基于边缘计算的奶牛反刍行为实时监测研究

这是一篇关于奶牛,反刍行为,实时监测,多轴传感器,边缘计算的论文, 主要内容为随着我国奶牛养殖业向规模化、精准化和信息化养殖迅速发展,对奶牛健康的监测和管理需求也日益增加。实时监测奶牛的反刍行为对于第一时间获取奶牛健康的相关信息以及预测奶牛疾病具有至关重要的意义。目前,针对奶牛反刍行为的监测已经提出了多种策略,包括基于视频监控、声音识别、传感器监测等方法。这些方法能够识别奶牛的反刍行为,但是普遍存在实时性不足的问题。为了解决该问题,本研究针对不同智能化程度的奶牛养殖环境,探究了两种实时监测奶牛反刍行为的方法,具体研究内容包括以下四个方面:(1)基于边缘计算与边缘智能的系统整体架构。面向基础设施相对薄弱的牛场,针对三轴传感器采集的三轴加速度数据,提出了构建去中心式边缘智能模型,并基于该模型设计云-端一体化系统。通过将计算和任务分配到边缘端进行处理,不仅可以有效减少数据传输和计算负载,而且有效避免了因网络延迟和带宽限制导致的识别延迟和错误;面向规模化的精准畜牧养殖场,为了实现奶牛数据维度的有效扩充而进行更深层的特征获取,进而提高反刍行为的识别精度与监测效率,同时为监测其他行为的研究提供数据基础,本文在三轴加速度数据的基础上增加三轴角速度数据组建六轴数据。针对六轴传感器采集的六轴数据,引入边缘层分别研究基于六轴传感器的联邦式和拆分式边缘智能系统,并设计云边协同系统。(2)基于三轴传感器的奶牛反刍行为实时识别。针对网络设施相对较差、生产成本敏感的牛场,本文使用自主设计的边缘设备来实时地采集并处理奶牛的三轴加速度信号,而后利用基于K最近邻改进的反刍识别算法,实时地计算特征数据集之间的欧氏距离的总体滑动几何平均值并确定自适应阈值,利用滑动窗口对反刍行为进行校验,构建去中心式边缘智能模型,该模型对奶牛反刍行为识别的平均查准率、召回率以及F1-score分别达到93.7%,92.8%和93.4%。最终在边缘设备端实时地完成对奶牛的反刍行为识别,在不需要大量的计算时间和资源的条件下即可完成实时计算。(3)基于六轴传感器的奶牛反刍行为实时识别。针对信息化和精准化需求较高的规模化养殖场,本文基于六轴数据提出了基于联邦式与拆分式边缘智能这两种不同的策略对奶牛反刍行为实时识别方法展开研究。在基于联邦式边缘智能的奶牛反刍行为实时识别方法研究中,通过协同注意力机制改进Mobile Net v3网络提出了CA-Mobile Net网络,进而利用CA-Mobile Net网络和Fed Avg模型聚合算法,设计了联邦式边缘智能模型。在基于拆分式边缘智能的奶牛反刍行为实时识别方法研究中,利用融合协同注意力机制的Mobile Net v3网络和Bi-LSTM网络,设计了基于Mobile Net-LSTM的拆分式边缘智能模型。对比实验结果表明,基于CA-Mobile Net的联邦式边缘智能模型的平均查准率、召回率、F1-score、特异性以及准确率分别达到97.1%、97.9%、97.5%、98.3%和98.2%,达到了最佳识别效果。(4)基于边缘计算的奶牛反刍行为实时监测系统。基于三轴传感器和去中心式边缘智能模型设计并开发云-端一体化系统;基于六轴传感器和联邦式边缘智能模型设计并开发云边协同系统。在边缘端识别出奶牛的反刍行为,最终将反刍信息上传至云端服务器。通过搭建并验证基于边缘计算的奶牛反刍行为实时监测系统,对奶牛的反刍行为频次和持续时间进行汇总与可视化展示,实现了对奶牛反刍行为的实时监测。综上,本文基于边缘计算技术提出了行之有效的奶牛反刍行为监测方法,实现了面向不同边缘计算环境的实时且精准的奶牛反刍行为监测。这项技术为促进个性化、精准化、信息化奶牛养殖提供了支持,同时也为奶牛健康监测与预警管理提供了新方法。

