在饲养场到达和风险评估中使用射频识别标签的UHF带询问的牲畜和饲养场数据采集和处理的制作方法

在饲养场到达和风险评估中使用射频识别标签的uhf带询问的牲畜和饲养场数据采集和处理
技术领域
1.本发明涉及饲养场数据采集和处理。具体来说，本发明涉及使用射频识别(rfid)标签的超高频询问的数据采集，以及机器学习技术的应用，以辨别和预测动物健康问题以及相对于牲畜的地理区域、饲养场、牧场、围栏和其它围场的其它状况。


背景技术：

2.以电子方式跟踪牲畜的畜群的现有技术通常涉及将数据存储于射频识别标签上，且使用扫描器从那些标签中询问并获得数据。然而，当前的扫描技术具有限制其在采集和处理牲畜相关信息中的效用的缺点。举例来说，使用低频询问系统的扫描距离数量级为厘米，这意味着询问装置必须极为接近要从其采集数据的牲畜和rfid标签。此外，低频扫描器可以一次仅扫描一个rfid标签，不允许在单个例子或扫描中同时询问多个标签。
3.这具有在大地理区域内限制集合的数据管道的实际局限性。因此，获得此类信息且将其移动到基于云的存储范例中并非牲畜管理行业中的惯例，这是因为上文所描述的问题严重影响在较广泛地理区域内对牲畜执行高级数据分析的能力。
4.牲畜行业面临的另一问题是对处理通过在广泛地理区域内针对大量牲畜询问射频识别标签，并按区域、农场、饲养场、牧场、围栏或任何其它此类度量分析此类信息所采集的数据的能力有限。换句话说，跨越广泛区域采集数据和分析牲畜的组合性质意味着在数据挖掘过程中利用人工智能技术的应用程序受到询问标签和获得此类分析所需数据的能力限制，所述数据挖掘过程用表示天气、市场和其它相关信息的额外数据源来折叠rfid标签数据。
5.由于对食品安全性和可追溯性的日益重视，上述问题的解决方案是重要的。因此，能够以一种能够跨越广泛距离且在多个区域内快速获得并存储数据的组合方法跟踪并处理牲畜出于许多原因是有帮助的，例如有助于监测动物健康、理解并促进牲畜生长和产奶量的改进、在生长季节或喂养时段的过程中对饲料摄入速率和库存需要进行建模，且增强食品系统可持续性。
6.因此，现有技术中需要以一种方法改进在广泛地理区域内采集牲畜数据且能够使用此类数据分析牲畜数据属性的能力，所述方法将人工智能技术应用于预测性数据分析，且将rfid标签数据与其它数据组合，以更好地理解且管理与维持牲畜群体相关的许多问题。


技术实现要素：

7.本发明为一种农业数据采集框架，其设置于用于跨越多个地理位置评估牲畜的状况的一个或多个系统和方法中。所述农业数据采集框架使用rfid标签的超高频询问来跨越多个区域、农场、饲养场、牧场、围栏和饲养动物的任何其它位置或围场采集个体动物数据，且结合人工智能技术来针对围绕每一动物的统计过程建立机器学习基础模型，以用于跟踪
和管理牲畜，且用于分析健康、生长、营养和行为等动物状况。
8.rfid标签的超高频批量读取的应用使得能够同时询问多个标签，以及跨越多个位置检测牲畜等对象的已知分组。此类询问范例能够为应用分析、算法工具以确定个体动物基础或特定位置处的正态性提供过程支持，且响应于与此类正态性的偏差而需要干预时对资源进行优先级排序且传送资源，这至少部分地由于与在超高频带内读取rfid标签相关联的范围较大。uhf带询问的使用通过此类大规模采集方法解决时间问题，并在数据挖掘过程中实现涉及人工智能和机器学习的应用的高级数据分析，所述数据挖掘过程涉及将所采集的牲畜数据与额外相关数据源组合。应注意，此类框架不限于牲畜群体，而是可用于部署rfid标签以存储信息的任何农业环境中。
9.本发明的一个目标是提供一种用于评估动物状况的大规模牲畜数据采集的系统和方法。本发明的另一目标是提供一种将高级数据分析应用于此类大规模数据采集的系统和方法。本发明的又一目标是利用附着到牲畜的rfid标签的超高频询问，以用于在多个地理位置中饲养动物的多个区域、饲养场、农场、牧场、围栏或其它围场内进行此类大规模数据采集。
