牲畜健康状态监测方法、装置、存储介质及系统与流程

1.本技术涉及畜牧养殖技术领域，特别涉及一种牲畜健康状态监测方法、装置、存储介质及系统。


背景技术：

2.随着肉类消费比例逐年提高，畜牧养殖也从散户向着规模化、集约化、智能化养殖转变。
3.然而，规模化养殖场牲畜数目庞大，容易爆发大面积病菌感染和疾病传播。因而，在养殖过程中，为保证牲畜健康，对其健康状态进行监测显得尤为重要。


技术实现要素：

4.本技术实施例提供一种牲畜健康状态监测方法、装置、存储介质及系统，可以及时准确地监测到牲畜的异常健康状态。
5.本技术实施例提供一种牲畜健康状态监测方法，包括：
6.获取养殖场内多个牲畜的时序状态数据，所述时序状态数据包括基于时间的体温数据和基于时间的运动数据；
7.获取所述养殖场的时序环境数据，所述时序环境数据包括基于时间的环境温度和基于时间的环境湿度；
8.对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型；
9.根据所述机器学习模型对所述养殖场内每一牲畜的健康状态进行实时监测。
10.本技术实施例还提供一种牲畜健康状态监测装置，包括：
11.第一获取模块，用于获取养殖场内多个牲畜的时序状态数据，所述时序状态数据包括基于时间的体温数据和基于时间的运动数据；
12.第二获取模块，用于获取所述养殖场的时序环境数据，所述时序环境数据包括基于时间的环境温度和基于时间的环境湿度；
13.机器学习模块，用于对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型；
14.监测模块，用于根据所述机器学习模型对所述养殖场内每一牲畜的健康状态进行实时监测。
15.本技术实施例还提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述牲畜健康状态监测方法。
16.本技术实施例还提供一种牲畜健康状态监测系统，包括：
17.多个电子耳标，每一所述电子耳标设置于养殖场内的一个牲畜，每一所述电子耳标用于采集对应的所述牲畜的时序状态数据，所述时序状态数据包括基于时间的体温数据和基于时间的运动数据；
18.基站，用于采集所述养殖场的时序环境数据，所述时序环境数据包括基于时间的
环境温度和基于时间的环境湿度；
19.云平台，与每一所述电子耳标、所述基站通信连接，所述云平台用于执行上述牲畜健康状态监测方法。
20.本技术实施例提供的牲畜健康状态监测方法，包括：获取养殖场内多个牲畜的时序状态数据；获取养殖场的时序环境数据；对时序状态数据和时序环境数据进行机器学习，得到机器学习模型；根据机器学习模型对养殖场内每一牲畜的健康状态进行实时监测。该方法中，通过机器学习模型对采集到的训练数据进行机器学习，得到机器学习模型，并通过机器学习模型对牲畜的健康状态进行实时监测，能够及时准确地监测到牲畜的异常健康状态，并及时向养殖人员发出通知，提醒养殖人员介入处理，从而减少损失。
附图说明
21.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本技术实施例提供的牲畜健康状态监测系统的应用场景示意图。
23.图2为本技术实施例提供的牲畜健康状态监测方法的第一种流程示意图。
24.图3为本技术实施例提供的牲畜健康状态监测方法中特征构建的流程示意图。
25.图4为本技术实施例提供的牲畜健康状态监测方法中数据标记的流程示意图。
26.图5为本技术实施例提供的牲畜健康状态监测方法中机器学习的第一种流程示意图。
27.图6为本技术实施例提供的牲畜健康状态监测方法中机器学习的第二种流程示意图。
28.图7为本技术实施例提供的牲畜健康状态监测方法的第二种流程示意图。
29.图8为本技术实施例提供的牲畜健康状态监测装置的第一种结构示意图。
30.图9为本技术实施例提供的牲畜健康状态监测装置的第二种结构示意图。
31.图10为本技术实施例提供的牲畜健康状态监测装置的第三种结构示意图。
具体实施方式
32.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本技术的保护范围。
33.本技术实施例提供一种牲畜健康状态监测系统。该系统可以应用于养殖场，用于对养殖场内每一牲畜的健康状态进行实时监测，例如对养殖场内的猪、牛等动物的健康状态进行实时监测。实际应用中，一旦监测到牲畜健康状态异常，能够及时向养殖人员发出通知，提醒养殖人员介入处理，从而减少损失。
