猪仔异常数据的聚类分析方法技术

本发明专利技术提供了一种猪仔异常数据的聚类分析方法，其特征在于，包括以下步骤：S1，对每一猪舍的猪仔进行监控，获取第一数据，所述第一数据包括该栏位的猪仔的粪便信息、身体行为信息、以及饮食信息；S2，获取该栏位猪仔在预设历史时段下的第一数据信息；S3，对该栏位猪仔在预设历史时段下的第一数据信息进行聚类处理生成多个数据子集；S4，根据所述多个数据子集进行预警。本发明专利技术通过对每一栏位的猪仔的粪便信息、身体行为信息、以及饮食信息进行聚类分析，从而获取该各个栏位各种异常情况的变化量，并根据该变化量进行有针对性的预警。从而可以实现无人值守的猪仔死亡事件进行的自动化识别及预警。化识别及预警。化识别及预警。

【技术实现步骤摘要】
猪仔异常数据的聚类分析方法


[0001]本专利技术涉及一种猪仔异常数据的聚类分析方法。

技术介绍

[0002]目前，规模猪场一般都会在仔猪出生时统计活仔数和死胎数，因为这关系到猪场的盈利和育种计划。然而，幼龄仔猪很可能在出生时还是活的且健康的，但在其出生后就会因为各种原因而死亡。在猪场正常生产实践中，最大一类新生仔猪死亡情况通常是：生产时体况良好却在其生命的头几天内死亡。然而，现有技术中并没有对生产时体况良好却在其生命的头几天内死亡的猪仔的异常数据进行有效的分析方法，从而提前进行预警。

