精准畜牧业:多维传感监测及分析动物采食行为

        全球畜牧业呈现出一个动态且复杂的挑战。近几十年来,它根据对动物产品需求的演变进行了适应,动物生产系统需要提高其效率和环境可持续性。在不同的畜牧系统中有效行动取决于科学技术的进步,这允许增加照顾动物健康和福祉的数量。精准畜牧业技术在现代农业中越来越普遍,帮助农民优化畜牧生产,最小化浪费和成本。

        精准畜牧业(Precision Livestock Farming, PLF)在个体水平上监测动物行为和疾病检测。PLF建立在传感器、通信协议、信号处理、计算智能算法和嵌入式处理器之上的,允许开发便携式设备,用于实时监测个体动物,为农业系统提供积极管理支持。

1 研究背景

1.1 反刍动物采食行为的重要性

  • 与营养和健康相关: 采食行为是反刍动物营养和健康的重要指标。咀嚼活动与瘤胃酸中毒的风险和饲料的适宜组成有关,反刍活动则提供有关分娩时刻和亚临床疾病或健康问题的信息。
  • 影响生产效率: 采食行为的长期分析可以区分两种主要活动:反刍和放牧。这些活动占据每天 60-80% 的时间,对评估放牧策略、准确估计每日摄入量和检测疾病、发情和分娩等至关重要。
  • 监测和评估的必要性: 为了优化动物生长和牛奶产量,并提高生产系统的效率和环境可持续性,需要监测和评估反刍动物的采食行为。

1.2 传统监测方法的局限性

  • 传统方法,如视觉观察,耗时且效率低下,难以进行长期监测。
  • 传统方法难以提供关于采食行为的具体细节,例如咀嚼次数、咀嚼速率和饲料类型。

1.3 自动监测技术的优势

  • 自动监测技术可以提供关于动物采食行为的详细数据,包括咀嚼次数、咀嚼速率、饲料类型和反刍活动等。
  • 自动监测技术可以进行长期监测,并用于评估动物采食行为的昼夜模式。
  • 自动监测技术可以帮助农民及时发现健康问题,例如疾病、发情和分娩。

1.4 监测方法的多样性

  • 自动监测技术可以使用多种传感器来监测动物采食行为,包括运动传感器、声音传感器、图像传感器和压力传感器。
  • 每种传感器都有其优点和缺点,例如运动传感器可以提供关于动物运动的详细信息,但可能会受到环境噪声的影响。

2 采食机制

采食行为是一个复杂的过程,涉及多个层次的时间和空间尺度。Bailey 等人 (1996) 提出了一种概念模型,将采食行为分为六个层次:

  • 咬合: 动物接近牧场并利用舌头将草料带到口中。
  • 采食站: 动物在特定的采食地点采食。
  • 斑块: 动物在特定的草场斑块采食。
  • 采食点: 动物在特定的采食地点采食。
  • 牧场或草地: 动物在特定的牧场或草地上采食。
  • 栖息地: 动物在其整个栖息地内的采食行为。

2.1 咀嚼活动的生物学机制

咀嚼活动是采食行为的基础,涉及动物上下颌的闭合和打开。咀嚼活动可以分为三个阶段:

  • 咬合: 动物利用上下颌将草料切割并固定在口中。
  • 咀嚼: 动物利用牙齿将草料磨碎。
  • 吞咽: 动物将咀嚼好的食物吞下。

咀嚼活动与瘤胃功能密切相关。 咀嚼过程中产生的唾液可以帮助缓冲瘤胃 pH 值,减少饲料颗粒大小,并促进瘤胃细菌附着在饲料颗粒上进行微生物发酵。

2.2 咀嚼活动与采食行为的关系

  • 咀嚼活动是采食行为的核心,但采食行为还包括其他活动,例如行走、站立和躺卧。
  • 咀嚼活动与采食行为的关系取决于动物所处的环境和采食策略。 例如,在放牧系统中,动物需要行走和站立来采食,而在舍饲系统中,动物可以直接从饲料槽中采食。