生物活体抵押监管平台的研究及实现

这是一篇关于奶牛,活体抵押,Vue.js,Node.js,活动量监控的论文, 主要内容为为了推动奶牛养殖业的现代化、规模化发展,我国多个部门联合发布文件推动活体奶牛抵押为奶牛养殖个体户和中小型牧场提供资金。但是活体抵押贷款中存在着很多问题。一方面,活体抵押品本身具有特殊性,容易遭受自然灾害的破坏以及被人为的恶意更换,很难作为抵押品使用;另一方面,奶牛养殖牧场往往位置偏僻,频繁派遣工作人员前往会浪费大量的人力。本文基于上述活体抵押面临的难题结合当地银行实际业务流程,使用物联网技术,流行前端框架Vue.js、高性能服务端技术Node.js、Axios技术、Websocket协议、JWT开放标准并按照软件开发流程设计和实现了生物活体抵押监管平台。本文通过分析国内外研究现状,咨询相关牧场从业人员和金融从业人员并在当地牧场实地考察后创造性地使用奶牛的活动量来实现奶牛的活体抵押监管。本系统的异常检测模型基于长短期记忆网络实现,用于发现奶牛在一个时间序列中异常的活动量数据,从而及时发现抵押奶牛潜在的健康问题和债务人恶意更换行为以及采集器的故障。本文所研究的系统包括三个部分:物联网监控模块,生物抵押借贷申请系统和借贷监管信息管理系统。物联网监控模块负责上传奶牛的活动量数据。生物抵押借贷申请系统针对奶牛养殖业从业人员,提供申请活体抵押和处理异常的功能。借贷监管信息管理系统供工作人员使用用来监控奶牛,管理借贷信息以及信息管理。经过V模型软件测试,本文研究的生物活体抵押监管平台能够根据物联网监控模块采集到的奶牛活动量数据有效地监控抵押奶牛的健康状态,采集器的工作状态,检测抵押奶牛是否被人为恶意替换,从而实现了减轻活体抵押贷款面临的风险,降低相关金融机构运营成本的目的。

基于边缘计算的奶牛反刍行为实时监测研究

这是一篇关于奶牛,反刍行为,实时监测,多轴传感器,边缘计算的论文, 主要内容为随着我国奶牛养殖业向规模化、精准化和信息化养殖迅速发展,对奶牛健康的监测和管理需求也日益增加。实时监测奶牛的反刍行为对于第一时间获取奶牛健康的相关信息以及预测奶牛疾病具有至关重要的意义。目前,针对奶牛反刍行为的监测已经提出了多种策略,包括基于视频监控、声音识别、传感器监测等方法。这些方法能够识别奶牛的反刍行为,但是普遍存在实时性不足的问题。为了解决该问题,本研究针对不同智能化程度的奶牛养殖环境,探究了两种实时监测奶牛反刍行为的方法,具体研究内容包括以下四个方面:(1)基于边缘计算与边缘智能的系统整体架构。面向基础设施相对薄弱的牛场,针对三轴传感器采集的三轴加速度数据,提出了构建去中心式边缘智能模型,并基于该模型设计云-端一体化系统。通过将计算和任务分配到边缘端进行处理,不仅可以有效减少数据传输和计算负载,而且有效避免了因网络延迟和带宽限制导致的识别延迟和错误;面向规模化的精准畜牧养殖场,为了实现奶牛数据维度的有效扩充而进行更深层的特征获取,进而提高反刍行为的识别精度与监测效率,同时为监测其他行为的研究提供数据基础,本文在三轴加速度数据的基础上增加三轴角速度数据组建六轴数据。针对六轴传感器采集的六轴数据,引入边缘层分别研究基于六轴传感器的联邦式和拆分式边缘智能系统,并设计云边协同系统。(2)基于三轴传感器的奶牛反刍行为实时识别。针对网络设施相对较差、生产成本敏感的牛场,本文使用自主设计的边缘设备来实时地采集并处理奶牛的三轴加速度信号,而后利用基于K最近邻改进的反刍识别算法,实时地计算特征数据集之间的欧氏距离的总体滑动几何平均值并确定自适应阈值,利用滑动窗口对反刍行为进行校验,构建去中心式边缘智能模型,该模型对奶牛反刍行为识别的平均查准率、召回率以及F1-score分别达到93.7%,92.8%和93.4%。最终在边缘设备端实时地完成对奶牛的反刍行为识别,在不需要大量的计算时间和资源的条件下即可完成实时计算。(3)基于六轴传感器的奶牛反刍行为实时识别。针对信息化和精准化需求较高的规模化养殖场,本文基于六轴数据提出了基于联邦式与拆分式边缘智能这两种不同的策略对奶牛反刍行为实时识别方法展开研究。在基于联邦式边缘智能的奶牛反刍行为实时识别方法研究中,通过协同注意力机制改进Mobile Net v3网络提出了CA-Mobile Net网络,进而利用CA-Mobile Net网络和Fed Avg模型聚合算法,设计了联邦式边缘智能模型。在基于拆分式边缘智能的奶牛反刍行为实时识别方法研究中,利用融合协同注意力机制的Mobile Net v3网络和Bi-LSTM网络,设计了基于Mobile Net-LSTM的拆分式边缘智能模型。对比实验结果表明,基于CA-Mobile Net的联邦式边缘智能模型的平均查准率、召回率、F1-score、特异性以及准确率分别达到97.1%、97.9%、97.5%、98.3%和98.2%,达到了最佳识别效果。(4)基于边缘计算的奶牛反刍行为实时监测系统。基于三轴传感器和去中心式边缘智能模型设计并开发云-端一体化系统;基于六轴传感器和联邦式边缘智能模型设计并开发云边协同系统。在边缘端识别出奶牛的反刍行为,最终将反刍信息上传至云端服务器。通过搭建并验证基于边缘计算的奶牛反刍行为实时监测系统,对奶牛的反刍行为频次和持续时间进行汇总与可视化展示,实现了对奶牛反刍行为的实时监测。综上,本文基于边缘计算技术提出了行之有效的奶牛反刍行为监测方法,实现了面向不同边缘计算环境的实时且精准的奶牛反刍行为监测。这项技术为促进个性化、精准化、信息化奶牛养殖提供了支持,同时也为奶牛健康监测与预警管理提供了新方法。

