状态监测方法与流程

本技术涉及畜牧数据分析，具体而言，涉及一种状态监测方法。

背景技术：

1、规模化养殖中，养殖动物，如牛只的运动状态直接影响牛只的健康情况，从而影响养殖效益，目前，牛只的运动状态监测多依赖人工观察或简单的传感器数据采集，缺乏精准的算法支撑，无法准确识别牛只的躺卧、反刍、进食、行走、起卧、爬跨等具体运动状态，易出现误判（如将反刍误判为躺卧、将行走误判为起卧）。目前的运动检测算法都是针对单一行为的，通用性差，无法适配牛只的多种运动状态，且对传感器采集的噪声数据处理不足，识别精度较低，数据处理时传输所需的耗能也较高，无法满足规模化养殖中对动物运动状态精准监测的需求。

技术实现思路

1、有鉴于此，本技术实施例的目的在于提供一种状态监测方法，以改善现有技术中存在的对动物的状态监测准确性较低且耗能较高的问题。

2、为了解决上述问题，第一方面，本技术实施例提供了一种状态监测方法，所述方法应用于监测设备，所述方法包括：

3、对目标动物上设置的监测设备中采集的原始数据进行预处理，得到多个检测样本；

4、基于每个所述检测样本进行特征提取，得到多维度的特征数据；

5、通过预设的识别模型对所述特征数据进行处理，确定所述目标动物的状态数据；

6、将所述状态数据定期上传到云端服务器中进行处理。

7、在上述实现过程中，由目标动物上设置的监测设备实时采集目标动物的原始数据，并对原始数据进行预处理，以得到有效的多个不同时间下的检测样本。针对每个检测样本进行特征提取处理，以从其中提取到多维度的能够反映目标动物状态情况的特征数据，以通过预设的识别模型基于特征数据进行识别处理，确定目标动物对应的状态数据。能够由监测设备直接对原始数据进行处理，通过特征提取和模型识别的方式，得到相应的目标动物短期活动的状态数据，有效地提高了状态数据的准确性，处理时所需的能耗较小，且无需对原始数据进行直接传输，而是定期将处理得到的状态数据上传到云端服务器中进行处理，进一步减少了数据传输时所需的能耗，以实现高精度且低功耗的实时状态监测效果，满足规模化养殖中对动物运动状态精准监测的需求。

8、可选地，所述识别模型的训练方式包括：

9、基于所述目标动物的历史数据，确定所述目标动物的状态特性；

10、基于所述状态特性，对初始学习模型进行参数优化，得到优化学习模型；

11、基于所述历史数据和对应的历史状态标签，对所述优化学习模型进行训练，得到所述识别模型；其中，所述识别模型包括：聚类模型或决策树模型。

12、在上述实现过程中，考虑到不同的动物之间存在群体的状态的差异性，因此，可以先基于与目标动物类似的历史动物的历史数据，确定目标动物的状态特性，以基于状态特性对多种类型的初始学习模型进行参数优化处理，得到优化学习模型，再基于历史动物的历史数据，以及与历史数据对应的历史状态标签，对优化学习模型进行训练，得到能够输出对应的运动状态标签，实现状态实时识别的多种类型的识别模型。能够基于目标动物的实际的运动状态的特性对模型进行优化，并进行相应训练，有效地提高了识别模型对状态进行识别的精度和有效性。

13、可选地，所述方法还包括：

14、确定所述目标动物的个体信息；

15、获取所述目标动物所在区域的环境信息；

16、基于所述个体信息和所述环境信息对所述识别模型的参数进行调整。

17、在上述实现过程中，考虑到每个目标动物之间的个体差异性，可以确定每个目标动物的个体信息，以及目标动物所在区域的环境信息，以基于个体信息和环境信息，对识别模型的参数进行个性化和实时调整。能够针对每个目标动物的个体情况和环境情况对识别模型进行针对性地自动调整，有效地提高了识别模型针对性的识别精度。

18、可选地，其中，所述识别模型为所述聚类模型的情况下，所述基于所述个体信息和所述环境信息对所述识别模型的参数进行调整，包括：

19、基于所述个体信息和所述环境信息，对所述聚类模型的聚类中心进行移动。

20、在上述实现过程中，识别模型为聚类模型时，进行参数调整时，可以基于个体信息和环境信息，利用聚类算法的自适应调整功能，对聚类模型的聚类中心进行移动，以降低识别模型针对目标动物进行识别的误判率。

21、可选地，所述通过预设的识别模型对所述特征数据进行处理，确定所述目标动物的状态数据，包括：

22、通过所述识别模型对所述特征数据进行处理，得到所述目标动物的状态标签；其中，所述状态标签包括：躺卧、反刍、进食、行走、起卧或爬跨；

23、根据所述原始数据对应的预设周期对所述状态标签进行时间融合处理，得到所述目标动物的所述状态数据。

24、在上述实现过程中，可以以特征数据作为识别模型的输入数据，由识别模型输出对应的状态标签。并且，考虑到原始数据是基于预设周期进行采集的，为了将状态与时间进行关联，可以根据预设周期对状态标签进行时间融合处理，得到能够表征运动状态在时间上的分布情况的状态数据。能够结合时间的影响对状态标签进行相应处理，从而使状态数据能够表征预设周期内的短期行为的状态变化，提高了状态数据的有效性。