34.参考图1，图1为本技术实施例提供的牲畜健康状态监测系统的应用场景示意图。其中，牲畜健康状态监测系统100应用于养殖场10，养殖场10内养殖多个牲畜，例如牲畜
11a、11b、11c等等。实际应用中，牲畜11a、11b、11c例如可以为猪、牛等牲畜。此外，牲畜11a、11b、11c可以为相同类型的牲畜，例如都为猪；牲畜11a、11b、11c也可以为不同类型的牲畜，例如牲畜11a为猪，牲畜11b为牛，牲畜11c为羊，等等。
35.其中，每一牲畜佩戴一个电子耳标，例如牲畜11a佩戴电子耳标a，牲畜11b佩戴电子耳标b，牲畜11c佩戴电子耳标c。电子耳标可以用于采集佩戴该电子耳标的牲畜的时序状态数据，该时序状态数据包括基于时间的体温数据和基于时间的运动数据。基于时间的体温数据表示随时间变化时，牲畜的体温数据。基于时间的运动数据表示随时间变化时，牲畜的运动数据，例如三轴(x轴、y轴、z轴)加速度数据。电子耳标可以实时采集上述数据，例如采集数据的频率可以为10秒/条。
36.可以理解的，实际应用中，为了方便电子耳标向外传输采集的数据，电子耳标可以采用无线通信的方式与外部设备进行通信。这种情况下，电子耳标的信号强度会随着环境、牲畜所处的位置而发生变化，而电子耳标的信号强度会影响向外传输的数据的准确性。因此，实际应用中，电子耳标采集的时序状态数据还可以包括电子耳标的信号强度，该信号强度为随时间变化的信号强度。
37.因此，在一个可行的实施方式中，电子耳标采集的数据可以包括5个维度的数据：耳标温度(即表示牲畜的体温)、信号强度、x轴加速度、y轴加速度、z轴加速度。
38.此外，养殖场10内还设置基站12。基站12可以用于采集养殖场10的时序环境数据，该时序环境数据包括基于时间的环境温度和基于时间的环境湿度。基于时间的环境温度表示随时间变化时，养殖场10的环境温度。基于时间的环境湿度表示随时间变化时，养殖场10的环境湿度。基站12可以实时采集养殖场10的环境温度和环境湿度，例如采集数据的频率可以为1分钟/条。
39.牲畜健康状态监测系统100包括上述每一牲畜所佩戴的电子耳标，以及上述基站12。也即，牲畜健康状态监测系统100包括多个电子耳标，每一电子耳标设置于养殖场10内的一个牲畜。
40.此外，牲畜健康状态监测系统100还包括云平台20。其中，云平台20与每一电子耳标、基站12通信连接。在一种实施方式中，云平台20可以直接与每一电子耳标、基站12通信连接，电子耳标采集的数据可以实时传输到云平台20，基站12采集的数据也可以实时传输到云平台20。在另一种实施方式中，云平台20可以与基站12通信连接，基站12与每一电子耳标通信连接，从而实现云平台20与每一电子耳标的间接通信连接。这种情况下，电子耳标采集的数据可以实时传输到基站12，基站12将电子耳标发送的数据以及自身采集的数据实时传输到云平台20。
41.云平台20可以对接收到的数据进行处理，以实现对养殖场10内各个牲畜的健康状态进行实时监测。
42.本技术实施例还提供一种牲畜健康状态监测方法，该方法可以应用于上述牲畜健康状态监测系统100，例如可以由该系统的云平台20来执行，用于对养殖场内每一牲畜的健康状态进行实时监测。参考图2，图2为本技术实施例提供的牲畜健康状态监测方法的第一种流程示意图。该方法包括以下步骤：
43.31，获取养殖场内多个牲畜的时序状态数据；
44.32，获取养殖场的时序环境数据；
45.33，对时序状态数据和时序环境数据进行机器学习，得到机器学习模型；
46.34，根据机器学习模型对养殖场内每一牲畜的健康状态进行实时监测。
47.牲畜健康状态监测系统100中，每一电子耳标采集对应牲畜的时序状态数据后，可以将采集到的数据传输到云平台20，基站12采集到的养殖场的时序环境数据也可以传输到云平台20。云平台20可以获取养殖场内多个牲畜的时序状态数据和养殖场的时序环境数据，并对时序状态数据和时序环境数据进行机器学习，得到机器学习模型。随后，可以根据机器学习模型对养殖场内每一牲畜的健康状态进行实时监测。
48.因此，一旦监测到牲畜健康状态异常，例如监测到牲畜生病、受伤等异常情况，能够及时向养殖人员发出通知，提醒养殖人员介入处理，从而减少损失。
49.可以理解的，实际应用中，上述获取数据和机器学习的过程可以持续不断地进行。随着数据量的增加、机器学习时间的增加，所得到的机器学习模型的准确性越来越高，因此实时监测的结果的准确性也能够逐渐提高。
