On the Precursory Abnormal Animal Behavior and Electromagnetic Effects for the Kobe Earthquake (M~6) on April 12, 2013

After the 2011 Tohoku earthquake (EQ), there have been numerous aftershocks in the eastern and Pacific Ocean of Japan, but EQs are still rare in the western part of Japan. In this situation a relatively large (magnitude (M) ~6) EQ happened on April 12 (UT), 2013 at a place close to the former 1995 Kobe EQ (M~7), so we have tried to find whether there existed any precursors to this EQ, especially abnormal animal behavior (milk yield of cows), observed at Kagawa, Shikoku, near the EQ epicenter. The milk yield of cows has been continuously monitored at Kagawa, and it is found that the milk yield exhibited an abnormal depletion about 10 days before the EQ. This behavior has been extensively compared with the former electromagnetic precursors (ULF radiation, ionos-pheric perturbation). This leads to the discussion on the sensory mechanism of unusual behavior of mild yield of cows, and it may be suggested that ULF radiation among different electromagnetic precursors is a mostly likely driver, at least, for this EQ.

Applying Dairy Cow Behavior in Management Practice

Applying dairy cow behavior in management practice is an effective way of improving cow health, welfare and performance. This paper first reviewed daily time budget and normal patterns of dairy cow behavior, and then discussed the influence of major management conditions and practices （such as competitive environments, stocking density, grouping strategies） on cow＇s feeding, lying and social behavior. Finally, new findings of using feeding behavior to predict disorders in transition period were addressed. It was suggested that dairy researchers and farmers should take advantage of related knowledge of dairy cow behavior to improve dairy cow health and welfare. More research is required to further study dairy cow behavior so as to better apply it in practical management and meet the needs of production.

Intake, Energy Expenditure and Methane Emissions of Grazing Dairy Cows at Two Pre-Grazing Herbage Masses

A grazing experiment was undertaken to assess the effects of two levels of herbage mass (HM) on herbage DM intake (DMI), fat and protein corrected milk yield (FPCM), grazing behaviour, energy expenditure (HP), and methane emissions (CH4) of grazing dairy cows in spring. Treatments were a low HM (1447 kg DM/ha;LHM) or a high HM (1859 kg DM/ha;HHM). Pasture was composed mainly of cocksfoot (Dactylis glomerata) and lucerne (Medicago sativa), offered at a daily herbage allowance of 30 kg DM/cow, above 5 cm. Eight multiparous Holstein cows were used in a 2 × 2 Latin Square design in two 10-day periods. Despite the differences in pre-grazing HM between treatments, OM digestibility was not different (P = 0.28). Herbage mass did not affect DMI or FPCM. Grazing time was not different between treatments, but cows had a greater bite rate when grazing on LHM swards. However, HP did not differ between treatments. Daily methane emission (per cow), methane emission intensity (per kg FPCM) and methane yield (as percentage of gross energy intake) were not different. The lack of effect of the amount of pre-grazing HM on energy intake, confirms that the difference between HM treatments was beyond the limits that impose extra energy expenditure during grazing.

基于HMM与SVM的运动跌倒预警模型研究——以安徽省老年群体为例

人口老龄化问题日益加重,老年人的身体机能随着年龄的增加而降低.为提升运动跌倒预警的检测率和延长预留时间,提出基于HMM与SVM的运动跌倒预警模型,通过人体行为特征分析和判别算法设计实现运动跌倒的成功预测,并以安徽省老年群体为背景,从中采集实验数据.实验结果表明,SVM模型的检测率为69.5%,基于HMM与SVM的运动跌倒预警模型的检测率为91%,对比结果表明基于HMM与SVM的运动跌倒预警模型针对突发情况的误判率较低,具备良好的泛化能力.基于HMM与SVM的运动跌倒预警模型检测的平均预留时间是245 ms,满足充气机构反应耗时,结果有助于老年人跌倒预警以及人体保护.