2.3 不同采食行为的特点 (咀嚼、反刍、采食)

2.3.1 咀嚼

  • 咀嚼活动产生声音,这些声音的能量、幅度和持续时间与咀嚼的类型和强度有关。
  • 咀嚼活动与饲料的物理特性(如纤维含量、拉伸强度、水分含量和密度)有关。

2.3.2 反刍

  • 反刍活动也产生声音,但这些声音的能量和幅度较低,因为草料已经破碎并含有额外的水分。
  • 反刍活动由三个阶段组成:反刍、咀嚼和吞咽。

2.3.3 采食

  • 采食活动包括行走、站立和躺卧等行为,这些行为也产生声音,例如行走时产生的脚步声和躺卧时产生的呼吸声。
  • 采食活动与动物的营养需求和采食策略有关。 例如,饥饿的动物可能会采食得更快,而饱腹的动物可能会采食得更慢。

3 基于不同传感器的监测方法

本文将介绍三种主要的监测和分析反刍动物采食行为的方法:基于运动传感器、基于声音传感器和基于图像传感器的方法。

3.1 基于运动传感器

3.1.1 数据采集和管理

  • 运动传感器通常安装在动物的颈部或腿部,例如加速度计、陀螺仪和磁力计。
  • 数据采集通常需要大量的动物和长时间的数据收集,这需要复杂的实验设计和数据分析。

3.1.2 预处理

  • 预处理步骤包括插值缺失值、去除异常值、去除重力加速度和偏差。
  • 预处理的目标是生成更易于分析和识别的特征。

3.1.3 特征提取

  • 特征提取可以从时间域和频域进行,例如计算加速度和角速度的统计特征、能量、零交叉率和平均强度。
  • 特征提取的目标是提取能够区分不同采食行为的特征。

3.1.4 分类

  • 分类器可以基于启发式方法、经典机器学习方法或深度学习方法。
  • 启发式方法使用简单的规则和阈值来区分采食行为。
  • 经典机器学习方法使用统计推断和集成模型来分类采食行为。
  • 深度学习方法使用人工神经网络来学习数据的复杂表示。

3.1.5 验证方法

  • 模型验证可以使用 k 折交叉验证或留一数据验证。
  • 常用的性能指标包括准确率、精确率、召回率和 F1 分数。
  • 对于类别不平衡的数据集,可以使用重采样技术来平衡类别。

3.2 基于声音传感器

3.2.1 数据采集和管理

  • 声音传感器通常安装在动物的额头、角或鼻梁上,例如麦克风。
  • 数据采集需要大量的动物和长时间的数据收集,这需要复杂的实验设计和数据分析。

3.2.2 预处理

  • 预处理步骤包括分割、降噪和滤波。
  • 预处理的目标是提高信号的信噪比并提取更有用的信息。

3.2.3 特征提取

  • 特征提取可以从时间域和频域进行,例如计算梅尔频率倒谱系数 (MFCC) 和时间域特征。
  • 特征提取的目标是提取能够区分不同采食行为的特征。

3.2.4 分类

  • 分类器可以基于启发式方法、经典机器学习方法或深度学习方法。
  • 启发式方法使用简单的规则和阈值来区分采食行为。
  • 经典机器学习方法使用统计推断和集成模型来分类采食行为。
  • 深度学习方法使用人工神经网络来学习数据的复杂表示。

3.2.5 验证方法

  • 模型验证可以使用 k 折交叉验证或留一数据验证。
  • 常用的性能指标包括准确率、识别率、误报率和漏报率。
  • 对于类别不平衡的数据集,可以使用重采样技术来平衡类别。

