本发明涉及母猪发情监控领域，具体涉及一种母猪发情监控方法及系统。
背景技术：
1、发情检测在母猪繁殖管理中具有关键性作用，对于确定最佳授精时机以及提高母猪妊娠率至关重要。随着我国生猪养殖业的发展，从传统的散养模式向规模化、集约化养殖模式的转变，目前仍然存在许多养殖场依赖传统的人工监测方法来判断母猪是否处于发情状态，包括观察爬跨行为、外阴肿胀程度和背压测试等手段。然而，这种方法存在劳动强度大和准确率低的问题，特别是在大规模养殖场中容易导致漏检和发情时间判断不准确，进而错过母猪的最佳配种时间，对繁殖性能产生不利影响，直接影响猪场的经济效益。
2、目前已有的母猪发情监控系统主要分为人工监控和智能化监控方法。传统的人工监控方法主要是通过人工定期对母猪进行查情，但人工查情费时费力，且难以及时发现母猪发情。而智能化监控方法包含两种手段，一种是通过背夹等接触式传感器监测，利用机器学习方法对接触式传感器收集到的母猪个体信息进行处理，从而检测出母猪是否处于发情状态，但是接触式传感器的安装容易使母猪产生应激反应，同时非常容易出现损坏脱落和反应不灵敏的情况；另一种是通过摄像头、超声波探测器等非接触式传感器监测，结合计算机视觉技术对拍摄的视频进行母猪发情检测。有较多的学者运用后者的方法展开研究，刘同海等人利用红外热成像等技术提取母猪外阴部温度，从而对母猪发情进行检测；助川慎等人通过计测母猪的起卧频率来判定母猪是否发情；鞠铁柱等人通过检测母猪处于站立姿态的持续时长来判定母猪是否发情；但是这些方法所使用的母猪发情特征过于单一，容易导致误检和漏检。薛素金等人对得到的母猪拱背序列、外阴部温度序列和母猪声音强度序列进行加权计算，但是该方法中所用到的各特征的权重参数是人为预先确定，其参数来源不可解释，且无法做到根据程序的预测结果进行动态计算。
3、综上，现有技术存在以下问题：
4、(1)现有技术所利用的母猪发情特征过于单一，容易造成漏查或判定错误，从而导致错过母猪最佳配种时间，影响繁殖生产；
5、(2)现有技术中通过特征加权对母猪发情进行预测，其中各个特征的权重参数是人为设置，无法根据实际预测情况进行动态调整；
6、(3)现有技术中所使用的母猪发情判定模型透明度过低，导致猪场管理人员无法完全信任类似的母猪发情判定系统；
7、(4)现有技术中无法有效利用母猪发情的真实结果和程序的预测结果之间的差异进行母猪发情判定模型训练。
技术实现思路
1、针对现有技术中的上述不足，本发明提供了一种母猪发情监控方法及系统，基于全局特征和局部特征联合预测母猪发情，能提升母猪发情行为预测结果的准确性，进而有效地进行母猪发情监控。
2、为了达到上述发明目的，本发明采用的技术方案为：
3、一种母猪发情监控方法，包括以下步骤：
4、s1、采集母猪彩色视频数据和母猪红外视频数据；
5、s2、对步骤s1中的母猪彩色视频数和母猪红外视频数据进行个体分割和关键帧提取，获取整猪彩色数据片段、猪头彩色关键片段、猪屁股彩色关键片段和猪屁股红外关键片段；
6、s3、基于步骤s2中的整猪彩色数据片段、猪头彩色关键片段、猪屁股彩色关键片段和猪屁股红外关键片段，获取母猪行为特征识别结果、猪脸呆滞表情特征识别结果、猪耳竖立特征识别结果、猪外阴流粘液特征识别结果和猪阴臀温差达到发情状态的特征识别结果；
7、s4、对步骤s3中的母猪行为特征识别结果、猪脸呆滞表情特征识别结果、猪耳竖立特征识别结果、猪外阴流粘液特征识别结果和猪阴臀温差达到发情状态的特征识别结果进行单值预测或多值加权预测，获取母猪发情片段预测结果，并根据母猪发情片段预测结果获取母猪发情预测结果；
8、s5、基于步骤s4中的母猪发情预测结果，对母猪进行人工查情以获取母猪实际发情结果；
9、s6、利用步骤s4中的母猪发情预测结果和步骤s5中的母猪实际发情结果构建训练数据集，利用训练数据集对多值加权预测中的权重参数进行微调，并利用权重参数微调后的多值加权预测对母猪发情进行预测监控。
10、进一步地，步骤s3包括以下步骤：
11、s31、基于步骤s3中的整猪彩色数据片段，采用two-stream模型获取母猪行为特征识别结果；
12、s32、基于步骤s3中的猪头彩色关键片段，采用依次连接的经典多任务级联卷积神经网络、残差卷积网络、多注意力卷积网络和全连接层获取猪脸呆滞表情特征识别结果；
13、s33、基于步骤s3中的猪头彩色关键片段，采用依次连接的resnet-50网络和svm分类器获取猪耳竖立特征识别结果；
