本實用新型涉及一種檢測系統，特別的涉及一種草原放牧綿羊牧食行為檢測系統。

背景技術：

對放牧家畜牧食行為的研究是目前國內外的研究熱點，所采用的研究方法主要有直接觀測法和間接獲得法。人工直接觀測，勞動強度大、且依賴于人的因素，準確度低；間接測量方法較單一，沒有一種較為完善的放牧綿羊牧食行為監測手段。

技術實現要素：

為了解決上述缺陷，本實用新型提供一種草原放牧綿羊牧食行為檢測系統，其針對荒漠化草原放牧綿羊牧食行為監測的需求，結合本實用新型能夠實現的牧食行為，對放牧綿羊的以下內容進行檢測：游走時間、游走方向、游走速度、反芻時間、臥息時間、采食時間、采食口數、采食植物種類，所有上述行為將與GPS定位及定位點風速、風向、溫濕度進行時間空間信息匹配。

本實用新型通過以下技術方案實現：一種草原放牧綿羊牧食行為檢測系統，其包括傳感器檢測與數據傳輸系統、攝像機；其中，

所述攝像機用于實現視頻信號與聲音信號的同步采集；

所述傳感器檢測與數據傳輸系統包括：GPS定位與牧食路徑監測模塊，其用于實現放牧綿羊的運動監測；行為檢測模塊，其用于檢測放牧綿羊的站立及站立時間、臥息及臥息時間、游走及游走時間；風速風向監測模塊，其用于監測牧食行為處的風速風向；溫濕度監測模塊，其用于監測牧食行為處的溫度、濕度；信號處理模塊，其與所述GPS定位與牧食路徑監測模塊、所述風速風向監測模塊、所述溫濕度監測模塊、所述行為檢測模塊、所述攝像機均電性連接，用于收集各模塊的數據并處理；GPRS無線數據傳輸模塊，其用于無線傳輸所述信號處理模塊處理后的數據。

作為上述方案的進一步改進，所述行為檢測模塊采用三軸加速度傳感器。

作為上述方案的進一步改進，所述風速風向監測模塊采用非葉輪式風速風向傳感器。

作為上述方案的進一步改進，所述溫濕度監測模塊采用溫濕度傳感器。

作為上述方案的進一步改進，所述傳感器檢測與數據傳輸系統安裝于羊背上。

作為上述方案的進一步改進，所述攝像機安裝在羊頭一側的額角處。

作為上述方案的進一步改進，所述傳感器檢測與數據傳輸系統還包括與所述信號處理模塊電性連接的電源模塊，所述電源模塊采用Li電源。

作為上述方案的進一步改進，所述傳感器檢測與數據傳輸系統還包括與所述信號處理模塊電性連接的顯示屏。

作為上述方案的進一步改進，所述傳感器檢測與數據傳輸系統還包括與所述信號處理模塊電性連接的擴展存儲卡。

作為上述方案的進一步改進，所述傳感器檢測與數據傳輸系統還包括與所述信號處理模塊電性連接的實時時鐘模塊。

本實用新型融合GPS技術、傳感器技術、音頻視頻信號處理技術、計算機技術實現放牧綿羊牧食行為的檢測識別，具有重要意義并具有鮮明的行業特色、地區特色。

附圖說明

圖1是本實用新型提供的草原放牧綿羊牧食行為檢測系統的結構示意圖。

圖2是圖1中草原放牧綿羊牧食行為檢測系統的安裝示意圖。

圖3是圖1中草原放牧綿羊牧食行為檢測系統的視頻信號模型庫訓練與運行測試技術路線流程圖。

圖4是圖1中草原放牧綿羊牧食行為檢測系統的音頻信號模型庫訓練與運行測試技術路線流程圖。

具體實施方式

以下結合實施例，對本實用新型進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本實用新型，并不限定本實用新型。

