一种母猪分娩智能预测系统及方法

本发明涉及养猪业领域，特别是涉及一种母猪分娩智能预测系统及方法。

背景技术：

1、养猪业在中国经济中占据着非常重要的地位，随着养猪行业的发展，如何实现集约化、精细化、智能化的生产管理成为了行业面临的重要问题。母猪是生猪养殖业的主要育种对象之一，母猪的生产能力和生产效益对于整个养猪产业都具有重要的意义。母猪在产仔过程中会面临着极大的压力，这有可能威胁到母猪自身的健康，甚至导致仔猪的高死亡率。因此，精准掌握母猪的分娩时间对生猪养殖具有很重要的意义，通过预测母猪的分娩时间，可以帮助养殖人员及时进行分娩监控和干预，以避免难产和其他分娩并发症的发生，从而保证母猪和仔猪的安全和健康。对于需要手动援助或使用催产素帮助分娩的母猪，可以及时提供必要的支持和治疗，从而确保母猪产后健康以及降低仔猪死亡率，提高生猪生产效益。

2、目前有众多研究者设计了多种基于现代科学技术的母猪分娩时间预测方法，但存在对设备和技术要求高，影响母猪健康，只针对姿态信息进行预测，检测范围较窄，无法对其他可能影响分娩时间的因素进行分析，稳定性和鲁棒性较低的问题。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种母猪分娩智能预测系统及方法解决了现有技术存在对设备和技术要求高，影响母猪健康，只针对姿态信息进行预测，检测范围较窄，无法对其他可能影响分娩时间的因素进行分析，稳定性和鲁棒性较低的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种母猪分娩智能预测系统，包括ai边缘设备模块、环境因子采集模块、网络传输模块、视频图像数据存储模块、本地服务器、云服务器和终端实时显示模块，所述网络传输模块包括交换机和传感器网关，所述交换机通过网线分别与ai边缘设备模块、视频图像数据存储模块和本地服务器连接，所述传感器网关通过网线与本地服务器连接，所述环境因子采集模块与传感器网关通信连接，所述本地服务器与云服务器通信连接，所述云服务器与终端实时显示模块通信连接；

3、所述ai边缘设备模块用于采集和处理母猪限位栏环境下的妊娠后期母猪的视频图像数据，所述环境因子采集模块用于采集猪舍的环境因子数据，所述网络传输模块用于ai边缘设备模块、环境因子采集模块、视频图像数据存储模块和本地服务器之间的数据传输，所述视频图像数据存储模块用于长期存储视频图像数据，所述本地服务器用于对传来的数据进行统筹管理和处理数据交互，所述云服务器用于部署母猪分娩时间预测模型，所述终端实时显示模块用于实时显示母猪分娩的预测时间，以及实时监测母猪生理健康状况。

4、上述方案的有益效果是：本发明提供了一种母猪分娩智能预测系统，利用ai边缘设备模块、环境因子采集模块、网络传输模块、视频图像数据存储模块和本地服务器采集数据、传输数据、存储数据以及处理数据，在采集数据时本发明还考虑了环境因子对分娩时间的影响，利用云服务器预测母猪分娩时间，利用终端设备实时显示和检测相关数据。本发明解决了现有技术存在对设备和技术要求高，影响母猪健康，只针对姿态信息进行预测，检测范围较窄，无法对其他可能影响分娩时间的因素进行分析，稳定性和鲁棒性较低的问题。

5、进一步地，ai边缘设备模块包括多个ai边缘设备，所述ai边缘设备安装在每个母猪限位栏正上方的天花板上，所述ai边缘设备包括摄像头和ai计算核心单元，所述摄像头位于ai计算核心单元下方且二者活动连接，所述摄像头包括rgb摄像头模组、热红外成像模组和深度摄像头模组，且rgb摄像头模组、热红外成像模组和深度摄像头模组位于同一平面内；

6、所述ai计算核心单元采用jetson xavier nx子模块，所述jetson xavier nx子模块集成在一个工控机壳内，并配置有电源单元和散热单元，所述rgb摄像头模组、热红外成像模组和深度摄像头模组均通过mipi csi接口与jetson xavier nx子模块连接。

7、上述进一步方案的有益效果是：利用摄像头采集rgb图像数据和热红外数据，利用ai计算核心单元检测母猪姿态，ai计算核心单元采用的jetson xavier nx子模块，集成了8核arm cpu和384核nvidia gpu，能提供10tops的ai计算能力，支持各种神经网络算法部署，同时，mipi csi接口是一种点到点的串行接口，支持高速图像数据传输。