50.此外，可以理解的，养殖场内的牲畜是动态变化的，牲畜的数量会随着时间而发生变化，牲畜个体也会产生变化，因此机器学习时所使用的时序状态数据对应的牲畜与根据机器学习模型进行监测的牲畜可以为不同的牲畜个体。由于不同牲畜的生理参数、生活习性大体上是类似的，因此养殖场内牲畜的变化不会影响机器学习模型的准确性和监测结果的准确性。
51.实际应用中，由于信号原因和一些不可控因素的影响，电子耳标存在采集数据不成功的情况，也可能存在数据采集成功、但数据发送不成功的情况，这些情况会导致最终传输到云平台20的数据存在缺失。因此，云平台20在进行机器学习得到机器学习模型之前，还可以对来自于电子耳标的时序状态数据进行数据预处理。
52.具体地，云平台20可以判断时序状态数据是否存在缺失，若时序状态数据存在缺失，则对缺失的数据进行填补。例如，若牲畜的体温数据存在缺失，则对缺失的体温数据进行填补；若牲畜的运动数据存在缺失，则对缺失的运动数据进行填补。
53.在一些实施例中，云平台20对缺失的数据进行填补时，首先将时序状态数据进行标准化处理，得到基于预设时长周期的标准化时序状态数据。其中，预设时长周期为预先设置的周期，例如可以为1分钟。进行标准化处理时，以预设时长周期为1分钟为例，则将原始时序状态数据按照标准时间(00:00-24:00)转换成1分钟/条的数据，如果1分钟内存在多条原始数据，则取均值处理得到转换后的数据。转换后的数据即为标准化时序状态数据。
54.随后，确定标准化时序状态数据中缺失的数据对应的时间，并获取该时间之前和/或之后预设时长内的第一标准化时序状态数据。其中，预设时长为预先设置的时长，例如可以为10分钟。以预设时长为10分钟为例，可以获取该时间之前和/或之后10分钟内的数据作为第一标准化时序状态数据。例如，缺失的数据对应的时间为08:20，那么可以获取08:10-08:20之间的数据作为第一标准化时序状态数据，也可以获取08:20-08:30之间的数据作为第一标准化时序状态数据，也可以获取08:10-08:30之间的数据作为第一标准化时序状态数据。
55.随后，根据第一标准化时序状态数据对缺失的数据进行填补。例如，可以对第一标准化时序状态数据取均值，将得到的均值作为缺失的数据进行填补。再例如，若缺失的数据为多条连续的缺失数据，则可以通过取均值循环迭代的方式依次对每一条缺失的数据进行
填补，直至完成所有缺失数据的填补。通过这种数据填补的方式，原则上缺失的数据量可以降为0。
56.实际应用中，考虑到时序状态数据是牲畜活动的时间序列数据，一天范围内波动较大，且存在周期特征，因此当缺失的数据量过大时，为了保证填补缺失数据的合理性和准确性，不应该再继续对缺失的数据进行填补。
57.因此，可以设置预设数据量阈值，用来判断缺失的数据量是否过大。其中，预设数据量阈值可以为数值，也可以为比例。例如，预设数据量阈值可以设为30，10％，等等。在对缺失的数据进行填补之前，云平台20可以判断缺失的数据是否达到预设数据量阈值。若缺失的数据达到预设数据量阈值，则删除缺失的数据所在的时序状态数据，也即删除缺失的数据对应的整条数据；若缺失的数据未达到预设数据量阈值，则对缺失的数据进行填补。因此，既能够实现对缺失数据的填补，又能够保证在缺失的数据量过大时，删除缺失的数据对应的整条数据，保证填补缺失数据的合理性和准确性。
58.在一些实施例中，云平台20在进行机器学习得到机器学习模型之前，还需要进行特征构建。参考图3，图3为本技术实施例提供的牲畜健康状态监测方法中特征构建的流程示意图。其中，对时序状态数据和时序环境数据进行机器学习，得到机器学习模型之前，该方法还包括以下步骤：
59.351，对体温数据、运动数据、环境温度、环境湿度按照时间窗进行聚合，得到多个初始特征；
60.352，对每一初始特征进行标准化，得到每一初始特征对应的标准化特征；
61.步骤33、对时序状态数据和时序环境数据进行机器学习，得到机器学习模型，包括：
62.331，对多个标准化特征进行机器学习，得到机器学习模型。
63.现实情况中，牲畜活动数据的时序性意义不大，但数据分布状况的意义较大。相比于分钟级的原始数据，在以天为单位进行建模的问题中，按照固定时间窗聚合后的数据可以极大降低数据维度。实际应用中，可以分别对体温数据、运动数据、环境温度、环境湿度按照时间窗进行聚合，得到多个初始特征。例如，可以以30分钟作为时间窗，对环境温度、环境湿度进行聚合；可以以1小时作为时间窗，对体温数据、运动数据进行聚合。需要说明的是，按照时间窗对数据进行聚合的目的是为了降低数据维度，时间窗可以根据实际需要进行设置，对环境温度、环境湿度进行聚合的时间窗与对体温数据、运动数据进行聚合的时间窗可以相同也可以不同。
