一种用于奶牛行为检测的方法及电子项圈与流程

1.本发明涉及奶牛养殖领域，更具体地说，本发明涉及一种用于奶牛行为检测的方法及电子项圈。


背景技术：

2.现有的奶牛养殖活动中，多数都有较多的人为干预，尤其是当定期体检时，人为的干预导致奶牛的表现异于平常，这样即使获得了检测结果也不准确，随着科技的进步，互联网技术、大数据平台还没有和奶牛养殖进行有效的技术结合，这就意味着科技养殖的效率还不够高。


技术实现要素：

3.为了克服现有技术的上述缺陷，本发明提供一种用于奶牛行为检测的方法及电子项圈，本发明所要解决的技术问题是：互联网技术、大数据平台还没有和奶牛养殖进行有效的技术结合，导致科技养殖的效率还不够高。
4.为实现上述目的，本发明提供如下技术方案：一种用于奶牛行为检测电子项圈，包括调节带和锁定卡扣，所述调节带和锁定卡扣相连接，所述调节带上绑有主控电路模块，所述主控电路模块内设置有微处理器、震动传感器和电源，微处理器和震动传感器均与电源电性连接。
5.优选的，所述微处理器内设置有中央处理器、无线通讯单元、采集单元、全速usb主机、设备控制器、收发器、串行外设接口、触摸案件检测模块和时钟芯片。
6.优选的，所述微处理器的型号为南京沁恒微电子生产的芯片ch573。
7.一种用于奶牛行为检测的方法，应用于上述的主控电路模块内，所述方法包括：
8.震动传感器接收震动并产生震动数据，并将震动数据传递至中央处理器；
9.中央处理器对震动数据进行预处理得到运动数据，预处理包括数据进制转换、数据标注、进行运动数据的可视化处理；
10.运动数据经由大数据平台处理，上传至远端服务器；
11.优选的，所述运动数据经由大数据平台处理的具体步骤包括：
12.大数据平台内设置有阈值；
13.对有效数据和阈值进行比较，得出奶牛运动状态信息，所述奶牛运动状态信息包括躺卧、站立、行走以及追逐四种状态特征，当有效数据大于阈值时，判定此时的奶牛运动状态为行走和追逐，当有效数据小于阈值时，判定此时的奶牛运动状态为躺卧和站立。
14.优选的，所述运动数据经由大数据平台处理的具体步骤还包括：
15.大数据平台分别用标签0、1、2、3来表示奶牛处于的躺卧、站立、行走、追逐四种状态；
16.震动传感器每秒进行8次采样，微处理器每隔5分钟保存一次数据；
17.采集到的运动数据以表格形式存储，表头内容为：年、月、日、时、分、秒、震动传感
器设备号以及运动数据，震动传感器设备号与震动数据均为十六进制数值；
18.将上传的运动数据的进制进行转换，得到十进制下的有效数据；
19.将同一秒的多条有效数据进行合并，并对相同秒的多条有效数据的数值和类别标签取平均值。
20.优选的，将有效数据输入至算法模型内，所述算法模型为采用lingtgbm算法构建的二维卷积神经网络模型。
21.优选的，所述二维卷积神经网络模型包括如下层级：
22.第一层：有效数据向输入层输入80x1的一维向量，并输出71x100的矩阵，输出矩阵的每一列都包含一个滤波器的权值；
23.第二层：卷积层，每个过滤器包含71个权重值；
24.第三层：批量归一化，损失函数收敛；
25.第四层：卷积层，再次定义100个不同的滤波器进行训练，按照与第一层相同的逻辑，输出矩阵的大小为62x100；
26.第五层：最大值池化层，池化层窗口与移动步长均为3，输出17x100的矩阵；
27.第六层：卷积层，100个不同的滤波器进行训练；
28.第七层：卷积层，100个不同的滤波器进行训练，输出为2x160的矩阵；
29.第八层：平均值池化层，取神经网络中两个权重的平均值，输出矩阵的大小为1x160，每个特征检测器在神经网络的这一层中只剩下一个权重；
30.第九层：dropout层，dropout层会随机地为网络中的神经元赋值零权重；以0.5作为比率，输出一个1x160的矩阵；
31.第十层：全连接层，将二维数据扁平化为一维向量接入线性全连接层。全连接层的输入为数据宽度个特征，输出4个特征，代表躺卧、站立、行走、追逐四种状态，引入归一化指数非线性激活函数。
32.本发明的技术效果和优点：本发明设计的智能电子项圈，具备超低功耗电路。是利用人工智能算法进行功耗降低、续航提升、功能升级的产品，结合了物联网、大数据和人工智能等核心技术等，在大规模养殖场对牛只个体身份、日常行为与疾病进行长期不间断的识别与监测。通过无线传输技术将运动数据传输到云平台服务器上，利用深度学习算法对数据进行处理分类，进而对奶牛躺卧、站立、行走、追逐行为进行识别。该设计可精准获取牛只的个体相关信息，极大程度降低人工干预，提升牧场智能信息化水平，以增加牧场养殖生产的经济收益。
