本技術涉及智能電子耳標的，特別是涉及一種多功能電子耳標、工作方法、裝置、設備及存儲介質。

背景技術：

1、畜牧業中牲畜的行為監測和健康狀態評估對提高生產效率和保障動物福利具有重要意義。傳統的牲畜監測方法主要依賴人工觀察和統計，這種方式不僅耗費大量的人力和時間，且易受觀察者主觀性和環境條件的影響，難以實現實時、全面的監測。近年來，隨著物聯網技術和傳感器技術的發展，基于多傳感器的牲畜行為監測系統逐漸興起，通過加速度、陀螺儀和溫度等傳感器采集動物的行為和生理數據，再結合機器學習技術進行行為模式分析和健康評估，大幅提高了監測的效率和準確率。

2、然而，傳統的牲畜行為分析系統在特征提取和推理能力方面存在以下局限性：①現有方法對多源傳感器數據的處理通常基于單一模態特征提取模型，無法充分融合不同模態數據之間的關聯信息，導致行為識別的準確性有限；②系統在高頻率采樣和高復雜度模型推理時功耗較高，難以滿足長期監測場景的低功耗需求；③邊緣設備上的計算模型通常為固定結構，缺乏動態調整能力，難以根據設備狀態和任務需求自適應分配計算資源。

3、隨著深度學習技術的飛速發展，基于transformer的多模態數據處理模型因其在長短程依賴建模和跨模態特征融合上的優異性能，被廣泛應用于行為識別領域。同時，知識蒸餾、通道剪枝和強化學習等技術為邊緣計算環境下的模型優化提供了有效解決方案。許多研究開始關注如何利用這些技術提升行為監測設備的低功耗推理能力。例如，banitalebi-dehkordi在《the?2021international?conference?on?computer?visionworkshops》(iccvw?2021)中提出了一種面向低功耗對象檢測的知識蒸餾方法，通過將教師模型與真實標簽的蒸餾解耦，利用教師模型為學生模型提供更易于學習的子集，從而降低對標注數據的需求，減少能耗。然而，這些方法大多聚焦于單一層面的優化，尚未實現對數據采樣、模型推理和計算資源分配的全方位低功耗設計。

4、此外，傳統耳標設備的設計和安裝方式對動物的舒適度和管理效率也存在一定限制。現有技術中，大部分電子耳標設備仍采用侵入式打孔安裝，這不僅會對動物造成疼痛和感染風險，還可能引發應激反應，影響動物的正常生長和行為。同時，許多耳標設備的裝配與拆卸操作復雜，效率低下，無法滿足養殖場對快速部署和重復利用的需求。這些問題限制了現有監測設備在畜牧業智能化管理中的廣泛應用。

技術實現思路

1、1.要解決的問題

2、基于此，有必要針對上述技術問題，提供一種能夠無需打孔且能夠快速部署的多功能電子耳標、工作方法、裝置、計算機設備、計算機可讀存儲介質和計算機程序產品。

3、2.技術方案

4、第一方面，本技術提供了一種多功能電子耳標。包括：頭箍本體，所述頭箍本體上設有耳掛，所述耳掛設置為弧形，所述耳掛上設有連接卡扣，所述連接卡扣包括公標和母標，所述公標螺紋連接在母標上，所述公標為軟磁制成的公標，所述母標內嵌設有磁鐵，所述公標和母標在磁鐵的磁力作用下相互抵緊，所述頭箍本體上設有電源管理模塊和數據監測模塊，所述電源管理模塊對數據監測模塊進行供電操作，所述數據監測模塊用于收集環境數據和行為數據。

5、在其中一個實施例中，數據監測模塊包括：環境監測單元、行為監測單元和定位單元，所述環境監測單元包括體溫傳感器和空氣質量傳感器，所述體溫傳感器設置在頭箍本體的內側，所述空氣質量傳感器分別設置在頭箍本體的兩側；

