母羊产前行为特征分析与识别—基于可穿戴检测装置构架
本文选题:母羊产前行为 + 加速度传感器 ; 参考:《农机化研究》2017年09期
【摘要】:准确获取母羊临产前行为活动方式及其规律对预测母羊分娩时间、判断其在分娩时是否需要提供人工助产具有重要的意义。目前,在大规模集约化养殖环境下大多依靠饲养员对母羊产前行为进行连续观察,耗时耗力,且主观性较大。为此,设计了一种基于可穿戴数据检测装置的母羊产前行为特征实时监测系统。该装置以单片机STM8为主控芯片,采用MPU6050三轴加速度传感器获取母羊产前行为数据,通过Wifi无线传输模块USR-C2 1 5将数据传输至上位机。利用K均值聚类算法对母羊产前3种行为(趴卧、行走、站立)进行特征分析与识别。试验表明:系统可以快速、准确的获取母羊产前行为的加速度信息,并对母羊的3种产前行为能够正确的分类识别,识别率为82.69%,能够满足母羊产前行为识别的要求。
[Abstract]:It is of great significance to obtain accurately the behavior pattern and its regularity of ewe before delivery to predict the delivery time of ewe and to judge whether it is necessary to provide artificial midwifery during delivery. At present, in the large-scale intensive farming environment, most of them rely on the breeder to observe the antenatal behavior of ewe continuously, which is time-consuming and labor-consuming, and subjective. Therefore, a real-time monitoring system based on wearable data detection device for ewe antenatal behavior is designed. The device uses single chip computer (STM8) as main control chip, adopts MPU6050 three-axis acceleration sensor to acquire ewe prenatal behavior data, and transmits the data to upper computer through Wifi wireless transmission module USR-C2 15. K-means clustering algorithm was used to analyze and identify the characteristics of three prenatal behaviors (lying down, walking and standing) of ewe. The test results show that the system can obtain the acceleration information of ewe antenatal behavior quickly and accurately, and can correctly classify and recognize the three antenatal behaviors of ewe, and the recognition rate is 82.69, which can meet the requirements of ewe prenatal behavior recognition.
【作者单位】: 内蒙古农业大学机电工程学院;内蒙古师范大学物理与电子信息学院;
【基金】:国家自然科学基金项目(61461042;11364029) 内蒙古自然科学基金项目(2012MS0720) 内蒙古“草原英才”产业创新人才团队项目(内组通字[2014]27号)
【分类号】:TP274;S826
【相似文献】
相关期刊论文 前2条
1 申玉发;张晓昱;赵立强;;密度K均值聚类算法及在复杂网络分析中的应用[J];河北科技师范学院学报;2013年04期
2 ;[J];;年期
相关会议论文 前9条
1 孙广玲;唐降龙;;一种快速k-均值聚类算法[A];第六届全国计算机应用联合学术会议论文集[C];2002年
2 陈晓山;朱建冲;翁辉;;一种改进的模糊C均值聚类算法及其应用[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年
3 葛继科;余建桥;张帆;张蕊;;改进的K-均值聚类算法[A];’2004计算机应用技术交流会议论文集[C];2004年
4 刘健庄;谢维信;;一种改进的快速模糊C均值聚类算法[A];中国系统工程学会模糊数学与模糊系统委员会第五届年会论文选集[C];1990年
5 汪民乐;高晓光;李勇;;新型遗传模糊C-均值聚类算法及其在导弹目标选择中的应用[A];2007年中国智能自动化会议论文集[C];2007年
6 赵爽;李晓奇;沙秀艳;;特征加权模糊C均值聚类算法在划分劳动报酬中的应用[A];第三届中国智能计算大会论文集[C];2009年
7 黄建军;杨勋;谢维信;;基于类云模型的C均值聚类算法[A];第十三届全国信号处理学术年会(CCSP-2007)论文集[C];2007年
8 罗小刚;彭承琳;刘婷;侯长军;霍丹群;文利;;基于模糊C均值聚类算法的心脏扭转运动中心室壁轮廓的自动提取[A];中国仪器仪表学会医疗仪器分会第四次全国会员代表大会暨2009年学术年会论文集[C];2009年
9 刘靖明;韩丽川;;粒子群优化k均值的混合聚类算法研究[A];2004年中国管理科学学术会议论文集[C];2004年
相关硕士学位论文 前10条
1 刘莉莉;K-均值聚类算法的研究与改进[D];曲阜师范大学;2015年
2 许竣玮;基于改进粒子群的K均值聚类算法研究[D];长沙理工大学;2014年
3 王龙强;K均值聚类算法初始聚类中心的选取与改进[D];东北大学;2013年
4 梁鹏;基于Spark的模糊c均值聚类算法研究[D];哈尔滨工业大学;2015年
5 徐曼舒;基于改进人工蜂群的模糊C均值聚类算法研究[D];安徽大学;2016年
6 孙钒;风电场场站级有功功率优化控制研究[D];华北电力大学(北京);2016年
7 蒋帅;K-均值聚类算法研究[D];陕西师范大学;2010年
8 吴晓蓉;K-均值聚类算法初始中心选取相关问题的研究[D];湖南大学;2008年
9 赵爽;改进的模糊C均值聚类算法及其应用[D];东北大学;2010年
10 欧陈委;K-均值聚类算法的研究与改进[D];长沙理工大学;2011年
,本文编号:1812109
本文链接:https://www.wllwen.com/yixuelunwen/dongwuyixue/1812109.html