64.在一个示例中，电子耳标采集的运动数据包括x轴的加速度a
x
、y轴的加速度ay、z轴的加速度az。三轴加速度本身不存在方向，因此可以综合三个轴的加速度数据，构造一个表示活动幅度的特征a
xyz
，其中，a
xyz
按照如下公式进行计算：
[0065][0066]
除此之外，对于每个轴的加速度数据，在按照时间窗聚合时，先生成每个轴加速度的绝对值，再把原始数据和绝对值分别生成对应的均值和标准差，即生成原始数据的均值、标准差，生成绝对值的均值、标准差。与此同时，对于体温数据，生成对应时间窗内的最大值、最小值、0.95分位数、0.05分位数以及四分位距；对于活动幅度特征a
xyz
，生成最大值、最
小值以及四分位距。
[0067]
根据上述处理方法，依次构建出ear_temp_mean(体温数据均值)，sig_mean(信号强度均值)，x_mean(x轴加速度均值)，y_mean(y轴加速度均值)，z_mean(z轴加速度均值)，xyz_mean(a
xyz
均值)，x_abs_mean(x轴加速度绝对值均值)，y_abs_mean(y轴加速度绝对值均值)，z_abs_mean(z轴加速度绝对值均值)，env_temp_mean(环境温度均值)，env_humid_mean(环境湿度均值)，ear_temp_std(体温数据标准差)，sig_std(信号强度标准差)，x_std(x轴加速度标准差)，y_std(y轴加速度标准差)，z_std(z轴加速度标准差)，xyz_std(a
xyz
标准差)，x_abs_std(x轴加速度绝对值标准差)，y_abs_std(y轴加速度绝对值标准差)，z_abs_std(z轴加速度绝对值标准差)，env_temp_std(环境温度标准差)，env_humid_std(环境湿度标准差)，ear_temp_95(体温数据0.95分位数)，ear_temp_05(体温数据0.05分位数)，ear_temp_iq(体温数据四分位距)，ear_temp_max(体温数据最大值)，ear_temp_min(体温数据最小值)，xyz_iq(a
xyz
四分位距)，xyz_max(a
xyz
最大值)，xyz_min(a
xyz
最小值)共30个初始特征。
[0068]
随后，对每一初始特征进行标准化，得到每一初始特征对应的标准化特征。标准化即为减去平均值，然后除以标准差。这样每个特征值能够缩放至较小区间，减少不同量纲带来的影响。
[0069]
得到多个标准化特征后，云平台20即可对多个标准化特征进行机器学习，得到机器学习模型。
[0070]
在一些实施例中，云平台20在进行机器学习得到机器学习模型之前，还需要进行数据标记。参考图4，图4为本技术实施例提供的牲畜健康状态监测方法中数据标记的流程示意图。其中，对时序状态数据和时序环境数据进行机器学习，得到机器学习模型之前，该方法还包括以下步骤：
[0071]
361，将体温数据中符合预设条件的数据对应的牲畜进行标记；
[0072]
362，将具有标记的牲畜对应的体温数据、运动数据、环境温度、环境湿度标记为健康状态异常数据。
[0073]
实际应用中，可以先设定预设条件。预设条件包括以下至少一个：当天最高体温大于39摄氏度；当天体温中位数相比前一天上升至少0.8摄氏度、且当天最高体温不小于34摄氏度；当天体温的四分位距小于0.5摄氏度、且当天最高体温大于38摄氏度。可以理解的，这些条件为牲畜的健康状态出现异常时容易表现出的特性，因此可以用于表征牲畜的健康状态异常。
[0074]
设定预设条件后，云平台20可以根据预设条件对体温数据进行筛选，将体温数据中符合预设条件的数据对应的牲畜进行标记，例如标记为1。进行标记的牲畜即为健康状态异常的牲畜，未进行标记的牲畜可以认为是健康状态正常的牲畜。随后，云平台20可以将具有标记的牲畜对应的体温数据、运动数据、环境温度、环境湿度标记为健康状态异常数据。
[0075]
可以理解的，进行数据标记后，在机器学习的过程中，云平台20可以对牲畜的健康状态对应的数据进行学习，所得到的机器学习模型便可以根据输入数据识别出牲畜的健康状态是正常还是异常。
[0076]
在一些实施例中，参考图5，图5为本技术实施例提供的牲畜健康状态监测方法中机器学习的第一种流程示意图。其中，步骤331、对多个标准化特征进行机器学习，得到机器
学习模型，包括以下步骤：
[0077]