6、所述行為監測單元包括加速度傳感器、陀螺儀傳感器和聲音傳感器，所述聲音傳感器設置在耳掛上，所述加速度傳感器和陀螺儀傳感器設置在頭箍本體上；

7、所述定位單元包括北斗衛星導航系統定位芯片，設置在頭箍本體的中心。

8、第二方面，本技術還提供了一種多功能電子耳標工作方法。方法包括：

9、劃分預設的養殖區域并構建用于數據傳輸和定位的無線網絡；

10、基于監測模塊獲取所述養殖區域內動物的多維數據，所述多維數據至少包括體表溫度、環境參數、運動狀態、聲音信號、活動軌跡；

11、根據數據類型對多維數據進行預處理，包括采用目標嵌入方法，將其轉化為數值形式并對數值型特征歸一化處理并補全；

12、應用動物生長狀態感知模型分析處理后的數據并將分析結果發送至終端；

13、采用功耗自適應算法，動態調節耳標工作模式。

14、在其中一個實施例中，基于數據類型對多維數據進行智能分析和處理包括：

15、對不同傳感器數據，采用目標嵌入方法(target?encoding)，將分類特征轉化為數值形式，計算每個類別對應目標變量的條件概率，表示為：

16、

17、其中，xi是某個類別特征值，yj是目標變量，ii是指示函數；

18、使用z-score標準化來對數值型特征進行歸一化處理并利用自回歸神經網絡建模，對缺失的數據進行補全處理。

19、在其中一個實施例中，應用動物生長狀態感知模型方法包括：

20、在服務器端基于數據類型，分別搭建對應的transformer網絡，將提取到的特征進行融合；

21、當處于特征融合階段時，引入動態模態注意力權重，公式如下：

22、

23、其中，qm為模態m的查詢向量，km為模態m的鍵向量，cos是余弦相似度函數，αm為動態模態注意力權重；

24、將融合后的特征輸入到添加了mawcl損失函數的跨模態transformer模型中并獲得分析結果，損失函數公式定義如下：

25、

26、其中，m為模態總數，αm為模態m的動態權重，ltask,m為模態m的任務損失，linconsistency,m為模態m與其他模態的一致性損失，λ為不一致性損失的權重系數。

