一种基于大数据分析的奶牛产奶量异常检测方法与流程

本发明属于奶牛养殖，具体涉及一种基于大数据分析的奶牛产奶量异常检测方法。

背景技术：

1、奶牛作为一种具有成熟养殖技术的商业化动物，随着经济和技术进步，已经发展为系统受精、繁育、养殖以及产奶的规模化产业，从奶牛出生到奶牛死亡的每个阶段都进行严格管理。健康的奶牛能够产出品质优秀的牛奶，时刻影响着奶牛养殖场的经济效应。

2、奶牛产奶量一直是管理者的重点关注数据，因为奶牛产奶量不仅仅关系到养殖场这个季度的营收，还影响下个季度的养殖计划，而如何对养殖场的奶牛产奶量进行准确的分析和检测，成为本领域的重点研究方向。

3、现有的奶牛产奶量异常检测方式，大多借助于工作人员凭借经验对每头奶牛的产奶量数据进行人工统计和分析，人力成本投入大，工作量大，检测效率低下，并且这种方式仅仅依据数据的表层信息进行分析，无法准确的发现异常数据，对正常数据也容易发生误判，导致奶牛产奶量异常检测准确性差，实用性低。

技术实现思路

1、为了解决现有技术存在的人力成本投入大，准确性差以及实用性低的问题，本发明目的在于提供一种基于大数据分析的奶牛产奶量异常检测方法。

2、本发明所采用的技术方案为：

3、一种基于大数据分析的奶牛产奶量异常检测方法，包括如下步骤：

4、追踪采集若干奶牛在每个产奶阶段的历史体征数据和对应的历史产奶量数据，并根据若干奶牛的历史基本信息数据、历史体征数据以及历史产奶量数据，构建带有时序关系的奶牛健康检测大数据和奶牛产奶量异常检测大数据；

5、对奶牛健康检测大数据和奶牛产奶量异常检测大数据进行聚类和筛选，构建奶牛健康检测训练样本集和奶牛产奶量异常检测训练样本集；

6、根据奶牛健康检测训练样本集，使用神经网络算法进行训练，构建奶牛健康检测模型；

7、根据奶牛产奶量异常检测样本集，使用神经网络算法进行训练，构建奶牛产奶量异常检测模型；

8、根据目标奶牛在当前产奶阶段的实时基本信息数据、实时体征数据以及实时产奶量数据，构建实时奶牛健康检测数据和实时奶牛产奶量异常检测数据；

9、将实时奶牛健康检测数据输入奶牛健康检测模型进行奶牛健康检测，得到目标奶牛的实时健康检测结果；

10、将目标奶牛的实时健康检测结果添加至对应的实时奶牛产奶量异常检测数据，得到更新后实时奶牛产奶量异常检测数据；

11、将更新后实时奶牛产奶量异常检测数据输入奶牛产奶量异常检测模型进行奶牛产奶量异常检测，得到目标奶牛的实时产奶量异常检测结果；

12、将目标奶牛的健康预测结果和产奶量异常检测结果进行可视化。

13、进一步地，历史/实时基本信息数据的数据种类包括奶牛的品种、年龄以及产奶阶段，历史/实时体征数据的数据种类包括奶牛的脉搏、体温、血压、运动量以及健康情况，历史/实时产奶量数据的数据种类包括总产奶量、单次产奶量以及产奶量情况。

14、进一步地，追踪采集若干奶牛在每个产奶阶段的历史体征数据和对应的历史产奶量数据，并根据若干奶牛的历史基本信息数据、历史体征数据以及历史产奶量数据，构建带有时序关系的奶牛健康检测大数据和奶牛产奶量异常检测大数据，包括如下步骤：

15、将每个奶牛在每个产奶阶段的历史基本信息数据添加至对应的历史体征数据，得到若干历史奶牛健康检测数据，并根据若干历史奶牛健康检测数据，得到带有时序关系的历史奶牛健康检测数据组；

16、遍历所有奶牛在每个产奶阶段的历史体征数据，得到由若干历史奶牛健康检测数据组构成的奶牛健康检测大数据；

17、将每个奶牛在每个产奶阶段的历史基本信息数据和历史奶牛健康检测数据的历史健康情况标签添加至对应的历史产奶量数据，得到若干历史产奶量数据，并根据若干历史产奶量数据，得到带有时序关系的历史奶牛产奶量异常检测数据组；

18、遍历所有奶牛在每个产奶阶段的历史产奶量数据，得到由若干历史奶牛产奶量异常检测数据组构成的奶牛产奶量异常检测大数据。

19、进一步地，带有时序关系的历史奶牛健康检测数据组包括按照产奶阶段排序的若干历史奶牛健康检测数据；

20、历史奶牛健康检测数据包括奶牛的历史品种数据、历史年龄数据、历史产奶阶段标签、历史脉搏数据、历史体温数据、历史血压数据、历史运动量数据以及历史健康情况标签；

21、带有时序关系的历史奶牛产奶量异常检测数据组包括按照产奶阶段排序的若干历史奶牛产奶量异常检测数据；

22、历史奶牛产奶量异常检测数据包括奶牛的历史品种数据、历史年龄数据、历史产奶阶段标签、历史健康情况标签、历史总产奶量数据、历史单次产奶量数据以及历史产奶量情况标签。