技术实现思路

[0003]本专利技术提供了一种猪仔异常数据的聚类分析方法，可以有效解决上述问题。
[0004]本专利技术是这样实现的：本专利技术一种猪仔异常数据的聚类分析方法，包括以下步骤：S1，对每一猪舍的猪仔进行监控，获取第一数据，所述第一数据包括该栏位的猪仔的粪便信息、身体行为信息、以及饮食信息；S2，获取该栏位猪仔在预设历史时段下的第一数据信息；S3，对该栏位猪仔在预设历史时段下的第一数据信息进行聚类处理生成多个数据子集；S4，根据所述多个数据子集进行预警。
[0005]本专利技术的有益效果是：本专利技术通过对每一栏位的猪仔的粪便信息、身体行为信息、以及饮食信息进行聚类分析，从而获取该各个栏位各种异常情况的变化量，并根据该变化量进行有针对性的预警。从而可以实现无人值守的猪仔死亡事件进行的自动化识别及预警。
附图说明
[0006]为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0007]图1是本专利技术实施例提供的猪仔异常数据的聚类分析方法的流程图。
[0008]图2是本专利技术实施例提供的猪仔异常数据的聚类分析方法中收集的不同粪便的照片。
[0009]图3是本专利技术实施例提供的猪仔异常数据的聚类分析方法的流程图。
具体实施方式
[0010]为使本专利技术实施方式的目的、技术方案和优点更加清楚，下面将结合本专利技术实施方式中的附图，对本专利技术实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本专利技术一部分实施方式，而不是全部的实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。因此，以下对在附图中提供的本专利技术的实施方式的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施方式。基于本专利技术中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本专利技术保护的范围。
[0011]在本专利技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0012]参照图1所示，本专利技术实施例提供一种猪仔异常数据的聚类分析方法，包括以下步骤：S1，对每一猪舍的猪仔进行监控，获取第一数据，所述第一数据包括该栏位的猪仔的粪便信息、身体行为信息、以及饮食信息；S2，获取该栏位猪仔在预设历史时段下的第一数据信息；S3，对该栏位猪仔在预设历史时段下的第一数据信息进行聚类处理生成多个数据子集；S4，根据所述多个数据子集进行预警。
[0013]在步骤S1中，所述粪便信息为通过粪便识别模型识别为“异常粪便”的数量以及异常类型的信息。所述通过粪便识别模型识别为“异常粪便”的具体步骤包括：S11，获取多张猪仔粪便图形；S12，将所述猪仔粪便图形按照“正常”、“红痢病粪便”、“黄痢病粪便”、“白痢病粪便”进行标注，并进行大数据的训练；S13，输出基于猪仔粪便的图像识别模型;S14，对养殖场中的猪仔即时粪便图像进行实时采集，并根据所述图像识别模型，判断所述即时粪便图像是否异常。
[0014]在步骤S11中，所述猪仔粪便图形可以通过各地饲养的过程中采集具体猪仔粪便图形获得。这是由于，全国各地的饲养地饲养猪仔的品种、食物以及饲养习惯完全不同，如果采用统一的标准图片，可能会导致后期的识别不准确。
[0015]腹泻与下痢通常能在产仔房的窝与窝之间传播，受感染仔猪通常介于1
‑
7日龄之间，会出现水样、黄白色稀便，似膏状物从仔猪肛门喷射而出。因此，需要进行分析和预警。作为进一步改进的，所述获取多张猪仔粪便图形的可以通过深度摄像机获取。在其中一个实施例中个，可采用Kinect深度摄像机，所述Kinect深度摄像机采用的是红外线发射器、彩色RGB摄像头、红外CMOS摄像机构成的3D结构光深度感应器。所述红外发射器主动投射经调制的近红外光线，红外光线照到视野里的物体上就会发生反射，红外相机接收反射回来的红外线，采用TOF技术测量深度，计算光的时间差，根据可得物体的深度，进而获得猪仔粪便
的深度图像。之所以采用深度摄像机获取，这是由于正常的猪仔粪便都是松散结团状的结构，需要通过深度摄像机获取其深度结构；而生病的猪仔的粪便，都是稀状或糊状（平面状结构），难以获得其深度结构，因此可以快速的进行分辨及训练，大大的提高训练的效率。
[0016]在步骤S12中，所述将猪仔粪便图形按照“正常”、“红痢病粪便”、“黄痢病粪便”、“白痢病粪便”进行标注的步骤，主要由人工进行。作为进一步改进的，在其中一个实施例中，在标注的过程中，将不同痢病下的拉稀或糊状对应标注为“非正常
‑
红痢病粪便”、“非正常
‑
黄痢病粪便”、“非正常
‑
白痢病粪便”；而团状标注为“正常”。
[0017]将所述猪仔粪便图形在大数据处理单元中进行大数据训练。在本实施例中利用的Halcon软件进行处理，Halcon软件的优点在于其支持2D和3D图像采集设备数量的5倍，提供更高的位深度图像处理。在其中一个实施例中，调用Halcon中的预训练网络：pretrained_dl_classifier_compact.hdl。参照图2所示，在本实施例中上述的图像共采集到114张图像，其中“normal”图像57张，“innormal
‑
Red dysentery”图像15张,如图2a所示，“innormal
‑
Yellow dysentery”图像18张,如图2b所示，“innormal
‑
white dysentery”图像24张,如图2c所示。将“normal”、“innormal
‑
Red dysentery”、“innormal
‑
Yellow dysentery”、“innormal
‑
white dysentery”分类的图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种猪仔异常数据的聚类分析方法，其特征在于，包括以下步骤：S1，对每一猪舍的猪仔进行监控，获取第一数据，所述第一数据包括该栏位的猪仔的粪便信息、身体行为信息、以及饮食信息；S2，获取该栏位猪仔在预设历史时段下的第一数据信息；S3，对该栏位猪仔在预设历史时段下的第一数据信息进行聚类处理生成多个数据子集；S4，根据所述多个数据子集进行预警。2.如权利要求1所述的猪仔异常数据的聚类分析方法，其特征在于，在步骤S1中，所述粪便信息为通过粪便识别模型识别为“异常粪便”的数量以及异常类型的信息。3.如权利要求2所述的猪仔异常数据的聚类分析方法，其特征在于，在步骤S1中，所述身体行为信息为通过OpenPose姿态识别算法获取猪仔是否被识别为“抖动异常”或“挤压异常”的次数以及异常类型的信息。4.如权利要求3所述的猪仔异常数据的聚类分析方法，其特征在于，在步骤S1中，所述饮食信息为每一猪仔的饮食次数及时间。5.如权利要求4所述的猪仔异常数据的聚类分析方法，其特征在于，所述预设历史时段下为连续的3
‑
5天时间段。6.如权利要求1所述的猪仔异常数据的聚类...

【专利技术属性】
技术研发人员：薛素金，刘宗宁，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：