實施例1

如圖1所示，本實施例的草原放牧綿羊牧食行為檢測系統在硬件上包括兩大塊硬件：傳感器檢測與數據傳輸系統1、攝像機2。傳感器檢測與數據傳輸系統1用于實現羊的運動監測(游走及游走時間)、站立行為監測、臥息及時間監測、GPS定位監測、溫濕度與風速風向監測及GPRS無線數據傳輸功能。攝像機2用于實現視頻信號與聲音信號的同步采集。傳感器檢測與數據傳輸系統1可傳輸至服務器或應用于手機中，傳感器檢測與數據傳輸系統1可傳輸至服務器時，可采用GPRS無線接收模塊。

請結合圖2，傳感器檢測與數據傳輸系統1安裝于羊背上，攝像機2安裝在羊頭一側的額角處。攝像機2可采用微型攝像機，其外形小巧不占空間、重量輕不易給放牧綿羊造成負擔、便于安裝固定從而不易遺失。在本實施例中，采用U盤式微型攝像機，尺寸大概74mm×26mm×12mm，重量230克，可通過制作專用羊龍頭將U盤式微型攝像機安裝在羊右額處，實現視頻信號與聲音信號的同步采集；傳感器檢測與數據傳輸系統1可設計為尺寸大概15cm×10cm×10cm，重量0.8kg。。視頻信號與聲音信號可用于反芻、采食行為、食性選擇檢測等。

傳感器檢測與數據傳輸系統1包括GPS定位與牧食路徑監測模塊11、行為檢測模塊12、風速風向監測模塊13、溫濕度監測模塊14、信號處理模塊15、GPRS無線數據傳輸模塊16、電源模塊17、實時時鐘模塊18、擴展存儲卡19、顯示屏20。

GPS定位與牧食路徑監測模塊11用于實現放牧綿羊的運動監測，如采用GPS(UM330)。行為檢測模塊12用于檢測放牧綿羊的站立及站立時間、臥息及臥息時間、游走及游走時間，行為檢測模塊12可采用三軸加速度傳感器，優選型號為MMA8451Q。風速風向監測模塊13用于監測牧食行為處的風速風向，風速風向監測模塊13可采用非葉輪式風速風向傳感器，如MEMS型SA-210非葉輪式風速風向傳感器。溫濕度監測模塊14用于監測牧食行為處的溫度、濕度，溫濕度監測模塊14可采用溫濕度傳感器，如瑞士HC2-IC302溫濕度傳感器。信號處理模塊15與GPS定位與牧食路徑監測模塊11、風速風向監測模塊13、溫濕度監測模塊14、行為檢測模塊12、攝像機2、電源模塊17、實時時鐘(Real-Time Clock)模塊18、擴展存儲卡19、顯示屏20均電性連接，用于收集各模塊的數據并處理。信號處理模塊15可采用STM32F103VET6芯片(高性能嵌入式CPU)。GPRS無線數據傳輸模塊16用于無線傳輸信號處理模塊15處理后的數據，當然也可以對無線傳輸信號處理模塊15傳輸指令。電源模塊17可采用超高性能Li電源，通過實時時鐘模塊18提供時鐘可隨意實現時鐘的設置，擴展存儲卡19可采用64G SD存儲卡，顯示屏20可采用LCD液晶顯示屏。

本實用新型的特色與創新之處在于：

1.創新性

1)應用具有創新性，機器代替人工，將信息科學技術應用于草原生態學；

2)研究具有創新性，針對牧草圖像采集環境復雜引起的圖像質量較低的問題，提出基于深度學習的牧草識別方法，為解決放牧綿羊食性選擇檢測提供了新方法與新思路，目前鮮有報道；

3)方法具有創新性，建立采食與反芻聲音信號及牧草個體植株的特征數據庫、訓練模型、識別模型，為自動識別牧食行為提供新途徑。

2.特色

本實用新型針對草原生態的實際需求，具有鮮明的地區特色。本實用新型的另一個顯著特色是首次將傳感器數據、GPS數據、信息處理數據進行融合，完成放牧綿羊牧食行為檢測研究，具有顯著的行業應用特色。