331a，将多个标准化特征按照预设比例划分为训练数据集和测试数据集；
[0078]
331b，以auc、召回率、f1分数作为评价指标，使用逻辑回归算法和随机森林算法对训练数据集进行机器学习，得到机器学习模型组合；
[0079]
331c，使用机器学习模型组合对测试数据集进行推理，以对机器学习模型组合进行优化。
[0080]
标准化特征包括30个特征，若取时间窗为1小时，那么一天的总样本包括30*24＝720个总特征。实际应用中，可以将多个标准化特征按照预设比例划分为训练数据集和测试数据集。其中，预设比例可以根据需要进行设置，例如可以设置为3:7。以预设比例为3:7为例，那么720个总特征中，可以划分出216个特征形成训练数据集，划分出504个特征形成测试数据集。需要说明的是，上述数据量仅为一天的数据，对于每一天的数据都可以按照上述方式进行处理。
[0081]
现实情况中，养殖场内出现疾病的牲畜数量，相对于正常牲畜数量属于少数，且异常状态(即可能的生病时间)并不持久连续。因此，被标记为健康状态异常的牲畜较少，机器学习所使用的数据是典型的非平衡数据集。通过非平衡数据集进行机器学习得到的模型，往往会出现多数类的预测正确率较高但少数类的预测正确率极低的情况。这种情况下，虽然模型的准确度和精确度较高，但意义不大，因为现实场景往往更关注少数类别(例如健康状态异常的牲畜)的研究价值，健康状态出现异常的牲畜需要及时进行人工介入。因此，这种情况下，对模型的召回率和敏感度要求更高。
[0082]
因此，可以以auc、召回率、f1分数作为评价指标，使用逻辑回归算法和随机森林算法对训练数据集进行机器学习，得到机器学习模型组合。得到的机器学习模型组合包括两层模型，第一层为预诊断模型，第二层为过滤补足模型。
[0083]
其中，auc(area under curve)是roc曲线下方的面积数值，roc曲线指接收者操作特征曲线(receiver operating characteristic curve)，以假阳性率为横坐标，以召回率(真阳性率)为纵坐标，是一条向左上方倾斜的、凹向原点的曲线。
[0084]
召回率(recall)也称为查全率，衡量的是分类结果的完整性，其定义为被正确划分为该类别的样本数量与实际划分为该类别的样本数量的比值。就同一个模型而言，召回率与精确率有相互制约的关系，可以通过牺牲精确率来提高召回率，同样也可以通过降低召回率来改善精确率。
[0085]
f1分数的值是对精确率与召回率的调和平均，优点在于能赋予精确率和召回率相同的权重以平衡二者。
[0086]
逻辑回归(logistic regression,lr)属于广义线性模型，原理是用逻辑函数(sigmod函数)把线性回归的结果(-∞，∞)映射到(0，1)，是专门用于分类的算法。逻辑回归在小样本不平衡数据中可能具有潜在应用前景，因此采用逻辑回归作为第一个机器学习算法，得到的第一层模型为逻辑回归模型，逻辑回归模型作为第一层的预诊断模型。
[0087]
随机森林是bagging集成模型的扩展变体，是并行式集成学习方法的著名代表。在以cart决策树为基学习器构建集成模型的基础上，随机森林模型进一步在训练过程中引入随机特征选择，使得整体模型的结果能够取得较好的泛化能力和抗过拟合能力。
[0088]
随后，使用机器学习模型组合对测试数据集进行推理，以对机器学习模型组合进
行优化。
[0089]
在一个示例中，在模型训练过程中，首先使用网格搜索确认逻辑回归和随机森林模型的超参数，以auc和召回率作为综合评价指标。将选出的超参数输入模型中，考虑到实际情况中，健康状态异常的标签更为重要，将阈值设置为0.3，即模型在对测试数据集进行推理时，若某一观测值的目标函数结果大于等于0.3，则将该观测值的标签判断为1，即健康状态出现异常。
[0090]
实际应用中，机器学习模型的成功很大程度上取决于数据的质量，而数据质量不仅包括每个特征本身的状况，也包括特征与特征之间的关系。因此，在基本模型确定之后，要对模型进行进一步地特征工程，发现对因变量有明显影响作用的特征，使得原始数据能够更好地表达问题本质，将这些特征运用到模型中能提高精度。
[0091]
特征重要性即为当单个特征值被随机删除时，模型分数随之减少，这个过程打破了特征和目标之间的关系，因此模型分数的下降多少表明模型对特征的依赖程度。
[0092]
因此，在一些实施例中，还可以根据特征重要性进一步对机器学习模型组合进行优化。参考图6，图6为本技术实施例提供的牲畜健康状态监测方法中机器学习的第二种流程示意图。步骤331c、使用机器学习模型组合对测试数据集进行推理，以对机器学习模型组合进行优化之后，方法还包括以下步骤：
