一种牛只反刍行为的监测识别方法与流程

本技术涉及牛只监测，具体而言，涉及一种牛只反刍行为的监测识别方法。

背景技术：

1、牛只的反刍行为是其健康状态的重要指标之一。正常的反刍行为表明牛只的消化系统功能正常，能够有效地利用饲料。通过监测反刍行为，可以及时发现牛只是否患有消化系统疾病或其他健康问题，有助于及时采取干预措施，保障牛只的健康。而牛只的健康状况直接影响其生产性能，如生长速度、母牛的产奶量等。通过监测反刍行为，可以及时发现牛只的异常情况，调整饲养管理措施，给予牛只及时的健康管理，最大程度地提高牛只的生产性能，可以帮助畜牧养殖业提升生产效率。因此，牛只的反刍行为监测，是牛只养殖行业不可或缺的一环。

2、现有的反刍行为监测，通过人工观察、传感器技术或者视频监测的方式来做。但人工观察效率低下，且容易存在疏漏，特别是面对大规模的牛只监测，人工成本显著提升，且效果不好。而单纯通过传感器技术监测牛只的反刍行为，准确性不高。对于视频监测，可以结合深度学习模型实现(例如监测牛嘴部的咀嚼动作)，准确性可以达到较高水平，但反刍行为的监测，是一个长期监测过程，而健康牛只每天的反刍行为持续时间一般在4-8小时，这等强度的监测，对视频监测结合深度学习模型的方案来说，算力负荷过于巨大，成本极高。

3、因此，如何以相对较低的成本实现对牛只反刍行为的可靠监测，是本领域需要解决的技术问题。

技术实现思路

1、本技术实施例的目的在于提供一种牛只反刍行为的监测识别方法，以通过较低成本的方式实现对牛只反刍行为的可靠监测。

2、为了实现上述目的，本技术的实施例通过如下方式实现：

3、第一方面，本技术实施例提供一种牛只反刍行为的监测识别方法，包括：获取目标牛只在设定周期内的颈部运动参数、瘤胃动力参数、体温参数、行为姿态参数；基于颈部运动参数、瘤胃动力参数、体温参数、行为姿态参数，分别提取出颈部运动特征向量、瘤胃动力特征向量、体温特征向量、行为姿态特征向量；基于颈部运动特征向量、瘤胃动力特征向量、体温特征向量、行为姿态特征向量，形成输入数据；将输入数据输入至训练好的牛只反刍行为监测模型中，确定出牛只在设定周期内是否存在反刍行为。

4、结合第一方面，在第一方面的第一种可能的实现方式中，获取目标牛只在设定周期内的颈部运动参数、瘤胃动力参数、体温参数、行为姿态参数，包括：通过目标牛只颈部设置的三轴加速度传感器，采集目标牛只在设定周期内的颈部运动参数；通过投放在目标牛只的瘤胃中的精密三轴加速度传感器，采集目标牛只在设定周期内的瘤胃动力参数；通过设置在目标牛只身上的温度传感器，采集目标牛只在设定周期内的体温参数；通过对目标牛只的姿态识别监测，获取目标牛只在设定周期内的行为姿态参数。

5、结合第一方面，在第一方面的第二种可能的实现方式中，基于颈部运动参数、瘤胃动力参数、体温参数、行为姿态参数，分别提取出颈部运动特征向量、瘤胃动力特征向量、体温特征向量、行为姿态特征向量，包括：对颈部运动参数进行频域分析和时域分析，确定出颈部运动的频域特征和时域特征，形成颈部运动特征向量；对瘤胃动力参数进行频域分析和时域分析，确定出瘤胃动力的频域特征和时域特征，形成瘤胃动力特征向量；对体温参数进行时域分析，确定出体温的时域特征，形成体温特征向量；对行为姿态参数进行编码，得到行为姿态特征向量。

6、结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，对颈部运动参数进行频域分析和时域分析，确定出颈部运动的频域特征和时域特征，形成颈部运动特征向量，包括：对颈部运动参数进行预处理；对预处理后的颈部运动参数进行时域分析，确定出三轴方向和合成方向各自的均值、方差、最大值、最小值、标准差和极差；对预处理后的颈部运动参数进行傅里叶变换，得到颈部运动参数对应的频域信号；对颈部运动参数对应的频域信号进行频域分析，确定出三轴方向和合成方向各自的功率谱密度和频谱峰值；基于三轴方向和合成方向各自的均值、方差、最大值、最小值、标准差、极差、功率谱密度和频谱峰值，形成颈部运动特征向量。