10.本发明的另一目标是用与被评估的动物状况相关的其它数据，例如环境数据、营养数据、区域数据、动物特定的数据、市场数据和其它生产者增补的或产生的数据来增补从rfid标签的此类uhf带询问获得的牲畜数据。本发明的再一目标是提供一种用于数据采集和分析的框架，其包含在个体动物基础上或在特定位置处确定例如健康、生长、营养和行为等动物状况的正态性。本发明的又一目标是基于正态性的此类确定和由其得到的偏差而产生警报、预测和针对性处理或应用计划，以用于在需要干预时对资源进行优先级排序且传送资源。
11.通过下文对实施例的描述，本发明的其它目标、实施例、特征和优点将变得显而易见，所述实施例借助于实例说明本发明的原理。
附图说明
12.因此在已概括地描述本公开的各种实施例之后，现在将参考附图，附图不必按比例绘制，并且其中：
13.图1为说明根据本发明的一个实施例的用于分析牲畜跟踪和管理中的数据属性的农业数据采集和处理框架中的组件的系统图；以及
14.图2为说明根据本发明的一个实施例的执行用于分析牲畜跟踪和管理中的数据属性的农业数据采集和处理框架的过程的步骤的流程图。
具体实施方式
15.在本发明的以下描述中，参考说明本发明的原理及其实施方式的示例性实施例。将利用其它实施例来实施本发明，且将在不脱离本发明的范围的情况下对本发明进行结构和功能改变。
16.如上所述，本发明是一种农业数据采集和处理框架100，其设置于用于精确农业且确切地说用于牲畜跟踪和管理中的效用的一个或多个系统和方法中。农业数据采集和处理框架100利用与牲畜相关联的rfid标签的超高频(uhf)带询问，且在评估动物状况时分析牲
畜跟踪和管理特性，且使用那些特性来确定和预测在广泛地理区域内的牲畜相关资源的分配和优先级排序的数据属性以对动物状况作出响应。
17.rfid标签的uhf扫描提供优于低频替代方案的直接优点。在低频扫描的情况下，扫描距离大得多，数量级为米而不是厘米。并且，uhf扫描允许在单次扫描中同时扫描多个标签，而其它技术可一次仅扫描一个标签。此外，高频扫描器能够穿透更深，例如穿过用于动物围场的金属，通过能够到达用于询问的更多rfid标签而提高所采集的数据的处理的准确性。
18.农业数据采集框架100预期可在本发明中应用许多不同的建模方法，且此类方法在本文中也可被称为或描述为将用于变化检测算法的统计过程控制与人工智能和机器学习两者应用于涉及牲畜数据的采集和处理的组合分析。这些不同建模方法用于框架100中，以确定特定动物或特定位置的正态性，因为其与建模动物状况有关，且使用此类正态性确定来预测或以其它方式产生一个或多个结果。无论如何，本发明能够提高预测影响牲畜生命周期(例如，健康、生长和产奶量)的属性的数据属性的准确性。来自框架的输出，无论是以预测、警报或其它形式，都有助于对用于牲畜跟踪和管理的资源使用进行分配和优先级排序。此外，本发明允许牲畜的产生者确保动物接受响应于此类预测和/或分配和优先级排序所需的饮食、营养、健康补充剂和牲畜护理。
19.图1为说明农业数据采集和处理框架100的系统组件的框图，所述系统组件用于在分析动物状况160时的组合分析，且确定和预测用于在广泛地理区域内跟踪牲畜和管理的数据属性。框架100将多个输入数据110应用于多方面机器学习平台内的一个或多个数学过程。这些过程可包含标准化模型，且还可包含根据专用公式定制的一个或多个模型。无论如何，人工智能和机器学习的应用使得能够训练此类数学过程，以识别与动物状况160的特定属性相关的数据，且相应地调整结果。此外，应用程序人工智能和机器学习可使得框架100能够选择特定或最适当的一个或多个模型或其组合，以用于特定或所要输出。无论如何，框架100产生包含预测174、警报176或与牲畜跟踪和管理172相关的其它信息的输出数据170，且可配置成产生与此类牲畜跟踪和管理172相关的广泛范围的信息。
