异常检测系统的制作方法

1.本发明涉及一种异常检测系统。


背景技术：

2.一般来说，畜养牛的从饲养到销售的流程大致分为多个工序(例如牧草饲育的工序、育肥的工序、加工的工序等)。其中，由于育肥的工序是在被称为feedlot(饲养场)的一定的区域内进行的，因此存在易于感染牛呼吸道疾病(brd(或brdc)：bovine respiratory disease(complex))的问题。
3.对此，例如在以下的非专利文献1中提出了一种系统，其对感染了brd(或brdc)的牛之中的brd(或brdc)实际发病的牛进行自动检测。根据该系统，能够对brd(或brdc)发病的牛迅速地进行确定。
4.《现有技术文献》
5.《非专利文献》
6.非专利文献1：cargill，“cargill brings facial recognition capability to farmers through strategic equity investment in cainthus”，[online]，2018年1月31日，[2020年2月28日检索]，互联网(url:https://www.cargill.com/2018/cargill-brings-facial-recognition-capability-to-farmers)


技术实现要素：

[0007]
《本发明要解决的问题》
[0008]
另一方面，考虑到如果能够在监视对象的牛的brd(或brdc)发病之前对其预兆(某些异常)进行检测并进行处置，则能够降低随着brd(或brdc)的发病或重症化而产生的各种成本。
[0009]
在一个方面，目的在于提供一种异常检测系统，其对监视对象的动物的异常进行检测。
[0010]
《用于解决问题的手段》
[0011]
根据一个实施方式，提供一种异常检测系统，具有：推断部，通过将来自佩戴在监视对象的动物的预定部位的运动传感器的时间序列数据输入到时间序列模型，从而对所述监视对象的动物的每个预定时间范围的反刍行为的存在与否进行推断；以及判定部，计算表示由所述推断部推断为存在反刍行为的比例的反刍比例，并在计算的反刍比例满足预定条件的情况下，判定为检测到所述监视对象的动物的异常。
[0012]
《发明的效果》
[0013]
能够提供一种异常检测系统，其对监视对象的动物的异常进行检测。
附图说明
[0014]
图1是示出异常检测系统的系统构成和服务器装置的功能构成的一个示例的图。
[0015]
图2是示出服务器装置的硬件构成的一个示例的图。
[0016]
图3是示出数据取得部的处理的具体示例的图。
[0017]
图4是示出学习部的处理的具体示例的图。
[0018]
图5是示出lstm单元的细节的图。
[0019]
图6是示出推断部的处理的具体示例的图。
[0020]
图7是示出预兆检测部的处理的具体示例的图。
[0021]
图8是示出学习处理的流程的流程图。
[0022]
图9是示出推断处理的流程的流程图。
[0023]
图10是示出预兆检测处理的流程的流程图。
具体实施方式
[0024]
以下，参照附图对各实施方式具体进行说明。需要说明的是，在本说明书和附图中，有时针对具有实质上相同的功能构成的构成要素，赋予相同的符号以省略重复的说明。
[0025]
[第1实施方式]
[0026]
《异常检测系统的系统构成和服务器装置的功能构成》
[0027]
首先，对异常检测系统的系统构成和服务器装置的功能构成进行说明。图1是示出异常检测系统的系统构成和服务器装置的功能构成的一个示例的图。
[0028]
异常检测系统100是在育肥的工序中在饲养场内的各个牛的brd(或brdc)发病之前对其预兆(某些异常)进行检测的系统。
[0029]
如图1所示，异常检测系统100具有测量装置110、网关装置120、以及服务器装置130。在异常检测系统100中，测量装置110与网关装置120通过无线通信连接，网关装置120与服务器装置130通过未图示的网络以能够进行通信的方式连接。
[0030]
