一种基于PSO‑SVM的种猪异常状态检测方法及装置与流程

本发明涉及畜禽养殖物联网数据处理与分析领域，具体涉及一种基于pso-svm的种猪异常状态检测方法及装置。

背景技术：

近年来，随着我国对种猪饲养技术的广泛推广，饲养种猪的规模化程度在不断提高。种猪健康状况是养猪生产的保证，而目前国内大多还是采用人工观察的方式监测牲畜行为，这样做不但耗费了大量的时间和精力，而且人工观察到的数据主观性强，不利于精确、稳定、连续地记录；及时和准确识别母猪正常发情是获得母猪适期配种时间和提高其受胎率的技术关键，但在实际生产中，目前大部分种猪场仅靠人工观察的手段识别母猪发情行为，很多养殖户由于粗心疏忽了母猪的发情表现及难以掌握母猪的适时科学配种时机等因素，导致配种时间不佳或受胎率降低，极大地影响了母猪的正常繁殖率，存在工作量大、人工成本高而效率低下的问题，对养殖户的经济效益产生重要影响。因此，实时检测种猪养殖过程中个体猪只的健康状况和及时准确地识别母猪发情行为成为畜禽养殖领域重要研究内容。

母猪发情时表现通常为以下几点：①体温较平常有所上升；②活动量明显增多；③走动较为频繁，爬跨行为；④食欲略减，多为细嚼慢咽型，采食时间较平常有所延长。其中活动量和体温变化最为明显，目前的研究中也多依据这两个特征进行母猪发情检测的研究。

种猪生病时表现通常为：①体温升高；②精神不振，卧地嗜睡；③食欲减退或停止；④腹泻。目前研究较多的是针对呼吸道疾病、腹泻等生理表现进行疾病检测。

目前针对种猪繁育生产中生病与发情异常状态进行同时检测的研究较少，并且针对种猪生病与发情检测的研究多是依据种猪生病或发情时的某一种生理特征进行识别，比如单独依据活动量或者体温的变化进行识别而忽略其他相关因子，极大地影响异常状态检测的准确率。

技术实现要素：

有鉴于此，本发明要解决的问题：一种基于pso-svm的种猪异常状态检测方法及装置。

一方面，本发明实施例提出一种基于pso-svm的种猪异常状态检测方法，包括：

s1、采集种猪个体信息，其中，所述个体信息包括三轴加速度、体温和采食信息；

s2、通过对所述个体信息进行特征提取，构建特征矩阵；

s3、基于预先建立的种猪知识库，利用所述特征矩阵，采用基于规则的方法判断种猪是否生病；

s4、通过将所述特征矩阵输入预先创建的基于支持向量机的种猪发情行为识别模型对种猪发情行为进行识别分类，得到是否发情以及发情概率两个输出，其中，在所述种猪发情行为识别模型创建时通过粒子群算法对支持向量机参数进行优化。

另一方面，本发明实施例提出一种基于pso-svm的种猪异常状态检测装置，包括：

采集单元，用于采集种猪个体信息，其中，所述个体信息包括三轴加速度、体温和采食信息；

构建单元，用于通过对所述个体信息进行特征提取，构建特征矩阵；

第一识别单元，基于预先建立的种猪知识库，利用所述特征矩阵，采用基于规则的方法判断种猪是否生病；

第二识别单元，用于通过将所述特征矩阵输入预先创建的基于支持向量机的种猪发情行为识别模型对种猪发情行为进行识别分类，得到是否发情以及发情概率两个输出，其中，在所述种猪发情行为识别模型创建时通过粒子群算法对支持向量机参数进行优化。

本发明实施例提供的基于pso-svm的种猪异常状态检测方法及装置，综合考虑种猪的活动量、体温、饮食变化等个体相关因子，构建种猪知识库，通过基于规则的方法判断是否生病；基于支持向量机的方法进行发情识别，并且通过粒子群算法对支持向量机分类器参数进行优化，提高种猪发情行为识别的准确率，从而提高种猪的受胎率。