[0093]
331d，将多个标准化特征根据特征重要性进行排序；
[0094]
331e，保留多个标准化特征中排序靠前的预设数量个特征，并删除剩余的特征，得到二次训练数据集；
[0095]
331f，将二次训练数据集输入机器学习模型组合再次进行学习，以对机器学习模型组合进行优化。
[0096]
云平台20得到的30个标准化特征中，可以进行多次迭代计算，根据特征重要性对该30个标准化特征进行排序，并保留排序靠前的预设数量个特征，并删除剩余的特征，得到二次训练数据集。例如，预设数量可以为9，那么则保留排序靠前的9个特征，并删除剩余的21个特征，得到二次训练数据集。
[0097]
在一个示例中，保留的9个特征分别为：ear_temp_mean、x_mean、y_mean、y_abs_mean、z_abs_std、ear_temp_95、ear_temp_05、ear_temp_max、ear_temp_min。
[0098]
随后，将二次训练数据集输入机器学习模型组合再次进行学习，以对机器学习模型组合进行优化。经过验证可知，经过优化后的机器学习模型组合在精确度上有了较大的提升。
[0099]
在一些实施例中，参考图7，图7为本技术实施例提供的牲畜健康状态监测方法的第二种流程示意图。
[0100]
其中，可以通过电子耳标采集养殖场内各个牲畜的体温数据和运动数据，通过基站采集养殖场的环境温度和环境湿度。牲畜的体温数据和运动数据可以由电子耳标上传给云平台20，或者先发送给基站，再由基站上传给云平台20。养殖场的环境温度和环境湿度可以由基站采集后上传给云平台20。云平台20获取牲畜的体温数据和运动数据、养殖场的环境温度和环境湿度，随后依次进行数据预处理、特征构建、数据标记，最后通过机器学习进行模型建立，得到机器学习模型组合，机器学习模型组合的第一层为预诊断模型，第二层为过滤补足模型。
[0101]
具体实施时，本技术不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
[0102]
由上可知，本技术实施例提供的牲畜健康状态监测方法，包括：获取养殖场内多个牲畜的时序状态数据；获取养殖场的时序环境数据；对时序状态数据和时序环境数据进行机器学习，得到机器学习模型；根据机器学习模型对养殖场内每一牲畜的健康状态进行实时监测。该方法中，通过机器学习模型对采集到的训练数据进行机器学习，得到机器学习模型，并通过机器学习模型对牲畜的健康状态进行实时监测，能够及时准确地监测到牲畜的异常健康状态，并及时向养殖人员发出通知，提醒养殖人员介入处理，从而减少损失。
[0103]
本技术实施例还提供一种牲畜健康状态监测装置，该装置可以集成在云平台20中。参考图8，图8为本技术实施例提供的牲畜健康状态监测装置40的第一种结构示意图。其中，牲畜健康状态监测装置40包括：第一获取模块41、第二获取模块42、机器学习模块43以及监测模块44。
[0104]
第一获取模块41，用于获取养殖场内多个牲畜的时序状态数据；
[0105]
第二获取模块42，用于获取养殖场的时序环境数据；
[0106]
机器学习模块43，用于对时序状态数据和时序环境数据进行机器学习，得到机器学习模型；
[0107]
监测模块44，用于根据机器学习模型对养殖场内每一牲畜的健康状态进行实时监测。
[0108]
在一些实施例中，第一获取模块41还用于：
[0109]
判断时序状态数据是否存在数据缺失；
[0110]
若时序状态数据存在数据缺失，则对缺失的数据进行填补。
[0111]
在一些实施例中，对缺失的数据进行填补时，第一获取模块41用于：
[0112]
将时序状态数据进行标准化处理，得到基于预设时长周期的标准化时序状态数据；
[0113]
确定标准化时序状态数据中缺失的数据对应的时间；
[0114]
获取该时间之前和/或之后预设时长内的第一标准化时序状态数据；
[0115]
根据第一标准化时序状态数据对缺失的数据进行填补。
[0116]
在一些实施例中，对缺失的数据进行填补之前，第一获取模块41还用于：
[0117]
判断缺失的数据是否达到预设数据量阈值；
[0118]
若缺失的数据达到预设数据量阈值，则删除缺失的数据所在的时序状态数据；
[0119]
若缺失的数据未达到预设数据量阈值，则对缺失的数据进行填补。
[0120]
