基于深度学习的猪场车辆轨迹方法技术

本发明专利技术公开了基于深度学习的猪场车辆轨迹方法，包括以下步骤：步骤1：猪场各种车辆数据采集；步骤2：对各种车辆的运行轨迹数据进行处理；步骤3：车辆实时轨迹数据采集，构建轨迹模型和特征学习；步骤4：车辆轨迹拟合；通过对各种车辆的运行轨迹数据进行处理，生成各类车辆的运行轨迹特征集，然后实时采集车辆的运行轨迹，构建轨迹模型和特征学习，根据特征学习进行车辆轨迹拟合，根据拟合结果输出该车辆的运行轨迹是否规范，对于不规范运行车辆进行通讯警示，进而在对车辆监控的同时对车辆的运行轨迹进行监控，对于运行轨迹不规范车辆可及时发现并进行警示，降低不规范操作对猪场带来的隐患。隐患。隐患。

【技术实现步骤摘要】
基于深度学习的猪场车辆轨迹方法


[0001]本专利技术属于猪场养殖
，具体涉及基于深度学习的猪场车辆轨迹方法。

技术介绍

[0002]有些猪场在卖猪后疫情暴发，有些猪场在运饲料车补充饲料后疫情暴发，有些猪场在猪断奶转群后疫情快速蔓延，这都是猪场在车辆(当然包括人员)流通过程中出现严重纰漏的具体表现；应该如何做好管控，或许可以从一个恢复稳定的猪场的车辆流动管控方法中获得经验和教训；对猪场来说，外来感染主要在于拉猪车、运饲料车和私家车。最根本的阻断方法就是车辆禁止入场，只允许在周边停留，并且都必须通过洗消中心进行严格洗消和烘干；需要警惕的是，对于场内私家车和货物车辆，不少猪场存在放松管理，这是生物安全防控的重大风险；当然，在猪场中猪舍间的流动是不可避免的，比如转运保育猪。但也要遵从一个原则，把流动限制在两个猪舍之间；所以转猪时，所用车辆做好消毒，所经道路提前消毒。
[0003]但是目前对于猪场的车辆监控不够全面，只能进行简单的监控，但是不能及时对不规范操作进行警示，进而存在猪场生物安全隐患，因此提出基于深度学习的猪场车辆轨迹方法。

