[發(fā)明專利]一種基于物聯(lián)網的禽類養(yǎng)殖管理系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110384080.5
• 申請日: 2021-04-09
• 公開（公告）號: CN113159244B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設計）人: 王志;譚浩;惠維;趙季中;韓勁松
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K17/00
• 分類號: G06K17/00;G06F18/15;G06F18/214;G06F18/2433;G06Q50/02;H04W4/38;H04L67/12;G16Y10/05;G16Y20/00;G16Y30/00;G16Y40/10;G16Y40/20
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 范巍

1.一種基于物聯(lián)網的禽類養(yǎng)殖管理系統(tǒng)，其特征在于，包括：

RFID腳環(huán)標簽，用于設置于待養(yǎng)殖管理的禽類；

禽類養(yǎng)殖數(shù)據采集模塊，用于多點設置于養(yǎng)殖場，包括：

RFID閱讀器模塊，用于通過RFID腳環(huán)標簽采集禽類活動數(shù)據；所述RFID閱讀器模塊設置有網口調試板；所述RFID閱讀器模塊設置有預設數(shù)量的閱讀器天線；

物聯(lián)網網關節(jié)點模塊，所述物聯(lián)網網關節(jié)點模塊預加載有軟件，用于控制RFID閱讀器模塊進行數(shù)據采集的時間間隔；

WiFi中繼模塊，用于連接RFID閱讀器模塊和物聯(lián)網網關節(jié)點模塊組成局域網，用于通過中繼的工作模式從養(yǎng)殖場的WiFi獲取互聯(lián)網接入；

禽類異常行為檢測模塊，用于根據禽類養(yǎng)殖數(shù)據采集模塊上傳的禽類活動數(shù)據，經過數(shù)據清洗與篩選、特征提取與歸一化處理，得到能夠反映禽類個體每日的活動量、飲水進食量、休息時間的特征樣本集；基于所述特征樣本集通過構建孤立森林模型對異常樣本進行檢測，獲得異常禽類樣本集合；

其中，所述異常禽類樣本集合用于作為禽類養(yǎng)殖管理的依據；

所述禽類異常行為檢測模塊中，根據禽類養(yǎng)殖數(shù)據采集模塊上傳的禽類活動數(shù)據，經過數(shù)據清洗與篩選、特征提取與歸一化處理，得到能夠反映禽類個體每日的活動量、飲水進食量、休息時間的特征樣本集的步驟具體包括：

批量查詢養(yǎng)殖場預設時間內收集到的禽類活動數(shù)據X，每條數(shù)據包括EPC編號、閱讀器天線編號以及時間戳；按照EPC編號進行分組，每個分組按照時間戳以升序方式進行排序，記為Xⁱ，i表示禽類的EPC編號；

對每個分組Xⁱ進行數(shù)據清洗，獲得經過數(shù)據清洗的分組數(shù)據集對每組經過數(shù)據清洗的分組數(shù)據集Yⁱ進行特征提取，得到樣本集；對樣本集進行分類，獲得未標記為數(shù)據不足或數(shù)據異常的樣本集；

對所述未標記為數(shù)據不足或數(shù)據異常的樣本集中的樣本進行歸一化處理，獲得歸一化處理后的特征樣本集；

所述對每個分組Xⁱ進行數(shù)據清洗，獲得經過數(shù)據清洗的分組數(shù)據集的步驟具體包括：

設m_i是分組Xⁱ的記錄數(shù)據總條目，對于每條記錄x_j，x_j1代表第j條記錄的天線編號，x_j2代表第j條記錄的時間戳，從第2條記錄對分組Xⁱ進行遍歷，計算：

Δt_j＝x_j2-x_(j-1)2，

若x_j1≠x_(j-1)1且滿足Δt_jt，則將x_j標記為剔除，閾值t等于閱讀器兩個數(shù)據采集時間間隔的時間；

記經過數(shù)據清洗的分組數(shù)據集為

所述對每組經過數(shù)據清洗的分組數(shù)據集Yⁱ進行特征提取，得到樣本集；對樣本集進行分類，獲得未標記為數(shù)據不足或數(shù)據異常的樣本集的步驟具體包括：

養(yǎng)殖場的閱讀器天線總數(shù)為l，檢測的時間范圍的天數(shù)為d，則特征維數(shù)為：

dim(z)＝l×(d+1)+1，

其中，統(tǒng)計每個天線每天的有效記錄數(shù)，產生l個特征；統(tǒng)計每個天線d天產生的所有的記錄數(shù)，形成d×l個特征；將Yⁱ數(shù)據集的記錄總數(shù)n_i作為一個特征；

經過特征計算后，形成的樣本集記為D′＝{z′₁,z′₂,...,z′_p}；

對統(tǒng)計特征不符合條件的樣本根據經驗直接分類，包括：篩除記錄總數(shù)不符合條件的子樣本集，若n_i小于閾值c，則作為數(shù)據不足樣本集記為D_{data-shortage}；若樣本的任意一個天線d天內的記錄數(shù)統(tǒng)計量為0且樣本集的該天線d天內的記錄數(shù)統(tǒng)計量中位數(shù)不為0，標記該樣本為數(shù)據異常樣本，將數(shù)據異常樣本集記為D_{data-abnormal}；未標記為數(shù)據不足或數(shù)據異常的樣本集記為D＝{z₁,z₂,...,z_q}；

所述對所述未標記為數(shù)據不足或數(shù)據異常的樣本集中的樣本進行歸一化處理，獲得歸一化處理后的特征樣本集的步驟包括：

選擇反正切函數(shù)或指數(shù)為負數(shù)的冪函數(shù)進行歸一化處理：

所述通過構建孤立森林模型對異常樣本進行檢測，獲得異常禽類樣本集合的步驟具體包括：

構建孤立森林模型的步驟包括：選擇一個取樣的數(shù)量n，數(shù)量n小于等于256；從樣本集中隨機選取n個樣本，構造孤立樹并將其加入孤立森林集合中，重復直到孤立森林集合中已經構造了預設數(shù)量的ψ棵孤立樹為止，獲得孤立森林模型；

對所有樣本集根據孤立森林模型計算異常得分并進行預測，將異常得分高于預設閾值的樣本集記為D_abnormal，將異常得分低的樣本集記為D_normal。