7、结合第一方面的第二种可能的实现方式，在第一方面的第四种可能的实现方式中，对瘤胃动力参数进行频域分析和时域分析，确定出瘤胃动力的频域特征和时域特征，形成瘤胃动力特征向量，包括：对瘤胃动力参数进行预处理；对预处理后的瘤胃动力参数进行时域分析，确定出三轴方向和合成方向各自的均值、方差、最大值、最小值、标准差和极差；对预处理后的瘤胃动力参数进行傅里叶变换，得到瘤胃动力参数对应的频域信号，并对瘤胃动力参数对应的频域信号进行低通滤波；对低通滤波后的频域信号进行频域分析，确定出三轴方向和合成方向各自的功率谱密度和频谱峰值；基于三轴方向和合成方向各自的均值、方差、最大值、最小值、标准差、极差、功率谱密度和频谱峰值，形成颈部运动特征向量。

8、结合第一方面的第二种可能的实现方式，在第一方面的第五种可能的实现方式中，对体温参数进行时域分析，确定出体温的时域特征，形成体温特征向量，包括：对体温参数进行预处理；对预处理后的体温参数进行时域分析，确定出体温的均值、方差、最大值、最小值、标准差和温度变化参数，其中，温度变化参数用于揭示温度变化趋势；基于体温的均值、方差、最大值、最小值、标准差和温度变化参数，形成体温特征向量。

9、结合第一方面的第二种可能的实现方式，在第一方面的第六种可能的实现方式中，对行为姿态参数进行编码，得到行为姿态特征向量，包括：对设定周期内每个时间点的行为姿态参数进行赋值编码，得到每个时间点下的姿态编号，其中，每种姿态分别对应一个编号；基于每个时间点下的姿态编号，形成行为姿态特征向量。

10、结合第一方面的第二种可能的实现方式，在第一方面的第七种可能的实现方式中，基于颈部运动特征向量、瘤胃动力特征向量、体温特征向量、行为姿态特征向量，形成输入数据，包括：对颈部运动特征向量、瘤胃动力特征向量、体温特征向量、行为姿态特征向量进行融合拼接，形成输入数据。

11、结合第一方面的第二种可能的实现方式，在第一方面的第八种可能的实现方式中，牛只反刍行为监测模型通过多层感知机训练得到。

12、有益效果：

13、1.通过获取目标牛只在设定周期内的颈部运动参数、瘤胃动力参数、体温参数、行为姿态参数，分别提取出颈部运动特征向量、瘤胃动力特征向量、体温特征向量、行为姿态特征向量，形成输入数据；将输入数据输入至训练好的牛只反刍行为监测模型中，确定出牛只在设定周期内是否存在反刍行为，以便畜牧从业人员基于反刍行为进行进一步分析(例如，将存在反刍行为的周期标记为1，不存在反刍行为的周期标记为0，形成长期的反刍行为序列，再利用rnn、lstm等进行进一步分析牛只是否存在健康问题，实现牛只的健康监测)。本方案采用多参数综合分析的方式，能够更全面、准确地判断牛只的反刍行为，降低误判率。相比于传统的人工观察或单一传感器监测方法，本技术采用多种参数采集和分析方式，能够在相对较低的成本下实现对牛只反刍行为的可靠监测，减少了监测成本。结合机器学习模型，实现了对反刍行为的自动化监测，提高了监测效率和实时性。而相较于通过视频结合深度学习模型的方式，本方案采用监测到的姿态(通过轻量级的模型即可实现姿态监测)，大大降低了算力负荷。

14、2.通过特征工程对颈部运动参数(颈部运动的频率、幅度和节律可能反映了牛只的舒适度和放松程度，从而反映牛只是否进行反刍)、瘤胃动力参数(瘤胃动力参数反映了瘤胃的运动情况，可以很好地揭示牛只是否存在反刍行为)、体温参数(反刍时，牛只的体温会略微升高，可以在一定程度上揭示牛只是否进行反刍)、行为姿态参数(牛只通常只在游走、趴卧、侧躺状态下进行反刍，而在爬跨、饮食时不进行反刍)进行特征提取，采用时域分析、频域分析、滤波等操作，提取出对反刍行为监测更具表现力的指标特征，同时降低了数据处理量，在保证检测效果的同时，提高运行效率。

15、3.通过对颈部运动参数、瘤胃动力参数、体温参数、行为姿态参数等，采用合适的方式进行分析进行特征提取(例如滤波、时域分析、频域分析、频谱分析等)，提取出更有利于监测反刍行为的特征向量，形成输入数据，以使牛只反刍行为监测模型能够准确识别牛只的反刍行为。

16、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。