[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)方法及預(yù)測(cè)裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201811353147.3
• 申請(qǐng)日: 2018-11-14
• 公開（公告）號(hào): CN109359624B
• 公開（公告）日: 2021-10-08
• 發(fā)明（設(shè)計(jì)）人: 呂艷;姜吳昊;倪益華;倪忠進(jìn);王凱
• 申請(qǐng)（專利權(quán)）人: 浙江農(nóng)林大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京潤(rùn)平知識(shí)產(chǎn)權(quán)代理有限公司 11283
• 代理人: 陳瀟瀟;陳小蓮

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)方法，所述預(yù)測(cè)方法包括：基于預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)算法獲取對(duì)應(yīng)的預(yù)測(cè)模型；對(duì)所述預(yù)測(cè)模型進(jìn)行優(yōu)化，以獲得優(yōu)化后模型；獲取所述采食行為的行為參數(shù)，并對(duì)所述行為參數(shù)進(jìn)行處理以獲得處理后參數(shù)；將所述處理后參數(shù)結(jié)合所述優(yōu)化后模型對(duì)所述蛋雞的采食行為進(jìn)行預(yù)測(cè)，以獲得預(yù)測(cè)結(jié)果。本發(fā)明還公開了一種基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)裝置。通過基于神經(jīng)網(wǎng)絡(luò)算法對(duì)蛋雞的日常行為進(jìn)行學(xué)習(xí)，并對(duì)蛋雞的采食行為進(jìn)行精確預(yù)測(cè)，從而根據(jù)蛋雞的采食需求進(jìn)行精確的投食操作，大大提高了飼料利用率，降低了浪費(fèi)，提高了養(yǎng)殖場(chǎng)的效益。

技術(shù)領(lǐng)域

本發(fā)明涉及農(nóng)業(yè)養(yǎng)殖領(lǐng)域，具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)方法及一種基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)裝置。

背景技術(shù)

在人類歷史中，家禽作為人類很早就馴化的物種為人類提供了大量的食物來源，例如蛋雞，蛋雞被視為人類食物中的補(bǔ)品，而雞的生長(zhǎng)狀況決定了雞肉或其產(chǎn)出的質(zhì)量。雞的行為模式是蛋雞反常行為的基礎(chǔ)，蛋雞出現(xiàn)反常行為意味著蛋雞個(gè)體或許出現(xiàn)了健康異常等問題。

蛋雞的行為包括采食、飲水以及運(yùn)動(dòng)等，這些都是評(píng)價(jià)蛋雞福利的重要指標(biāo)。在傳統(tǒng)的馴養(yǎng)過程中，往往對(duì)蛋雞采用自由喂養(yǎng)并通過人為觀察的方法對(duì)蛋雞的生長(zhǎng)狀況進(jìn)行監(jiān)控，而人為觀察往往是隔一段時(shí)間看一次，無法實(shí)時(shí)對(duì)蛋雞進(jìn)行觀察和監(jiān)控，從而大大降低了對(duì)蛋雞行為管理的有效性和精確性，導(dǎo)致飼料利用率低，浪費(fèi)嚴(yán)重。

而在部分養(yǎng)殖場(chǎng)中，也通過采用定時(shí)投喂的方式對(duì)蛋雞進(jìn)行喂養(yǎng)，以提高飼料的利用效率，在一定程度上減低飼料的浪費(fèi)程度，然而該方法依然無法實(shí)時(shí)根據(jù)蛋雞的行為進(jìn)行智能化投食，因此依然無法滿足現(xiàn)有養(yǎng)殖場(chǎng)的需求。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)中無法對(duì)蛋雞的采食行為進(jìn)行有效預(yù)測(cè)而導(dǎo)致飼料利用率低、浪費(fèi)嚴(yán)重的技術(shù)問題，本發(fā)明實(shí)施例提供一種基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)方法及一種基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)裝置，通過基于神經(jīng)網(wǎng)絡(luò)算法對(duì)蛋雞的日常行為進(jìn)行學(xué)習(xí)，并對(duì)蛋雞的采食行為進(jìn)行精確預(yù)測(cè)，從而根據(jù)蛋雞的采食需求進(jìn)行精確的投食操作，大大提高了飼料利用率，降低了浪費(fèi)，提高了養(yǎng)殖場(chǎng)的效益。