3.3 基于图像传感器

3.3.1 数据采集和管理

  • 图像传感器通常安装在固定的位置,例如摄像机。
  • 数据采集通常需要大量的图像或视频,这需要复杂的存储和传输。

3.3.2 预处理和特征提取

  • 预处理步骤包括图像增强、去噪和分割。
  • 特征提取可以使用深度学习方法自动提取。

3.3.3 分类

分类器通常使用深度学习方法,例如卷积神经网络 (CNN) 和循环神经网络 (RNN)。

3.3.4 验证方法

  • 模型验证可以使用训练/验证数据集划分。
  • 常用的性能指标包括准确率、精确率、召回率和 F1 分数。
  • 对于类别不平衡的数据集,可以使用重采样技术来平衡类别。

3.4 鼻带压力传感器

可以直接测量动物上下颌的运动,从而识别采食行为。

  • 数据采集和管理: 需要动物佩戴鼻带,并记录压力数据。
  • 预处理和特征提取: 可以使用时间域特征或频域特征。
  • 分类: 可以使用启发式方法或经典机器学习方法。
  • 验证方法: 可以使用训练/验证数据集划分或 k 折交叉验证。

3.5 传感器技术的比较

3.5.1 基于运动传感器

3.5.1.1 优点

  • 便携性: 运动传感器通常可以安装在动物的颈部或腿部,无需侵入动物。
  • 连续性: 运动传感器可以连续监测动物行为,提供长时间的数据。
  • 灵活性: 运动传感器可以放置在多个位置,例如颈部、腿部或耳部,以监测不同的行为。

3.5.1.2 缺点

  • 易受干扰: 运动传感器容易受到环境因素的影响,例如振动、温度变化和动物运动。
  • 需要校准: 运动传感器需要定期校准,以确保数据的准确性。
  • 无法直接测量采食行为: 运动传感器无法直接测量采食行为,需要与其他传感器结合使用。

3.5.2 基于声音传感器

3.5.2.1 优点

  • 提供详细的行为信息: 声音传感器可以提供有关采食行为、饲料类型和采食量的详细信息。
  • 不受环境因素影响: 声音传感器不受环境因素的影响,例如光照、温度和湿度。
  • 易于安装和使用: 声音传感器易于安装和使用,无需侵入动物。

3.5.2.2 缺点

  • 易受噪声干扰: 声音传感器容易受到环境噪声的影响,例如风声、鸟鸣和其他动物的叫声。
  • 需要校准: 声音传感器需要定期校准,以确保数据的准确性。
  • 无法直接测量采食行为: 声音传感器无法直接测量采食行为,需要与其他传感器结合使用。

3.5.3 基于图像传感器

3.5.3.1 优点

  • 非侵入性: 图像传感器无需侵入动物,可以远程监测动物行为。
  • 提供详细的视觉信息: 图像传感器可以提供有关动物采食行为、饲料类型和环境条件的详细信息。
  • 易于安装和使用: 图像传感器易于安装和使用,无需侵入动物。

3.5.3.2 缺点

  • 需要大量存储空间: 图像传感器需要大量的存储空间来存储图像和视频数据。
  • 需要高性能计算资源: 图像传感器需要高性能的计算资源来处理图像和视频数据。
  • 易受环境因素影响: 图像传感器容易受到环境因素的影响,例如光照变化和阴影。

4 挑战及未来发展方向

4.1 数据和实验方法的标准化

  • 数据共享: 缺乏公开可访问的数据集,导致难以比较不同研究的结果,并阻碍了技术的推广。需要建立共享数据平台,促进学术交流和合作。
  • 实验方法: 缺乏标准化的实验参数、协议和性能指标,导致研究结果难以复制和验证。需要制定标准化的实验方法,以促进研究的可比性和可重复性。

4.2 机器学习模型的优化

  • 计算成本: 深度学习模型的计算成本和内存需求较高,限制了其在资源受限设备上的应用。需要开发轻量级模型和高效的算法,以提高模型的性能和效率。
  • 数据需求: 深度学习模型需要大量的训练数据,而标记数据的获取成本较高。需要探索数据增强、迁移学习和半监督学习等方法,以减少对标记数据的需求。

