基于Storm的奶牛发情实时监测系统设计与实现
发布时间：2021-12-10 07:48
奶牛发情识别是奶牛场生产活动中的重要组成部分,直接关系到奶农的经济效益,而现有的奶牛发情识别方法存在效率低、时效性差、准确率低等问题。针对这些问题,基于大数据实时流式框架Storm设计并实现了奶牛发情实时监测系统。利用阿菲金二代计步器获取奶牛体征参数,通过无线局域网传输到服务器,采用基于Storm的实时流式框架进行处理,Java Web对处理后的体征参数可视化展示;以2 h作为单个时间片,6 h作为一个情期显著滑动窗口,选取窗口内连续3个时间片单元的步数s1、s2、s3、累积静卧时间t1、累积起卧次数b和累积站立时间t2为特征向量,建立了基于Storm的奶牛发情SVM预测模型。测试结果表明,设计的系统平均延迟在2 s内,平均准确率在98.9%以上,奶牛发情预测准确率为85.71%,奶牛发情预测周期缩短为6 h。该系统为奶牛发情预测提供了有效工具,对其他大型动物的监测也具有一定的指导意义。
【文章来源】：中国农业科技导报. 2018,20(12)北大核心CSCD
【文章页数】：8 页
【部分图文】：
奶牛发情实时监测系统Fig．1Ｒeal-timemonitoringsystemforcowestrus．
问??夜ぷ?稳定、防水防污性能好，使用时间长(3～5年)，故选择AfiTagⅡ采集奶牛活动量数据。在装有计步器奶牛所在的运动场附近装有阿菲金数据接收器(reader)，该数据接收器每15min扫描一次，接收AfiTagⅡ采集的数据(无墙阻隔接收数据直径200m)，实时记录每小时奶牛活动量与躺卧次数与躺卧时长。1．3数据传输设计考虑到奶牛场面积较大，远程传输会出现失效重传、丢包等问题，故采用二级天线桥接组建无线局域网，保证数据传输的高可靠性与低延迟性，数据传输网络拓扑结构如图2所示。图2数据传输的网络拓扑结构Fig．2Topologystructureofdatatransmission．Ｒeader附近安装有TP-LINKTL-BS210天线。Ｒeader与天线POE(poweroverEthernet)设备的数据接口相连，将获取的数据通过天线发射，位于控制室的接收端天线无线接收信号后，通过POE设备经交换机将数据上传至应用服务器。1．4奶牛发情预测方法奶牛情期活动最剧烈时间会持续6～12h、活动量急剧上升、站立时间增大、静卧时间减少、起卧次数减少［16，17］，故本文提取相关特征，并建立SVM预测模型，实现奶牛发情信息的预测。实时获取运动步数、静卧时间、站立时间和起卧次数等奶牛活动量参数。通过统计分析，以T=2h作为单个时间片，3T作为一个情期显著窗口W，以一个情期显著窗口W为单位，结合活动量参数确定发情特征向量。由于奶牛发情与否为典型的二分类问题，考虑SVM属于非线性模型，可以解决小样本情况下的机器学习问题，且可避免神经网络结构选择和局部极小点问题［18，19］。故本文分别建立SVM和BP
图5发情和未发情牛步数实时动态图Fig．5Statisticalstepsnumberofestrusandnon-estrusin24h．表1不同核函数下SVM模型预测结果(C=2，g=0．021)Table1PredictionresultsofSVMmodelwithdifferentkernelfunction(C=2，g=0．021)．核函数类型Functiontypeofkernel奶牛种类Typeofcow样本数(测试集/训练集)Numberofsamples(Testset/trainset)预测结果Forecastresult发情Estrus未发情Non-estrus准确率Accuracy线性linear发情Estrus40/200328未发情Non-estrus120/600299176．88%多项式Polynomial发情Estrus40/200337未发情Non-estrus120/6001810284．38%ＲBF发情Estrus40/200364未发情Non-estrus120/6001610487．50%sigmod发情Estrus40/2002317未发情Non-estrus120/600299171．25%表2SVM模型和BP网络预测结果Table2PredictionresultsofSVMmodelandBPneuralnetwork．模型类型Typeofmodel奶牛种类Typeofcow样本数(测试集/训练集)Samplesnumber(Testset/trainset)预测结果Forecastresult发情Estrus未发情Non-Estrus准确率AccuracySVM(ＲBF)发情Estrus40/200364未发情Non-estrus120/6001610487．50%BP发情Estrus40/2002911未发情Non-estrus120/600229879．38%本系统测试结果中，20头奶牛在对比时间段内共发情42次，有4次将发情误判为未发情，另外有3次将未发情误判为发情，实时监测系统的发情预测准确率为85．71%。分析误判数据集特征可知，造成误判的主要原因如下:以6h的活动窗口获取信息时，存在发情信息只占部分时间的情况，该情况与未发?