测量装置110是佩戴在牛10的预定部位(在图1的示例中为颈部)的三维(x轴方向、y轴方向、z轴方向)的运动传感器(在本实施方式中为加速度传感器)。需要说明的是，假设x轴方向例如是指作为沿着牛10的颈部的体表的方向，且沿着颈部的圆周的方向，y轴方向例如是指作为沿着牛10的颈部的体表的方向，且从头部向着身体部的方向。另外，z轴方向例如是指与牛10的颈部的体表垂直的方向。
[0031]
在测量装置110中，以预定的采样频率(例如5[hz]～20[hz])对表示三维的加速度的时间序列数据进行测量，并将其发送到网关装置120。
[0032]
网关装置120将从测量装置110发送的表示三维的加速度的时间序列数据发送到服务器装置130。
[0033]
服务器装置130是在饲养场内的各个牛的brd(或brdc)发病之前对其预兆(某些异常)进行检测的装置。在服务器装置130中安装有异常检测程序，并且通过执行该程序，从而使服务器装置130起到数据取得部131、学习部132、推断部133、预兆检测部134的功能。
[0034]
数据取得部131是取得部的一个示例。数据取得部131将从网关装置120发送的表示三维的加速度的时间序列数据分割为每个预定时间范围(例如2[秒])，并与表示牛10的反刍行为的存在与否的信息相关联。另外，数据取得部131将与表示牛10的反刍行为的存在与否的信息相关联的每个预定时间范围的表示三维的加速度的时间序列数据作为学习用数据存储在学习用数据存储部135中。
[0035]
学习部132具有以时间序列数据作为输入来进行机器学习的作为时间序列模型的一个示例的lstm(long short term memory：长短期记忆)单元。学习部132从学习用数据存储部135中读出学习用数据，并将读出的学习用数据中包含的每个预定时间范围的表示三维的加速度的时间序列数据输入到lstm单元。另外，学习部132以使来自lstm单元的输出结果接近读出的学习用数据中包含的表示反刍行为的存在与否的信息的方式，针对lstm单元进行机器学习。
[0036]
推断部133将表示监视对象的牛的三维的加速度的时间序列数据分割为每个预定时间范围并输入到通过由学习部132进行机器学习而生成的学习完成lstm单元，并且对监视对象的牛的每个预定时间范围的反刍行为的存在与否进行推。
[0037]
预兆检测部134是判定部的一个示例。预兆检测部134针对每个预定期间(例如每1天)，对由推断部133推断出的每个预定时间范围的表示反刍行为的存在与否的信息进行汇总，并计算被判定为存在反刍行为的次数占全部判定次数的比例(称为反刍比例)。
[0038]
另外，预兆检测部134对计算出的反刍比例是否小于预定阈值(是否满足预定条件)进行判定，并且在判定为小于预定阈值的情况下，判定为检测到预兆(某些异常)，并通知用户。
[0039]
这样一来，在根据第1实施方式的异常检测系统100中，通过将从佩戴在牛的颈部的加速度传感器输出的时间序列数据输入到针对每个预定时间范围学习完成的lstm单元，从而针对每个预定时间范围对牛的反刍行为的存在与否进行推断。
[0040]
另外，在根据第1实施方式的异常检测系统100中，在brd(或brdc)的发病前监视对象的牛的反刍行为产生某些变化的前提下，基于每个预定时间范围的推断结果计算反刍比例，并对计算出的反刍比例进行监视。由此，通过根据第1实施方式的异常检测系统100，能够在brd(或brdc)的发病之前，对其预兆(某些异常)精确地进行检测。
[0041]
《服务器装置的硬件构成》
[0042]
接着，对服务器装置130的硬件构成进行说明。图2是示出服务器装置的硬件构成的一个示例的图。如图2所示，服务器装置130具有处理器201、存储器202、辅助存储装置203、i/f(interface：接口)装置204、通信装置205、以及驱动器装置206。需要说明的是，服务器装置130的各硬件经由总线207相互连接。
[0043]
处理器201具有cpu(central processing unit：中央处理部)、gpu(graphics processing unit：图形处理部)等各种运算设备。处理器201将各种程序(例如异常检测程序等)读出至存储器202并对其进行执行。
[0044]
存储器202具有rom(read only memory：只读存储器)、ram(random access memory：随机存取存储器)等主存储设备。处理器201和存储器202构成所谓的计算机，并且处理器201通过对读出至存储器202的各种程序进行执行，使得计算机实现上述功能。
