牛只行为监测方法及电子设备与流程

本技术实施方式涉及机器学习，特别是涉及一种牛只行为监测方法及电子设备。

背景技术：

1、牛只的行为是反映牛只健康的重要指标，疾病、产犊、发情、日粮颗粒、应激反应等都会影响牛只的行为，因此可以通过监测牛只的行为状态的变化来反馈牛只的生理健康及福利水平。

2、目前，随着养殖规模的扩大和精准畜牧业研究的深入，对自动化监测牛只行为的需求也日益增加。传统的牛只行为监测方法主要依赖人工对牛只的行为进行实时监测，由于对牛只的行为判断时采集的数据量较大，数据之间关联性较为复杂，该人工监测方法不仅耗时费力，并且不能准确地判断牛只的行为状态，导致无法准确地监管牛只日常健康告警，保障牛只健康。

技术实现思路

1、本技术实施例提供一种牛只行为监测方法及电子设备，通过训练若干个决策树模型，基于随机森林分类算法判断牛只的行为状态，本技术能够提高监测牛只的行为状态的效率，保障牛只的健康。

2、本技术实施例提供以下技术方案：

3、第一方面，本技术实施例提供一种牛只行为监测方法，该牛只行为监测方法，包括：

4、获取牛只的历史运动数据，将牛只的历史运动数据确定为样本数据集；

5、对样本数据集进行模型训练，得到若干个决策树模型；

6、根据若干个决策树模型，构建随机森林模型；

7、获取牛只的实时运动数据；

8、根据随机森林模型，对牛只的实时运动数据进行分类，得到牛只的实时运动数据的最终分类结果，其中，最终分类结果对应牛只的行为状态。

9、在一些实施例中，牛只的历史运动数据包括牛只的移动轨迹和加速度，获取牛只的历史运动数据，包括：

10、获取牛只的移动轨迹和加速度；

11、根据牛只的移动轨迹和加速度，确定向前加速度、向后加速度、向左加速度、向右加速度、向下加速度、向上加速度、持续向前加速度、持续向后加速度、预设时间内的上报次数中的至少一个。

12、在一些实施例中，对样本数据集进行模型训练，得到若干个决策树模型，包括：

13、确定决策树模型的根节点，其中，根节点对应样本数据集的全集；

14、确定决策树模型的内部节点，其中，内部节点对应向前加速度、向后加速度、向左加速度、向右加速度、向下加速度、向上加速度、持续向前加速度、持续向后加速度、预设时间内的上报次数中的其中一个；

15、确定决策树模型的叶子节点，叶子节点对应分类结果；

16、迭代计算各个节点的每个特征属性的信息增益，其中，特征属性对应向前加速度、向后加速度、向左加速度、向右加速度、向下加速度、向上加速度、持续向前加速度、持续向后加速度、预设时间内的上报次数中的其中一个；

17、将最大信息增益对应的特征属性确定为决策树根节点的分裂属性，并划分当前节点包含的样本数据集，以基于当前节点分裂形成多个子节点；

18、判断当前节点是否为叶子节点；

19、若当前节点是叶子节点，则继续基于当前节点分裂形成多个子节点；

20、若当前节点不是叶子节点，则停止分裂，得到决策树模型。

21、在一些实施例中，牛只的行为状态包括：采食状态，非采食状态，睡眠状态，非睡眠状态，移动状态，非移动状态，方法还包括：

22、训练以睡眠状态和非睡眠状态为分类结果的决策树模型；

23、训练以采食状态和非采食状态为分类结果的决策树模型；

24、训练以移动状态和非移动状态为分类结果的决策树模型。

25、在一些实施例中，牛只的行为状态还包括第一状态，训练以睡眠状态和非睡眠状态为分类结果的决策树模型，包括：

26、将样本数据集的全集确定为以睡眠状态和非睡眠状态为分类结果的决策树模型的根节点；

27、将睡眠状态、非睡眠状态和第一状态确定为以睡眠状态和非睡眠状态为分类结果的决策树模型的叶子节点；

28、判断样本数据集是否符合第一条件，其中，第一条件包括：向前、向左加速度大于或等于第一加速度阈值；

29、若样本数据集不符合第一条件，则将不符合第一条件的样本数据集的分类结果确定为第一状态；

30、若样本数据集符合第一条件，则将符合第一条件的样本数据集确定为第一样本数据集，并继续判断第一样本数据集是否符合第二条件，其中，第二条件包括：向下加速度大于或等于第二加速度阈值；

31、根据第一样本数据集，若第一样本数据集不符合第二条件，则将不符合第二条件的样本数据集的分类结果确定为第一状态；

32、根据第一样本数据集，若第一样本数据集符合第二条件，则将符合第二条件的样本数据集确定为第二样本数据集，并继续判断第二样本数据集是否符合第三条件，其中，第三条件包括：预设时间内的上报次数大于或等于次数阈值；