20.框架100的数据采集方面通过询问射频识别(rfid)标签104来采集输入数据110。牲畜102的每一头部具有耦合到其的至少一个rfid标签104，所述rfid标签存储关于其所耦合到的动物的相关信息。使用超高频(uhf)扫描器或读取器150询问rfid标签104，所述超高频扫描器或读取器是在计算环境140内的多个数据处理组件144(未在图1中展示)的一部分，在所述计算环境中，执行本文中所描述的系统和方法以用于分析处理，例如在配置成建立机器学习基础模型162且以一个或多个变化检测算法152对相关输入数据110执行统计过程控制的组件内应用一个或多个过程或数学模型。计算环境140可包含一个或多个处理器142和多个软件和硬件组件，且一个或多个处理器142和多个软件和硬件组件可配置成执行程序指令或例程，以执行在多个数据处理组件144内执行的功能。
21.应理解，多个数据处理组件144在图1中通过其特定的相应附图标号展示，如下文所指示。应进一步理解，这些组件144为较大计算环境140的部分，且构成特定地配置成在农业数据采集和处理框架100内执行特定功能的一个或多个结构、硬件、固件，或软件，例如算法、例程、子例程等。另外应理解，数据处理组件144以及包括这些经特定配置的组件的一起的本发明的相应元件可互换地被称为“组件”、“模块”、“算法”(在适当的情况下)，以及旨在
指示用于实行特定数据处理功能的元件的任何其它类似术语。
22.数据处理组件144还包含数据检索和初始化模块151，所述数据检索和初始化模块配置成摄取、接收、请求或以其它方式获得输入数据110，无论所述输入数据是来自询问rfid标签104还是来自额外源，如本文中进一步描述。此数据检索和初始化模块151还可配置成调节或格式化来自rfid标签104和来自此类额外源的原始输入数据110，以便准备用于框架100的人工智能和机器学习162以及统计过程控制和变化检测算法152方面。
23.在本发明的农业数据收集和处理框架100中，由uhf读取器150从rfid标签104获得的信息还可包含地理信息111，所述地理信息将rfid标签104中的牲畜信息与位置数据相关联。因此，关于牲畜102的数据可以用识别区域112、饲养场113、围栏114、农场115或饲养牲畜102的任何其它类型的围场或位置的信息进行地理标记。地理位置数据111可与全球定位系统(gps)和跟踪数据相关，以增强输入数据110，且因此rfid标签104可包含表示标签104所位于的区域112、饲养场113、围栏114或农场115的一个或多个gps数据点。因此，框架100可以结合uhf读取器150利用例如启用gps的接收器等组件来检测相对于地理位置的信号，以使用一个或多个gps数据点来计算标签在地球上的精确位置。启用gps的接收器可由此从gps数据点提取并确定标签104的地理位置。
24.rfid标签104的uhf询问可由数据检索或初始化组件151起始，或可自动且独立地进行。无论如何，作为此uhf询问的结果获得的数据接着由数据检索和初始化模块151传送和存储，以用于如下文所论述的进一步处理。
25.数据检索和初始化模块151还配置成通过用与评估、建模和诊断动物状况160相关的其它数据增补牲畜数据和地理数据111来摄取、接收、请求或以其它方式获得有助于框架100处理从rfid标签104所采集的输入数据110的额外信息。此额外信息可包含环境数据117、区域数据120、营养数据123、区域动物特定的或建模特定的数据124、生产者增补的数据129和读取器属性133，且无关于其类型，可包含不在时间上直接或就地收集的任何信息，例如市场定价(例如，用于生牛、肥育母牛、玉米和牛奶未来价格的牲畜商品数据)、其它地区的疾病爆发等等。然而，应注意，在一些情况下，此额外信息可存储在rfid标签104上，而与收集或产生其的时间或地点无关。