奶牛蹄部及乳头末端健康评分手机应用程序的开发与初步应用

这是一篇关于奶牛,蹄皮炎,乳头末端评分,手机应用程序,临床使用效果的论文, 主要内容为在奶牛养殖行业中,奶牛乳房炎与奶牛肢蹄病是限制奶牛养殖业发展的两种重要疾病,且在疾病早期难以诊断,导致奶牛病情愈加严重而淘汰,对奶牛养殖行业的发展影响巨大。在奶牛的所有蹄病中,蹄皮炎发病率最高,造成的经济损失最大。准确评估蹄皮炎的不同阶段,有助于正确诊断和有效治疗该疾病。奶牛乳房炎病因复杂,绝大部分乳房炎是由于病原菌侵入乳腺组织引起的,奶牛乳导管是病原菌侵入乳腺的主要途径,所以定期进行奶牛乳头末端评分具有重要意义。牧场传统的乳头末端评分方式与蹄皮炎诊断方法存在着诊断效率低,劳动强度大,人工成本高,安全性低等不足,已经无法满足奶牛养殖业快速发展的需求。因此需要新型的,方便、高效、快捷的辅助工具帮助牧场进行奶牛乳头及蹄底健康的诊疗工作。本研究基于Android智能手机设计并开发一款奶牛乳头末端评分及蹄皮炎诊断的手机应用程序。采用原生APP开发模式,运用Java编程语言,应用框架采用Java平台的Spring Boot框架、数据存储由远程字典服务(Redis)完成;HTML技术、网络代理服务器采用Nginx服务器、使用vue-element-admin的框架结构等来实现手机应用程序前端及后台的协同。我们利用该手机程序对哈尔滨市某牛场587头荷斯坦奶牛进行乳头末端评分及蹄皮炎诊断,所得结果与人工肉眼评分结果进行一致性检验。手机程序由用户信息管理、评分操作、记录查询、数据统计、操作说明、关于我们、后台7大模块组成,可通过外接摄像头实现奶牛乳头末端评分及蹄皮炎诊断,手机程序自动记录评分/诊断结果。该程序在使用过程中运行流畅、与外接图像采集设备适配度高、图像清晰、评分/诊断操作简单,与肉眼诊断/评分相比具有劳动强度低、安全性高、画面质量高,传输速度快等优点,但也存在以下不足:手机电量导致评分/诊断操作无法长时间进行、网络信号弱的环境下会影响诊断效率。结果表明:使用手机程序进行诊断/评分与肉眼之间表现出较高的一致性(Kappa值:0.670-0.866),该牧场奶牛群乳头末端健康状态达到目标水平,约有75%的奶牛患有不同程度的蹄皮炎,使用手机程序对单个奶牛乳头末端评分约耗时6-10秒,对单只牛蹄诊断约耗时3-7秒,评分及记录过程可在手机上同时完成,简化了奶牛乳头末端评分及蹄皮炎诊断的操作流程,提高了诊断/评分的工作效率,且该软件后台可自动收集评分时的乳头末端及蹄底图像信息,可由此建立乳头末端及蹄皮炎各阶段标准图片数据库,可为基于人工智能的自动化评分提供数据保障。综上,使用手机应用程序外接手持摄像头可以替代肉眼用于奶牛乳头末端评分及蹄皮炎诊断。

