一种基于多模态物联网的家禽养殖智慧监测方法及系统

本发明涉及环境信息监测，具体涉及一种基于多模态物联网的家禽养殖智慧监测方法及系统。

背景技术：

1、目前的传统家禽养殖很多都是依靠养殖工人的经验和感觉，其环境控制方式主要依靠人工调节空调、加湿器等设备，这会导致判断不准确、监测不及时、耗能大的情况发生，与传统养殖相比，智慧养殖系统在便利性和高效益方面突显优势。智能化设备代替传统的人力控制，让养殖过程向精细化、快速化、高效化方向发展，但在成本控制和养殖精确性等方面，目前的智慧养殖技术仍有较大的进步空间。首先，由于养殖场环境各不相同，这就要求养殖场选择一个合理高效的物联网设备布局方式，否则就会导致数据采集效率低下、数据采集不准确等问题，养殖成本大大提升；在养殖智能化方面，高效的人工智能算法可使养殖过程更加精细、高效，然而其尚未得到较好的应用，算法准确性及其效果也有待验证。

2、综上，目前的智慧养殖技监测技术缺乏对传感器的选择进行搭配，在布局设计方面也有很多不足，同时其系统并没有结合当前高效的人工智能算法，效率较低，如采用transformer模型，其自注意力机制排列不变的本质仍导致了时间信息的丢失，注意力机制很难直接从复杂的时间模式中获取长期依赖关系。而且自注意力机制的计算复杂度随着序列长度的增加而迅速增加，这可能导致在长序列上的训练和推理变得昂贵。

技术实现思路

1、为了克服现有技术存在的缺陷与不足，本发明提供一种基于多模态物联网的家禽养殖智慧监测方法及系统，本发明对传感器分区布局设计进行优化，基于ddtcn模型对大量历史数据进行学习和建模，实现对环境变化等因素的精准预测，利用了捕获局部信息的能力较强的卷积块来获取变量间的相关性，通过趋势分解来保留时间的全局特征，同时采用了数据自适应策略，能根据数据自动调整模型参数，并基于预先训练好的模型实现对异常情况的多尺度预警，能够更及时地发现潜在的问题和风险，减少因延迟响应而导致的损失。

2、为了达到上述目的，本发明采用以下技术方案：

3、本发明提供一种基于多模态物联网的家禽养殖智慧监测方法，包括下述步骤：

4、布设用于采集环境信息的传感器；

5、获取外部天气数据和传感器收集的数据；

6、选择传感器和外部天气环境数据序列长度为w的连续时间序列数据，并划分为训练集、验证集、测试集；

7、构建ddtcn模型并基于训练集进行模型训练，所述ddtcn模型包括分解模块、tdtcn模块和sdtcn模块，所述tdtcn模块和sdtcn模块采用相同的网络结构，设有多个卷积层dcn，卷积层dcn的层数根据连续时间序列数据的空间维度进行自适应调整，采用改变卷积核大小或者改变扩张因子形式改变tdtcn模块和sdtcn模块的空间感受野；

8、将训练集的连续时间序列数据输入分解模块得到趋势性部分数据和季节性部分数据，趋势性部分数据和季节性部分数据分别输入tdtcn模块和sdtcn模块，将tdtcn模块和sdtcn模块的输出结果进行融合，通过线性层映射后得到预测输出，得到训练后的ddtcn模型；

9、基于验证集调节ddtcn模型的参数并评估ddtcn模型的性能；

10、使用不同历史时间窗口信息和不同的预测长度，将测试集的连续时间序列数据输入训练后的ddtcn模型，得到预测值，判断预测值是否超出设定的第一阈值，若超出第一阈值则发出预警，否则保存预测值；

11、获取当前实时数据，包括采集的外部天气数据和传感器收集的数据，判断是否超出设定的第二阈值，若超出第二阈值则发出预警，否则判断当前实时数据与保存的预测值的差值是否超出设定的第三阈值，若超出第三阈值则发出预警。

12、作为优选的技术方案，所述布设用于采集环境信息的传感器，具体包括：

13、根据各个区域风速情况的不同，划分多个分区布设传感器，包括进风口区、湿帘冷却区、饲养区和出风口区；

14、在进风口区布设温度传感器、湿度传感器、光照传感器和空气质量检测器；

15、在湿帘冷却区布设温度传感器、湿度传感器和光照传感器；

16、在饲养区布设温度传感器、湿度传感器、光照传感器和空气质量检测器；

17、在出风口区布设温度传感器和湿度传感器。

18、作为优选的技术方案，所述将训练集的连续时间序列数据输入分解模块得到趋势性部分数据和季节性部分数据，具体包括：

19、；

20、；

21、其中，分别表示季节性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据，表示趋势性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据， t表示时刻， w为历史时间窗口长度，分别表示连续时间序列数据的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据，表示对连续时间序列数据进行移动平均。