14、s34、基于步骤s3中的猪屁股彩色关键片段，采用依次连接的yolov8模型、超分辨率模型、resnet-50网络和svm分类器获取猪外阴流粘液特征识别结果；
15、s35、基于步骤s3中的猪屁股彩色关键片段和猪屁股红外关键片段，采用yolov8模型获取猪阴臀温差达到发情状态的特征识别结果。
16、进一步地，在步骤s31中，在two-stream模型中添加分数注意力机制，将母猪行为特征中的爬栏行为分数、爬跨行为分数、被爬跨行为分数、静立行为分数和其他行为分数分别赋予权重参数3：3：3：2：1。
17、进一步地，步骤s35包括以下步骤：
18、s351、基于步骤s3中的猪屁股彩色关键片段，采用yolov8模型获取彩色图像中的猪外阴部位置和猪臀部位置；
19、s352、基于步骤s3中的猪屁股红外关键片段，将步骤s351中彩色图像中的猪外阴部位置和猪臀部位置映射到红外温度矩阵，并从红外温度矩阵中获取猪外阴部温度和猪臀部温度；
20、s353、根据步骤s352中的猪外阴部温度和猪臀部温度，计算猪阴臀温差达到发情状态的概率，并获取猪阴臀温差达到发情状态的特征识别结果，表示为：
21、
22、其中：为第i只母猪在第j个数据片段中第k帧的猪阴臀温差达到发情状态概率，min为取最小值符号，max为取最大值符号，tv为猪外阴部温度，tg为猪臀部温度，θ为猪阴臀温差最低阈值，λ为温度信息的置信度，m为猪阴臀温差最高阈值。
23、进一步地，步骤s4包括以下步骤：
24、s41、对步骤s3中的母猪行为特征识别结果、猪脸呆滞表情特征识别结果、猪耳竖立特征识别结果、猪外阴流粘液特征识别结果和猪阴臀温差达到发情状态的特征识别结果进行归一化处理；
25、s42、利用步骤s41中归一化处理后的母猪行为特征识别结果、猪脸呆滞表情特征识别结果、猪耳竖立特征识别结果、猪外阴流粘液特征识别结果和猪阴臀温差达到发情状态的特征识别结果，计算特征识别结果之间的熵值，表示为：
26、
27、其中：hij(x)为第i只母猪在第j个数据片段的特征识别结果之间的熵值，q为遍历序号，p(xq)为第q个归一化处理后的特征识别结果；
28、s43、判断步骤s42中特征识别结果之间的熵值是否大于多值加权预测阈值；若是则采用多值加权预测获取母猪发情预测结果，否则采用单值预测获取母猪发情预测结果；
29、s44、根据步骤s43中的母猪发情片段预测结果获取母猪发情预测结果。
30、进一步地，在步骤s43中，采用多值加权预测获取母猪发情片段预测结果，具体为：
31、基于改进的kernel shap算法对步骤s3中的母猪行为特征识别结果、猪脸呆滞表情特征识别结果、猪耳竖立特征识别结果、猪外阴流粘液特征识别结果和猪阴臀温差达到发情状态的特征识别结果进行可信度加权，获取母猪发情片段预测结果，表示为：
32、
33、其中：pij为第i只母猪在第j个数据片段的母猪发情片段预测结果，σ(·)为第一激活函数，a为母猪行为预测概率的权重参数，为第i只母猪在第j个数据片段的母猪行为特征识别结果，b为猪脸呆滞表情预测概率的权重参数，为第i只母猪在第j个数据片段的猪脸呆滞表情特征识别结果，c为猪耳竖立预测概率的权重参数，为第i只母猪在第j个数据片段的猪耳竖立特征识别结果，d为猪外阴流粘液预测概率的权重参数，为第i只母猪在第j个数据片段的猪外阴流粘液特征识别结果，e为猪阴臀温差达到发情状态的预测概率的权重参数，为第i只母猪在第j个数据片段的猪阴臀温差达到发情状态的特征识别结果。
34、进一步地，在步骤s6中，利用训练数据集对多值加权预测中的权重参数进行微调，包括以下步骤：
35、a1、利用训练数据集构建预测概率数据集，并将预测概率数据集划分为预测概率训练集和预测概率测试集；
36、a2、基于步骤a1中的预测概率训练集和改进的kernel shap算法获取全局特征和局部特征的贡献度；
37、a3、基于步骤a2中全局特征和局部特征的贡献度，利用移动平均法获取子模型更新后的预测权重，表示为：
38、
39、其中：coef′为子模型更新后的预测权重，softmax(·)为第二激活函数，coef为子模型的预测权重，coef＝(a,b,c,d,e)，a为母猪行为预测概率的权重参数，b为猪脸呆滞表情预测概率的权重参数，c为猪耳竖立预测概率的权重参数，d为猪外阴流粘液预测概率的权重参数，e为猪阴臀温差达到发情状态的预测概率的权重参数，β为更新权重，为全局特征和局部特征的贡献度；
40、a4、基于步骤a1中的预测概率测试集和步骤a3中更新后的预测权重，计算子模型的损失占比；
41、a5、利用步骤a4中子模型的损失占比更新子模型损失，以对系统模型的权重参数进行微调，表示为：