[0045]
辅助存储装置203对各种程序、或由处理器201执行各种程序时所使用的各种数据进行存储。例如，学习用数据存储部135在辅助存储装置203中实现。
[0046]
i/f装置204是连接作为外部装置的一个示例的操作装置210和显示装置211与服务器装置130的连接设备。i/f装置204经由操作装置210接受针对服务器装置130的操作。另外，i/f装置204经由显示装置211显示由服务器装置130进行的处理的结果。
[0047]
通信装置205是用于与其他装置进行通信的通信设备。在服务器装置130的情况
下，经由通信装置205与作为其他装置的网关装置120进行通信。
[0048]
驱动器装置206是用于设置记录介质212的设备。此处所称的记录介质212包括诸如cd-rom、软盘、磁光盘等以光学、电学或磁性的方式对信息进行记录的介质。另外，记录介质212可以包括诸如rom、快闪存储器等以电学的方式对信息进行记录的半导体存储器等。
[0049]
需要说明的是，安装在辅助存储装置203中的各种程序例如通过将分发的记录介质212设置在驱动器装置206中并通过驱动器装置206读出在该记录介质212中记录的各种程序来安装。或者，安装在辅助存储装置203中的各种程序可以通过经由通信装置205从网络进行下载来安装。
[0050]
《数据取得部的处理的具体示例》
[0051]
接着，对由服务器装置130执行的各部的处理之中的数据取得部131的处理的具体示例进行说明。图3是示出数据取得部的处理的具体示例的图。如图3所示，数据取得部131取得关于各种牛的表示三维的加速度的时间序列数据集(表示x轴方向的加速度的时间序列数据、表示y轴方向的加速度的时间序列数据、表示z轴方向的加速度的时间序列数据)。需要说明的是，为了简化说明，图3的示例示出了取得关于1头牛的表示三维的加速度的时间序列数据的情况。
[0052]
如图3所示，数据取得部131将取得的表示三维的加速度的时间序列数据分割为每个预定时间范围(在图3的示例中为每2[秒])。另外，数据取得部131将分割为每个预定时间范围的表示三维的加速度的时间序列数据分别与表示反刍行为的存在与否的信息相关联，并作为学习用数据300_1、300_2、300_3等存储在学习用数据存储部135中。
[0053]
《学习部处理的具体示例》
[0054]
接着，对由服务器装置130执行的各部的处理之中的学习部132的处理的具体示例进行说明。图4是示出学习部的处理的具体示例的图。如图4所示，学习部132具有输入部401、lstm单元组402、比较变更部403。
[0055]
输入部401从学习用数据存储部135分别读出学习用数据300_1、300_2、300_3等中包含的每个预定时间范围的时间序列数据，并将其输入到lstm单元410。
[0056]
lstm单元410通过从输入部401被输入每个预定时间范围的时间序列数据，从而输出表示反刍行为的存在与否的信息(“存在”的分类概率、“不存在”的分类概率)。另外，lstm单元410基于从比较变更部403反向传播的误差，对模型参数进行优化。
[0057]
比较变更部403从学习用数据存储部135分别读出学习用数据300_1、300_2、300_3等中包含的表示反刍行为的存在与否的信息作为正确答案数据，并计算其与来自lstm单元410的输出结果之间的误差。另外，比较变更部403对计算出的误差进行反向传播，以对lstm单元410的模型参数进行优化。由此，能够以使lstm单元410的输出结果接近正确答案数据的方式，针对lstm单元410进行机器学习。
[0058]
需要说明的是，在本实施方式中，将通过使用学习用数据300_1、300_2、300_3等针对lstm单元410进行机器学习而生成的学习完成lstm单元用作基本模型。
[0059]
具体而言，在学习部132中，使用在不同季节(例如夏季)取得的学习用数据420_1、420_2、420_3等，针对作为基本模型的学习完成lstm单元410_1进行附加学习。即，在学习部132中，能够使用作为基本模型的学习完成lstm单元410_1，生成附加学习完成lstm单元。