26.环境数据117包含与饲养牲畜102或rfid标签104所驻存的位置相关的环境气候或气象信息两者，以及空间和其它非天气物理状况。举例来说，环境数据可包含天气和气候信息118，例如用于rfid标签104所驻存的区域或位置或饲养牲畜102的区域或位置的温度、降水、湿度、气压和其它天气相关特性。天气和气候信息还可包含用于同一区域或位置的短期和长期天气预测和预报。如上文所表明，环境数据117还可由位置119解析，且可指示围栏或围场的类型和大小(例如，指示牲畜被饲养在畜舍或散养栏圈中，以及每一者的大小)、场地和牧场状况(例如，美国农业部干旱监测)，以及可用的放牧植被，在所述放牧植被中饲养牲畜102。
27.区域数据120可进一步包含用于rfid标签104所驻存的区域或饲养牲畜102的区域的趋势和诊断信息。此类趋势和诊断信息可以提供按区域划分的牲畜的健康信息和预报，所述健康信息和预报可能会影响未来的生长和行为，且可能会影响生长和乳制品生产建模。举例来说，区域数据120可指示特定数据采集区域内的呼吸治疗在本季度上升30％，或者由于过去30天的区域降水较高，预期下一季度的脚部腐烂的诊断将上升15％。
28.营养信息123可提供特定区域或动物的饲料和草料数据。举例来说，营养信息可指示主要饲料类型特定地由一定百分比的干物质组成，或可更广泛地提供随时间的饲料营养百分比的分解。营养数据123还可提供数学公式，借助所述数学公式分析来自能量摄入的重量增益容限，例如，在维持模型所需的净能量增益模型或净能量中。营养数据123还可提供数学公式，借助所述数学公式分析来自能量摄入的产奶量，例如，在净能量泌乳模型中。营养数据123还可指示哪些补充剂或药物已作为饲料混合物提供，以及何时提供。
29.模型或动物特定的数据124包含识别且特定于动物或动物群组的信息，且所述信息实现可充当生产者已在进行任何处理数据或额外决策之前在所述动物上输入所有已知信息的开始点的到达或风险评估。模型特定的数据124中的此到达或风险评估信息的特定实例可包含来源125、例如其当前重量或年龄126的变化值、性别或品种127，以及dna或谱系128。其还可包含例如购买重量和位置以及所行进的距离、断奶状态、疫苗接种状态、收缩(支付重量减去到达重量)和实现稳健风险评估的其它信息等信息，其中利用一系列决策树问题来对影响其它处理协议的健康风险进行分类。因此，到达和风险评估可向农业数据采集框架100提供完整的动物健康历史。应注意，此到达和风险评估数据可从许多源获得，例如直接从rfid标签104自身、从单独地维持或存储的参考数据库获得，或由例如框架100的另一用户的第三方源提供，或由与框架100集成的第三方或单独系统提供。
30.可进一步用可包含许多不同类型的数据的生产者增补的信息129来增补框架100中的输入数据110的处理。生产者增补的信息129可包含rfid标签相关数据130，例如，相对于牲畜102的相关事件的识别。rfid标签相关数据130还可指示例如新rfid标签104的事件被添加到正被监测的地理位置，例如rfid标签104由于标签缺陷或损坏或动物死亡而从地理位置移除的事件，表示替换rfid标签104或用新标签104假设先前历史的事件，以及指示标签破损或同一动物上存在多个标签的事件。
31.其它生产者增补的信息129可包含饲料相关数据131，例如饲料递送性质。此类性质可包含递送时间、配给组成、饲料递送量(和在特定时间内递送的配给的每一组分的量)和饲槽记分。另外其它生产者增补的信息129可包含表示标签104所位于的位置的地理拓扑结构132。这可包含区域大小和覆盖区域的其它细节，例如地形特性、可用水的存在和位置、场地边界和其它相关信息。
32.额外生产者增补的信息129可包含管理信息，例如疫苗接种和治疗历史、生产技术使用或分拣历史。进一步的健康相关管理信息可包含确认诊断、确认康复、用于处理诊断和疾病的治疗等等。
33.还可通过读取器属性133增补框架100中的输入数据110的处理。这些属性133可包含绝对或相对读取器位置细节、天线功率设置、日期和时间属性，以及标签接收信号强度指示符(rssi)。还可包含在标签104周围感测到的环境状况，例如温度和湿气，且如下文所指出，可结合标签104利用传感器和其它硬件以提供关于此类环境状况的信息。