融合知识图谱与深度学习的奶牛疾病诊断方法研究

这是一篇关于奶牛,疾病辅助诊断,文本分类,深度学习,知识图谱的论文, 主要内容为高效、准确的奶牛疾病诊断对提升奶牛健康水平及牧场管理水平有着重要的现实意义。奶牛疾病有其自身的特点,病牛个体之间的差异性较强,群发的流行疾病较少,对患病奶牛,一般要求临床确诊。无论是规模化牧场或养殖散户,对于奶牛疾病诊断主要依赖于专业兽医。区别于人类疾病诊断,奶牛疾病的诊断要求兽医具备全科知识,但广大农村地区的中小规模养殖场极其缺乏高水平从业人员,导致奶牛疾病诊断的及时性和准确性无法令人满意,进而造成巨大的经济损失。目前,动物疾病辅助诊断仍停留在专家系统阶段,此类系统构建复杂和依赖大量人工定义规则,无法充分发现症状与疾病、症状与症状、疾病与病因之间的隐含关联,且非专业养殖户通常很难操作。因此,迫切需要一种高效、准确的奶牛疾病辅助诊断方法,以此缓解高水平兽医从业人员的不足,降低奶牛疾病辅助诊断的使用门槛,进而助力提升奶牛养殖的健康化、智能化管理水平。为此,本文研究融合领域知识图谱与深度学习的奶牛疾病高效诊断方法。该方法以奶牛病情描述文本为研究对象,以奶牛疾病领域知识图谱为基础,从奶牛病情描述文本中提取疾病特征关键词,通过实体链接,在奶牛疾病领域知识图谱中提取与其相关的疾病特征实体及其上下文实体,经过知识图谱嵌入转换为实体向量,输入深度学习模型,得到奶牛疾病诊断结果。本文开展的研究工作如下:(1)奶牛疾病领域知识图谱构建。分别从专业书籍、知网文献和百科网站上获取奶牛疾病专业知识,将其进行预处理后作为知识图谱构建的数据源。针对数据特点及应用需求设计奶牛疾病领域知识图谱模式层,针对知识抽取任务容易产生误差和冗余信息较多的情况,采用实体关系联合抽取方法,并重点研究了一种融合MHA和Attention机制的命名实体识别模型,以此提高实体识别的准确率。实验结果显示,该命名实体识别模型的F1值达到了91.81%。(2)融合知识图谱与深度学习的奶牛疾病诊断模型。对于提取到的奶牛病情描述文本中的特征词,链接奶牛疾病知识图谱挖掘隐藏的结构知识作为额外补充,通过词嵌入的方式将特征词和隐性知识转化为词向量,并使用Bi LSTM-CNN混合网络框架捕获全局长期疾病特征和局部特征,从而学习更有区分性的特征表示,从而提高奶牛疾病诊断的准确性。实验结果显示,该模型的诊断准确率达到94.57%,F1值达到94.89%。(3)奶牛疾病辅助诊断系统的实现与验证。以奶牛疾病领域知识图谱为基础,以融合知识图谱和深度学习的奶牛疾病诊断模型为核心,研发奶牛疾病辅助诊断系统,为奶牛养殖户和兽医提供奶牛疾病诊断服务和知识查询服务,该系统已在多家牧场及养殖户进行了应用,取得了较好的效果,验证了本文模型的有效性。本文基于知识图谱和深度学习技术提出了行之有效的奶牛疾病诊断方法,实现了数据和知识双驱动的奶牛疾病诊断,为高效、及时和准确的奶牛疾病诊断提供技术支持,同时也为动物疾病智能辅助诊断的研究提供了新思路和新方法。

