一种基于深度学习的肉牛发情状态识别与评估方法

本发明涉及深度学习，尤其涉及一种基于深度学习的肉牛发情状态识别与评估方法。

背景技术：

1、肉牛的繁殖管理是养殖产业中的重要环节之一，及时准确地判断出发情肉牛并进行适时配种能有效提高肉牛的受胎率、减少空怀期、优化种群结构、增加经济效益。

2、肉牛性成熟之后，就会有一个周期性的发情期，从第一次发情开始到下一次发情开始的时间，中间的时间间隔就算一个发情周期。根据肉牛的发情周期特征以及表现，发情周期分为发情前期，发情期，发情后期和休情期。肉牛在发情期间往往会有一些特有的行为，例如肉牛的活动量增加、采食量降低、爬跨行为、哞叫等等，这些行为往往在发情期间较为频繁。肉牛的排卵期通常发生在发情后。一般来说，肉牛的排卵发生在发情期的24到30小时后，这段时间是最佳的交配时机，因为此时卵子已经释放，能够被受精。在肉牛繁殖管理中，通常会选择在发情后的排卵期进行人工授精，以提高受精成功率。因此，准确的判断肉牛是否处于发情期是进行人工授精的重要条件，可以提高肉牛的养殖效率。

3、肉牛发情行为的识别对于提高牧场繁殖效率具有重要意义，传统的发情监测方法包括直肠触摸检测、阴道检查以及试情法等，但由于发情行为的多样性及其生理和行为上的复杂变化，这些方法要求操作人员具备高度的技术水平，容易出现发情观察不及时、不准确，甚至导致漏配现象。

4、因此，提出一种基于深度学习的肉牛发情状态识别与评估方法，来解决现有技术中发情观察不及时、不准确，甚至导致漏配的问题，是本领域技术人员亟须解决的问题。

技术实现思路

1、有鉴于此，本发明提供了一种基于深度学习的肉牛发情状态识别与评估方法，可以显著提升肉牛发情状态识别的精确度，有效减少了传统方法的误识别和漏配。

2、为了实现上述目的，本发明采用如下技术方案：

3、一种基于深度学习的肉牛发情状态识别与评估方法，包括：

4、s1、确定肉牛的发情行为与影响因素；

5、s2、收集肉牛每天的各种生理数据和行为数据得到数据集；

6、s3、对数据集进行预处理；

7、s4、对预处理后的数据集进行组织和划分，将整个数据集划分为训练集、验证集和测试集；

8、s5、构建cnn-lstm-attention模型；

9、s6、对cnn-lstm-attention模型进行训练；

10、s7、对训练后的cnn-lstm-attention模型进行评估和测试；

11、s8、将待测数据输入cnn-lstm-attention模型进行发情识别和评估。

12、上述的方法，可选的，s1中肉牛的发情行为包括肉牛发情期间的行为、心理变化，以及性活动变化。

13、上述的方法，可选的，s2的具体内容为：采用高度精确的传感器和数据采集系统，收集肉牛每天的各种生理数据和行为数据，包括：日活动量、日饮水量、日进食量、反刍时长、休息时间、心率、体温以及哞叫次数。

14、上述的方法，可选的，记录并标注每天肉牛处于的发情周期阶段，包括发情前期、发情期、发情后期和休情期。

15、上述的方法，可选的，s3中对数据集进行预处理包括：缺失值处理、异常值处理、数据标准化。

16、上述的方法，可选的，缺失值处理：若数据集中存在缺失值，采用插值的方法进行处理；对于时间序列数据，设 x i为缺失值， x i-1和 x i+1为相邻的已知数据点，线性插值公式如下：