8、进一步地，环境因子采集模块包括环境传感器，所述环境传感器包括温湿度传感器、二氧化碳浓度传感器和氨气浓度传感器，每三个母猪限位栏设置一个环境传感器。

9、上述进一步方案的有益效果是：通过上述技术方案，考虑温湿度、二氧化碳和氨气等环境因子对母猪分娩时间的影响因素，提高预测精度和鲁棒性。

10、除此之外，本发明还采用的技术方案为：一种母猪分娩智能预测方法，包括以下步骤：

11、s1：利用ai边缘设备模块和环境因子采集模块全天不间断的采集母猪限位栏下妊娠后期母猪的rgb视频数据、热红外数据和环境因子数据；

12、s2：对采集的rgb视频数据进行视频图像预处理，将预处理后的rgb视频数据输入至ai计算核心单元中部署的基于关键点检测的母猪姿态检测算法中，对母猪姿态进行检测；

13、s3：当检测到母猪姿态为侧卧时，记录本帧检测结果，并根据检测结果提取母猪侧卧时的rgb视频数据，同时从采集的热红外数据中提取对应时间点的母猪侧卧时的热红外数据；

14、s4：将母猪侧卧时的rgb视频数据和母猪侧卧时的热红外数据进行视频分帧和图像增强预处理；

15、s5：将预处理后的母猪侧卧时的rgb视频数据输入至云服务器中的基于光流法的母猪躯体抖动检测算法中，提取母猪躯体抖动的时间序列数据；

16、s6：将预处理后的母猪侧卧时的热红外数据输入至云服务器中的基于实例分割与pca的母猪体温提取算法中，提取母猪体温的时间序列数据；

17、s7：对采集的环境因子数据通过特征工程进行降维处理，获得环境因子的时间序列数据，对环境因子的时间序列数据、母猪躯体抖动的时间序列数据和母猪体温的时间序列数据进行数据预处理；

18、s8：将预处理后的各个时间序列数据输入至云服务器中的基于lstm-kf的分娩时间预测算法中，获得母猪分娩时间预测结果，完成母猪分娩智能预测。

19、上述方案的有益效果是：本发明对母猪姿态进行识别，只截取了侧卧时的视频，减少预测模型的计算量，母猪分娩时间预测模型主要包括了三个算法：即基于光流法的母猪躯体抖动检测算法、基于实例分割与pca的母猪体温提取算法，以及基于lstm-kf的母猪分娩时间预测算法，实现母猪分娩的综合预测，通过lstm-kf进行动态预测，从而达到更精准的预测。

20、进一步地，s2中基于关键点检测的母猪姿态检测算法采用改进的gs-yolov7，所述改进的gs-yolov7为将原始yolov7的颈部网络中的cbs模块替换成gsconv，利用gs-yolov7的姿态估计分支gs-yolov7-pose对母猪姿态进行检测，包括以下分步骤：

21、s2-1：利用gs-yolov7-pose的骨干网络对输入视频的每一帧图像进行处理，提取图像底层、中层和高层的特征，并分别输入到颈部网络；

22、s2-2：利用颈部网络对提取的图像底层、中层和高层的特征进行多尺度特征融合，获得具有多尺度特征信息的特征图；

23、s2-3：利用检测头对具有多尺度特征信息的特征图进行处理，对于每个单元格获得三个不同形状的锚框；

24、s2-4：基于锚框进行回归，预测边界框坐标、边界框尺寸和关键点坐标，并计算边界框损失、关键点损失和总损失，将总损失作为网络的监督信号，更新优化网络权值，得到最终的边界框和关键点，完成母猪姿态检测。