基于改进ConvNeXt的奶牛行为识别方法

奶牛的动作行为(进食、躺卧、站立、行走和甩尾)直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet(ConvNeXt-ACM-FAM)奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块(ACM)和特征注意力模块(FAM)。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×10^(6),浮点运算量减少了3×10^(8),相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。

基于视频和BCE-YOLO模型的奶牛采食行为检测

【目的】动物采食行为是一个重要的动物福利评价指标,本研究旨在解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题,实现对奶牛采食行为的自动监控。【方法】本文提出了一种基于改进BCEYOLO模型的识别方法,该方法通过添加BiFormer、CoT、EMA 3个增强模块,提高YOLOv8模型特征提取的能力,进一步与优于Staple、SiameseRPN算法的Deep SORT算法结合,实现对奶牛采食时头部轨迹的跟踪。在奶牛采食过程的俯视和正视视频中提取11288张图像,按照6∶1比例分为训练集和测试集,构建采食数据集。【结果】改进的BCE-YOLO模型在前方和上方拍摄的数据集上精确度分别为77.73%、76.32%,召回率分别为82.57%、86.33%,平均精确度均值分别为83.70%、76.81%;相较于YOLOv8模型,整体性能提升6~8个百分点。Deep SORT算法相比于Staple、SiameseRPN算法,综合性能提高1~4个百分点;并且改进的BCE-YOLO模型与Deep SORT目标跟踪算法结合良好,能对奶牛采食行为进行准确跟踪且有效地抑制了奶牛ID(Identity document)的变更。【结论】本文提出的方法能有效解决复杂饲养环境下奶牛采食行为识别精度差、特征提取不充分的问题,为智能畜牧与精确养殖提供重要参考。

基于IMPACT模式的延续性护理在老年2型糖尿病合并冠心病患者中的应用效果

目的:观察基于确定-定义-产生-应用-计算-跟踪(IMPACT)模式的延续性护理在老年2型糖尿病合并冠心病患者中的应用效果。方法:选取2020年8月至2022年8月该院收治的94例老年2型糖尿病合并冠心病患者进行前瞻性研究,采用随机数字表法将其分为观察组与对照组各47例。对照组采取常规护理,观察组采取基于IMPACT模式的延续性护理。比较两组护理前后血糖指标[餐后2 h血糖(2hPG)、空腹血糖(FBG)、糖化血红蛋白(HbA1c)]水平、心功能指标[左心室射血分数(LVEF)、左心室短轴缩短率(FS)、左心室收缩末期内径(LVESD)、左心室舒张末期内径(LVEDD)]水平、健康行为[健康促进生活方式量表Ⅱ(HPLP-Ⅱ)]评分、生命质量[2型糖尿病患者生存质量量表(DMQLS)]评分和护理满意度。结果:护理后,两组2hPG、FBG、HbA1c水平均低于护理前,且观察组低于对照组,差异有统计学意义(P<0.05);两组LVEF、FS水平均高于护理前,且观察组高于对照组,两组LVEDD、LVESD水平均低于护理前,且观察组低于对照组,差异有统计学意义(P<0.05);两组压力管理、健康责任感、人际关系、营养、体育运动和精神成长等HPLP-Ⅱ评分均高于护理前,且观察组高于对照组,差异有统计学意义(P<0.05);两组疾病、生理、心理、社会、满意度等DMQLS评分均高于护理前,且观察组高于对照组,差异有统计学意义(P<0.05);观察组护理满意度为95.74%(45/47),高于对照组的82.98%(39/47),差异有统计学意义(P<0.05)。结论:基于IMPACT模式的延续性护理应用于老年2型糖尿病合并冠心病患者中可降低血糖指标水平,改善心功能指标水平,提高健康行为评分、生命质量评分和护理满意度,其效果优于常规护理。

Real-Time Monitoring Method for Cow Rumination Behavior Based on Edge Computing and Improved MobileNet v3