附图说明
33.图1为本发明一种用于奶牛行为检测电子项圈的结构示意图。
34.图2为应用于主控电路模块内的检测方法流程图。
35.图3为运动数据经由大数据平台处理的具体步骤的流程图。
36.附图标记为：
37.1、调节带；2、锁定卡扣；3、主控电路模块。
具体实施方式
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
39.实施例一
40.请参阅图1，一种用于奶牛行为检测电子项圈，包括调节带1和锁定卡扣2，所述调节带1和锁定卡扣2相连接，所述调节带1上绑有主控电路模块3，所述主控电路模块3内设置有微处理器、震动传感器和电源，微处理器和震动传感器均与电源电性连接。所述微处理器内设置有中央处理器、无线通讯单元、采集单元、全速usb主机、设备控制器、收发器、串行外设接口、触摸案件检测模块和时钟芯片。所述微处理器的型号为南京沁恒微电子生产的芯片ch573。
41.所述微处理器mcu采用南京沁恒微电子生产的芯片ch573，是集成ble(低功耗蓝牙)无线通讯的32位risc(精简指令集)微控制器，微处理器的芯片电路板上集成低功耗蓝牙ble通讯模块、全速usb主机和设备控制器及收发器、spi(串行外设接口)、4个串口、adc(模数转换)电路、触摸按键检测模块、rtc(时钟芯片)等丰富的外设资源。
42.sw-18015p震动传感器为无方向震动感应触发开关，任何角度均可触发。其封装可防尘防水，适用于牧场养殖环境。将其用于检测牛只颈部运动频率，该传感器以数字量的形式输出到cpu(中央处理器)，具有低功耗、灵敏度高等特点。为实现对牛只运动信息的持续，稳定监测提供硬件技术支持，同时为后期牛只行为类型分析提供可靠的数据支撑。
43.本设计中的电池为锂亚硫酰氯电池，其额定电压为3.6v，工作电压随负荷而变化，一般在3.0v-3.6v之间，是目前所有单体电池当中最高的。该电池质量比能量高达500wh/kg，体积比能量高达1000wh/l，是目前电池中最高的。
44.主控电路模块3的外壳上包含文字及编号，供牧场管理人员肉眼识读牛的编号。锁定卡扣2便于牧场管理人员安装、摘除主控电路模块(3)，以便于维护设备。调节带1便于管理人员针对牛颈部粗细进行电子项圈佩戴的松紧度以及舒适度调节。
45.通过上述外设资源能够实现及时收集奶牛的运动状态信息，并判断奶牛的正处于何种运动状态的目的，极大程度降低人工干预，提升牧场智能信息化水平，以增加牧场养殖生产的经济收益。
46.实施例二
47.请参阅图2和图3，在上述实施例的基础上，应用于上述的主控电路模块3内，所述方法包括：
48.s110，震动传感器接收震动并产生震动数据，并将震动数据传递至中央处理器；牛只在进行采食或者追逐时，震动传感器检测到震动，触发震动传感器输出数字信号到cpu，并以震动数据的形式存储在cpu内。震动传感器连接ch573的pa_0口，需要设置r16_pa_int_en|＝0x01,即pa0口的中断使能设置。r16_pa_int_mode|＝0x01设置边沿触发，r32_pa_out|＝0x01为上升沿触发模式。出现运动信号时震动传感器内部电路导通，通过内部滚珠滚动接触导针来实现，启动外部中断，从而cpu响应外部震动并记录震动持续时间，实现从物理量到数字量的转化。
49.s120，中央处理器对震动数据进行预处理得到运动数据，预处理包括数据进制转换、数据标注、进行运动数据的可视化处理；作为后续处理的数据基础；包括两种不同的处理方式，一是后续机器学习算法对活动量数据的特征提取、取均值等，二是深度学习算法选用pytorch框架对之前预处理后的数据进一步深化处理。
50.s130，运动数据经由大数据平台处理，上传至远端服务器。
51.所述运动数据经由大数据平台处理的具体步骤包括：
52.s210，大数据平台内设置有阈值；
53.s220，对有效数据和阈值进行比较，得出奶牛运动状态信息，所述奶牛运动状态信息包括躺卧、站立、行走以及追逐四种状态特征，当有效数据大于阈值时，判定此时的奶牛运动状态为行走和追逐，当有效数据小于阈值时，判定此时的奶牛运动状态为躺卧和站立。具体来说，阈值设定为5v，当震动传感器导通输出高电平5v电压时，表明此时传感器检测到运动信号，牛正处于追逐或者行走等具有较高体力消耗的运动状态；当震动传感器输出低电平5v电压时，表明牛只此时正处于站立或者躺卧等魈体力消耗的状态。