25、上述进一步方案的有益效果是：本发明在传统yolov7的基础上进行了改进，使其能够达到实时检测的目的，通过上述方案，完成母猪姿态的检测。

26、进一步地，s5中利用基于光流法的母猪躯体抖动检测算法，提取母猪躯体抖动的时间序列数据，包括以下分步骤：

27、s5-1：将母猪侧卧时的rgb视频数据逐帧输入至flownet2.0中，利用flownet2.0对每对相邻的帧输出一个二维的光流场；

28、s5-2：计算每个光流场的平均值，获得一个表示母猪躯体抖动的量化值，所述光流场的平均值计算公式为：

29、

30、其中，为光流场中像素点的数量，为光流场中像素点的位移向量，为像素点的取值；

31、s5-3：将1秒内所有相邻帧获得的表示母猪躯体抖动的量化值相加，作为1秒内母猪躯体抖动的值，公式为：

32、

33、其中，为1秒内图像帧数，为1秒内图像帧数的取值，为第帧和第帧求得的值；

34、s5-4：按时间序列计算出每1秒内的，并保存在一个一维数组中，获得母猪躯体抖动的时间序列数据。

35、上述进一步方案的有益效果是：由于母猪在分娩前后由于一系列的生理反应，如宫缩，会使身体产生比较明显的抖动，并且越临近分娩越剧烈，因此本发明对母猪的抖动进行检测，用于综合预测母猪的分娩时间，同时计算光流场中所有位移向量的平均值，可以较精确的表征母猪躯体抖动程度。

36、进一步地，s6中利用基于实例分割与pca的母猪体温提取算法，提取母猪体温的时间序列数据，包括以下分步骤：

37、s6-1：使用改进的gs-yolov7中的实例分割分支gs-yolov7-seg对母猪的多个关键部位做实例分割，获得关键部位的掩膜；

38、s6-2：对每个关键部位的掩膜进行处理，获得掩膜区域内所有像素点在原始图像上的坐标；

39、s6-3：根据像素点坐标，在温度矩阵中提取每个关键部位的区域温度，并计算出每个关键部位的区域温度值，代表当前关键部位的温度；

40、s6-4：将每个关键部位每一秒的温度按时间序列进行排序，组成一个的温度矩阵，为矩阵的行数；

41、s6-5：对温度矩阵进行pca，获得母猪体温的时间序列数据。

42、上述进一步方案的有益效果是：由于母猪在分娩前后体温会随着时间逐渐上升，因此本发明对母猪的体温变化进行提取，用于综合预测母猪分娩时间，同时通过主成分分析对数据进行降维融合，可以更精确、综合的提取母猪体温。

43、进一步地，s6-5中对温度矩阵进行pca，包括以下分步骤：

44、s6-5-1：对温度矩阵的每一列数据零均值化，得到一个的矩阵；

45、s6-5-2：计算矩阵的协方差矩阵，得到一个的协方差矩阵；

46、s6-5-3：使用特征值分解方法计算协方差矩阵的特征值和特征向量；

47、s6-5-4：对特征向量进行标准化，将最大的特征值对应的特征向量作为列向量；

48、s6-5-5：将温度矩阵乘以列向量，得到一个的矩阵，将矩阵作为最终的总体温度，并保存在一个一维数组中，获得母猪体温的时间序列数据。

49、上述进一步方案的有益效果是：通过上述技术方案，对温度矩阵进行主成分分析，对多维数据进行降维融合。

50、进一步地，s7中数据预处理包括以下分步骤：

51、s7-1：对母猪躯体抖动的时间序列数据和母猪体温的时间序列数据进行数据清洗和数据插值；

52、s7-2：将数据清洗和数据插值后的结果和环境因子的时间序列数据进行数据归一化，完成数据预处理。

53、上述进一步方案的有益效果是：通过数据清洗，从数据中去除噪声和异常值，由于只提取母猪侧卧时的躯体抖动和体温数据，数据在时间序列上并不完全连续，使用数据插值的方法填充缺失，使数据在时间序列上完全连续，通过归一化消除奇异样本数据导致的不良影响。

54、进一步地，s8中获得母猪分娩时间预测结果，包括以下分步骤：

55、s8-1：将预处理后的各个时间序列数据输入lstm中进行预测，获得一个静态的分娩开始剩余时间的时间序列，将分娩开始定义为第一头仔猪落在地面上的时间点；

56、s8-2：构建kf模型并设置初始参数，利用时间更新方程和测量更新方程对静态的分娩开始剩余时间的时间序列进行动态调整，获得一个动态调整后的预测时间序列，将动态调整后的预测时间序列表示距离母猪分娩行为发生的剩余时间，获得母猪分娩时间预测结果。

57、上述进一步方案的有益效果是：本发明通过结合lstm与kf，对分娩开始剩余时间做动态预测，根据实时数据动态更新状态变量，很好地适应时间序列的突发变化，达到更精准的预测。