附图说明

图1为本发明基于pso-svm的种猪异常状态检测方法一实施例的流程示意图；

图2为本发明基于pso-svm的种猪异常状态检测装置一实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参看图1，本实施例公开一种基于pso-svm的种猪异常状态检测方法，包括：

s1、采集种猪活动时的个体信息，其中，所述个体信息包括三轴加速度、体温和采食信息；

s2、通过对所述个体信息进行特征提取，构建特征矩阵；

s3、基于预先建立的种猪知识库，利用所述特征矩阵，采用基于规则的方法判断种猪是否生病；

s4、通过将所述特征矩阵输入预先创建的基于支持向量机的种猪发情行为识别模型对种猪发情行为进行识别分类，得到是否发情以及发情概率两个输出，其中，在所述种猪发情行为识别模型创建时通过粒子群算法对支持向量机参数进行优化。

本发明实施例提供的基于pso-svm的种猪异常状态检测方法，综合考虑种猪的活动量、体温、饮食变化等个体相关因子，构建种猪知识库，通过基于规则的方法判断是否生病；基于支持向量机的方法进行发情识别，并且通过粒子群算法对支持向量机分类器参数进行优化，提高种猪发情行为识别的准确率，从而提高种猪的受胎率。

为了达到上述目的，本发明的技术方案提出一种基于pso-svm的种猪异常状态检测方法，该方法首先通过感知设备采集种猪的三轴加速度、体温、饮食量等个体信息，并且进行数据一致性检测等操作；其次进行特征提取、归一化等预处理操作，构建6维特征矩阵；然后建立种猪知识库，采用基于规则的方法判断种猪是否生病；最后创建基于支持向量机的种猪发情行为识别模型，其中通过粒子群算法对支持向量机参数进行优化；对种猪发情行为进行识别分类，包括是否发情以及发情概率两个输出。

该方法包括四个步骤：

个体信息采集。通过adxl345三轴加速度传感器、红外测温仪和自动饲喂器采集种猪的三轴加速度、体温、采食等个体信息。信息采集过程涉及采集节点、路由节点、中心节点、rs485和rs232转换节点和pc终端(信息中心)。具体采集过程为：

1)将adxl345三轴加速度传感器采集节点佩戴于种猪颈部，采集某时刻种猪x、y、z三轴加速度数据；

2)将红外测温仪与自动饲喂器相结合采集体温和采食信息，种猪采食时自动进入饲喂站内，站门关闭，保证每次只有一头种猪进行采食，耳标读卡器通过电子耳标识别记录到种猪进入和离开站内的时间，下料器能够记录到该种猪的采食量，红外测温仪采集到种猪采食时的体温。其中三轴加速度传感器的采集节点与路由节点和中心节点形成zigbee无线网络，经路由节点将数据传送至中心节点，红外测温仪、耳标读卡器以及自动饲喂器的采集节点通过网线经路由节点将数据传送至中心节点；

3)中心节点将加速度、体温、采食等数据通过rs485和rs232有线传输至pc终端，保存至服务器。

特征矩阵构建。种猪发情时活动量、体温、饮食变化较明显，依据这三项参数构建种猪发情行为特征矩阵。按照训练样本中静止、爬跨、行走各占比例、单位时间平均体温、单位时间采食次数、单位采食量6个输入向量征构建m*6维的特征矩阵，m为种猪个体信息采集天数。具体为：1)依据不同的标准和目的可将种猪的活动行为粗分为静止、爬跨、行走三类。adxl345三轴加速度传感器采集x、y、z三轴加速度数据，设定训练集样本个数为n，对应天数为m，第t时刻采集的三轴加速度值分别为分类标签为则由3轴加速度可组成一个n*3维的加速度特征向量(输入向量)xv，分类标签(静止：-1，爬跨：0，行走：1)为n*1维标签向量(输出向量)yv。

对训练集的特征向量进行数据归一化处理，通过pso-svm算法训练得到优化后的种猪活动行为分类模型，利用种猪活动行为分类模型对种猪的三轴加速度特征向量(归一化后)进行处理，从而得到种猪活动行为分类结果，即单位时间内种猪静止、爬跨、行走的次数。

其中支持向量机(supportvectormachine，svm)是一种实现结构风险最小化思想的方法，svm结构酷似三层感知器。其中输入层是为了存贮输入数据，并不作任何加工运算；中间层是通过对样本集的学习，选择核函数k(x，xi)，i＝1，2，3，...，l；最后一层就是构造分类函数。整个过程等价于在特征空间中构造一个最优超平面，使得两类样本之间的距离最大化。