23、进一步地，对奶牛健康检测大数据和奶牛产奶量异常检测大数据进行聚类和筛选，构建奶牛健康检测训练样本集和奶牛产奶量异常检测训练样本集，包括如下步骤：

24、使用主成分分析法对奶牛健康检测大数据中每个历史奶牛健康检测数据组进行降维，得到由若干降维后历史奶牛健康检测数据组构成的降维后奶牛健康检测大数据和对应的奶牛健康检测主成分因子；

25、使用k均值聚类算法对降维后奶牛健康检测大数据中的若干降维后历史奶牛健康检测数据组进行聚类，得到若干第一聚类中心；

26、在每个第一聚类中心的预设距离阈值范围内，筛选相同数量的历史奶牛健康检测数据组，作为对应的奶牛健康检测训练样本，得到奶牛健康检测训练样本集；

27、使用k均值聚类算法对若干历史奶牛产奶量异常检测数据组进行聚类，得到若干第二聚类中心；

28、将每个第二聚类中心的预设距离阈值范围外的历史奶牛产奶量异常检测数据组作为离群点，并将预设距离阈值范围内的历史奶牛产奶量异常检测数据组作为聚类点；

29、收集所有离群点，将离群点的历史产奶量情况标签设置为异常，并根据离群点的数量，筛选相同数量的聚类点，将离群点的历史产奶量情况标签设置为正常；

30、将所有离群点和筛选的聚类点作为奶牛产奶量异常检测训练样本，得到奶牛产奶量异常检测训练样本集。

31、进一步地，根据奶牛健康检测训练样本集，使用神经网络算法进行训练，构建奶牛健康检测模型，包括如下步骤：

32、对奶牛健康检测训练样本集中的若干降维后历史奶牛健康检测数据组进行归一化处理，得到归一化后第一训练样本集；

33、根据归一化后第一训练样本集，使用dbn-dropout算法进行训练，得到奶牛健康检测模型。

34、进一步地，根据奶牛产奶量异常检测样本集，使用神经网络算法进行训练，构建奶牛产奶量异常检测模型，包括如下步骤：

35、对奶牛产奶量异常检测样本集中的若干历史奶牛产奶量异常检测数据组进行归一化处理，得到归一化后第二训练样本集；

36、根据归一化后第二训练样本集，使用bigru-attention算法进行训练，得到奶牛产奶量异常预测子模型，以及对应的原始的历史产奶量情况标签预测值集合和原始的历史预测误差集合；

37、根据原始的历史产奶量情况标签预测值集合和原始的历史预测误差集合，使用kelm算法进行训练，得到预测误差修正子模型；

38、将奶牛产奶量异常预测子模型和预测误差修正子模型进行整合，得到奶牛产奶量异常检测模型。

39、进一步地，实时奶牛健康检测数据包括目标奶牛的实时品种数据、实时年龄数据、实时产奶阶段标签、实时脉搏数据、实时体温数据、实时血压数据以及实时运动量数据；

40、实时奶牛产奶量异常检测数据包括目标奶牛的实时品种数据、实时年龄数据、实时产奶阶段标签、实时总产奶量数据以及实时单次产奶量数据；

41、更新后实时奶牛产奶量异常检测数据包括原始的实时奶牛产奶量异常检测数据和对应的实时健康检测结果。

42、进一步地，将实时奶牛健康检测数据输入奶牛健康检测模型进行奶牛健康检测，得到目标奶牛的实时健康检测结果，包括如下步骤：

43、根据奶牛健康检测主成分因子对实时奶牛健康检测数据进行降维，得到降维后实时奶牛健康检测数据；

44、将降维后实时奶牛健康检测数据输入奶牛健康检测模型进行奶牛健康检测，得到实时健康情况标签预测值，即目标奶牛的实时健康检测结果。

45、进一步地，将更新后实时奶牛产奶量异常检测数据输入奶牛产奶量异常检测模型进行奶牛产奶量异常检测，得到目标奶牛的实时产奶量异常检测结果，包括如下步骤：

46、将更新后实时奶牛产奶量异常检测数据输入奶牛产奶量异常检测模型的奶牛产奶量异常预测子模型进行奶牛产奶量异常预测，得到原始的实时产奶量情况标签预测值和原始的实时预测误差；

47、将原始的实时产奶量情况标签预测值和原始的实时预测误差输入奶牛产奶量异常检测模型的预测误差修正子模型进行预测误差修正，得到修正后的实时预测误差；

48、根据原始的实时产奶量情况标签预测值和修正后的实时预测误差，得到最终的实时产奶量情况标签预测值，即目标奶牛的实时产奶量异常检测结果。

49、本发明的有益效果为：

50、本发明提供的一种基于大数据分析的奶牛产奶量异常检测方法，通过大数据分析技术对海量数据进行学习和分析，避免了人工方式进行数据检测，降低了人力成本投入和工作量，并且考虑到奶牛的品种、年龄、产奶阶段以及健康情况的因素对产奶量的潜在影响，使用神经网络模型挖掘数据与产奶量数据之间的深层关系，提高了异常检测的准确性、自动化程度、检测效率以及的实用性，更加适用于大规模的养殖场应用场景。

51、本发明的其他有益效果将在具体实施方式中进一步进行说明。