27、在其中一個實施例中，應用動物生長狀態感知模型方法還包括：

28、將在服務器端訓練后的復雜模型定義為預訓練動物生長狀態感知模型a，將簡化模型定義為本地輕量化動物生長狀態感知模型b，并將該簡化模型b嵌入到耳標中；

29、將服務器端復雜模型中的分析結果以知識蒸餾的方式指導簡化模型學習，損失函數公式如下：

30、l＝(1-α)·lhard+α·t2·kl(pa||pb)；

31、其中，lhard為標準交叉熵損失，kl表示kl散度，t為溫度系數，α為權重參數，pa為的模型a的輸出分布，pb為模型b的輸出分布。

32、在其中一個實施例中，獲取監測設備的剩余電量、當前功耗和傳感器溫度并形成狀態向量；

33、所述狀態向量通過強化學習框架中的策略網絡進行輸入，動態生成資源分配策略，優化目標如下：

34、

35、其中，π是策略網絡，γ為折扣因子，r(t)是基于功耗與性能的獎勵函數；

36、

37、其中，q(t)是推理任務的質量，w1為平衡功耗p(t)的權重因子，w2為平衡性能q(t)的權重因子，w3為平衡溫度t(t)的權重因子；

38、引入可變深度網絡，通過動態跳層機制減少推理計算量，公式如下：

39、

40、其中，gi(x)是第i層的輸出，si為該層的計算重要性評分，τ為可調閾值；

41、基于設備狀態和推理任務的重要性選擇合適的采樣頻率，公式如下：

42、

43、其中，psensor為采樣的功耗，pcompute為計算的功耗；

44、當耳標狀態監測顯示功耗位于預設的閾值時，動態調整本地輕量化動物生長狀態感知模型b的復雜度并采用低頻采樣延長耳標工作時間。

45、第三方面，本技術還提供了一種多功能電子耳標控制裝置。裝置包括：

46、無線網絡構建模塊，用于劃分預設的養殖區域并構建用于數據傳輸和定位的無線網絡；

47、多維數據獲取模塊，用于基于監測模塊獲取所述養殖區域內動物的多維數據，所述多維數據至少包括體表溫度、環境參數、運動狀態、聲音信號、活動軌跡；

48、數值預處理模塊，用于根據數據類型對多維數據進行預處理，包括采用目標嵌入方法，將其轉化為數值形式并對數值型特征歸一化處理并補全；

49、動物生長狀態感知模塊，用于應用動物生長狀態感知模型分析處理后的數據并將分析結果發送至終端；

50、功耗自適應調節模塊，用于采用功耗自適應算法，動態調節耳標工作模式。

51、第四方面，本技術還提供了一種計算機設備。計算機設備包括存儲器和處理器，存儲器存儲有計算機程序，處理器執行計算機程序時實現以下步驟：

52、劃分預設的養殖區域并構建用于數據傳輸和定位的無線網絡；

53、基于監測模塊獲取所述養殖區域內動物的多維數據，所述多維數據至少包括體表溫度、環境參數、運動狀態、聲音信號、活動軌跡；

54、根據數據類型對多維數據進行預處理，包括采用目標嵌入方法，將其轉化為數值形式并對數值型特征歸一化處理并補全；

55、應用動物生長狀態感知模型分析處理后的數據并將分析結果發送至終端；

56、采用功耗自適應算法，動態調節耳標工作模式。

57、第五方面，本技術還提供了一種計算機可讀存儲介質。計算機可讀存儲介質，其上存儲有計算機程序，計算機程序被處理器執行時實現以下步驟：

58、劃分預設的養殖區域并構建用于數據傳輸和定位的無線網絡；

59、基于監測模塊獲取所述養殖區域內動物的多維數據，所述多維數據至少包括體表溫度、環境參數、運動狀態、聲音信號、活動軌跡；

60、根據數據類型對多維數據進行預處理，包括采用目標嵌入方法，將其轉化為數值形式并對數值型特征歸一化處理并補全；

61、應用動物生長狀態感知模型分析處理后的數據并將分析結果發送至終端；

62、采用功耗自適應算法，動態調節耳標工作模式。

63、第六方面，本技術還提供了一種計算機程序產品。計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現以下步驟：

64、劃分預設的養殖區域并構建用于數據傳輸和定位的無線網絡；

65、基于監測模塊獲取所述養殖區域內動物的多維數據，所述多維數據至少包括體表溫度、環境參數、運動狀態、聲音信號、活動軌跡；

66、根據數據類型對多維數據進行預處理，包括采用目標嵌入方法，將其轉化為數值形式并對數值型特征歸一化處理并補全；

67、應用動物生長狀態感知模型分析處理后的數據并將分析結果發送至終端；

68、采用功耗自適應算法，動態調節耳標工作模式。

69、3.有益效果

70、1、本發明采用強磁吸卡扣式和頭箍式裝配的設計，結合限位機構和安全結構，既確保了耳標在使用過程中的穩定性，又可在需要時通過單手操作快速拆卸耳標組件。拆卸過程通過卡扣機構的解鎖，利用內置彈簧力將限位裝置釋放，隨后可輕松旋轉并移除公標和母標組件，極大地提升了操作便利性和設備重復利用率。

71、2、現有技術中，大部分耳標還需要在動物耳部打孔來進行安裝，這會對動物造成一定的傷害和應激反應。而本發明采用頭戴式設計，無需打孔操作，避免了動物因打孔帶來的疼痛和感染風險，極大地提升了動物的舒適度。頭箍部分由柔軟、彈性好的醫用級硅膠制成，這種材料能夠很好地貼合動物頭部輪廓，減少了對動物頭部的壓迫感。同時，掛耳式設計部分與動物耳廓接觸的地方也采用了符合動物耳部生理結構的設計，并添加了柔軟的緩沖材質，進一步提高了佩戴的舒適性。

72、3、本發明采用藍牙模塊來實現對動物相關數據的記錄與傳輸，同時配合搖擺式發電裝置為系統持續供電，確保了系統的穩定運行。該藍牙模塊具備數據冗余存儲功能，這一設計旨在應對可能出現的物理損壞或信號干擾等問題，從而保障數據的連續性與完整性。

73、4、本發明采用知識蒸餾技術，將服務器端模型的高精度特征有效傳遞至輕量化的本地模型，實現邊緣設備的高效推理。此外，提出一種功耗自適應算法，該算法綜合考慮設備狀態、任務優先級以及傳感器數據的重要性，實時調整計算資源分配與采樣頻率。通過自適應優化，系統能夠在保證數據分析精度的同時有效延長設備續航時間，適用于復雜養殖環境中的高效監測需求。

74、5、本發明依托深度學習算法，結合智能傳感器陣列采集的多維數據，包括生理參數、行為數據(活動量、活動范圍、移動軌跡、采食行為、休息時間等)以及環境參數，通過優化后的transformer模型進行綜合分析，實現動物健康狀態和行為模式的智能監測。同時，通過北斗衛星導航系統(bds)實現對動物的精準定位和異常行為的實時檢測。當發現異常情況時，在用戶終端顯示其當前區域及位置，管理者可基于終端提示快速定位并采取相應措施，從而顯著提高養殖管理的時效性與精準性。