34.在本发明的另一实施例中，可使用与rfid标签104相关联或接近于所述rfid标签的硬件装置进一步增补输入数据110。举例来说，可利用倾角仪以测量一天的不同时间处(例如，当假定喂养时)的牲畜的倾斜角，以进一步且更准确地评估例如低头持续时间和进食速率的特性，以及更准确地确定喂养和非喂养时间和应用此类特性的单变量或多变量模型的间隔。因此，应理解，本发明可并入有输入数据110，所述输入数据除可与牲畜102一起
利用外，其不仅来自第三方源，且还来自传感器和其它硬件装置。
35.不管经摄入以增补来自rfid标签104的数据的输入数据110的类型如何，数据检索和初始化组件151将信息提供到人工智能引擎，所述人工智能引擎配置成建立影响动物状况160的一个或多个特性的一个或多个机器学习基础模型162。一个或多个机器学习基础模型162包含识别来自输入数据110的额外信息且从一个或多个源获得此类额外信息的算法，如上文所指出。
36.机器学习基础模型162接着将权重164分配给输入数据110。这些权重164表示输入数据110相对于动物状况160的偏差，且可基于多个变量或因素而分配，所述变量或因素例如为对正被建模的动物状况160的一个或多个先前响应，无论是以特定治疗的形式还是在类似于在其内对动物状况160进行建模的地理位置内。无论如何，将权重164聚合以产生学习数据的加权向量166，所述学习数据的加权向量被提供到由组件152执行的变化检测算法中的统计过程控制。
37.统计过程控制和变化检测算法152将一个或多个数学过程应用于机器学习基础模型162的输出，以评估动物状况160且产生对应简档。这些数学过程经应用以至少通过识别牲畜102的跟踪和管理特性172和动物状况160的正态性156来执行变化检测。这些数学过程至少包含统计分析153、序贯分析154和累积求和(cusum模型)155。不管用于评估输入数据110和学习数据的加权向量166的数学过程或模型如何，其可从现有标准化模型导出，且还可包含经定制以基于上文所论述的输入数据110和正在建立简档的特定动物状况160而并入有独特特性的模型。
38.接着跨越一个或多个动物所位于的多个地理位置应用动物状况160的所得简档，以确定相对于一个或多个动物中的特定动物的正态性156，且识别特定地理区域的动物状况160中的差异。因此，框架100配置成建立统计过程控制且围绕每一动物执行变化检测分析，以确定在个体动物基础上为正态分布的，使得可快速地执行干预的机会，其中人工智能引擎识别与此类正态性确定的偏差。因此，在本发明的一个方面，本发明可理解为用于评估动物健康的框架100，所述框架试图识别健康动物和健康状况，而不是患病动物或不健康状况，使得正态参数之外的状况可分类为此类正态参数和诊断、治疗，且从作为开始点的位置进行的预防。
39.动物状况160的简档以及其中的牲畜跟踪和管理特性172可产生为如下文中进一步论述的输出数据170，且还可提供回到机器学习基础模型162且用于调整和/或训练基础模型168。因此，框架100从统计过程控制和变化检测算法152的结果“学习”以改进分配到输入数据110的权重和相关性164，以及建模的每一动物状况160的学习数据的对应加权向量166。因此，框架100以对基础模型168的调整形式并入有反馈回路，所述反馈回路使得能够验证统计过程控制和变化检测算法152以及由其产生的预测174和警报176作为输出数据170。
40.如上所述，输出数据170包含作为动物状况160的简档中的牲畜跟踪和管理特性172的结果的预测174和警报176。可经由显示器(例如，图形用户接口)以交互方式或其它方式(例如，经由支持工具或其它机制)将牲畜跟踪和管理特性172、预测174和警报176提供给用户。
41.涵盖牲畜跟踪和管理特性172、预测174和警报176在输出数据170中的许多表现，
