一种草原放牧绵羊牧食行为检测系统的制作方法

本实用新型涉及一种检测系统，特别的涉及一种草原放牧绵羊牧食行为检测系统。

背景技术：

对放牧家畜牧食行为的研究是目前国内外的研究热点，所采用的研究方法主要有直接观测法和间接获得法。人工直接观测，劳动强度大、且依赖于人的因素，准确度低；间接测量方法较单一，没有一种较为完善的放牧绵羊牧食行为监测手段。

技术实现要素：

为了解决上述缺陷，本实用新型提供一种草原放牧绵羊牧食行为检测系统，其针对荒漠化草原放牧绵羊牧食行为监测的需求，结合本实用新型能够实现的牧食行为，对放牧绵羊的以下内容进行检测：游走时间、游走方向、游走速度、反刍时间、卧息时间、采食时间、采食口数、采食植物种类，所有上述行为将与GPS定位及定位点风速、风向、温湿度进行时间空间信息匹配。

本实用新型通过以下技术方案实现：一种草原放牧绵羊牧食行为检测系统，其包括传感器检测与数据传输系统、摄像机；其中，

所述摄像机用于实现视频信号与声音信号的同步采集；

所述传感器检测与数据传输系统包括：GPS定位与牧食路径监测模块，其用于实现放牧绵羊的运动监测；行为检测模块，其用于检测放牧绵羊的站立及站立时间、卧息及卧息时间、游走及游走时间；风速风向监测模块，其用于监测牧食行为处的风速风向；温湿度监测模块，其用于监测牧食行为处的温度、湿度；信号处理模块，其与所述GPS定位与牧食路径监测模块、所述风速风向监测模块、所述温湿度监测模块、所述行为检测模块、所述摄像机均电性连接，用于收集各模块的数据并处理；GPRS无线数据传输模块，其用于无线传输所述信号处理模块处理后的数据。

作为上述方案的进一步改进，所述行为检测模块采用三轴加速度传感器。

作为上述方案的进一步改进，所述风速风向监测模块采用非叶轮式风速风向传感器。

作为上述方案的进一步改进，所述温湿度监测模块采用温湿度传感器。

作为上述方案的进一步改进，所述传感器检测与数据传输系统安装于羊背上。

作为上述方案的进一步改进，所述摄像机安装在羊头一侧的额角处。

作为上述方案的进一步改进，所述传感器检测与数据传输系统还包括与所述信号处理模块电性连接的电源模块，所述电源模块采用Li电源。

作为上述方案的进一步改进，所述传感器检测与数据传输系统还包括与所述信号处理模块电性连接的显示屏。

作为上述方案的进一步改进，所述传感器检测与数据传输系统还包括与所述信号处理模块电性连接的扩展存储卡。

作为上述方案的进一步改进，所述传感器检测与数据传输系统还包括与所述信号处理模块电性连接的实时时钟模块。

本实用新型融合GPS技术、传感器技术、音频视频信号处理技术、计算机技术实现放牧绵羊牧食行为的检测识别，具有重要意义并具有鲜明的行业特色、地区特色。

附图说明

图1是本实用新型提供的草原放牧绵羊牧食行为检测系统的结构示意图。

图2是图1中草原放牧绵羊牧食行为检测系统的安装示意图。

图3是图1中草原放牧绵羊牧食行为检测系统的视频信号模型库训练与运行测试技术路线流程图。

图4是图1中草原放牧绵羊牧食行为检测系统的音频信号模型库训练与运行测试技术路线流程图。

具体实施方式

以下结合实施例，对本实用新型进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本实用新型，并不限定本实用新型。

实施例1

如图1所示，本实施例的草原放牧绵羊牧食行为检测系统在硬件上包括两大块硬件：传感器检测与数据传输系统1、摄像机2。传感器检测与数据传输系统1用于实现羊的运动监测(游走及游走时间)、站立行为监测、卧息及时间监测、GPS定位监测、温湿度与风速风向监测及GPRS无线数据传输功能。摄像机2用于实现视频信号与声音信号的同步采集。传感器检测与数据传输系统1可传输至服务器或应用于手机中，传感器检测与数据传输系统1可传输至服务器时，可采用GPRS无线接收模块。

请结合图2，传感器检测与数据传输系统1安装于羊背上，摄像机2安装在羊头一侧的额角处。摄像机2可采用微型摄像机，其外形小巧不占空间、重量轻不易给放牧绵羊造成负担、便于安装固定从而不易遗失。在本实施例中，采用U盘式微型摄像机，尺寸大概74mm×26mm×12mm，重量230克，可通过制作专用羊龙头将U盘式微型摄像机安装在羊右额处，实现视频信号与声音信号的同步采集；传感器检测与数据传输系统1可设计为尺寸大概15cm×10cm×10cm，重量0.8kg。。视频信号与声音信号可用于反刍、采食行为、食性选择检测等。

传感器检测与数据传输系统1包括GPS定位与牧食路径监测模块11、行为检测模块12、风速风向监测模块13、温湿度监测模块14、信号处理模块15、GPRS无线数据传输模块16、电源模块17、实时时钟模块18、扩展存储卡19、显示屏20。