给定训练样本集

t＝{(x1,y1),(x2,y2),...(xl,yl)}(1)

式中，xi——n维向量，xi∈rⁿ，yi——相应的输出变量，yi∈r，

使用近似非线性分类的最大间隔模型，引入核函数把原始空间的数据映射到高维空间中，其优化问题表示为：

式中c——惩罚因子，αi——引入的拉格朗日乘子，l——样本集个数，k(xi，xj)——核函数，本文使用径向基核函数作为svm的核函数。

粒子群算法(particleswarmoptimization，pso)是通过群体中个体之间的协作和信息共享来寻找最优解的一种群体智能优化算法。

定义1每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为“粒子”(particle)，所有的粒子都有一个被目标函数决定的适应值(fitnessvalue)，每个粒子还有一个速度决定他们飞翔的方向和距离，位置、速度和适应度值三项指标表示该粒子特征；

定义2个体所经历位置中计算得到的适应度值最优位置称为个体极值；是指种群中的所有粒子搜索到的适应度最优位置称为群体极值。

pso算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解；然后粒子在解空间中运动，通过跟踪个体极值和群体极值更新个体位置，粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值更新个体极值和群体极值位置；粒子们就追随当前的最优粒子在解空间中搜索，通过多次迭代，最终进化得到最优个体极值和群体极值位置以及适应度值。

在每一次迭代过程中，粒子通过个体极值和群体极值更新自身的速度和位置，更新公式如下：

式中，——第i个粒子在第k次迭代时的速度；

——第i个粒子在第k次迭代时的位置；

c1，c2——相关系数变量，取值分别为1.5，1.7；

r1，r2——随机数；

w——惯性权重因子，代表粒子继承之前搜索速度的能力；

——第i个粒子所有路径中适应度最优时的位置，即个体极值；

——第k次迭代中该粒子群中适应度最优时的位置，即群体极值。

创建支持向量机分类模型时，有两个参数的选择对分类效果起着至关重要的作用：一是惩罚因子c，即对误差的宽容度，c越高，说明越不能容忍出现误差，容易过拟合，c越小，容易欠拟合，c过大或过小，泛化能力变差；二是核函数中的参数γ，隐含地决定了数据映射到新的特征空间后的分布，γ越大，支持向量越少，γ值越小，支持向量越多，粒子群算法通过创建随机种群，始终根据当前群体最优解搜索更新，不断迭代，直到满足条件，找到最优的参数c和γ。

根据上述的种猪活动行为分类结果，以天为单位，根据一天之内种猪静止、爬跨、行走的次数，分别计算静止、爬跨、行走各占比例，设定某天静止、爬跨、行走所占比例分别为根据红外测温仪检测到的体温能够计算得到种猪每天的平均体温根据自动饲喂器记录的种猪采食信息能够得到采食次数采食量综合种猪活动行为、体温、采食参数构建m*6维特征的特征矩阵。

按照各天静止、爬跨、行走各占比例、单位时间平均体温、单位时间采食次数、单位采食量6个输入向量征构建m*6维的特征矩阵xo，分类标签(是否发情，是：0，否：1)为m*1维标签向量yo。

疾病检测。采用基于规则的方法判断种猪是否生病，首先创建种猪知识库；然后针对实时采集的种猪个体信息与规则库进行比对，判断是否生病。具体为：

1)通过图书及电子材料、问卷调查、专家访谈等手段获取种猪知识库中正常情况下的个体生理特征信息，包括不同品种下种猪正常状态下的体温、活动量、饮食等信息。

2)获取到的原始数据进行选取、分类关联等处理；设计种猪知识数据库，整理各品种的种猪在正常状态下的信息，包括体温、体重、采食次数、采食量、活动量等。

3)生成一个疾病检测规则库，本发明的疾病检测重点在于“辨病”，即判断判断某种猪是否生病，因此规则库中主要以阈值判断为主；设种猪正常情况下(处于健康状态以及非发情期)，nps表示每日静止时间占比，nth表示体表温度最高值，ntl表示体表温度最低值，nfn表示日均采食量；有以下三个条件：

若满足以上任意条件，则判断该种猪为疑似病猪；否则，判定为健康种猪。

发情识别。创建和训练种猪发情识别模型，对种猪进行发情识别。具体为：1)对m*6维的特征矩阵进行归一化处理，通过粒子群算法优化选择支持向量机参数，创建基于pso-svm的种猪发情识别模型，其中pso-svm算法在特征矩阵构建中有详细描述。