[Objective]Real-time monitoring of cow ruminant behavior is of paramount importance for promptly obtaining relevant information about cow health and predicting cow diseases.Currently,various strategies have been proposed for monitoring cow ruminant behavior,including video surveillance,sound recognition,and sensor monitoring methods.How‐ever,the application of edge device gives rise to the issue of inadequate real-time performance.To reduce the volume of data transmission and cloud computing workload while achieving real-time monitoring of dairy cow rumination behavior,a real-time monitoring method was proposed for cow ruminant behavior based on edge computing.[Methods]Autono‐mously designed edge devices were utilized to collect and process six-axis acceleration signals from cows in real-time.Based on these six-axis data,two distinct strategies,federated edge intelligence and split edge intelligence,were investigat‐ed for the real-time recognition of cow ruminant behavior.Focused on the real-time recognition method for cow ruminant behavior leveraging federated edge intelligence,the CA-MobileNet v3 network was proposed by enhancing the MobileNet v3 network with a collaborative attention mechanism.Additionally,a federated edge intelligence model was designed uti‐lizing the CA-MobileNet v3 network and the FedAvg federated aggregation algorithm.In the study on split edge intelli‐gence,a split edge intelligence model named MobileNet-LSTM was designed by integrating the MobileNet v3 network with a fusion collaborative attention mechanism and the Bi-LSTM network.[Results and Discussions]Through compara‐tive experiments with MobileNet v3 and MobileNet-LSTM,the federated edge intelligence model based on CA-Mo‐bileNet v3 achieved an average Precision rate,Recall rate,F1-Score,Specificity,and Accuracy of 97.1%,97.9%,97.5%,98.3%,and 98.2%,respectively,yielding the best recognition performance.[Conclusions]It is provided a real-time and effective method for monitoring cow ruminant behavior,and the proposed federated edge intelligence model can be ap‐plied in practical settings.

基于时空特征的奶牛视频行为识别

准确、高效的奶牛行为识别有助于疾病检测、发现异常,是感知奶牛健康的关键。通过分析奶牛在牛场中各时段的行为,提出一种基于时空特征的奶牛行为识别模型,该模型在时域段网络(TSN)的基础上融合了时态移位模块(TSM)、特征注意单元(FAU)和长短期记忆(LSTM)网络。首先,利用TSM融合时间信息以提高时序建模能力,并将时序建模后的视频帧输入TSN。其次,利用FAU融合高分辨率空间信息和低分辨率语义信息,增强模型空间特征的学习能力。最后,由LSTM聚合过去和当前信息进行奶牛行为分类。实验表明,该方法对进食、行走、躺卧、站立行为识别准确率分别为76.7%、90.0%、68.0%、96.0%,平均行为识别准确率为82.6%,和C3D、I3D、CNN-LSTM网络相比,本文模型平均行为识别准确率分别提升7.9、9.2、9.6个百分点。光照变化会对奶牛行为识别准确率产生一定影响,但本文模型受光照影响相对较小。研究成果可为感知奶牛健康和疾病预防提供技术支持。

基于采食行为参数的奶牛个体采食量量化方法研究

受饲养环境和设备限制,现存奶牛个体采食量监测方法难以应用于商业生产。为找到简单高效的个体采食量量化方法,以采食行为参数(采食时间、躺卧时间、行走步数)、个体体重及日粮粗精比作为输入参数,构建4种采食量量化模型:反向传播神经网络(BP)模型、遗传算法优化BP神经网络(GA-BP)模型、粒子群算法优化BP神经网络(PSO-BP)模型、多项式学习率衰减算法优化BP神经网络(PDLR-BP)模型,并经模型评价验证找到适宜的算法函数。结果表明,结合采食行为数据与改进型BP算法可实现奶牛个体采食量量化研究,4个模型建模精度高,模型量化值与实测值呈显著相关,决定系数高于0.90;其中,PSO-BP模型精准性最优且收敛更快,模型MSPE,MAE和R2值分别为0.046 kg^(2)·d^(-1)、0.166 kg·d^(-1)和0.95,其均方相对误差RMSE=0.214 kg·d^(-1)分别低于BP模型、GA-BP模型和PDLR-BP模型10%、9.3%和6.9%。PSO-BP模型极值差降幅明显,说明PSO-BP模型稳定性更优。