【参考文献】：
期刊论文
[1]基于BP神经网络的玉米种植密度和施肥量优化[J]. 王福林,董志贵,吴志辉,方堃. 农业工程学报. 2017(06)
[2]可穿戴设备技术在奶牛养殖中的应用及发展趋势[J]. 於少文,孔繁涛,张建华,赵志强,韩书庆,刘佳佳. 中国农业科技导报. 2016(05)
[3]SVM参数优化方法分析与决策[J]. 郭克友,郭晓丽,王艺伟. 计算机测量与控制. 2016(06)
[4]基于物联网平台的小麦病虫害诊断系统设计初探[J]. 苏一峰,杜克明,李颖,孙忠富,郑飞翔. 中国农业科技导报. 2016(02)
[5]精准畜牧业中动物信息智能感知与行为检测研究进展[J]. 何东健,刘冬,赵凯旋. 农业机械学报. 2016(05)
[6]基于Redis的海量互联网小文件实时存储与索引策略研究[J]. 刘俊龙,刘光明,张黛,喻杰. 计算机研究与发展. 2015(S2)
[7]精准农业无线传感器网络的研究与实现[J]. 夏朝俊,顾春新,李彬. 机电工程. 2015(03)
[8]农业大数据与农产品监测预警[J]. 许世卫. 中国农业科技导报. 2014(05)
[9]改进蚁群算法在SVM参数优化研究中的应用[J]. 高雷阜,张秀丽,王飞. 计算机工程与应用. 2015(13)
[10]基于神经网络的奶牛发情行为辨识与预测研究[J]. 田富洋,王冉冉,刘莫尘,王震,李法德,王中华. 农业机械学报. 2013(S1)
本文编号：3532185
【文章来源】：中国农业科技导报. 2018,20(12)北大核心CSCD
【文章页数】：8 页
【部分图文】：
奶牛发情实时监测系统Fig．1Ｒeal-timemonitoringsystemforcowestrus．
问??夜ぷ?稳定、防水防污性能好，使用时间长(3～5年)，故选择AfiTagⅡ采集奶牛活动量数据。在装有计步器奶牛所在的运动场附近装有阿菲金数据接收器(reader)，该数据接收器每15min扫描一次，接收AfiTagⅡ采集的数据(无墙阻隔接收数据直径200m)，实时记录每小时奶牛活动量与躺卧次数与躺卧时长。1．3数据传输设计考虑到奶牛场面积较大，远程传输会出现失效重传、丢包等问题，故采用二级天线桥接组建无线局域网，保证数据传输的高可靠性与低延迟性，数据传输网络拓扑结构如图2所示。图2数据传输的网络拓扑结构Fig．2Topologystructureofdatatransmission．Ｒeader附近安装有TP-LINKTL-BS210天线。Ｒeader与天线POE(poweroverEthernet)设备的数据接口相连，将获取的数据通过天线发射，位于控制室的接收端天线无线接收信号后，通过POE设备经交换机将数据上传至应用服务器。1．4奶牛发情预测方法奶牛情期活动最剧烈时间会持续6～12h、活动量急剧上升、站立时间增大、静卧时间减少、起卧次数减少［16，17］，故本文提取相关特征，并建立SVM预测模型，实现奶牛发情信息的预测。实时获取运动步数、静卧时间、站立时间和起卧次数等奶牛活动量参数。通过统计分析，以T=2h作为单个时间片，3T作为一个情期显著窗口W，以一个情期显著窗口W为单位，结合活动量参数确定发情特征向量。由于奶牛发情与否为典型的二分类问题，考虑SVM属于非线性模型，可以解决小样本情况下的机器学习问题，且可避免神经网络结构选择和局部极小点问题［18，19］。故本文分别建立SVM和BP