實施例2

實施例2是在實施例1的基礎上加入軟件算法創新，不僅僅依靠硬件本身的功能，實現更高一個臺階的研究。軟件算法創新主要包括以下幾個部分：

1)傳感器數據融合、時間空間匹配：為了提高監測的實時性和準確性，僅僅只是實施例1的傳感器應用是遠遠不夠，需要對傳感器數據在軟件算法上進行拓展，在拓展過程中，其中重點難點為行為檢測模塊12的三軸加速度傳感器對放牧綿羊行為的監測，需要數據融合、匹配并經識別模型分類實現；

2)放牧綿羊反芻與采食聲音信號規則數據庫的建立；

3)放牧綿羊反芻與采食聲音識別模型的建立；

4)放牧綿羊采食行為中被采食牧草特征提取與規則庫建立；

5)放牧綿羊采食植物種類識別分類器設計與視頻圖像預處理。

實施例2的軟件算法可以形成APP模式，安裝在服務器、電腦、手機等電子設備上，方便應用。

其中，針對第5部分：5)放牧綿羊采食植物種類識別分類器設計與視頻圖像預處理。通過本實用新型自行研發設計的視頻信號模型庫訓練與運行測試技術路線，實現基于深度學習網絡與支持向量機方法的采食視頻分割識別裝置及所述裝置的基于深度學習網絡與支持向量機方法的采食視頻分割識別方法。如圖3所示，采食視頻分割識別裝置包括信號預處理模塊31、特征提取與識別模塊32、特征庫訓練模塊33。

信號預處理模塊31用于：視頻信號采集；Tsai算法圖像自適應標定；融合三軸加速度傳感器采食時間檢測實現動態視頻分幀；Mean Shift濾波、去噪；基于2G-B-R色差特征的FCM聚類背景分割。

特征提取與識別模塊32，在信號預處理模塊31的基礎上用于：時域幀間差分法(圖像分割)；基于稀疏表示SIFT算法圖像配準；小波SIFT算子提取顏色、形狀、紋理特征提取；深度學習特征提取模型優化特征參數、降維；支撐向量機(SVM)分類器。其中，小波SIFT算子提取顏色、形狀、紋理特征提取主要是：1.顏色矩特征提取，2.多維形狀特征提取，3.GLCM法紋理特征提取。

特征庫訓練模塊33對特征提取與識別模塊32的分類器進行單株采食牧草的特征庫建立與訓練：手動拍照后圖像分割，提取感興趣區域(Region of Interest，ROI)；應用小波SIFT算子提取顏色、形狀、紋理等特征；主成分分析(PCA)法降維，獲取圖像特征；訓練深度學習分類模型(Convolutional Neural Networks卷積神經網絡)；特征匹配；特征庫建立完成。

采食視頻分割識別裝置可最終得出結論：放牧綿羊采食植物種類及對應的采食口數。然后，形成基于計算機視覺的放牧綿羊采食行為的軟件子模塊實現基于深度學習網絡與支持向量機方法的采食視頻分割識別方法。

針對第2部分與第3部分：2)放牧綿羊反芻與采食聲音信號規則數據庫的建立；3)放牧綿羊反芻與采食聲音識別模型的建立。通過本實用新型自行研發設計的音頻信號模型庫訓練與運行測試技術路線實現反芻與采食行為檢測裝置及所述反芻與采食行為檢測裝置的反芻與采食行為檢測方法。如圖4所示，反芻與采食行為檢測方法包括提取聲音特征；利用聲音特征設計基于隱馬可夫模型(HMM)的BP神經網絡分類器；通過分類器得出反芻與采食行為檢測結果。

其中，針對提取聲音特征步驟，可采用反芻與采食聲音規則庫訓練和反芻與采食聲音測試應用分別實現。采食聲音規則庫訓練包括步驟：去噪、濾波、加窗分幀；時域、頻域、維納熵特征提取；ANOVA方差分析得出聲音特征模型庫。反芻與采食聲音測試應用包括步驟：去噪、濾波、加窗分幀；時域、頻域、維納熵特征提取；最小二乘法多元線性回歸分析得到測試聲音特征。

以上所述僅為本實用新型的較佳實施例而已，并不用以限制本實用新型，凡在本實用新型的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本實用新型的保護范圍之內。