為了實(shí)現(xiàn)上述目的，本發(fā)明一方面提供一種基于神經(jīng)網(wǎng)絡(luò)的蛋雞采食行為的預(yù)測(cè)方法，所述預(yù)測(cè)方法包括：基于預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)算法獲取對(duì)應(yīng)的預(yù)測(cè)模型；對(duì)所述預(yù)測(cè)模型進(jìn)行優(yōu)化，以獲得優(yōu)化后模型；獲取所述采食行為的行為參數(shù)，并對(duì)所述行為參數(shù)進(jìn)行處理以獲得處理后參數(shù)；將所述處理后參數(shù)結(jié)合所述優(yōu)化后模型對(duì)所述蛋雞的采食行為進(jìn)行預(yù)測(cè)，以獲得預(yù)測(cè)結(jié)果。

優(yōu)選地，所述預(yù)設(shè)神經(jīng)網(wǎng)絡(luò)算法為循環(huán)神經(jīng)網(wǎng)絡(luò)算法，所述預(yù)測(cè)模型為長(zhǎng)短期記憶模型，所述對(duì)所述預(yù)測(cè)模型進(jìn)行優(yōu)化，以獲得優(yōu)化后模型，包括：前向計(jì)算所述長(zhǎng)短期記憶模型中每個(gè)神經(jīng)元的輸出值；基于所述輸出值反向計(jì)算所述長(zhǎng)短期記憶模型中每個(gè)神經(jīng)元的誤差項(xiàng)；基于所述誤差項(xiàng)計(jì)算出對(duì)應(yīng)的權(quán)重的梯度信息；基于適應(yīng)性動(dòng)量算法對(duì)所述梯度信息進(jìn)行優(yōu)化以獲得優(yōu)化后模型。

優(yōu)選地，所述行為參數(shù)包括采食量、采食時(shí)間以及采食間隔中的至少一者，所述對(duì)所述行為參數(shù)進(jìn)行處理以獲得處理后參數(shù)，包括：獲取預(yù)設(shè)數(shù)據(jù)長(zhǎng)度值；基于所述預(yù)設(shè)數(shù)據(jù)長(zhǎng)度值獲取對(duì)應(yīng)的待學(xué)習(xí)行為參數(shù)；對(duì)所述待學(xué)習(xí)行為參數(shù)進(jìn)行歸一化處理，以獲得處理后參數(shù)。

優(yōu)選地，所述將所述處理后參數(shù)結(jié)合所述優(yōu)化后模型對(duì)所述蛋雞的采食行為進(jìn)行預(yù)測(cè)，以獲得預(yù)測(cè)結(jié)果，包括：獲取與所述優(yōu)化后模型對(duì)應(yīng)的窗口長(zhǎng)度信息、批次大小信息、迭代次數(shù)信息以及隱層神經(jīng)元個(gè)數(shù)信息；基于網(wǎng)格搜索算法對(duì)所述窗口長(zhǎng)度信息以及所述隱層神經(jīng)元個(gè)數(shù)信息進(jìn)行優(yōu)化，以獲得優(yōu)化后窗口長(zhǎng)度信息以及優(yōu)化后隱層神經(jīng)元個(gè)數(shù)信息；基于所述優(yōu)化后窗口長(zhǎng)度信息、所述優(yōu)化后隱層神經(jīng)元個(gè)數(shù)信息、所述批次大小信息以及所述迭代次數(shù)信息生成最終預(yù)測(cè)模型；基于所述處理后參數(shù)結(jié)合所述最終預(yù)測(cè)模型對(duì)所述蛋雞的采食行為進(jìn)行預(yù)測(cè)，以獲得預(yù)測(cè)結(jié)果。