂食和饮水可以通过由饲料仓和填充系统供给的(自动)喂食器控制。

动物状态数据是连续地或按预定时间间隔直接或间接获得的，动物状态数据包括关于动物健康和死亡率(比如活体体重)、热量转化率和饲料转化率、动物的体重增加、屠宰量、生产的肉类的数量、质量和可变性的数据。

动物状态数据充当按照本发明的优化过程的性能指标。农场主或农场经营者可以选择期望的状态参数或多个参数，以便为他/她的目的优化肉类生产。

诸如饲料和水的质量和数量、饲料添加剂的添加、温度、空气流动、噪音、天气条件、湿度、空气成分之类的各种动物供给值都会对动物的性能和某些状态数据产生影响。关键动物状态数据可直接测量或间接预测。对于预测可以使用人工智能。

为了优化动物状态数据，连续地调整动物供给值。图2中示意地图解说明了由动物供给值驱动、并影响农场传感器数据和动物状态数据的反馈回路。生产运行始于一组预先定义的动物供给值(预设值)。在该过程中，经由传感器获得农场传感器数据。动物状态数据可以经由直接测量来获得。取决于所获得的农场传感器数据和动物状态数据，通过反馈回路连续地调整动物供给值。从而，可以控制整个农场，并且可以优化生产结果(中间结果和最终结果)。

基于图2中所示的基本反馈回路，人工智能的使用可以接管和优化关于全部可用数据内动物供给值的变化的调整的决策。图3中示意表示了优化动物状态数据的三级循环。第一级的AI驱动反馈循环优化第一组最终和中间动物状态数据，随后是第二级的改善循环，和输出真实的最终动物状态数据的第三级的改善循环。因而，通过连续地调整动物供给值，状态数据从而动物种群的实际状态被迭代地优化。

为了将人工智能应用于反馈回路，可以应用两种不同的方法，即机器推理和机器学习。

1.机器推理的使用

如图4中图解所示，机器推理系统中的AI组件是由称为知识构建块(KBB)的状态相关知识模块形成的网络。这些知识构建块包含细粒度规则，这些规则由AI联接在一起，从而形成灵活的规则网络。例如，这些规则可以包括通过模型与将在某些条件下应用的行动相结合的饲料和水消耗量或体重分布、饲料转化率、背景噪声(压力指标)等的最佳值。作为行动，可以进行另一个知识构建块的分支，或者也可以进行输入参数的某种改变，像例如饲料组成、某些饲料添加剂的添加、药物、温度的变化、通风等。为了说明简单起见，图4中的KBB还包括动物状态数据。

如果通过AI调整动物供给值，那么这导致农场传感器数据(和动物状态数据)的变化，如图5中所示。作为结果的新的动物状态数据(性能指标)用于评估知识构建块的网络的质量，使得所述网络不断被优化，并通过知识构建块对不同的网络进行评估和加权。通过这种反馈，AI获悉对动物状态数据中的某些变化的哪些反应是有利的。如果改变动物供给值的决策先前得到了人类的批准/评估，那么这种反馈也可以间接发生。

使用机器推理的例子是迄今为止由人类执行的决策树的数字化，所述决策树评估农场状态并给出建议，以便维持或恢复最佳状况。人类决策树可以基于各种数据和决策。在数字化的第一步中，可以专注于饲料和水数据，例如，如图6中所示的决策树的两个‘分支’所示。

然而，集成决策树的更多分支可能是有利的。另外，可以集成建议并反馈建议的结果，以便优化通过知识构建块的网络的路径。下面是其一个简短的具体例子：农舍的所有鸡都趴在鸡舍中间。这由视频传感器自动检测到并被登记为异常状况。按照本发明的方法的AI可以得出为什么会这样的几个原因：1)通风太强，或者2)在靠近墙壁的地板上没有垫底材料。对这些原因进行统计加权，使得本发明的AI知道在大多数情况下-连同所有其他数据一起-通风太强，于是采取行动来减少通风。如果这没有达到期望的效果，那么该方法可以采取替代路线，并向鸡舍工作人员提供信号，通知工作人员应当在地板上均匀地分布更多的垫底材料。通过来自新的视频图像的反馈，基于AI的方法可以获悉哪种通过网络的路径是更好的，并且决定下次出现类似情况时采取哪条路线。

KBB的优化也可以通过机器学习来进行。这种方法被称为“强化学习”。为了获得优化的KBB，可能需要多次运行。

在例证情况下，使用肉用仔鸡场的水和饲料消耗量来评估鸡的状况。水和饲料充当鸡是否面临压力、从而导致饲料利用率较低，是否遭受疾病，或者是否对影响鸡的生长的干扰因素有影响的指示。

各种规则可以被制定为知识构建块并集成到基于AI的系统中。这种规则的例子是：(a)今天的水消耗量必须高于昨天同一时间的水消耗量；(b)如果正在进行疫苗接种，则水消耗量较低；(c)如果鸡睡着了，那么它们不消耗任何水。

知识构建块可被归入不同的类别，如下表中所示：

另外的KBB类别是“建议/推荐”和“执行”。

可以在处理的第一阶段准备传感器数据，然后将这些数据与固定参数或计算的中间值进行比较。随后产生报警，所述报警随后被显示在例如图形用户界面上。

机器推理的应用的另一个例子是原料质量与畜群质量的联系。图7中表示了知识构建块的处理的后续阶段的例子。

在许多畜舍中，得出直接农场数据与畜群质量之间的直接联系。众所周知，原料质量和饲料规格对畜群质量和性能有很大影响。然而，这两个参数从未被在线关联或用于优化鸡的重要状态或性能参数。

例如，某些生产者可能想要增加每只鸡的胸脯肉的量以及对于整个鸡群在给定标准尺寸下的鸡小胸(fillet)的尺寸。已知胸脯肉的量本质上与必需的营养素，比如第一限制性氨基酸蛋氨酸相关。NIR原料分析从而可以为最佳胸脯所需的最佳饲料规格提供精确的数据。随后通过反馈和附加参数的使用，可以优化和扩展这些模型。

这种基于AI的方法从而允许从原料到屠宰场的集成，这使得动物生产，特别是鸡肉生产可以按照某些动物状态数据，比如胸脯肉数量或鸡群的均匀性，在很大程度上得到优化，如图7中示意所示。

2.机器学习的使用

在将机器学习用于按照本发明的优化处理的情况下，AI的输入是观察到的数据。基于该数据，AI拟合模型，所述模型将上述性能指标描述为目标变量，并将上述输入参数描述为影响因素。随后可以将该训练过的模型应用于新的数据，以获得目标值的预测/估计量。也可以相对于目标变量识别最佳输入参数设置。然而，由于基于数据的模型只能根据迄今为止观察到的参数组合来验证，因此，超出这些参数组合的外推可能具有挑战性。

机器学习的使用的例子是在畜舍中拍摄的照片和视频的评估。通过机器学习，可以从畜舍里的照片获悉鸡的分布是否有规律，或者鸡是否聚集在一起。如果是这种情况，那么鸡就不能定期进食和饮水，这又会影响动物状态参数。其原因之一可能是鸡舍内通风过多，导致鸡被冻僵。