25、可选地，所述对目标动物上设置的监测设备中采集的原始数据进行预处理，得到多个检测样本，包括：

26、获取所述目标动物上设置的所述采集及设备中定期采集的预设周期内的所述原始数据；其中，所述原始数据包括：多轴加速度数据和多轴角速度数据；

27、对所述原始数据进行预处理，得到标准数据；

28、基于所述预设周期进行时间划分，得到多个时间窗口；

29、基于多个所述时间窗口对所述标准数据进行分段处理，得到多个所述检测样本。

30、在上述实现过程中，考虑到原始数据的冗杂特性，为了得到多个有效的检测样本，可以先获取定期采集的预设周期内的所有原始数据，再对原始数据进行预处理，得到标准化的标准数据。由于预设周期为一个时间段，为了对不同时间情况下的数据进行分类，可以基于预设周期进行时间划分，以得到多个时间窗口，从而基于多个时间窗口对标准数据进行分段处理，得到多个不同时间窗口下的多个有效的检测样本。能够对数据进行预处理、时间划分和数据分段处理，以提高检测样本的有效性和时序特性。

31、可选地，所述对所述原始数据进行预处理，得到标准数据，包括：

32、基于滤波算法对所述原始数据进行去噪处理，得到去噪数据；

33、对所述去噪数据进行标准化处理，得到所述标准数据。

34、在上述实现过程中，可以基于滤波算法对原始数据进行去噪处理，以去除原始数据中的噪声和误差，得到去噪数据，再对去噪数据进行标准化处理，以消除量纲影响，得到便于后续进行分析和处理的标准数据。能够对原始数据进行去噪和标准化处理，提高标准数据的有效性和格式统一性。

35、可选地，所述方法还包括：

36、基于历史动物的历史数据，确定所述目标动物的状态特性；

37、基于所述状态特性，确定所述预设周期。

38、在上述实现过程中，考虑到不同的动物之间存在群体的状态的差异性，差异性会对监测的周期造成影响，因此，可以先基于与目标动物类似的历史动物的历史数据，确定目标动物的状态特性，以基于状态特性，确定监测设备对目标动物进行监测的预设周期，从而基于预设周期对目标动物进行数据采集和状态识别处理，实现对目标动物的短期行为进行识别的效果，并基于预设周期，定期将状态数据上传到云端服务器中进行处理，有效减少直接将原始数据进行上传所需的能耗，延长了监测设备的续航使用时长。

39、可选地，所述基于每个所述检测样本进行特征提取，得到多维度的特征数据，包括：

40、对每个所述检测样本进行时域特征提取处理，得到时域特征；

41、对每个所述检测样本进行傅里叶变换，得到频域特征；

42、对所述时域特征和所述频域特征进行融合处理，得到多维度的融合特征；

43、基于所述目标动物的状态特性，对所述融合特征进行筛选，得到多维度的所述特征数据。

44、在上述实现过程中，对每个检测样本进行处理时，可以分别提取检测样本中的时域特征和频域特征，并对时域特征和频域特征进行融合处理，得到多维度的融合特征，考虑到不同的动物之间存在群体的状态的差异性，可以基于目标动物的状态特性，对融合特征进行筛选处理，以减少不敏感特征对状态识别造成的不利影响，得到对状态识别贡献度较高的多维度的特征数据。能够进行特征提取、融合处理和筛选处理，提高了特征数据的有效性和精简性。

45、第二方面，本技术实施例还提供了一种状态监测方法，所述方法应用于云端服务器，所述方法包括：

46、获取监测设备发送的目标动物不同时间情况下的多个状态数据；

47、基于多个所述状态数据，确定所述目标动物是否存在状态异常情况；

48、若判定所述目标动物存在状态异常情况，生成提示信息。

49、在上述实现过程中，考虑到基于多个短期的状态数据进行长期行为分析评估所需的能耗较大，可以由云端服务器基于接收的多个状态数据对目标动物的长期行为进行评估和分析，以确定目标动物在养殖过程中是否存在状态异常情况，在判定目标动物存在状态异常情况时，则实时生成相应的提示信息，以提示工作人员进行检查、调整等异常处理，减少状态异常对目标动物造成的不利影响，以提升养殖的经济效益。

50、第三方面，本技术实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行上述第一方面或第二方面中任一项所述方法中的步骤。

51、第四方面，本技术实施例还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现上述第一方面或第二方面中任一项所述方法中的步骤。

52、综上所述，本技术实施例提供了一种状态监测方法，能够由监测设备直接对原始数据进行处理，通过特征提取和模型识别的方式，得到相应的目标动物短期活动的状态数据，有效地提高了状态数据的准确性，处理时所需的能耗较小，且无需对原始数据进行直接传输，而是定期将处理得到的状态数据上传到云端服务器中进行处理，进一步减少了数据传输时所需的能耗，以实现高精度且低功耗的实时状态监测效果，满足规模化养殖中对动物运动状态精准监测的需求。