且在本发明的范围内。在本发明的一个方面中，输出数据170可用于建立和应用计划180，以在如上文所讨论的对与正态性156的偏差的干预中递送响应，并为此类响应对资源使用进行分配和优先级排序181。输出数据170还可包含从牲畜跟踪和管理特性172、预测174和警报176导出的特定信息，例如健康问题182的预诊断、疾病趋势183的识别、峰值牲畜重量184、行为模式185(例如，暗示牧场不足的放牧行为)，以及特定健康事件186的指示，例如产犊187、发情188和受伤189。可进一步处理输出数据170以识别影响其它牲畜模型(例如，生长模型和乳制品生产模型)的环境交互作用190。
42.许多其它服务和结果是可能的，并且可以通过框架100自身直接提供，或通过一个或多个应用程序编程接口(api)提供。举例来说，框架100可包含配置成产生预测174和警报176的模块，以向对未来牛何时会增重感兴趣的组织营销，向对何时应重新订购药物、添加剂和补充剂感兴趣的特定饲料组分的制造商营销，向安排访问的营养师和兽医营销，并向所通知的牲畜的买方或拍卖商营销。应理解，在本发明中，许多类型的预测174和警报176是可能的，并且不限于本文所提到的任何一种类型的预测174或警报176。如上文所表明，本发明还可使一个或多个额外和特定api能够提供特定信息或服务，且从由框架100产生的输出数据170和牲畜跟踪和管理特性172、预测174和警报176中产生特定结果。
43.在可应用本发明的框架100的一个实例中，扫描器150的uhf读取器跨越饲养场113部署，所述饲养场包含一个或多个围栏114、植物篱、装载/卸载区域和牲畜102可位于的其它地点。uhf读取器/扫描器150的部署位置可包含饲养场113的所有区域，使得没有明确地排除任何区域。此包含具有例如水和饲料源等“引诱剂”的区域，以及不具有所述“引诱剂”的区域(例如，饲养围栏可具备水或食物)。在喂养时间期间标记为不具有引诱剂的地理区域中的动物的输入数据110也能够成为机器学习基础模型162的感兴趣的数据点。
44.rfid标签104由uhf读取器装置150实时读取。从标签104采集的输入数据110可连同读取器属性133和从饲养场113采集的任何其它相关数据点一起提供到聚合的存储机制，例如关系型数据库。此类输入数据110可使用网络、蜂窝、wi/-fi、蓝牙或其它类似通信网络从读取器150直接显现给聚合的存储机制。替代地，可通过使用数据传递装置将输入数据110呈现给聚合的存储机制，所述数据传递装置为从读取器150采集数据的装置且充当将数据传递到聚合的存储机制的联络者。传递装置的实例包含平板计算机、蜂窝装置、点(“智能”)秤头或能够从读取器150采集数据且使用例如wi/-fi的ip网络或例如蓝牙、近场通信(nfc)等串行通信协议将信息传递到存储机制的其它装置。传递装置可包含“智能”手机或其它计算装置，且可为安装到卡车、拖拉机、其它有人或无人驾驶的农业器具以及有人或无人驾驶的飞行器的暂时性装置。无论如何，在此类实例中，输入数据110经汇集且与用于一个或多个机器学习基础模型162中的人工智能引擎以及用于统计过程控制和变化检测算法152的额外信息的任选的点播源组合。
45.在示例性方法中，用于评估特定动物状况160的输入数据110可包含牲畜128的dna(遗传历史)和谱系(来源)以及从其导出的任何治疗历史；水箱数据(例如，耗水的频率和持续时间)、饲料饲槽数据(例如，饲料配给消耗的频率和持续时间)。一个或多个机器学习基础模型162采用这些输入产生相关性和权重164以基于针对动物状况160提供的任何实际历史生产者指定的治疗而产生学习数据的加权向量空间166。此学习过程后跟着由统计过程控制和变化检测算法152执行的实时预测分析，以识别牲畜跟踪和管理特性172，其中对于
特定地理位置(例如，饲养场113)，有可能存在与正态性156的偏差，以在患病牲畜展示应激或疾病的任何视觉迹象或以其它方式变得需要治疗之前识别患病牲畜。输入数据110的集合可进一步用产生者的饲养场113之外的数据来增补，例如用营养配给数据、天气数据、在供应链中的其它位置处的治疗，例如母牛/小牛、背景机或堆料机操作，或小牛牧场或小母牛饲养者、治疗品牌(通用与商业)等等来增补。