54.通过上述方式采集到的数据有助于后续动物生理专家对牛只运动行为进行精准判断与分类，从而进一步分析牛只生理习性和致病机理提供数据支撑，有效降低牛只漏情、疾病现象出现的概率。
55.所述运动数据经由大数据平台处理的具体步骤还包括：
56.s230，大数据平台分别用标签0、1、2、3来表示奶牛处于的躺卧、站立、行走、追逐四种状态；
57.s240，震动传感器每秒进行8次采样，微处理器每隔5分钟保存一次数据；
58.s250，采集到的运动数据以表格形式存储，表头内容为：年、月、日、时、分、秒、震动传感器设备号以及运动数据，震动传感器设备号与震动数据均为十六进制数值；
59.s260，将上传的运动数据的进制进行转换，得到十进制下的有效数据；
60.s270，将同一秒的多条有效数据进行合并，并对相同秒的多条有效数据的数值和类别标签取平均值。
61.将有效数据输入至算法模型内，所述算法模型为采用lingtgbm算法构建的二维卷积神经网络模型。使用lingtgbm算法对有效数据的采集与标注中出现的异常数据进行处理。提高采集数据的准确性，为后续行为识别提供可靠的数据依据。采用二维卷积神经网络(cnn)模型进行奶牛行为的识别。该网络模型具有运算简单、训练时间短等优点。将奶牛一维运动数据信号转化为二维数据进行卷积运算，主要包含以下内容：四层卷积层，两层池化层，一层批量归一化层，还有一层全连接层。
62.所述二维卷积神经网络模型包括如下层级：
63.第一层：有效数据向输入层输入80x1的一维向量，并输出71x100的矩阵，输出矩阵的每一列都包含一个滤波器的权值；
64.第二层：卷积层，每个过滤器包含71个权重值；第一层定义了100个高度为10(也称为卷积核大小)的滤波器(也称为特征检测器)。第一个神经网络层的输出是一个71x100的矩阵。输出矩阵的每一列都包含一个滤波器的权值。在定义内核大小并考虑输入矩阵长度的情况下，每个过滤器将包含71个权重值。
65.第三层：批量归一化，损失函数收敛；促使损失函数收敛，模型更加稳定。
66.第四层：卷积层，再次定义100个不同的滤波器进行训练，按照与第一层相同的逻辑，输出矩阵的大小为62x100；
67.第五层：最大值池化层，池化层窗口与移动步长均为3，输出17x100的矩阵；为了减少输出的复杂度和防止数据的过拟合，在cnn层之后经常会使用池化层。这意味着这个层的输出矩阵的大小只有输入矩阵的三分之一。
68.第六层：卷积层，100个不同的滤波器进行训练；
69.第七层：卷积层，100个不同的滤波器进行训练，输出为2x160的矩阵；
70.第八层：平均值池化层，取神经网络中两个权重的平均值，输出矩阵的大小为1x160，每个特征检测器在神经网络的这一层中只剩下一个权重；多添加一个池化层，以进一步避免过拟合的发生。这次的池化不是取最大值，而是取神经网络中两个权重的平均值。输出矩阵的大小为1x160。每个特征检测器在神经网络的这一层中只剩下一个权重。
71.第九层：dropout层，dropout层会随机地为网络中的神经元赋值零权重；以0.5作为比率，输出一个1x160的矩阵；dropout层会随机地为网络中的神经元赋值零权重。由于我们选择了0.5的比率，则50％的神经元将会是零权重的。通过这种操作，网络对数据的微小变化的响应就不那么敏感了。因此，它能够进一步提高对不可见数据处理的准确性。这个层的输出仍然是一个1x160的矩阵。
72.第十层：全连接层，将二维数据扁平化为一维向量接入线性全连接层。全连接层的输入为数据宽度个特征，输出4个特征，代表躺卧、站立、行走、追逐四种状态，引入归一化指数非线性激活函数。起到回传器作用，使模型更完整。
73.综上所述，本设计结合算法模型以及硬件设备，能够简化现有的对牛只的运动行为的算法模式的同时，还降低了人为对牛只的干扰情况，从而提高了牛只的运动自主性，提高了所获得结果的精准性。
74.最后应说明的几点是：首先，在本技术的描述中,需要说明的是,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；
75.其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
76.最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，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。