融合知识图谱与深度学习的奶牛疾病诊断方法研究

这是一篇关于奶牛,疾病辅助诊断,文本分类,深度学习,知识图谱的论文, 主要内容为高效、准确的奶牛疾病诊断对提升奶牛健康水平及牧场管理水平有着重要的现实意义。奶牛疾病有其自身的特点,病牛个体之间的差异性较强,群发的流行疾病较少,对患病奶牛,一般要求临床确诊。无论是规模化牧场或养殖散户,对于奶牛疾病诊断主要依赖于专业兽医。区别于人类疾病诊断,奶牛疾病的诊断要求兽医具备全科知识,但广大农村地区的中小规模养殖场极其缺乏高水平从业人员,导致奶牛疾病诊断的及时性和准确性无法令人满意,进而造成巨大的经济损失。目前,动物疾病辅助诊断仍停留在专家系统阶段,此类系统构建复杂和依赖大量人工定义规则,无法充分发现症状与疾病、症状与症状、疾病与病因之间的隐含关联,且非专业养殖户通常很难操作。因此,迫切需要一种高效、准确的奶牛疾病辅助诊断方法,以此缓解高水平兽医从业人员的不足,降低奶牛疾病辅助诊断的使用门槛,进而助力提升奶牛养殖的健康化、智能化管理水平。为此,本文研究融合领域知识图谱与深度学习的奶牛疾病高效诊断方法。该方法以奶牛病情描述文本为研究对象,以奶牛疾病领域知识图谱为基础,从奶牛病情描述文本中提取疾病特征关键词,通过实体链接,在奶牛疾病领域知识图谱中提取与其相关的疾病特征实体及其上下文实体,经过知识图谱嵌入转换为实体向量,输入深度学习模型,得到奶牛疾病诊断结果。本文开展的研究工作如下:(1)奶牛疾病领域知识图谱构建。分别从专业书籍、知网文献和百科网站上获取奶牛疾病专业知识,将其进行预处理后作为知识图谱构建的数据源。针对数据特点及应用需求设计奶牛疾病领域知识图谱模式层,针对知识抽取任务容易产生误差和冗余信息较多的情况,采用实体关系联合抽取方法,并重点研究了一种融合MHA和Attention机制的命名实体识别模型,以此提高实体识别的准确率。实验结果显示,该命名实体识别模型的F1值达到了91.81%。(2)融合知识图谱与深度学习的奶牛疾病诊断模型。对于提取到的奶牛病情描述文本中的特征词,链接奶牛疾病知识图谱挖掘隐藏的结构知识作为额外补充,通过词嵌入的方式将特征词和隐性知识转化为词向量,并使用Bi LSTM-CNN混合网络框架捕获全局长期疾病特征和局部特征,从而学习更有区分性的特征表示,从而提高奶牛疾病诊断的准确性。实验结果显示,该模型的诊断准确率达到94.57%,F1值达到94.89%。(3)奶牛疾病辅助诊断系统的实现与验证。以奶牛疾病领域知识图谱为基础,以融合知识图谱和深度学习的奶牛疾病诊断模型为核心,研发奶牛疾病辅助诊断系统,为奶牛养殖户和兽医提供奶牛疾病诊断服务和知识查询服务,该系统已在多家牧场及养殖户进行了应用,取得了较好的效果,验证了本文模型的有效性。本文基于知识图谱和深度学习技术提出了行之有效的奶牛疾病诊断方法,实现了数据和知识双驱动的奶牛疾病诊断,为高效、及时和准确的奶牛疾病诊断提供技术支持,同时也为动物疾病智能辅助诊断的研究提供了新思路和新方法。