46.基于实际产生者数据的学习数据实时地用于预测具有还将导致当前牲畜102的产生者治疗的行为的动物。将针对产生者识别这些动物以进行“预检查”健康确定，从而允许产生者可能阻止进一步的爆发或动物死亡。
47.图2为说明用于执行本发明的框架100的过程200的流程图。过程200在步骤210处开始，如上所述，利用高频通信带(uhf)由读取器150询问rfid标签104，以开始处理与评估动物状况160相关的登入输入数据110。在步骤220处，此信息最初被处理以确定可以请求和获得哪些额外信息以执行用于评估动物状况160的各种处理步骤。
48.随着本发明的人工智能组件中机器学习基础模型162的发展，框架100中的输入数据110的详细处理接着在步骤230处开始。在步骤240处，模型162评估输入数据110和用于讨论中的动物状况160(或用于特定地理位置)的额外信息，并识别用于分配权重164的一个或多个变量之间的偏差和相关性。这些加权164变量用于编译加权学习数据的向量空间166。
49.在步骤250处，使用如上文所指出的一个或多个数学过程将加权向量数据集166应用于针对统计过程的变化检测算法152，以识别针对动物状况160与正态性156的偏差。在步骤260处，框架100和过程200产生动物状况160以及与动物状况160相关的跟踪和管理特性172的简档。接着，在步骤270处，过程筛选并识别用于特定动物状况160且用于一个或多个地理位置的数据属性，并且在本发明的一个方面中，在步骤280处，产生基于简档的资源的针对性应用计划180，以处理动物状况160。如上所述，此可包含资源的分配和优先级排序，且可进一步存在于显示器上以供用户或产生者采取进一步特定的动作。
50.返回到图1，如上所述，用于建立牲畜跟踪和管理特性172以用于分析动物状况160的框架100是多方面的方法，其在一个方面中执行用于评估变化检测以确定正态性156并从其预测任何偏差的不同数学过程。这些数学过程包含统计分析153、序贯分析154(特定类型的统计分析)和累积求和分析(特定类型的序贯分析)。待利用的过程的选择取决于所建模的动物状况160的类型和输入数据110的类型。并且，如上所述，取决于类似特性(动物状况160的类型和输入数据110的类型)，可定制特定过程。
51.举例来说，本发明可评估动物状况160，例如监测喂养行为模式的有效性和准确性，其可用于预测健康问题(例如，肉牛中的牛呼吸道疾病)的发作。框架100可应用一个或多个累积求和(cusum)模型155，所述模型各自配置成在其涉及喂养时评估单变量特点，例如，饲槽访问频率、饲槽访问持续时间、低头持续时间、进食速率、到饲槽的时间和非喂养间隔，或任何其它喂养相关特性。应理解，这些特性可在框架100内从输入数据110(例如，生产者增补的信息129)获得或导出，并且可能不一定直接从rfid标签104获得。
52.来自这些模型的结果可用于构造也使用cusum监测的多变量因素。根据这些构造体，可基于学习数据的加权向量166来选择准确性，以用于最相关和准确的预测分析。以此方式，可实施统计过程控制以用于评估框架100内的变化检测，以用于资源的适当分配和优先级排序，以处理动物状况160。
53.本发明中的输出数据170的其它用途也是可能的，并且在本发明的范围内。在一个实施例中，输出数据170可用于处理特定性和灵敏性容差。在一个实例中，框架100可用于通过调整输出灵敏性和特异性以最小化经识别用于治疗的候选动物而匹配操作者劳动资源或动物疾病风险。在另一实例中，由于如所确定环境117或区域数据120趋势的高风险时段，可调整输出数据170的特异性和灵敏性以告知更多数目的候选动物。