技术实现思路

[0004]本专利技术要解决的技术问题是克服现有的缺陷，提供基于深度学习的猪场车辆轨迹方法，以解决上述
技术介绍
中提出的只能进行简单的监控，但是不能及时对不规范操作进行警示，进而存在猪场生物安全隐患的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：基于深度学习的猪场车辆轨迹方法，包括以下步骤：
[0006]步骤1：猪场各种车辆数据采集；
[0007]步骤2：对各种车辆的运行轨迹数据进行处理；
[0008]步骤3：车辆实时轨迹数据采集，构建轨迹模型和特征学习；
[0009]步骤4：车辆轨迹拟合；
[0010]步骤5：根据拟合结果输出该车辆的运行轨迹是否规范；
[0011]步骤6：对不规范运行车辆进行通讯警示。
[0012]优选的，所述步骤1包括以下步骤：
[0013]步骤1.1：对猪场内各类车辆的车牌、车身上的字样和整体外观进行识别；
[0014]步骤1.2：对各类车辆的识别数据进行清洗纠正；
[0015]步骤1.3：将各类车辆的数据存储在数据库中，将车辆识别数据输入CenterNet检测模型中；
[0016]步骤1.4：通过猪场的识别设备对车辆的各类数据进行识别。
[0017]优选的，所述步骤2包括以下步骤：
[0018]步骤2.1：根据猪场内各类车辆的起点和终点生成运行轨迹：
[0019]步骤2.2：根据猪场实际设施规格生成每类车辆的运行轨迹临界范围；
[0020]步骤2.3：将各类车辆的运行轨迹数据输入arctoolbox中的渔网工具；
[0021]步骤2.4：利用渔网根据将运行轨迹数据生成间隔渔网，然后利用要素转点工具在运行轨迹上生成规则均匀分布的点；
[0022]步骤2.5：获取个各点对于的空间向量生成各类车辆的运行轨迹特征集P。
[0023]优选的，所述步骤3包括以下步骤：
[0024]步骤3.1：对各类车辆的运行进行监控；
[0025]步骤3.2：利用CenterNet检测模型对该车辆进行识别；
[0026]步骤3.3：根据CenterNet检测模型检测的位置利用Keypoint Heatmap关键点热力图找到中心点作为车辆跟踪框中心点，并且生成跟踪框；
[0027]步骤3.4：运用多重CNN的神经元对点特征进行提取，利用嵌入层把车辆中心点的时间和方向转换为嵌入空间中的特征向量；
[0028]步骤3.5：提取运行轨迹上的实时点向量数据。
[0029]优选的，所述步骤4包括以下步骤：
[0030]步骤4.1：根据时序将点向量数据导入COMSOL中，先创建一个包含一维分量的新文件，使用“全局常微分和微分代数方程”物理场接口来求解系数，并使用稳态求解器；
[0031]步骤4.2：使用内插函数读取实验数据，为函数输入一个名称为D，选择“使用空间坐标作为自变量”，并确保在数据点间使用缺省的“线性”内插；
[0032]步骤4.3：导入实验数据的设定,针对所有域定义一个“积分算子”，现在定义两个变量,一个是函数F，F作为c0、c1、c2、c3的函数，另一个是希望最小化的函数R,在所有域定义F＝c0(1
‑
x)3+c1·
x(1
‑
x)2+c2·
x2(1
‑
x)+c3·
x3，并将随函数x在空间变化,另一方面，R在各处均为标量值，而且也在整个域可用，R＝int op1((D
‑
F)2)，其中intop1为缺省名称，用于执行所述积分操作；
[0033]步骤4.4：使用“全局方程”接口为这四个系数定义四个方程,使用差分算子d(f(x),x)求解拟合函数的系数；
[0034]步骤4.5：基于深度学习训练构建拟合模型L。
[0035]优选的，所述步骤5包括以下步骤：
[0036]步骤5.1：基于深度学习将拟合模型L上的特征点与运行轨迹特征集P进行集合运算；
[0037]步骤5.2：若L∪P＝P，则L∈P，该车辆运行轨迹为正常；
[0038]步骤5.3：反之若L∪P≠P，则该车辆运行轨迹超出运行范围，为非正常运行。
[0039]优选的，所述步骤6包括以下步骤：
[0040]步骤6.1：猪场内部车辆均装配警示器，警示器位于驾驶室内部；
[0041]步骤6.2：警示器通过车载通讯模块与监控端通讯连接，可通过监控终端控制警示器进行工作；
[0042]步骤6.3：当有车辆进行非规范运行时，监控终端会通过通讯模块控制警示器对车辆进行语音警示；
[0043]步骤6.4：同时在监控终端对生成的轨迹进行显示，以便于猪场进行追溯。
[0044]优选的，所述步骤1中的各种车辆包括猪场内部车辆和外来车辆，其中猪场内部车辆包括药品运输车辆、工具运输车辆、拉粪斗车、打料斗车和转猪小车等，猪场内部设置有外来车辆专用路线。
[0045]优选的，所述步骤6中的监控终端包括数据采集模块、数据处理模块、存储模块、数据输出模块和显示模块，所述数据采集模块、存储模块、数据输出模块和显示模块均与数据处理模块、电性连接；
[0046]其中，所述数据采集模块用于获取监控车辆的信息；
[0047]所述存储模块用于存储计算机程序；
[0048]所述数据处理模块用于执行计算机程序实现所述的基于深度学习的猪场车辆轨迹方法的步骤；
[0049]所述数据输出模块用于将车辆的运行轨迹数据进行输出；
[0050]所述显示模块用于对运行车辆进行监控以及对运行轨迹进行监测和显示。
[0051]优选的，所述数据采集模块、数据处理模块、存储模块、数据输出模块和显示模块均用于实现所述的基于深度学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
(1
‑
x)3+c1·
x(1
‑
x)2+c2·
x2(1
‑
x)+c3·
x3，并将随函数x在空间变化,另一方面，R在各处均为标量值，而且也在整个域可用，R＝intop1((D
‑
F)2)，其中intop1为缺省名称，用于执行所述积分操作；步骤4.4：使用“全局方程”接口为这四个系数定义四个方程,使用差分算子d(f(x),x)求解拟合函数的系数；步骤4.5：基于深度学习训练构建拟合模型L。6.根据权利要求1所述的基于深度学习的猪场车辆轨迹方法，其特征在于：所述步骤5包括以下步骤：步骤5.1：基于深度学习将拟合模型L上的特征点与运行轨迹特征集P进行集合运算；步骤5.2：若L∪P＝P，则L∈P，该车辆运行轨迹为正常；步骤5.3：反之若L∪P≠P，则该车辆运行轨迹超出运行范围，为非正常运行。7.根据权利要求1所述的基于深度学习的猪场车辆轨迹方法，其特征在于：所述步骤6包括以下步骤：步骤6.1：猪场内部车辆均装配警示器，警示器位于驾驶室内部；步骤6.2：警示器通过车载通讯模块与监控端通讯连接，可通过监控终端控制警示器进行工作；步骤6.3：当有车辆进行非规范运行时，监控终端会通过通讯模块控制...

【专利技术属性】
技术研发人员：薛素金，杨焜，
申请(专利权)人：厦门农芯数字科技有限公司，
类型：发明
国别省市：