基于机器视觉的奶牛个体进食信息自动监测方法研究

这是一篇关于奶牛,身份识别,精准饲喂,奶牛进食信息自动监测,计算机视觉的论文, 主要内容为精准饲喂是智慧畜牧的重要组成部分,奶牛个体进食信息精准自动监测是实现精准饲喂的核心。针对传统奶牛个体进食信息监测方式中带称重传感器的料槽式系统成本较高、难以维护和可穿戴设备容易引起奶牛应激反应且精度不高等问题,在国内外研究成果的基础上,围绕基于机器视觉的奶牛个体进食信息自动监测方法和自动监测系统展开系统研究。主要工作内容如下:(1)奶牛目标检测与身份识别方法研究。奶牛目标检测与个体身份识别是实现奶牛个体进食信息监测的基础,首先设计了以深度相机Gemini为核心的数据采集系统,利用该系统完成了采食视角下奶牛头部RGB图像与深度图像采集,通过数据融合得到RGB-D数据并完成身份识别数据集构建;研究基于YOLO v5的奶牛目标检测方法,实现采食视角下奶牛头部目标检测,检测精度99.55%;针对实际牛场中牛只增减带来的再训练问题,提出一种基于深度特征提取与匹配的奶牛身份识别方法:基于残差网络构建奶牛身份特征提取器,使用特征提取器提取奶牛头部特征,构建特征模板库,明确特征匹配方式,实现奶牛身份识别,在开集测试中综合准确率为90.5%。(2)采食槽场景下奶牛个体采食量监测方法研究。首先,针对采食槽场景构建了饲料堆图像采集系统,在此基础上完成数据采集与数据集构建;其次,对奶牛采食量计算方式进行分析,提出基于孪生网络的奶牛个体采食量监测方法。该方法以采食前后饲料堆深度图像数据为输入,将两张深度图像映射至同一高维特征空间,计算得到一个差异向量;最后,通过多层感知机将其计算为采食量数值,实现采食槽场景下的奶牛个体采食量计算。在0-8200g范围内,对奶牛采食量预测的平均绝对误差MAE为100.6g,均方根误差RMSE为128.02g。(3)采食通道场景下奶牛个体采食量监测方法研究。结合实际生产中采食通道场景的特点,提出了基于孪生网络与点云数据的奶牛个体采食量监测方法。首先,利用采集到的饲料堆深度数据生成三维点云数据,通过点云滤波方式进行自动杂物去除;其次,训练加入自注意力机制的点云数据特征提取器;最后,构建基于孪生网络与点云数据的奶牛个体采食量监测模型,完成采食通道场景下的奶牛个体采食量计算。在0-8200g范围内,对奶牛采食量预测的平均绝对误差MAE为121.3g,均方根误差RMSE为187.22g。(4)基于机器视觉的奶牛个体进食信息自动监测系统设计与验证。首先,对系统进行总体设计,并给出系统的运行逻辑与进食信息计算方式;其次,对所设计的系统进行具体实现,将所构建的模型移植到边缘计算设备中,然后构建云服务器收集边缘设备信息,进一步进行数据统计与计算;最后,开发移动端程序进行数据可视化,完成基于机器视觉的奶牛个体进食信息自动监测系统,并将系统安装在商业牛场中进行验证,可以稳定运行。本文基于计算机视觉技术,结合深度学习算法实现了采食视角下奶牛头部的目标检测与身份识别,针对两种不同采食场景分别构建了奶牛个体采食量监测模型,设计并实现了基于机器视觉的奶牛个体进食信息自动监测系统,为解决奶牛精细化饲喂领域的关键问题提供技术支持,同时为奶牛个体进食信息的非接触式自动监测提供新思路。