奶牛健康监测设备与技术研究及应用进展综述

我国的奶牛养殖数量逐年增加,通过对奶牛的生理参数和行为进行监测,可以提高奶牛养殖的经济效益,提升我国奶业的竞争力。随着人工智能技术的发展,奶牛健康监测的设备和技术在不断更新和完善,为奶牛健康监测提供了便捷和精确的手段。本文综述了近年来奶牛健康监测方面的研究进展,从奶牛的生理参数监测和行为监测两方面展开,生理参数包括体温、体尺、体质量、呼吸频率等,行为包括基本行为(站立、行走、躺卧等)、反刍、跛行等。对国内外奶牛健康监测的设备和技术进行了系统的分析,总结了不同监测设备和技术的优缺点和适用情况,并结合当前已有的应用案例,对奶牛健康监测研究所面临的问题进行了讨论,指出了奶牛智慧养殖的发展趋势,旨在为奶牛健康管理和养殖业的可持续发展提供方法和思路的参考。

基于改进FlowNet 2.0光流算法的奶牛反刍行为分析方法

反刍行为与奶牛生产、繁殖性能及疾病等因素密切相关,针对非接触式奶牛反刍行为分析受牛只自身运动或背景干扰等不足,提出改进FlowNet 2.0光流算法,首先计算垂直光流分量替代光流速度构建光流图,消除水平运动对光流分析干扰;其次设置光流阈值避免垂直光流中头部运动光流干扰;同步计算反刍区域面积阈值提取区域内光流数据,避免目标对象头部运动对反刍光流的影响;最后滤波拟合计算反刍曲线,确定曲线周期,增大波峰波谷差值,提升奶牛反刍咀嚼频次计数的准确性。以不同场景下20头奶牛的30段反刍行为视频为数据集,验证本文方法的有效性、鲁棒性与准确性,试验结果表明,改进FlowNet 2.0光流算法计算奶牛反刍咀嚼频次准确率为99.39%,相较于FlowNet 2.0光流算法准确率提升5.75个百分点。

奶牛福利对奶牛饲养的启示

奶牛福利是奶制品生产的重要一环且在现代奶牛养殖体系中占有越来越重要的角色。奶牛福利涉及牧场管理及饲养过程的各个环节,切实做好奶牛舒适度管理有利于牧场节本增效。本文立足奶牛福利,从牧场管理、奶牛行为、环境福利、心理福利四个角度浅析牧场奶牛养殖模式,旨在为牧场养殖提供参考意见。

基于姿态估计和关键点特征向量的奶牛跛行识别方法

针对目前养殖场中自动检测奶牛跛行效率低、准确率不高等问题,设计了一种基于姿态估计和膝关节角度特征向量的奶牛跛行识别方法。鉴于奶牛行为具有随机停留的特点,制作奶牛在不同远近视场尺度和观测角度等条件下奶牛姿态估计数据集。将Faster RCNN卷积神经网络模型引入到奶牛关键点检测中提高跛行识别的可靠性;以ResNet101网络作为特征提取网络,构建奶牛姿态估计网络,并采用超参数微调训练方法,对网络模型进行迁移训练。通过视频中的奶牛姿态信息和关键点坐标信息,计算出奶牛行走时膝关节的角度特征,并利用1-D Convolution分类模型实现奶牛的跛行识别。实验结果显示:以ResNet101网络模型为基础的奶牛姿态估计网络的PCK@0.1值可以达到0.9250;使用1-D Convolution模型对奶牛行为分类识别的准确率为97.22%,与LSTM、Bi-LSTM、GRU模型相比,分别提高5.55、2.78、11.11百分点。以上结果表明,所提方法对自然环境下奶牛跛行有较好的检测效果,可用于奶牛智能化养殖并为养殖管理提供技术参考。

结构相似子序列快速聚类算法及其在奶牛发情检测中的应用

准确高效的奶牛发情检测技术能够提高其受胎率、缩短胎间距,是改善奶牛繁殖效率和提高经济效益的重要手段。规模化、集约化养殖环境下,众多学术与科学研究证实奶牛行为方式和活动量是判断其是否发情的重要指标。目前常用奶牛行为决策方法主要是针对单点数据进行行为分类,而奶牛运动传感数据是按照时间顺序采集的多元时间序列数据,因此该文提出基于结构相似度的子序列段快速聚类算法(SC-SS,subsequence clustering based on structural similarity),首先利用加速度一阶差分值将奶牛运动动态时间序列传感数据划分成若干子序列段,然后计算子序列段加速度值、能量、标准方差等特征结构相似度;最后根据各个子序列的结构相似度进行快速聚类。试验数据分析对比表明,SC-SS较常用K-means算法具有更高的运行效率,可更有效地完成奶牛行为分类,提高奶牛发情检测的准确率。