在一些实施例中，参考图9，图9为本技术实施例提供的牲畜健康状态监测装置40的第二种结构示意图。其中，牲畜健康状态监测装置40还包括数据预处理模块45，数据预处理模块45用于：
[0121]
对体温数据、运动数据、环境温度、环境湿度按照时间窗进行聚合，得到多个初始特征；
[0122]
对每一初始特征进行标准化，得到每一初始特征对应的标准化特征；
[0123]
机器学习模块43用于：对多个标准化特征进行机器学习，得到机器学习模型。
[0124]
在一些实施例中，参考图10，图10为本技术实施例提供的牲畜健康状态监测装置
40的第三种结构示意图。其中，牲畜健康状态监测装置40还包括数据标记模块46，数据标记模块46用于：
[0125]
将体温数据中符合预设条件的数据对应的牲畜进行标记；
[0126]
将具有标记的牲畜对应的体温数据、运动数据、环境温度、环境湿度标记为健康状态异常数据。
[0127]
在一些实施例中，机器学习模块43用于：
[0128]
将多个标准化特征按照预设比例划分为训练数据集和测试数据集；
[0129]
以auc、召回率、f1分数作为评价指标，使用逻辑回归算法和随机森林算法对训练数据集进行机器学习，得到机器学习模型组合；
[0130]
使用机器学习模型组合对测试数据集进行推理，以对机器学习模型组合进行优化。
[0131]
在一些实施例中，机器学习模块43还用于：
[0132]
将多个标准化特征根据特征重要性进行排序；
[0133]
保留多个标准化特征中排序靠前的预设数量个特征，并删除剩余的特征，得到二次训练数据集；
[0134]
将二次训练数据集输入机器学习模型组合再次进行学习，以对机器学习模型组合进行优化。
[0135]
可以理解的，上述各个模块的具体实现方式，可以参考上述牲畜健康状态监测方法中的描述，在此不再赘述。
[0136]
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现。
[0137]
本技术实施例提供的牲畜健康状态监测装置，通过机器学习模型对采集到的训练数据进行机器学习，得到机器学习模型，并通过机器学习模型对牲畜的健康状态进行实时监测，能够及时准确地监测到牲畜的异常健康状态，并及时向养殖人员发出通知，提醒养殖人员介入处理，从而减少损失。
[0138]
本技术实施例还提供一种存储介质，存储介质中存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行上述任一实施例的牲畜健康状态监测方法。
[0139]
需要说明的是，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储于计算机可读存储介质中，存储介质可以包括但不限于：只读存储器(rom，read only memory)、随机存取存储器(ram，random access memory)、磁盘或光盘等。
[0140]
以上对本技术实施例所提供的牲畜健康状态监测方法、装置、存储介质及系统进行了详细介绍。本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。

技术特征：
1.一种牲畜健康状态监测方法，其特征在于，包括：获取养殖场内多个牲畜的时序状态数据，所述时序状态数据包括基于时间的体温数据和基于时间的运动数据；获取所述养殖场的时序环境数据，所述时序环境数据包括基于时间的环境温度和基于时间的环境湿度；对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型；根据所述机器学习模型对所述养殖场内每一牲畜的健康状态进行实时监测。2.根据权利要求1所述的方法，其特征在于，所述对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型之前，所述方法还包括：对所述体温数据、所述运动数据、所述环境温度、所述环境湿度按照时间窗进行聚合，得到多个初始特征；对每一所述初始特征进行标准化，得到每一所述初始特征对应的标准化特征；所述对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型，包括：对多个所述标准化特征进行机器学习，得到机器学习模型。3.