基于机器视觉的奶牛个体进食信息自动监测方法研究

这是一篇关于奶牛,身份识别,精准饲喂,奶牛进食信息自动监测,计算机视觉的论文, 主要内容为精准饲喂是智慧畜牧的重要组成部分,奶牛个体进食信息精准自动监测是实现精准饲喂的核心。针对传统奶牛个体进食信息监测方式中带称重传感器的料槽式系统成本较高、难以维护和可穿戴设备容易引起奶牛应激反应且精度不高等问题,在国内外研究成果的基础上,围绕基于机器视觉的奶牛个体进食信息自动监测方法和自动监测系统展开系统研究。主要工作内容如下:(1)奶牛目标检测与身份识别方法研究。奶牛目标检测与个体身份识别是实现奶牛个体进食信息监测的基础,首先设计了以深度相机Gemini为核心的数据采集系统,利用该系统完成了采食视角下奶牛头部RGB图像与深度图像采集,通过数据融合得到RGB-D数据并完成身份识别数据集构建;研究基于YOLO v5的奶牛目标检测方法,实现采食视角下奶牛头部目标检测,检测精度99.55%;针对实际牛场中牛只增减带来的再训练问题,提出一种基于深度特征提取与匹配的奶牛身份识别方法:基于残差网络构建奶牛身份特征提取器,使用特征提取器提取奶牛头部特征,构建特征模板库,明确特征匹配方式,实现奶牛身份识别,在开集测试中综合准确率为90.5%。(2)采食槽场景下奶牛个体采食量监测方法研究。首先,针对采食槽场景构建了饲料堆图像采集系统,在此基础上完成数据采集与数据集构建;其次,对奶牛采食量计算方式进行分析,提出基于孪生网络的奶牛个体采食量监测方法。该方法以采食前后饲料堆深度图像数据为输入,将两张深度图像映射至同一高维特征空间,计算得到一个差异向量;最后,通过多层感知机将其计算为采食量数值,实现采食槽场景下的奶牛个体采食量计算。在0-8200g范围内,对奶牛采食量预测的平均绝对误差MAE为100.6g,均方根误差RMSE为128.02g。(3)采食通道场景下奶牛个体采食量监测方法研究。结合实际生产中采食通道场景的特点,提出了基于孪生网络与点云数据的奶牛个体采食量监测方法。首先,利用采集到的饲料堆深度数据生成三维点云数据,通过点云滤波方式进行自动杂物去除;其次,训练加入自注意力机制的点云数据特征提取器;最后,构建基于孪生网络与点云数据的奶牛个体采食量监测模型,完成采食通道场景下的奶牛个体采食量计算。在0-8200g范围内,对奶牛采食量预测的平均绝对误差MAE为121.3g,均方根误差RMSE为187.22g。(4)基于机器视觉的奶牛个体进食信息自动监测系统设计与验证。首先,对系统进行总体设计,并给出系统的运行逻辑与进食信息计算方式;其次,对所设计的系统进行具体实现,将所构建的模型移植到边缘计算设备中,然后构建云服务器收集边缘设备信息,进一步进行数据统计与计算;最后,开发移动端程序进行数据可视化,完成基于机器视觉的奶牛个体进食信息自动监测系统,并将系统安装在商业牛场中进行验证,可以稳定运行。本文基于计算机视觉技术,结合深度学习算法实现了采食视角下奶牛头部的目标检测与身份识别,针对两种不同采食场景分别构建了奶牛个体采食量监测模型,设计并实现了基于机器视觉的奶牛个体进食信息自动监测系统,为解决奶牛精细化饲喂领域的关键问题提供技术支持,同时为奶牛个体进食信息的非接触式自动监测提供新思路。

生物活体抵押监管平台的研究及实现

这是一篇关于奶牛,活体抵押,Vue.js,Node.js,活动量监控的论文, 主要内容为为了推动奶牛养殖业的现代化、规模化发展,我国多个部门联合发布文件推动活体奶牛抵押为奶牛养殖个体户和中小型牧场提供资金。但是活体抵押贷款中存在着很多问题。一方面,活体抵押品本身具有特殊性,容易遭受自然灾害的破坏以及被人为的恶意更换,很难作为抵押品使用;另一方面,奶牛养殖牧场往往位置偏僻,频繁派遣工作人员前往会浪费大量的人力。本文基于上述活体抵押面临的难题结合当地银行实际业务流程,使用物联网技术,流行前端框架Vue.js、高性能服务端技术Node.js、Axios技术、Websocket协议、JWT开放标准并按照软件开发流程设计和实现了生物活体抵押监管平台。本文通过分析国内外研究现状,咨询相关牧场从业人员和金融从业人员并在当地牧场实地考察后创造性地使用奶牛的活动量来实现奶牛的活体抵押监管。本系统的异常检测模型基于长短期记忆网络实现,用于发现奶牛在一个时间序列中异常的活动量数据,从而及时发现抵押奶牛潜在的健康问题和债务人恶意更换行为以及采集器的故障。本文所研究的系统包括三个部分:物联网监控模块,生物抵押借贷申请系统和借贷监管信息管理系统。物联网监控模块负责上传奶牛的活动量数据。生物抵押借贷申请系统针对奶牛养殖业从业人员,提供申请活体抵押和处理异常的功能。借贷监管信息管理系统供工作人员使用用来监控奶牛,管理借贷信息以及信息管理。经过V模型软件测试,本文研究的生物活体抵押监管平台能够根据物联网监控模块采集到的奶牛活动量数据有效地监控抵押奶牛的健康状态,采集器的工作状态,检测抵押奶牛是否被人为恶意替换,从而实现了减轻活体抵押贷款面临的风险,降低相关金融机构运营成本的目的。