图5发情和未发情牛步数实时动态图Fig．5Statisticalstepsnumberofestrusandnon-estrusin24h．表1不同核函数下SVM模型预测结果(C=2，g=0．021)Table1PredictionresultsofSVMmodelwithdifferentkernelfunction(C=2，g=0．021)．核函数类型Functiontypeofkernel奶牛种类Typeofcow样本数(测试集/训练集)Numberofsamples(Testset/trainset)预测结果Forecastresult发情Estrus未发情Non-estrus准确率Accuracy线性linear发情Estrus40/200328未发情Non-estrus120/600299176．88%多项式Polynomial发情Estrus40/200337未发情Non-estrus120/6001810284．38%ＲBF发情Estrus40/200364未发情Non-estrus120/6001610487．50%sigmod发情Estrus40/2002317未发情Non-estrus120/600299171．25%表2SVM模型和BP网络预测结果Table2PredictionresultsofSVMmodelandBPneuralnetwork．模型类型Typeofmodel奶牛种类Typeofcow样本数(测试集/训练集)Samplesnumber(Testset/trainset)预测结果Forecastresult发情Estrus未发情Non-Estrus准确率AccuracySVM(ＲBF)发情Estrus40/200364未发情Non-estrus120/6001610487．50%BP发情Estrus40/2002911未发情Non-estrus120/600229879．38%本系统测试结果中，20头奶牛在对比时间段内共发情42次，有4次将发情误判为未发情，另外有3次将未发情误判为发情，实时监测系统的发情预测准确率为85．71%。分析误判数据集特征可知，造成误判的主要原因如下:以6h的活动窗口获取信息时，存在发情信息只占部分时间的情况，该情况与未发?
【参考文献】：
期刊论文
[1]基于BP神经网络的玉米种植密度和施肥量优化[J]. 王福林,董志贵,吴志辉,方堃. 农业工程学报. 2017(06)
[2]可穿戴设备技术在奶牛养殖中的应用及发展趋势[J]. 於少文,孔繁涛,张建华,赵志强,韩书庆,刘佳佳. 中国农业科技导报. 2016(05)
[3]SVM参数优化方法分析与决策[J]. 郭克友,郭晓丽,王艺伟. 计算机测量与控制. 2016(06)
[4]基于物联网平台的小麦病虫害诊断系统设计初探[J]. 苏一峰,杜克明,李颖,孙忠富,郑飞翔. 中国农业科技导报. 2016(02)
[5]精准畜牧业中动物信息智能感知与行为检测研究进展[J]. 何东健,刘冬,赵凯旋. 农业机械学报. 2016(05)
[6]基于Redis的海量互联网小文件实时存储与索引策略研究[J]. 刘俊龙,刘光明,张黛,喻杰. 计算机研究与发展. 2015(S2)
[7]精准农业无线传感器网络的研究与实现[J]. 夏朝俊,顾春新,李彬. 机电工程. 2015(03)
[8]农业大数据与农产品监测预警[J]. 许世卫. 中国农业科技导报. 2014(05)
[9]改进蚁群算法在SVM参数优化研究中的应用[J]. 高雷阜,张秀丽,王飞. 计算机工程与应用. 2015(13)
[10]基于神经网络的奶牛发情行为辨识与预测研究[J]. 田富洋,王冉冉,刘莫尘,王震,李法德,王中华. 农业机械学报. 2013(S1)
本文编号：3532185
本文链接：https://www.wllwen.com/yixuelunwen/dongwuyixue/3532185.html