4.3 多模态数据融合

     目前大多数研究只使用单一类型的数据,例如运动数据或声音数据,而忽略了其他类型的数据,例如图像数据。需要开发能够融合多模态数据的算法,以提供更全面的理解。

4.4 边缘智能和人工智能

     需要将机器学习算法部署到边缘设备和智能设备中,以实现实时监测和分析。需要探索边缘智能和人工智能技术,以提高系统的自主性和灵活性。

4.5 分布式智能生态系统

     需要构建分布式智能生态系统,将边缘、雾和云计算层结合起来,以实现高效的数据处理和管理。需要探索分布式智能技术,以提高系统的可扩展性和可靠性。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/40870.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

numpy库(python)

文章目录 1.numpy简介2.安装numpy3.ndarry : numpy库的心脏3.1 创建数组3.2数据类型3.3dtype NumPy是用Python.进行科学计算,尤其是数据分析时,所用到的一个基础库。它是大量Python 数学和科学计算包的基础,比如后面要讲到的pandas)库就用到了…

前端面试题_Css

一、说一下Css的盒子模型? HTML中所有元素都可以看成是一个盒子 盒子的组成:content、padding、border、margin 盒子的类型: 标准盒模型:marginborderpaddingcontent -- box-sizing:content-box(默认&a…

Samtec汽车电子 | 汽车连接器如何在高要求、极端的环境中工作

【摘要/前言】 汽车电子,这些年来始终是极具流量的热门话题,目前不断发展的智能座驾、辅助驾驶等赛道都是对相关产业链需求的进一步刺激,这里蕴含着一片广阔的市场。 同样,广阔的市场里有着极高的准入门槛和事关安全的技术挑战。…

【AI】研发人员的《生存还是毁灭?》

AI在当前技术和社会环境下被视为一种强大的工具和辅助资源,而非一种取代人类开发者的替代品。在本文中,我们将详细探讨AI在多个领域的应用,如何与开发者相互作用,并分析AI对开发者角色的影响和未来的发展趋势。 引言 人工智能&a…

Windows安全认证机制——Windows常见协议

一.LLMNR协议 1.LLMNR简介 链路本地多播名称解析(LLMNR)是一个基于域名系统(DNS)数据包格式的协议,使用此协议可以解析局域网中本地链路上的主机名称。它可以很好地支持IPv4和IPv6,是仅次于DNS解析的名称…

代谢组数据分析(十三):评估影响代谢物的重要临床指标

欢迎大家关注全网生信学习者系列: WX公zhong号:生信学习者Xiao hong书:生信学习者知hu:生信学习者CDSN:生信学习者2介绍 相关性分析是通过计算两个变量之间的相关系数来评估它们之间线性关系的强度和方向。最常用的是皮尔逊相关系数(Pearson correlation coefficient),…

security密码明文

引言:在引入未给定初始化mysql数据springboot项目时,由于项目通过security对密码进行了加密,无法进行登录操作,提供的一种解决方法 1、注释掉注入的加密类 // Autowired // private BCryptPasswordEncoder bCryptPassword…

软件测试常见的面试题(46道)

01、您所熟悉的测试用例设计方法都有哪些?请分别以具体的例子来说明这些方法在测试用例设计工作中的应用。 答:有黑盒和白盒两种测试种类,黑盒有等价类划分法,边界分析法,因果图法和错误猜测法。白盒有逻辑覆盖法&…

VBA通过Range对象实现Excel的数据写入

前言 本节会介绍通过VBA中的Range对象,来实现Excel表格中的单元格写入、区域范围写入,当然也可以写入不同类型的数据,如数值、文本、公式,以及实现公式下拉自动填充的功能。 一、单元格输入数据 1.通过Value方法实现输入不同类型…

Windows上使用Navicat连接ubuntu上的mysql8报错:10061和1130

问题一:can’t connect to mysql server on ‘192.168.xxx.xxx’(10061) 解决: sudo vim /etc/mysql/mysql.conf.d/mysqld.cnf,bind-address绑定了登陆的IP,把这两行代码注释掉,然后重启mysql。 问题二:1…

利用MMDetection进行半监督目标检测(仅供参考)

