一种基于智能耳标运动量的猪只行为节律分析方法技术

本发明专利技术公开了一种基于智能耳标运动量的猪只行为节律分析方法，涉及猪只行为节律分析领域，该方法包括以下步骤：采集猪只的三轴加速度数据，进而确定猪只在计算周期内的累计运动量；根据累计运动量确定猪只在统计周期内的行为；根据猪只在统计周期内的行为绘制行为表格；根据猪只在计算周期内的累计运动量绘制累计运动量变化曲线；将猪只的累计运动量变化曲线与评估曲线进行重合度对比，确定猪只行为节律精确分析结果。本发明专利技术通过量化猪只的运动量与不同行为之间的关系绘制行为表格，能对猪只行为节律进行更加快速的分析，通过确定一条评估曲线，表征猪只的行为节律，并对评估曲线进行动态调整，可以更准确地反映猪只的行为节律。律。律。

【技术实现步骤摘要】
一种基于智能耳标运动量的猪只行为节律分析方法


[0001]本专利技术涉及猪只行为节律分析领域，具体涉及一种基于智能耳标运动量的猪只行为节律分析方法。

技术介绍

[0002]猪只在生长过程中会逐渐形成多种行为特性，其行为特性是对其周围环境、气候条件和饲养管理等各方面做出的反应。充分了解猪只行为节律是做好猪只饲养管理的基础，也是评估猪只健康状况的主要依据。因此，在养猪产业中，高效准确地获取猪只行为节律可以提高猪只的养殖管理效率，从而提升猪肉的产品品质，对提高猪场的经济效益有着重要意义。
[0003]传统的猪只行为节律分析通过人工观察来进行，但这种方法不仅耗时费力,而且容易出错。另外，也有基于图像的深度学习方法来对猪只进行行为识别，但这种方法需要价格较为高昂的相机摄像头，而且需要深度学习模型能够同时处理时间和空间信息，这对模型的要求相对较高，计算量也相对较大。此外，目前猪只运动量与不同行为之间的关系一般通过设置固定阈值来确定，但该方法适用范围小，算法可迁移性差。并且针对猪只的异常行为分析主要基于猪只单一时刻的行为表现。然而，由于行为活动存在昼夜节律性变化，单一时刻的行为表现往往不能准确地评估猪只的行为习性，因此急需解决这一问题，进而保障猪只行为习性得到准确有效的评估分析。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的一种基于智能耳标运动量的猪只行为节律分析方法，能更加快速、更加准确地反映猪只长时间的行为节律。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于智能耳标运动量的猪只行为节律分析方法，包括以下步骤：S1、采集猪只的三轴加速度数据，并根据三轴加速度确定猪只在计算周期内的累计运动量；S2、根据步骤S1中猪只在计算周期内的累计运动量确定猪只在统计周期内的行为；S3、根据步骤S2中猪只在统计周期内的行为，绘制猪只每天在统计周期内的行为表格，得到猪只行为节律粗略分析结果；S4、根据步骤S1中猪只在计算周期内的累计运动量，绘制猪只每天的累计运动量变化曲线；S5、确定评估曲线，并将步骤S4中猪只每天的累计运动量变化曲线与评估曲线进行重合度对比，确定猪只行为节律精确分析结果。
[0006]进一步地，步骤S1包括以下分步骤：S11、采集并传输猪只包括x轴加速度、y轴加速度和z轴加速度的加速度数据；
S12、判断分步骤S11中采集的加速度数据的丢失数量是否大于丢失阈值；若是则进行数据重传并回到分步骤S12，否则进入分步骤S13;S13、判断分步骤S12中丢失数量小于丢失阈值的加速度数据是否通过奇偶校验；若是则进入分步骤S14，否则进行数据重传并回到分步骤S12；S14、并计算计算周期内的合加速度，得到合加速度数据，表示为：其中：为猪只的合加速度，为猪只的x轴加速度，为猪只的y轴加速度，为猪只的z轴加速度；S15、利用降低噪声数据筛选数值去除分步骤S14中合加速度数据的最值；S16、将分步骤S15中去除最值后的合加速度数据的各个合加速度值与非运动阈值进行比较，确定猪只在计算周期内的累计运动量。
[0007]进一步地，在分步骤S15中，降低噪声数据筛选数值的计算式为：其中：为降低噪声数据筛选数值，为计算周期，为截断系数，为三轴加速度计采集一次数据的时间间隔。
[0008]进一步地，步骤S2包括以下分步骤：S21、确定第一判别阈值和第二判别阈值，并根据第一判别阈值、第二判别阈值和步骤S1中猪只在计算周期内的累计运动量确定统计周期内的评价系数值；S22、对分步骤S21中统计周期内的评价系数值进行归一化处理，表示为：其中：为统计周期内的评价系数值经归一化后的数据，为统计周期内的评价系数值数据，为统计周期内的评价系数值数据的最小值，为统计周期内的评价系数值数据的最大值；S23、对分步骤S22中经归一化处理后的统计周期内的评价系数值进行K均值聚类，确定猪只在统计周期内的行为。
[0009]进一步地，步骤S23包括以下分步骤：S231、根据猪只行为确定聚类中心数量；S232、根据分步骤S22中经归一化处理后的统计周期内的评价系数值和分步骤S231中的聚类中心数量，确定聚类中心；S233、将分步骤S22中经归一化处理后的统计周期内的评价系数值以统计周期为单位划分为样本，并计算样本与聚类中心的分类距离；S234、根据分步骤S233中的分类距离，确定猪只在统计周期内的行为；S235、判断误差平方和准则函数是否收敛，若是则结束操作，否则进入分步骤S236;
