[发明专利]一种用于奶牛运动异常检测计步器系统及其方法

权利要求书

1.一种用于奶牛运动异常检测计步器系统，包括硬件模块和软件算法，其特征在于：所述硬件模块包括水银开关计步传感器(1)、无线通信模块(2)、电源(3)、网关接收器(4)和服务器(5)，所述水银开关计步传感器(1)和无线通信模块(2)与电源(3)进行电性连接，且水银开关计步传感器(1)、无线通信模块(2)、电源(3)、网关接收器(4)和服务器(5)组成计步器检测算法(8)，所述网关接收器(4)与无线通信模块(2)进行无线连接，所述软件算法包括定位算法(6)和异常检测算法(7)。

2.根据权利要求1所述的一种用于奶牛运动异常检测的计步器系统，其特征在于：所述水银开关计步传感器(1)通过两个水银开关与地面构成35°～45°的倾角，通过奶牛运动的震动使得电流导通，并且导通电路时间持续100Ms～1000Ms，作为计步的检测装置。

3.根据权利要求1所述的一种用于奶牛运动异常检测的计步器系统，其特征在于：所述电源(3)采用1800mAh的锂亚电池。

4.根据权利要求1所述的一种用于奶牛运动异常检测的计步器系统，其特征在于：所述计步器检测算法(8)通过CC2530的两个中断过程实现。

5.根据权利要求1所述的一种用于奶牛运动异常检测的计步器系统，其特征在于：所述定位算法(6)为基于CC2530无线信号强度的定位算法，所述定位算法(6)采用CC2530传输的信号强度衰减，通过在牛棚中部署网格状的接受网关和加权定位算法估计奶牛在牛棚中的位置信息。

6.根据权利要求1所述的一种用于奶牛运动异常检测的计步器系统，其特征在于：所述异常检测算法(7)包括二维卷积神经网络(2D CNN)和深层神经网络。

7.根据权利要求1所述的一种用于奶牛运动异常检测方法，其特征在于：所述计步器检测算法(8)包括以下步骤：1)用两个水银开关与地面构成θ＝(35°～45°)之间的倾角，当任何一个水银开关因感知到震动导通后，启动定时器计数；

2)仅当两个开关同时检测到震动，并导通电路且时间持续T_min＝100Ms以上T_max＝1000Ms以下时，判定为1个步子，水银开关依靠外部中断来触发计步，可以更节约功耗；

3)当计步器计步达到24小时(48个字节)，向服务器发送一次数据包，并清除缓存，也可在服务器的指令下，定时向网关发送监测数据。

8.根据权利要求1所述的一种用于奶牛运动异常检测方法，其特征在于：所述定位算法(6)包括以下步骤：1)将汇聚网关均匀部署在牛棚的钢架上，并整齐排列成队列网格的形式；

2)在网格中，所有汇聚网关位于监测区域内，并把监测区域D分解为n²或者n×m个单元；

3)CC2530的通信半径设置为大于1个单元而小于等于2个单元区域，即以边长为2个单元的正方形区域，而CC2530的信号与距离的衰减关系为：

los＝32.44+20lg(d)+20lg(d)

其中los是传播损耗，单位为dB，d是发送端到接受端之间的距离，单位是km，f是电磁波的工作频率，单位是MHz，根据接受端的信号强度值，可以估计出传输距离d，但是d受环境影响比较大，因而只能将其作为加权因子，得到目标的定位公式如下：

其中d_i表示第j个网关到第i个目标的距离，(x_j y_j z_j)^T表示第j个网关位置，而(x_C y_Cz_C)^T表示估计的目标位置。

9.根据权利要求1所述的一种用于奶牛运动异常检测方法，其特征在于：所述异常检测算法(7)包括以下步骤：1)二维卷积神经网络(2D CNN)：以一天时长的监测单元为例，一维向量为N＝48个数字(每半个小时占用一个字节的运动量)，即向卷积神经网络输入的向量为：V＝(n1，n2，n3...nN)，每一个输入向量为一个样本，每个样本都经过牧医专家数据标注，如图4所示给出了正常、跛行、腹泻和发情四种状态下的奶牛运动数据，但是数据集合依然在不断地扩增；

2)深层神经网络：

输入层：数据经过预处理后，每条记录种包含48个数据点(奶牛一天的运动数据，每半个小时为一个记录，共48个)，这样就得到48×1的向量V，向量输入到神经网络种；

第一个1D CNN层：第一层设置了高度为6的滤波器，即Convolution Kernel的大小，滤波器的定义是为了在第一层中学习并提取特征，为了提取足够的特征，我们在第一层定义100个滤波器，这样我们就在网络第一层学到100个不同的特征，这样第一个神经网络的输出是一个43×100的矩阵，输出矩阵的每一列都包含一个滤波器权值；

第二个1D CNN层：第一个CNN的输出结果将被输入到第二个CNN层中，同样我们在该层定义100个不同的滤波器进行训练，输出矩阵的大小为38×100，同样输出矩阵每一列都包含一个滤波器权值；

最大池化层：该层是为了减少输出的复杂度和防止数据的过拟合，在CNN层之后使用最大池化层，在本发明中，我们选择了尺度为3的池化层，这就意味着输出层矩阵大小是输入层的三分之一，即输出矩阵大小为12×100；

第三和第四个1D CNN层：此两层的CNN的设置是为了学习更高层次的特征，经过这两层之后神经网络的输出为2×96的矩阵；

平均值池化层：同样此处增加池化层的目的是为了防止过拟合，此处是平均池化而不是最大池化，最后神经网络的输出为1×96，每个特征检测器在神经网络的这一层中只剩下一个权重；

Dropout层：本层会随机地为神经网络中的各神经元赋值0权重；选择0.5的比例系数，则50％的神经元将会被清零，通过该操作，网络对数据的微小变化的敏感性会大大降低，因而它可提高对不可见数据处理的准确性，本层输出依然是1×96；

全连接层：使用softmax激活函数，最后将长度为96的向量按照图4中的四个类别分类，得到4个向量，表示4个类别中每个类别出现的概率。