半监督目标检测 准备和拆分数据集K则交叉验证的解释 完整的半监督配置文件代码修改继承的数据流文件代码 多GPU训练示范 参考 MMDetection半监督目标检测,半监督目标检测同时利用标签数据和无标签数据进行训练,一方面可以减少模型对检测框数量的依赖&am…

Swift 定制 Core Data 迁移

文章目录 前言什么是 Core Data 迁移?示例更新模型创建一个新的模型版本创建映射模型编写自定义迁移策略总结 前言 随着应用程序和用户群的增长,你需要添加新功能,删除其他功能,并改变应用程序的工作方式。这是软件开发生命周期的…

底层软件 | 十分详细,为了学习设备树,我写了5w字笔记!

0、设备树是什么?1、DTS 1.1 dts简介1.2 dts例子 2、DTC(Device Tree Compiler)3、DTB(Device Tree Blob)4、绑定(Binding)5、Bootloader compatible属性 7、 #address-cells和#size-cells属性8…

动态规划入门,从简单递归到记忆化搜索到动态规划

动态规划入门&#xff0c;从简单递归到记忆化搜索到动态规划 打家劫舍 class Solution {private int nums[];public int rob(int[] nums) {this.nums nums;return dfs(nums.length - 1);}public int dfs(int i){if (i < 0){return 0;}int res Math.max(dfs(i - 1), dfs(i…

127还是localhost....?

前几天刚发现了一跨域问题&#xff0c;本来吧跨域问题也挺好解决的。 网上搜点教程&#xff0c;该怎么配置就怎么配置就完事了。 但是今天这个跨域问题有点棘手&#xff0c;问题就出在127.0.0.1还是localhost上面 先放一下一开始在127.0.0.1解决跨域的代码 前端 HTML <…

Vim脚本编写:自动化任务与自定义命令

Vim脚本&#xff08;Vim Script&#xff09;是一种强大的工具&#xff0c;用于扩展和自动化Vim编辑器的功能。通过编写Vim脚本&#xff0c;你可以创建自定义命令、自动化常见任务、增强编辑器功能&#xff0c;以及提高你的工作效率。本文将介绍Vim脚本编写的基础知识和一些实用…

预制菜工厂MES系统:具体功能与应用场景

在现代化食品工业中&#xff0c;预制菜&#xff08;Ready-to-Eat, RTE&#xff09;因其方便快捷、卫生安全及营养均衡的特点&#xff0c;迅速在餐饮行业中占据重要地位。为了进一步提升预制菜工厂的生产效率、保障产品质量并降低生产成本&#xff0c;制造执行系统&#xff08;M…

代码随想录训练营第二十八天 122买卖股票的最佳时间II 55跳跃游戏 45跳跃游戏II 1005K次取反后最大化的数组和

第一题&#xff1a; 原题链接&#xff1a;122. 买卖股票的最佳时机 II - 力扣&#xff08;LeetCode&#xff09; 思路&#xff1a; 这题十分简单&#xff0c;就是把相邻天数的金额相减&#xff0c;如果发现大于0就加到res中&#xff0c;返回res即可 代码如下&#xff1a; …

error: ‘CV_FONT_HERSHEY_SIMPLEX’ was not declared in this scope 的参考解决方法

文章目录 写在前面一、问题描述二、解决方法参考链接 写在前面 自己的测试环境&#xff1a; Ubuntu20.04&#xff0c;OpenCV 4.2.0 一、问题描述 编译 OpenCV 的程序时&#xff0c;出现如下报错 error: ‘CV_FONT_HERSHEY_SIMPLEX’ was not declared in this scope二、解决…

MySQL中的可插拔身份验证(Pluggable Authentication)(二)

Pluggable Authentication&#xff08;PAM&#xff0c;即可插拔式认证模块&#xff09;是一种高效且灵活的用户级别的认证方式&#xff0c;广泛应用于现代操作系统&#xff0c;特别是Linux服务器中。它允许数据库管理员&#xff08;DBAs&#xff09;为MySQL用户帐户选择和更改不…