[0060]
此外，在学习部132中，使用在其他的不同季节(例如冬季)取得的学习用数据430_
1、430_2、430_3等，针对作为基本模型的学习完成lstm单元410_2进行附加学习。由此，在学习部132中，能够使用作为基本模型的学习完成lstm单元410_2，生成其他的附加学习完成lstm单元。
[0061]
《lstm单元的细节》
[0062]
接着，对lstm单元的细节进行说明。图5是示出lstm单元的细节的图。如图5的上部所示，lstm单元410(或学习完成lstm单元410_1、410_2)具有lstm层510、全连接层520、softmax层530、分类层540。
[0063]
其中，在lstm层510中，通过对每个预定时间范围的表示三维的加速度的时间序列数据与表示反刍行为的存在与否的信息之间的时间步长间的长期的依存关系进行机器学习，从而对模型参数(lstm层510内的各种权重)进行优化。
[0064]
另外，图5的中间部分示出了lstm层510的详细构成。如图5中间部分所示，lstm层510具有多个lstm块。其中，例如，在lstm块511中，在时间步长t处，通过使用
[0065]
·
网络的当前状态(c
t-1
，h
t-1
)、以及
[0066]
·
表示下一个时间步长的三维的加速度的时间序列数据(x
t
)，
[0067]
从而计算输出状态(h
t
)和更新后的单元状态(c
t
)。
[0068]
需要说明的是，假设lstm块511例如具有图5的下部所示的构成。在图5的下部，“f”表示遗忘门(forget gate)，“g”表示单元候选。另外，“i”表示输入门，“o”表示输出门。
[0069]
《推断部的处理的具体示例》
[0070]
接着，对由服务器装置130执行的各部的处理之中的推断部133的处理的具体示例进行说明。图6是示出推断部的处理的具体示例的图。如图6所示，推断部133具有输入部601、学习完成lstm单元组602。
[0071]
输入部601将针对监视对象的牛由数据取得部131取得并被分割为每个预定时间范围的表示三维的加速度的时间序列数据输入到学习完成lstm单元602_1。学习完成lstm单元602_1是通过针对lstm单元410进行机器学习而生成的学习完成lstm单元。
[0072]
需要说明的是，输入部601将在特定的季节(例如夏季)取得并被分割为每个预定时间范围的表示三维的加速度的时间序列数据输入到附加学习完成lstm单元602_2。附加学习完成lstm单元602_2是通过针对学习完成lstm单元410_1进行附加学习而生成的附加学习完成lstm单元。
[0073]
类似地，输入部601将在特定的季节(例如冬季)取得并被分割为每个预定时间范围的表示三维的加速度的时间序列数据输入到附加学习完成lstm单元602_3。附加学习完成lstm单元602_3是通过针对学习完成lstm单元410_2进行其他的附加学习而生成的其他的附加学习完成lstm单元。
[0074]
《预兆检测部的处理的具体示例》
[0075]
接着，对由服务器装置130执行的各部的处理之中的预兆检测部134的处理的具体示例进行说明。图7是示出预兆检测部的处理的具体示例的图。如图7所示，在预兆检测部134中，按每1天1次的方式，取得从推断部133输出的1日份的推断结果(例如推断结果710_11)。需要说明的是，图7的示例示出了在11天内连续地取得1天份的推断结果的情况(参见推断结果710_1～710_11)。
[0076]
如图7所示，在从推断部133输出的1天份的推断结果(例如推断结果710_11)中，以
与时刻信息相关联地存储有关于每个预定时间范围的反刍行为的存在与否的推断结果。在预兆检测部134中，通过参照1天份的推断结果，并将被判定为存在反刍行为的次数除以1天份的判定次数来计算反刍比例。
[0077]
另外，在预兆检测部134中，将计算出的反刍比例反映在图表720中，并且在反刍比例小于预定阈值的情况下(满足预定条件的情况下)，判定为检测到预兆(某些异常)，并通知用户。
[0078]
图7的示例示出了由于在符号721所示的天反刍比例小于预定阈值，因此预兆检测部134判定为在该天检测到预兆(某些异常)的情况。