33、根据第二样本数据集，若第二样本数据集不符合第三条件，则将不符合第三条件的样本数据集的分类结果确定为睡眠状态；

34、根据第二样本数据集，若第二样本数据集符合第三条件，则将符合第三条件的样本数据集的分类结果确定为非睡眠状态。

35、在一些实施例中，训练以采食状态和非采食状态为分类结果的决策树模型，包括：

36、将样本数据集的全集确定为以采食状态和非采食状态为分类结果的决策树模型的根节点；

37、将采食状态、非采食状态和第一状态确定为以采食状态和非采食状态为分类结果的决策树模型的叶子节点；

38、判断样本数据集是否符合第四条件，其中，第四条件包括：向前加速度大于第三加速度阈值；

39、若样本数据集不符合第四条件，则将不符合第四条件的样本数据集的分类结果确定为第一状态；

40、若样本数据集符合第四条件，则将符合第四条件的样本数据集确定为第三样本数据集，并继续判断第三样本数据集是否符合第五条件，其中，第五条件包括：持续向前加速度大于或等于第四加速度阈值，或者，持续向后加速度小于第四加速度阈值；

41、根据第三样本数据集，若样本数据集不符合第五条件，则将不符合第五条件的样本数据集的分类结果确定为非采食状态；

42、根据第三样本数据集，若样本数据集符合第五条件，则将符合第五条件的样本数据集的分类结果确定为采食状态。

43、在一些实施例中，训练以移动状态和非移动状态为分类结果的决策树模型，包括：

44、将样本数据集的全集确定为以移动状态和非移动状态为分类结果的决策树模型的根节点；

45、将移动状态、非移动状态和第一状态确定为以移动状态和非移动状态为分类结果的决策树模型的叶子节点；

46、判断样本数据集是否符合第六条件，其中，第六条件包括：向前、向后、向左、向右加速度大于第五加速度阈值，并且，向上、向下加速度小于第五加速度阈值；

47、若样本数据集符合第六条件，则将符合第六条件的样本数据集的分类结果确定为移动状态；

48、若样本数据集不符合第六条件，则将不符合第六条件的样本数据集的分类结果确定为非移动状态。

49、在一些实施例中，方法还包括：

50、根据牛只的实时运动数据的最终分类结果，判断牛只的行为状态，得到牛只处于该行为状态的时间段。

51、在一些实施例中，根据随机森林模型，对牛只的实时运动数据进行分类，得到牛只的实时运动数据的最终分类结果，包括：

52、将牛只的实时运动数据输入至随机森林模型，得到若干个分类结果；

53、将分类结果中占比最大的分类结果确定为牛只的实时运动数据的最终分类结果。

54、第二方面，本技术实施例提供一种电子设备，包括：

55、至少一个处理器；和

56、与至少一个处理器通信连接的存储器；其中，

57、存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面的牛只行为监测方法。

58、本技术实施方式的有益效果是：区别于现有技术的情况，本技术实施方式提供一种牛只行为监测方法，该牛只行为监测方法，包括：获取牛只的历史运动数据，将牛只的历史运动数据确定为样本数据集；对样本数据集进行模型训练，得到若干个决策树模型；根据若干个决策树模型，构建随机森林模型；获取牛只的实时运动数据；根据随机森林模型，对牛只的实时运动数据进行分类，得到牛只的实时运动数据的最终分类结果，其中，最终分类结果对应牛只的行为状态，通过训练若干个决策树模型，基于随机森林分类算法判断牛只的行为状态，本技术能够提高监测牛只的行为状态的效率，保障牛只的健康。

技术特征：

1.一种牛只行为监测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述牛只的历史运动数据包括牛只的移动轨迹和加速度，所述获取牛只的历史运动数据，包括：

3.根据权利要求2所述的方法，其特征在于，所述对所述样本数据集进行模型训练，得到若干个决策树模型，包括：

4.根据权利要求1所述的方法，其特征在于，所述牛只的行为状态包括：采食状态，非采食状态，睡眠状态，非睡眠状态，移动状态，非移动状态，所述方法还包括：

5.根据权利要求4所述的方法，其特征在于，所述牛只的行为状态还包括第一状态，所述训练以睡眠状态和非睡眠状态为分类结果的决策树模型，包括：

6.根据权利要求4所述的方法，其特征在于，所述训练以采食状态和非采食状态为分类结果的决策树模型，包括：

7.根据权利要求4所述的方法，其特征在于，所述训练以移动状态和非移动状态为分类结果的决策树模型，包括：

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

9.根据权利要求1所述的方法，其特征在于，所述根据所述随机森林模型，对所述牛只的实时运动数据进行分类，得到所述牛只的实时运动数据的最终分类结果，包括：

10.一种电子设备，其特征在于，包括：

技术总结
本申请涉及机器学习技术领域，公开了一种牛只行为监测方法及电子设备，该牛只行为监测方法，包括：获取牛只的历史运动数据，将牛只的历史运动数据确定为样本数据集；对样本数据集进行模型训练，得到若干个决策树模型；根据若干个决策树模型，构建随机森林模型；获取牛只的实时运动数据；根据随机森林模型，对牛只的实时运动数据进行分类，得到牛只的实时运动数据的最终分类结果，其中，最终分类结果对应牛只的行为状态，通过训练若干个决策树模型，基于随机森林分类算法判断牛只的行为状态，本申请能够提高监测牛只的行为状态的效率，保障牛只的健康。

技术研发人员：张鹏,邱玉春,李晓平,张明宇
受保护的技术使用者：武汉农宁智慧科技有限公司
技术研发日：
技术公布日：2024/9/23