S236、计算分配之后的每个聚类域的均值，更新聚类中心并回到分步骤S233。
[0010]进一步地，步骤S5包括以下分步骤：S51、确定评估曲线；S52、计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的重合度；S53、判断分步骤S52中的重合度是否低于重合度阈值；若是则判为异常行为，否则判为正常行为并进入分步骤S54；S54、对评估曲线进行动态调整并更新评估曲线。
[0011]进一步地，步骤S52包括以下分步骤：S521、采用DTW算法计算步骤S4中猪只每天的累计运动量变化曲线与评估曲线的累计距离；S522、将分步骤S521中的累计距离转化为重合度，表示为：其中：为累计运动量变化曲线与评估曲线的重合度，为衰减系数，为累计运动量变化曲线与评估曲线的累计距离。
[0012]进一步地，步骤S54包括以下分步骤：S541、构建绝对距离矩阵；S542、根据动态因子和分步骤S541中的绝对距离矩阵对评估曲线进行动态调整，表示为：其中：为动态调整后的评估曲线的累计运动量坐标点，，为一天内累计运动量的数据总组数，为评估曲线的累计运动量坐标点，为动态因子，为绝对距离矩阵的对角线元素；S543、将评估曲线更新为分步骤S542中动态调整后的评估曲线。
[0013]进一步地，步骤S541包括以下分步骤：S5411、计算对角线元素，表示为：其中：为绝对距离矩阵的对角线元素，为当天的累计运动量曲线的累计运动量坐标点，为评估曲线的累计运动量坐标点；S5412、将除对角线元素以外其余元素设置为0，构建绝对距离矩阵。
[0014]本专利技术的有益效果为：（1）本专利技术能够通过数据重传机制，使采集到的猪只的三轴加速度数据更加准确真实，并通过对三轴加速度数据进行处理将其转化为运动量，从而实现了对猪只运动量进行表征；
（2）本专利技术通过K均值聚类算法，量化了猪只运动量与不同行为之间的关系，并通过绘制行为表格，可以更加快速准确地分析猪只行为节律；（3）本专利技术通过确定评估曲线，表征猪只的行为节律，并对评估曲线进行动态调整，可以更准确地反映猪只的行为节律，提高监控和预警的效果。
附图说明
[0015]图1为一种基于智能耳标运动量的猪只行为节律分析方法流程图。
具体实施方式
[0016]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术。
[0017]如图1所示，一种基于智能耳标运动量的猪只行为节律分析方法，包括步骤S1
‑
S5：S1、采集猪只的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能耳标运动量的猪只行为节律分析方法，其特征在于，包括以下步骤：S1、采集猪只的三轴加速度数据，并根据三轴加速度确定猪只在计算周期内的累计运动量；S2、根据步骤S1中猪只在计算周期内的累计运动量确定猪只在统计周期内的行为；S3、根据步骤S2中猪只在统计周期内的行为，绘制猪只每天在统计周期内的行为表格，得到猪只行为节律粗略分析结果；S4、根据步骤S1中猪只在计算周期内的累计运动量，绘制猪只每天的累计运动量变化曲线；S5、确定评估曲线，并将步骤S4中猪只每天的累计运动量变化曲线与评估曲线进行重合度对比，确定猪只行为节律精确分析结果。2.根据权利要求1所述的一种基于智能耳标运动量的猪只行为节律分析方法，其特征在于，步骤S1包括以下分步骤：S11、采集并传输猪只包括x轴加速度、y轴加速度和z轴加速度的加速度数据；S12、判断分步骤S11中采集的加速度数据的丢失数量是否大于丢失阈值；若是则进行数据重传并回到分步骤S12，否则进入分步骤S13;S13、判断分步骤S12中丢失数量小于丢失阈值的加速度数据是否通过奇偶校验；若是则进入分步骤S14，否则进行数据重传并回到分步骤S12；S14、计算计算周期内的合加速度，得到合加速度数据，表示为：其中：为猪只的合加速度，为猪只的x轴加速度，为猪只的y轴加速度，为猪只的z轴加速度；S15、利用降低噪声数据筛选数值去除分步骤S14中合加速度数据的最值；S16、将分步骤S15中去除最值后的合加速度数据的各个合加速度值与非运动阈值进行比较，确定猪只在计算周期内的累计运动量。3.根据权利要求2所述的一种基于智能耳标运动量的猪只行为节律分析方法，其特征在于，在分步骤S15中，降低噪声数据筛选数值的计算式为：其中：为降低噪声数据筛选数值，为计算周期，为截断系数，为三轴加速度计采集一次数据的时间间隔。4.根据权利要求1所述的一种基于智能耳标运动量的猪只行为节律分析方法，其特征在于，步骤S2包括以下分步骤：S21、确定第一判别阈值和第二判别阈值，并根据第一判别阈值、第二判别阈值和步骤S1中猪只在计算周期内的累计运动量确定统计周期内的评价系数值；S22、对分步骤S21中统计周期内的评价系数值进行归一化处理，表示为：
其中：为统计周期内的评价系数值经归一化后的数据，为统计周期内的评价系数值数据，为统计周期内的评价系数值数据的最小值，为统计周期内的评价系数值数据的最大值；S23、对分步骤S22中经归一化处理后的统计周期内的评价系数值进行K均值聚类，确定猪只在统...

【专利技术属性】
技术研发人员：肖德琴，胡栋辉，黄一桂，周敏，冯健昭，殷建军，吴耿潜，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：