54.应理解，本发明中的词“牲畜”可指任何类型的牲畜102，在分析动物状况160时可针对所述类型的牲畜建立跟踪和管理特性172，并且本公开的范围不限于本文中所提及的任何一种特定类型的牲畜102，也不限于针对本文中所提及的任何一种类型的牲畜的一种状况。因此，牲畜102可包含但不以任何方式限于肉牛、乳牛、肉猪、家禽、绵羊、山羊、野牛、马等等。因此，本发明适用于所有类型的牲畜102，并且可以取决于所建模的牲畜102的类型而调整本文中所论述的建模方法。
55.本发明的系统和方法可在许多不同计算环境140中实施。举例来说，统计过程控制和变化检测算法152可结合专用计算机、经编程微处理器或微控制器和外围集成电路元件、asic或其它集成电路、数字信号处理器、电子或逻辑电路(例如，离散元件电路)、可编程逻辑装置或栅极阵列(例如，pld、pla、fpga、pal)和任何类似构件来实施。一般来说，实施本文中所说明的方法的任何方式可用于实施本发明的各种方面。可用于本发明的示例性硬件包含计算机、手持型装置、电话(例如，蜂窝、启用因特网、数字、模拟、混合等)和其它此类硬件。这些装置中的一些包含处理器(例如，单个或多个微处理器)、存储器、非易失性存储器、输入装置和输出装置。此外，包含但不限于分布式处理、平行处理或虚拟机处理的替代性软件实施方案还可配置成执行本文中所描述的方法。
56.本发明的系统和方法还可部分地实施于软件中，所述软件可存储于存储媒体上，在控制器和存储器、专用计算机、微处理器等的配合下在经编程通用计算机上执行。在这些情况下，本发明的系统和方法可实施为嵌入在个人计算机上的程序，例如小程序、java.rtm或cgi脚本，作为驻存于服务器或计算机工作站上的资源，作为嵌入在专用测量系统、系统组件等中的例程。系统还可通过将系统和/或方法物理地并入到软件和/或硬件系统中来实施。
57.另外，本文中所公开的数据处理功能可由存储于此类存储器中或由此类存储器执行的一个或多个程序指令执行，且进一步可由配置成实行那些程序指令的一个或多个模块执行。模块旨在指能够执行本文中所描述的数据处理功能性的任何已知或稍后开发的硬件、软件、固件、人工智能、模糊逻辑、专家系统或硬件与软件的组合。
58.已出于说明和描述的目的呈现本发明的实施例的前述描述。此描述并非旨在是穷尽性的或将本发明限于所公开的精确形式。因此，可由本领域普通技术人员在不脱离本发明的精神和范围的情况下进行根据以上教示的许多更改、修改和变化。举例来说，输入数据110可以用与rfid标签(例如，倾角仪)相关联或接近于所述rfid标签的数据采集的硬件装置来增补。因此，希望本发明的范围不受此详细描述的限制。举例来说，尽管下文以某一组合阐述权利要求的元件的事实，但必须明确地理解，本发明包含上文所公开的更少、更多或不同元件的其它组合，即使在最初未按此类组合主张时也是如此。
59.本说明书中所使用的用以描述本发明和其各种实施例的字词应不仅在其一般定义含义的意义上理解，还应包含超出一般定义含义的范围的在本说明书结构、材料或动作
中的特殊定义。因此，如果在本说明书的上下文中可将元件理解为包含多于一个含义，那么必须将其在权利要求书中的使用理解为对本说明书和词自身所支持的所有可能含义都是通用的。
60.因此，本说明书中对所附权利要求书中的词或元件的定义应定义为不仅包含字面上阐述的元件组合，还包含用于以基本上相同方式执行基本上相同功能以获得基本上相同结果的所有等效结构、材料或动作。因此，在此意义上，预期可对以下权利要求书中的元件中的任一个进行两个或更多个元件的等效替换，或可将单个元件替换权利要求书中的两个或更多个元件。尽管上文可将元件描述为以某些组合起作用且甚至最初如此主张，但应明确地理解，来自所主张的组合的一个或多个元件可在一些情况下从组合中删除且所主张的组合可被引导到子组合或子组合的变体。
61.由本领域普通技术人员现在已知或稍后设计的对所主张的主题的非实质改变均被明确地考虑为等效地在权利要求书的范围内。因此，本领域普通技术人员现在或稍后已知的明显替换定义为在所定义元件的范围内。
62.因此，权利要求书应理解为包含上文具体说明和描述的内容、概念上等效的内容、可显然被替换的内容以及基本上并入有本发明的基本想法的内容。