22、作为优选的技术方案，所述采用改变卷积核大小或者改变扩张因子形式改变tdtcn模块和sdtcn模块的空间感受野，具体包括：

23、第 n层的感受野为：

24、；

25、其中， k为卷积核尺寸， s为卷积滑动步长，表示第 n-1层的感受野；

26、当 s定为1时，改变卷积核尺寸使tdtcn模块和sdtcn模块获取与数据相匹配的空间感受野时，满足下述条件：

27、；

28、其中，表示连续时间序列数据的空间维度，表示第i层卷积层dcn的卷积核尺寸，表示卷积层dcn的层数；

29、连续时间序列数据中元素 s的扩张卷积运算 f定义为：

30、；

31、其中， d表示扩张因子，表示过去的方向上的连续时间序列数据， f表示过滤器， i表示滤波器大小；

32、当改变扩张因子使tdtcn模块和sdtcn模块获取与数据相匹配的空间感受野时，从感受野的角度来看：

33、；

34、；

35、其中，表示扩张卷积核的大小，表示第 n层的感受野。

36、作为优选的技术方案，所述趋势性部分数据和季节性部分数据分别输入tdtcn模块和sdtcn模块，将tdtcn模块和sdtcn模块的输出结果进行融合，通过线性层映射后得到预测输出，具体表示为：

37、；

38、；

39、；

40、；

41、；

42、其中，表示季节性部分数据，表示趋势性部分数据，分别表示季节性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据，表示趋势性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据， t表示时刻， w为历史时间窗口长度，表示sdtcn模块，表示tdtcn模块，和分别表示tdtcn模块和sdtcn模块的输出，表示多层感知机，表示预测输出结果；

43、tdtcn模块和sdtcn模块的输出具体表示为：

44、；

45、其中，表示tdtcn模块的第n层卷积层dcn输出，表示tdtcn模块的第 n-1层卷积层dcn输出，表示tdtcn模块的第 n层卷积层dcn，表示tdtcn模块的第1层卷积层dcn输出，表示tdtcn模块的第1层卷积层dcn，表示sdtcn模块的第 n层卷积层dcn输出，表示sdtcn模块的第 n-1层卷积层dcn输出，表示sdtcn模块的第 n层卷积层dcn，表示sdtcn模块的第 1层卷积层dcn输出，表示sdtcn模块的第1层卷积层dcn。

46、本发明还提供一种基于多模态物联网的家禽养殖智慧监测系统，包括：传感器布设模块、数据获取模块、数据划分模块、ddtcn模型构建模块、ddtcn模型训练模块、ddtcn模型参数调节模块、预测值获取模块、阈值判断模块、当前实时数据获取模块；

47、所述传感器布设模块用于布设用于采集环境信息的传感器；

48、所述数据获取模块用于获取外部天气数据和传感器收集的数据；

49、所述数据划分模块用于选择传感器和外部天气环境数据序列长度为 w的连续时间序列数据，并划分为训练集、验证集、测试集；

50、所述ddtcn模型构建模块用于构建ddtcn模型，所述ddtcn模型包括分解模块、tdtcn模块和sdtcn模块，所述tdtcn模块和sdtcn模块采用相同的网络结构，设有多个卷积层dcn，卷积层dcn的层数根据连续时间序列数据的空间维度进行自适应调整，采用改变卷积核大小或者改变扩张因子形式改变tdtcn模块和sdtcn模块的空间感受野；

51、所述ddtcn模型训练模块用于基于训练集进行模型训练，将训练集的连续时间序列数据输入分解模块得到趋势性部分数据和季节性部分数据，趋势性部分数据和季节性部分数据分别输入tdtcn模块和sdtcn模块，将tdtcn模块和sdtcn模块的输出结果进行融合，通过线性层映射后得到预测输出，得到训练后的ddtcn模型；

52、所述ddtcn模型参数调节模块用于基于验证集调节ddtcn模型的参数并评估ddtcn模型的性能；

53、所述预测值获取模块用于使用不同历史时间窗口信息和不同的预测长度，将测试集的连续时间序列数据输入训练后的ddtcn模型，得到预测值；

54、所述阈值判断模块用于判断预测值是否超出设定的第一阈值，若超出第一阈值则发出预警，否则保存预测值；

55、所述当前实时数据获取模块用于获取当前实时数据，包括采集的外部天气数据和传感器收集的数据；

56、所述阈值判断模块用于判断当前实时数据是否超出设定的第二阈值，若超出第二阈值则发出预警，否则判断当前实时数据与保存的预测值的差值是否超出设定的第三阈值，若超出第三阈值则发出预警。