17、；

18、异常值处理：使用统计学中的箱线图box plot来检测异常值；异常值的判定公式如下所示：

19、；

20、；

21、其中，和分别是数据的第一四分位数和第三四分位数，是四分位数范围；异常值将被替换为上限或下限的值；

22、数据标准化：采用均值和标准差的标准化方法，公式如下：

23、。

24、上述的方法，可选的，s4中，对收集的时间序列数据进行组织和划分，将连续7天的数据作为一个样本单元，数据集总共有n天的数据，将得到n-6个样本单元，每个样本单元包含的7天内肉牛的进食量变化、体温波动、活动量等数据信息，最后一天的发情状态将用于确定该样本的标签，确定肉牛在这一天是否发情；

25、在构建样本后，将整个数据集划分为训练集、验证集和测试集，比例分别为60%、20%和20%。

26、上述的方法，可选的，cnn-lstm-attention模型结构由输入层、conv1d层、dropout层、lstm层、attention层、flatten层、dense层、softmax层和输出层组成；

27、cnn-lstm-attention模型输出的分类结果有四个发情状态，最终输出大小为4位的one-hot编码，代表各个发情状态的概率。

28、上述的方法，可选的，s5构建的cnn-lstm-attention模型工作流程具体如下：

29、s501、待测首先通过cnn层即conv1d层进行局部特征提取，cnn层后接dropout层；

30、s502、提取的特征被送入lstm层，lstm层学习数据的时间序列特征，进一步处理时间依赖性；

31、s503、提取的特征进入注意力层；

32、s504、在经过s501-s503的特征提取和分析后，数据通过flatten层被扁平化，然后传递到dense层进行进一步的处理；

33、s505、通过softmax层输出为分类结果。

34、上述的方法，可选的，s6中，模型训练的具体内容为：

35、设置每批样本数batch size为32，并计划进行1000轮训练epochs，采用交叉熵损失函数优化分类效果，并设定初始学习率为0.001，配合adam优化器以适应不同参数的具体学习需求；若验证集准确率在连续100轮内未显著提升，则终止训练；

36、模型中加入了dropout层，设置率为0.2；

37、通过网格搜索、随机搜索或贝叶斯优化，对lstm层的隐藏单元数量、注意力层的结构和参数进行调整和优化。

38、上述的方法，可选的，s7中，模型评估和测试包括：

39、通过采用标准化的评估指标——准确率、精确度、召回率和f1分数，全面评估模型在不同发情周期内的分类性能；

40、在测试阶段，使用独立测试集评估模型对未见数据的预测能力，从而验证其在实际场景中的可靠性；

41、混淆矩阵提供了模型性能的直观视图，包含四个关键指标：真正例tp、真负例tn、假正例fp和假负例fn；

42、准确度是模型正确预测的样本数量与总样本数量之比，公式如下：

43、；

44、精确度衡量模型在所有判定为发情的样本中，真正是发情的比例，公式如下：

45、；

46、召回率衡量模型在所有真正发情的样本中，成功预测为发情的比例，公式如下：

47、；

48、f1分数是精确度和召回率的调和平均，综合考虑了模型的准确性和全面性，公式如下：

49、。

50、经由上述的技术方案可知，与现有技术相比，本发明提供了一种基于深度学习的肉牛发情状态识别与评估方法，具有以下有益效果：

51、1）本发明不仅显著提升了发情状态识别的精确度，而且有效减少了传统方法的误识别和漏配，为牧场管理提供了一种高效可靠的技术方案；

52、2）本发明综合考虑影响肉牛发情相关的多种因素，包括肉牛的日活动量、心率、体温、日饮水量、日进食量、反刍时长、休息时间，以及哞叫次数8个关键指标，此外将日平均温度、日平均湿度、二氧化氮浓度和氨气浓度等牛场环境因素纳入分析范围，有效消除了单一日数据的异常波动对判别结果的影响，从而显著提升了发情状态识别的准确度；

53、3）本发明应用cnn-lstm-attention模型，不仅能够处理和分析复杂且动态变化的生理和行为数据，还能够通过注意力机制自适应地聚焦于最有可能表明发情状态的关键信号，不仅提高了发情状态识别的准确性，还增加了模型的适应性和鲁棒性，使其成为肉牛发情状态识别的一种强有力的技术方案。