2)根据发情行为识别模型对测试集进行发情行为分类，设置输出模型为二维向量y{yifo，yopro},其中yifo表示是否发情(是：0，否：1)，表示发情概率。

参看图2，本实施例公开一种基于pso-svm的种猪异常状态检测装置，包括：

采集单元1，用于采集种猪的个体信息，其中，所述个体信息包括三轴加速度、体温和采食信息；

所述采集单元，具体用于通过adxl345三轴加速度传感器、红外测温仪和自动饲喂器采集相应的种猪个体信息。

构建单元2，用于通过对所述个体信息进行特征提取，构建特征矩阵；

所述构建单元，具体用于：

通过粒子群算法和支持向量机将所述三轴加速度分为静止、爬跨和行走三类，以天为单位，根据一天之内种猪静止、爬跨、行走的次数，分别计算静止、爬跨、行走各占比例，并计算种猪每天的平均体温、平均采食时间以及平均采食量；

综合种猪静止、爬跨、行走各占比例，每天的平均体温、平均采食时间以及采食量构建特征矩阵。

第一识别单元3，用于基于预先建立的种猪知识库，利用所述特征矩阵，采用基于规则的方法判断种猪是否生病；

所述第一识别单元，具体用于：

判断种猪的个体信息是否满足第一条件、第二条件、第三条件和第四条件中的一个条件，若种猪的个体信息满足所述第一条件、第二条件、第三条件和第四条件中的一个条件，则确定种猪生病，否则，则确定种猪未生病，其中，所述第一条件为种猪静止所占比例大于种猪正常情况下每日静止时间占比，所述第二条件为种猪的平均体温小于种猪正常情况下体表温度最低值，所述第三条件为种猪的平均体温大于种猪正常情况下体表温度最高值，所述第四条件为平均采食量小于种猪正常情况下日均采食量。

第二识别单元4，用于通过将所述特征矩阵输入预先创建的基于支持向量机的种猪发情行为识别模型对种猪发情行为进行识别分类，得到是否发情以及发情概率两个输出，其中，在所述种猪发情行为识别模型创建时通过粒子群算法对支持向量机参数进行优化。

本发明实施例提供的基于pso-svm的种猪异常状态检测装置，综合考虑种猪的活动量、体温、饮食变化等个体相关因子，构建种猪知识库，通过基于规则的方法判断是否生病；基于支持向量机的方法进行发情识别，并且通过粒子群算法对支持向量机分类器参数进行优化，提高种猪发情行为识别的准确率，从而提高种猪的受胎率。

本发明具有如下优点：

1、同时对种猪的生病与发情两种异常状态进行检测，综合考虑种猪的活动量、体温、饮食三个方面的变化作为特征提取指标，提高异常状态检测准确率；每组测量的数据同时进行疾病检测和发情识别，使得种猪养殖过程中数据利用最大化，提高养殖户生产效益。

2、根据咨询专家、查看图书电子资料等手段获取种猪生长标准等信息，并且创建了种猪知识库，进行疾病检测时，依据种猪知识库中辨病规则与测量的种猪个体数据进行比对，从而判断是否生病，算法比较容易实现，且对于检测到种猪是否生病效果较好。

3、通过两次分类算法进行种猪发情行为识别。在特征提取过程中，采用支持向量机分类器对种猪的三轴加速度数据进行分类(包括静止、爬跨、行走三类)；在创建发情识别模型时，以天为单位，将每天静止、爬跨、行走所占比例、平均体温、采食次数、采食量作为6维特征矩阵，再次使用支持向量机分类器对种猪发情状态进行分类，其中通过粒子群算法优化支持向量机，确定支持向量机参数。通过两次基于粒子群和支持向量机的分类算法，提高种猪异常状态检测准确性。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的说明书中，说明了大量具体细节。然而能够理解的是，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本发明公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释呈反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本发明并不局限于任何单一的方面，也不局限于任何单一的实施例，也不局限于这些方面和/或实施例的任意组合和/或置换。而且，可以单独使用本发明的每个方面和/或实施例或者与一个或更多其他方面和/或其实施例结合使用。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。