基于融合图像与运动量的奶牛行为识别方法

为从海量监控视频中快速、准确识别影响奶牛繁殖与健康的行为,以小育成牛舍与泌乳牛舍中400头奶牛为研究对象,分析了奶牛在活动区与奶厅匝道的运动行为,提出了一种基于图像熵的奶牛目标对象识别方法,通过最小包围盒面积计算与目标对象轮廓图,实时捕获奶牛爬跨行为与蹄部、背部特征,融合被识别奶牛连续7 d的运动量,判断影响奶牛健康繁殖的异常行为。试验结果表明,利用本文方法对监控视频内奶牛目标对象、运动行为进行实时监测,有效监控识别奶牛发情、蹄病行为准确率超过80%,发情漏检率最低为3.28%,蹄病漏检率最低为5.32%,提高了规模化养殖管理效率。

采用电子鼻检测羊奶中的牛奶掺入

通过电子鼻系统检测在羊奶中掺入不同比例的牛奶的混合物中挥发性物质的响应值,利用主成分分析法(PCA)及线性判别分析法(LDA)对羊奶牛奶混合物的挥发性成分进行分析。结果表明:电子鼻各感应器对于原料羊乳和牛乳及杀菌羊乳和牛乳的反应值均不同。对于生奶和杀菌奶,PCA和LDA分析均能够区分羊奶中混入不同比例的牛奶,具有较好的区分性。

基于视觉词典法的母牛产前行为识别

母牛活动方式及规律的信息获取是特定阶段进行必要人工干预的重要判据之一,针对已有通过外置传感器获取信息手段的局限性,提出一种改进时空局部二值模式用于特征描述,构建视觉词典实现对视频中母牛基本行为的识别,并最终通过统计产前特定基本行为发生频次来揭示临产期规律。试验表明所提方法对90组规定视角下母牛产前行走、侧卧和回望等典型行为的平均正确识别率约为94.6%;对30组水平随机视角下拍摄的上述3种行为平均正确识别率约为88.3%。通过采集母牛临产期分娩前后约13 h的视频,提出的算法识别母牛平均执行回望和侧卧的频次依次为30次和21.2次,行为发生频次体现为前低后高,在分娩前回望频次达到峰值8.8次,侧卧频次明显减低为2.2次。试验结果证明,视觉词典法能实现对母牛产期行为的识别与规律的量化描述。

Internet流量识别技术研究

流量识别是指根据网络流以及流中数据报文的某些信息将网络上的流分成若干既定的类别.随着网络的高速化,业务应用和协议日趋复杂,传统的基于端口的流量识别方法已经不够准确,因此各种新的识别方法成为研究热点.本文在介绍流量识别的基本概念、流量识别的评价指标的基础上,对目前正在使用或研究的流量识别方法进行了分析比较,指出了现有各种方法的优点和不足,最后给出未来流量识别技术的发展趋势和研究方向.

垃圾邮件行为识别技术的研究与实现

针对目前垃圾邮件制造者不断利用新技术和新方法,使垃圾邮件的内容和发送手段等都发生了明显的变化,对传统基于内容的反垃圾邮件技术提出了严峻挑战的问题,提出了一种主动式的垃圾邮件行为识别技术。通过分析当前垃圾邮件的通信行为和MTA通信原理,提出了追踪源头认证、信誉验证和质询验证行为识别技术,详细阐述了它们在MTA通信连接的不同阶段对垃圾邮件进行识别与拦截的方法,并给出了整个行为识别算法。最后设计了一个可扩展性良好的垃圾邮件过滤网关并进行了实验。实验结果表明,提出的识别技术真正实现了与内容无关、语言类型无关的邮件实时过滤,并具有良好的效率和准确率。