[0079]
《学习处理的流程》
[0080]
接着，对服务器装置130中的学习处理的流程进行说明。图8是示出学习处理的流程的流程图。
[0081]
在步骤s801中，数据取得部131取得表示三维的加速度的时间序列数据，将其分割为每个预定时间范围，然后将其与表示反刍行为的存在与否的信息相关联，并作为学习用数据存储在学习用数据存储部135中。
[0082]
在步骤s802中，学习部132使用存储在学习用数据存储部135中的学习用数据，针对lstm单元进行机器学习。
[0083]
在步骤s803中，学习部132对针对lstm单元的机器学习是否完成进行判定。当在步骤s803中判定为未完成时(在步骤s803中为“否”时)，返回到步骤s801以继续进行机器学习。
[0084]
另一方面，当在步骤s803中判定为已完成时(在步骤s803中为“是”时)，结束针对lstm单元的机器学习。
[0085]
《推断处理的流程》
[0086]
接着，对服务器装置130中的推断处理的流程进行说明。图9是示出推断处理的流程的流程图。
[0087]
在步骤s901中，数据取得部131取得针对监视对象的牛取得表示三维的加速度的时间序列数据，并将其分割为每个预定时间范围。
[0088]
在步骤s902中，推断部133通过将每个预定时间范围的表示三维的加速度的时间序列数据输入到学习完成lstm单元602_1(或附加学习完成lstm单元602_2、602_3)，从而对反刍行为的存在与否进行推断。
[0089]
在步骤s903中，推断部133输出每个预定时间范围的关于反刍行为的存在与否的推断结果。
[0090]
在步骤s904中，数据取得部131对是否取得了1天份的时间序列数据进行判定。当在步骤s904中判定为未取得1天份的时间序列数据时(在步骤s904中为“否”时)，返回到步骤s901。
[0091]
另一方面，当在步骤s904中判定为已取得1天份的时间序列数据时(在步骤s904中为“是”时)，结束推断处理。
[0092]
《预兆检测处理的流程》
[0093]
接着，对由服务器装置130进行的预兆检测的处理的流程进行说明。图10是示出预兆检测处理的流程的流程图。
[0094]
在步骤s1001中，预兆检测部134从推断部133取得1天份的推断结果。
[0095]
在步骤s1002中，预兆检测部134基于取得的1天份的推断结果，计算反刍比例。
[0096]
在步骤s1003中，预兆检测部134对计算出的反刍比例是否小于预定阈值进行判定。当在步骤s1003中判定为小于预定阈值时(在步骤s1003中为“是”时)，前进至步骤s1004。
[0097]
在步骤s1004中，预兆检测部134判定为在监视对象的牛中检测到预兆(某些异常)，并通知用户。
[0098]
另一方面，当在步骤s1003中判定为大于或等于预定阈值时(在步骤s1003中为“否”时)，前进至步骤s1005。
[0099]
在步骤s1005中，预兆检测部134对针对监视对象的牛是否经过了监视期间进行判定。当在步骤s1005中判定为未经过监视期间时(在步骤s1005中为“否”时)，返回到步骤s1001。
[0100]
另一方面，当在步骤s1005中判定为经过了监视期间时(在步骤s1005中为“是”时)，结束预兆检测处理。
[0101]
《总结》
[0102]
从以上的说明可以看出，根据第1实施方式的异常检测系统
[0103]
·
通过将来自佩戴在监视对象的牛的颈部的加速度传感器的三维的时间序列数据输入到学习完成的lstm单元，从而对监视对象的牛的每个预定时间范围的反刍行为的存在与否进行推断。
[0104]
·
计算表示推断为存在反刍行为的比例的反刍比例，并在计算的反刍比例满足预定条件的情况下，判定为检测到监视对象的牛的异常。
[0105]
这样一来，在根据第1实施方式的异常检测系统中，使用进行了机器学习的学习完成lstm单元，针对每个预定时间范围对反刍行为的存在与否进行推断，并且基于每个预定时间范围的推断结果计算反刍比例，并对计算出的反刍比例进行监视。由此，通过第1实施方式，能够在brd(或brdc)的发病之前，对其预兆(某些异常)精确地进行检测。