根据权利要求2所述的方法，其特征在于，所述对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型之前，所述方法还包括：将所述体温数据中符合预设条件的数据对应的牲畜进行标记，所述预设条件包括以下至少一个：当天最高体温大于39摄氏度；当天体温中位数相比前一天上升至少0.8摄氏度、且当天最高体温不小于34摄氏度；当天体温的四分位距小于0.5摄氏度、且当天最高体温大于38摄氏度；将具有标记的牲畜对应的所述体温数据、所述运动数据、所述环境温度、所述环境湿度标记为健康状态异常数据。4.根据权利要求3所述的方法，其特征在于，所述对多个所述标准化特征进行机器学习，得到机器学习模型，包括：将多个所述标准化特征按照预设比例划分为训练数据集和测试数据集；以auc、召回率、f1分数作为评价指标，使用逻辑回归算法和随机森林算法对所述训练数据集进行机器学习，得到机器学习模型组合，所述机器学习模型组合的第一层为预诊断模型，所述机器学习模型组合的第二层为过滤补足模型；使用所述机器学习模型组合对所述测试数据集进行推理，以对所述机器学习模型组合进行优化。5.根据权利要求4所述的方法，其特征在于，所述使用所述机器学习模型组合对所述测试数据集进行推理，以对所述机器学习模型组合进行优化之后，所述方法还包括：将多个所述标准化特征根据特征重要性进行排序；保留所述多个标准化特征中排序靠前的预设数量个特征，并删除剩余的特征，得到二次训练数据集；将所述二次训练数据集输入所述机器学习模型组合再次进行学习，以对所述机器学习模型组合进行优化。6.根据权利要求1至5任一项所述的方法，其特征在于，所述对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型之前，所述方法还包括：
判断所述时序状态数据是否存在数据缺失；若所述时序状态数据存在数据缺失，则对缺失的数据进行填补。7.根据权利要求6所述的方法，其特征在于，所述对缺失的数据进行填补，包括：将所述时序状态数据进行标准化处理，得到基于预设时长周期的标准化时序状态数据；确定所述标准化时序状态数据中缺失的数据对应的时间；获取所述时间之前和/或之后预设时长内的第一标准化时序状态数据；根据所述第一标准化时序状态数据对所述缺失的数据进行填补。8.根据权利要求6所述的方法，其特征在于，所述对缺失的数据进行填补之前，所述方法还包括：判断缺失的数据是否达到预设数据量阈值；若缺失的数据达到所述预设数据量阈值，则删除缺失的数据所在的时序状态数据；若缺失的数据未达到所述预设数据量阈值，则对缺失的数据进行填补。9.根据权利要求1至5任一项所述的方法，其特征在于，所述时序状态数据通过电子耳标进行采集，所述时序状态数据还包括所述电子耳标的信号强度。10.一种牲畜健康状态监测装置，其特征在于，包括：第一获取模块，用于获取养殖场内多个牲畜的时序状态数据，所述时序状态数据包括基于时间的体温数据和基于时间的运动数据；第二获取模块，用于获取所述养殖场的时序环境数据，所述时序环境数据包括基于时间的环境温度和基于时间的环境湿度；机器学习模块，用于对所述时序状态数据和所述时序环境数据进行机器学习，得到机器学习模型；监测模块，用于根据所述机器学习模型对所述养殖场内每一牲畜的健康状态进行实时监测。11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行权利要求1至9任一项所述的方法。12.一种牲畜健康状态监测系统，其特征在于，包括：多个电子耳标，每一所述电子耳标设置于养殖场内的一个牲畜，每一所述电子耳标用于采集对应的所述牲畜的时序状态数据，所述时序状态数据包括基于时间的体温数据和基于时间的运动数据；基站，用于采集所述养殖场的时序环境数据，所述时序环境数据包括基于时间的环境温度和基于时间的环境湿度；云平台，与每一所述电子耳标、所述基站通信连接，所述云平台用于执行权利要求1至9任一项所述的方法。

技术总结
本申请实施例提供一种牲畜健康状态监测方法、装置、存储介质及系统，方法包括：获取养殖场内多个牲畜的时序状态数据；获取养殖场的时序环境数据；对时序状态数据和时序环境数据进行机器学习，得到机器学习模型；根据机器学习模型对养殖场内每一牲畜的健康状态进行实时监测。该方法中，通过机器学习模型对采集到的训练数据进行机器学习，得到机器学习模型，并通过机器学习模型对牲畜的健康状态进行实时监测，能够及时准确地监测到牲畜的异常健康状态，并及时向养殖人员发出通知，提醒养殖人员介入处理，从而减少损失。从而减少损失。从而减少损失。


技术研发人员：谈家显 明旒 韩慧鑫 张琰雩 刁远明
受保护的技术使用者：深圳市中融数字科技有限公司
技术研发日：2023.04.07
技术公布日：2023/7/28