57、作为优选的技术方案，所述传感器布设模块用于布设用于采集环境信息的传感器，具体包括：

58、根据各个区域风速情况的不同，划分多个分区布设传感器，包括进风口区、湿帘冷却区、饲养区和出风口区；

59、在进风口区布设温度传感器、湿度传感器、光照传感器和空气质量检测器；

60、在湿帘冷却区布设温度传感器、湿度传感器和光照传感器；

61、在饲养区布设温度传感器、湿度传感器、光照传感器和空气质量检测器；

62、在出风口区布设温度传感器和湿度传感器。

63、作为优选的技术方案，所述将训练集的连续时间序列数据输入分解模块得到趋势性部分数据和季节性部分数据，具体包括：

64、；

65、；

66、其中，分别表示季节性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据，表示趋势性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据， t表示时刻， w为历史时间窗口长度，分别表示连续时间序列数据的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据，表示对连续时间序列数据进行移动平均。

67、作为优选的技术方案，所述采用改变卷积核大小或者改变扩张因子形式改变tdtcn模块和sdtcn模块的空间感受野，具体包括：

68、第 n层的感受野为：

69、；

70、其中， k为卷积核尺寸， s为卷积滑动步长，表示第 n-1层的感受野；

71、当 s定为1时，改变卷积核尺寸使tdtcn模块和sdtcn模块获取与数据相匹配的空间感受野时，满足下述条件：

72、；

73、其中，表示连续时间序列数据的空间维度，表示第i层卷积层dcn的卷积核尺寸，表示卷积层dcn的层数；

74、连续时间序列数据中元素 s的扩张卷积运算 f定义为：

75、；

76、其中， d表示扩张因子，表示过去的方向上的连续时间序列数据， f表示过滤器， i表示滤波器大小；

77、当改变扩张因子使tdtcn模块和sdtcn模块获取与数据相匹配的空间感受野时，从感受野的角度来看：

78、；

79、；

80、其中，表示扩张卷积核的大小，表示第 n层的感受野。

81、作为优选的技术方案，所述趋势性部分数据和季节性部分数据分别输入tdtcn模块和sdtcn模块，将tdtcn模块和sdtcn模块的输出结果进行融合，通过线性层映射后得到预测输出，具体表示为：

82、；

83、；

84、；

85、；

86、；

87、其中，表示季节性部分数据，表示趋势性部分数据，分别表示季节性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据，表示趋势性部分的温度数据、湿度数据、光照数据、内部空气质量数据和外部天气环境数据， t表示时刻， w为历史时间窗口长度，表示sdtcn模块，表示tdtcn模块，和分别表示tdtcn模块和sdtcn模块的输出，表示多层感知机，表示预测输出结果；

88、tdtcn模块和sdtcn模块的输出具体表示为：

89、；

90、其中，表示tdtcn模块的第n层卷积层dcn输出，表示tdtcn模块的第 n-1层卷积层dcn输出，表示tdtcn模块的第 n层卷积层dcn，表示tdtcn模块的第1层卷积层dcn输出，表示tdtcn模块的第1层卷积层dcn，表示sdtcn模块的第 n层卷积层dcn输出，表示sdtcn模块的第 n-1层卷积层dcn输出，表示sdtcn模块的第 n层卷积层dcn，表示sdtcn模块的第 1层卷积层dcn输出，表示sdtcn模块的第1层卷积层dcn。

91、本发明与现有技术相比，具有如下优点和有益效果：

92、（1）传统的养殖管理采用统一管理的策略，很难考虑到不同家禽个体的需求和不同区域的环境变化差异性，本发明首先对传感器分区布局设计进行优化，采用于数据驱动的个性化养殖管理策略，通过各个区域的环境数据以及其他饲养数据，分析不同区域环境情况和家禽行为特征，结合饲养方案和环境调控措施，实现了对各个区域家禽的精细化管理。

93、（2）传统养殖监测系统通常采用手动或周期性数据采集方式，数据规模有限，处理方式主要依赖于人工经验和简单的统计分析，本发明基于ddtcn模型对大量历史数据进行学习和建模，能够实现对环境变化等因素的精准预测，ddtcn模型利用了捕获局部信息的能力较强的卷积块来获取变量间的相关性，通过趋势分解来保留时间的全局特征，同时采用了数据自适应策略，能根据数据自动调整模型参数。

94、（3）在实时监测与预警方面，本发明结合了实时数据采集和处理技术，利用即时更新的数据对养殖环境进行实时监测，并基于预先训练好的模型实现对异常情况的多尺度预警，相比传统的人工观察和周期性检测，本发明能够更及时地发现潜在的问题和风险，减少因延迟响应而导致的损失。