GPS定位与牧食路径监测模块11用于实现放牧绵羊的运动监测，如采用GPS(UM330)。行为检测模块12用于检测放牧绵羊的站立及站立时间、卧息及卧息时间、游走及游走时间，行为检测模块12可采用三轴加速度传感器，优选型号为MMA8451Q。风速风向监测模块13用于监测牧食行为处的风速风向，风速风向监测模块13可采用非叶轮式风速风向传感器，如MEMS型SA-210非叶轮式风速风向传感器。温湿度监测模块14用于监测牧食行为处的温度、湿度，温湿度监测模块14可采用温湿度传感器，如瑞士HC2-IC302温湿度传感器。信号处理模块15与GPS定位与牧食路径监测模块11、风速风向监测模块13、温湿度监测模块14、行为检测模块12、摄像机2、电源模块17、实时时钟(Real-Time Clock)模块18、扩展存储卡19、显示屏20均电性连接，用于收集各模块的数据并处理。信号处理模块15可采用STM32F103VET6芯片(高性能嵌入式CPU)。GPRS无线数据传输模块16用于无线传输信号处理模块15处理后的数据，当然也可以对无线传输信号处理模块15传输指令。电源模块17可采用超高性能Li电源，通过实时时钟模块18提供时钟可随意实现时钟的设置，扩展存储卡19可采用64G SD存储卡，显示屏20可采用LCD液晶显示屏。

本实用新型的特色与创新之处在于：

1.创新性

1)应用具有创新性，机器代替人工，将信息科学技术应用于草原生态学；

2)研究具有创新性，针对牧草图像采集环境复杂引起的图像质量较低的问题，提出基于深度学习的牧草识别方法，为解决放牧绵羊食性选择检测提供了新方法与新思路，目前鲜有报道；

3)方法具有创新性，建立采食与反刍声音信号及牧草个体植株的特征数据库、训练模型、识别模型，为自动识别牧食行为提供新途径。

2.特色

本实用新型针对草原生态的实际需求，具有鲜明的地区特色。本实用新型的另一个显著特色是首次将传感器数据、GPS数据、信息处理数据进行融合，完成放牧绵羊牧食行为检测研究，具有显著的行业应用特色。

实施例2

实施例2是在实施例1的基础上加入软件算法创新，不仅仅依靠硬件本身的功能，实现更高一个台阶的研究。软件算法创新主要包括以下几个部分：

1)传感器数据融合、时间空间匹配：为了提高监测的实时性和准确性，仅仅只是实施例1的传感器应用是远远不够，需要对传感器数据在软件算法上进行拓展，在拓展过程中，其中重点难点为行为检测模块12的三轴加速度传感器对放牧绵羊行为的监测，需要数据融合、匹配并经识别模型分类实现；

2)放牧绵羊反刍与采食声音信号规则数据库的建立；

3)放牧绵羊反刍与采食声音识别模型的建立；

4)放牧绵羊采食行为中被采食牧草特征提取与规则库建立；

5)放牧绵羊采食植物种类识别分类器设计与视频图像预处理。

实施例2的软件算法可以形成APP模式，安装在服务器、电脑、手机等电子设备上，方便应用。

其中，针对第5部分：5)放牧绵羊采食植物种类识别分类器设计与视频图像预处理。通过本实用新型自行研发设计的视频信号模型库训练与运行测试技术路线，实现基于深度学习网络与支持向量机方法的采食视频分割识别装置及所述装置的基于深度学习网络与支持向量机方法的采食视频分割识别方法。如图3所示，采食视频分割识别装置包括信号预处理模块31、特征提取与识别模块32、特征库训练模块33。

信号预处理模块31用于：视频信号采集；Tsai算法图像自适应标定；融合三轴加速度传感器采食时间检测实现动态视频分帧；Mean Shift滤波、去噪；基于2G-B-R色差特征的FCM聚类背景分割。

特征提取与识别模块32，在信号预处理模块31的基础上用于：时域帧间差分法(图像分割)；基于稀疏表示SIFT算法图像配准；小波SIFT算子提取颜色、形状、纹理特征提取；深度学习特征提取模型优化特征参数、降维；支撑向量机(SVM)分类器。其中，小波SIFT算子提取颜色、形状、纹理特征提取主要是：1.颜色矩特征提取，2.多维形状特征提取，3.GLCM法纹理特征提取。

特征库训练模块33对特征提取与识别模块32的分类器进行单株采食牧草的特征库建立与训练：手动拍照后图像分割，提取感兴趣区域(Region of Interest，ROI)；应用小波SIFT算子提取颜色、形状、纹理等特征；主成分分析(PCA)法降维，获取图像特征；训练深度学习分类模型(Convolutional Neural Networks卷积神经网络)；特征匹配；特征库建立完成。

采食视频分割识别装置可最终得出结论：放牧绵羊采食植物种类及对应的采食口数。然后，形成基于计算机视觉的放牧绵羊采食行为的软件子模块实现基于深度学习网络与支持向量机方法的采食视频分割识别方法。

针对第2部分与第3部分：2)放牧绵羊反刍与采食声音信号规则数据库的建立；3)放牧绵羊反刍与采食声音识别模型的建立。通过本实用新型自行研发设计的音频信号模型库训练与运行测试技术路线实现反刍与采食行为检测装置及所述反刍与采食行为检测装置的反刍与采食行为检测方法。如图4所示，反刍与采食行为检测方法包括提取声音特征；利用声音特征设计基于隐马可夫模型(HMM)的BP神经网络分类器；通过分类器得出反刍与采食行为检测结果。

其中，针对提取声音特征步骤，可采用反刍与采食声音规则库训练和反刍与采食声音测试应用分别实现。采食声音规则库训练包括步骤：去噪、滤波、加窗分帧；时域、频域、维纳熵特征提取；ANOVA方差分析得出声音特征模型库。反刍与采食声音测试应用包括步骤：去噪、滤波、加窗分帧；时域、频域、维纳熵特征提取；最小二乘法多元线性回归分析得到测试声音特征。

以上所述仅为本实用新型的较佳实施例而已，并不用以限制本实用新型，凡在本实用新型的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本实用新型的保护范围之内。