[0106]
即，通过第1实施方式，能够提供一种异常检测系统，其对监视对象的牛的异常进行检测。
[0107]
[第2实施方式]
[0108]
在上述第1实施方式中，虽然以将加速度传感器佩戴在颈部为例进行了说明，但是加速度传感器的佩戴部位不限于颈部，也可以佩戴在其他部位。
[0109]
另外，在上述第1实施方式和第2实施方式中，虽然以佩戴加速度传感器作为运动传感器为例进行了说明，但是也可以佩戴加速度传感器以外的运动传感器(例如角速度传感器)。
[0110]
另外，在上述第1实施方式中，虽然以基于1天份的时间序列数据计算反刍比例为例进行了说明，但是也可以基于多天份的时间序列数据或小于1天的时间序列数据计算反刍比例。
[0111]
在基于小于1天的时间序列数据计算反刍比例的情况下，例如可以基于白天的时间段内的时间序列数据计算反刍比例。或者，可以基于夜间的时间段内的时间序列数据计算反刍比例。
[0112]
另外，在划分为白天的时间段内的时间序列数据和夜间的时间段内的时间序列数据来计算反刍比例的情况下，可以构成为计算
[0113]
·
基于白天的时间段内的时间序列数据计算出的反刍比例与
[0114]
·
基于夜间的时间段内的时间序列数据计算出的反刍比例
[0115]
的差值或比值等，并在差值或比值的计算结果满足预定条件的情况下，判定为检测到预兆(某些异常)。
[0116]
另外，在上述第1实施方式中，虽然以针对每1天对反刍比例是否小于预定阈值进行判定为例进行了说明，但是对反刍比例是否小于预定阈值进行判定的判定频度不限于每1天。例如，也可以构成为针对每次经过预定时间范围份的时间，使用过去1天份的推断结果，对反刍比例是否曾小于预定阈值进行判定。
[0117]
另外，在上述第1实施方式中，虽然示出了使用关于1头牛的时间序列数据来生成学习用数据的情况，但是也可以使用多头牛的时间序列数据来生成学习用数据。
[0118]
另外，在上述第1实施方式和第2实施方式中，对使用用于表示三维的加速度的时间序列数据的情况进行了说明，但是时间序列数据的轴数不限于3个轴。例如，可以使用用于表示任意2个轴的加速度的时间序列数据。或者，可以使用用于表示1个轴的加速度的时间序列数据。
[0119]
另外，在上述第1实施方式中，将预定时间范围设为“2[秒]”，但是预定时间范围不限于“2[秒]”，可以为任意的时间范围，只要其是比牛的反刍行为的周期长的时间范围即可。
[0120]
另外，在上述第1实施方式中，对使用lstm单元作为时间序列模型的情况进行了说明，但是也可以使用lstm单元以外的时间序列模型。另外，虽然以通过机器学习来对时间序列模型的模型参数进行优化为例进行了说明，但是也可以通过机器学习以外的方法对模型参数进行优化。
[0121]
另外，在上述第1实施方式中，以监视对象的动物为牛为例进行了说明，但是也可以以牛以外的动物作为监视对象。
[0122]
需要说明的是，本发明不限于此处所示的方案，例如不限于上述实施方式中举出的方案等与其他要素的组合。关于该些内容，可以在不脱离本发明的宗旨的范围内进行改变，并且可以根据其应用形态适当地确定。
[0123]
本技术以于2020年3月9日提交的日本发明专利申请第2020-040118号作为要求优先权的基础，并通过参照而在本技术中援引该日本发明专利申请的全部内容。
[0124]
符号说明
[0125]
100：异常检测系统；
[0126]
110：测量装置；
[0127]
130：服务器装置；
[0128]
131：数据取得部；
[0129]
132：学习部；
[0130]
133：推断部；
[0131]
134：预兆检测部；
[0132]
301_1等：学习用数据；
[0133]
401：输入部；
[0134]
402：lstm单元组；
[0135]
410：lstm单元；
[0136]
410_1、410_2：学习完成lstm单元；
[0137]
403：比较变更部；
[0138]
510：lstm层；
[0139]
511：lstm块；
[0140]
601：输入部；
[0141]
602：学习完成lstm单元组；
[0142]
602_1：学习完成lstm单元；
[0143]
602_2、602_3：附加学习完成lstm单元。