42、
43、其中：θr为第r个子模型更新后的权重参数，argmin为取使目标函数取最小值时的变量值，为第r个子模型的损失占比，为第r个子模型的原预测损失。
44、进一步地，步骤a2包括以下步骤：
45、a21、基于步骤a1中的预测概率训练集，构建预测概率训练数据的简化特征组；
46、a22、基于改进的kernel shap算法构建母猪发情的线性预测函数，并构建预测概率训练数据的映射函数和母猪发情的解释函数；
47、a23、根据步骤a21中预测概率训练数据的简化特征组、步骤a22中母猪发情的线性预测函数、预测概率训练数据的映射函数和母猪发情的解释函数，获取全局特征和局部特征的贡献度，表示为：
48、
49、其中：为全局特征和局部特征的贡献度，为母猪行为预测概率的贡献度，为猪脸呆滞表情预测概率的贡献度，为猪耳竖立预测概率的贡献度，为猪外阴流粘液预测概率的贡献度，为猪阴臀温差达到发情状态的预测概率的贡献度，argmin为取使目标函数取最小值时的变量值，为取平均值符号，xj为预测概率数据集中的母猪发情预测结果，xtrain为预测概率训练集，zjo为简化特征组zj中的第o个简化特征，zj为第j个视频片段预测概率数据的简化特征，f(·)为母猪发情的线性预测函数，为预测概率训练数据的映射函数，g(·)为母猪发情的解释函数，为预测概率训练数据的核权重函数。
50、进一步地，步骤a4包括以下步骤：
51、a41、基于步骤a1中的预测概率测试集和步骤a3中更新后的预测权重，计算预测概率测试集的预测概率，表示为：
52、
53、其中：ptest为预测概率测试集的预测概率集合，σ(·)为第一激活函数，coef′为子模型更新后的预测权重，为预测概率测试集中的母猪发情预测结果xi的转置，为预测概率测试集xtest的转置；
54、a42、基于步骤a41中预测概率测试集的预测概率，计算母猪发情行为的二分类损失，表示为：
55、
56、其中：为母猪发情行为的二分类损失，为取平均值符号，p为预测概率测试集中样本数据的发情预测概率，y为预测概率测试集中样本数据的真实发情结果，ytest为预测概率测试集对应的标签；
57、a43、根据步骤a42中母猪发情行为的二分类损失，计算子模型的损失占比，表示为：
58、
59、其中：为第r个子模型的损失占比，coef′r为第r个子模型更新后的预测权重，coef′j为第j个子模型更新后的预测权重。
60、一种应用上述方法的母猪发情监控系统，其特征在于，包括：
61、数据采集模块，用于采集母猪彩色视频数据和母猪红外视频数据；
62、数据预处理模块，用于对母猪彩色视频数和母猪红外视频数据进行个体分割和关键帧提取，获取整猪彩色数据片段、猪头彩色关键片段、猪屁股彩色关键片段和猪屁股红外关键片段；
63、数据分析模块，用于根据整猪彩色数据片段、猪头彩色关键片段、猪屁股彩色关键片段和猪屁股红外关键片段，获取母猪行为特征识别结果、猪脸呆滞表情特征识别结果、猪耳竖立特征识别结果、猪外阴流粘液特征识别结果和猪阴臀温差达到发情状态的特征识别结果；
64、预测模块，用于对母猪行为特征识别结果、猪脸呆滞表情特征识别结果、猪耳竖立特征识别结果、猪外阴流粘液特征识别结果和猪阴臀温差达到发情状态的特征识别结果进行单值预测或多值加权预测，获取母猪发情片段预测结果，并根据母猪发情片段预测结果获取母猪发情预测结果；
65、反馈模块，用于根据母猪发情预测结果，对母猪进行人工查情以获取母猪实际发情结果；
66、更新模块，用于根据母猪发情预测结果和母猪实际发情结果构建训练数据集，利用训练数据集对多值加权预测中的权重参数进行微调。
67、本发明具有以下有益效果：
68、(1)本发明基于全局特征和局部特征联合预测母猪发情，其中全局特征为母猪行为特征，局部特征为母猪外观特征和母猪温度特征，母猪外观特征具体包括猪脸呆滞表情特征、猪耳竖立特征和猪外阴流粘液特征，母猪温度特征具体为猪阴臀温差达到发情状态的特征，以此能提升母猪发情行为预测结果的准确性，进而有效地进行母猪发情监控；
69、(2)本发明采用改进的kernel shap算法，能根据实际预测情况对母猪发情的各个特征预测概率的权重参数进行动态调整，具体通过计算出母猪的五种发情特征子模型的识别结果对最终模型预测结果的贡献度，并为贡献度越高的特征赋予越大的权重参数，从而为各个特征预测概率的最终权重参数大小提供了一种解释；
70、(3)本发明对于母猪发情的行为特征判别模型，即two-stream模型，在其中添加了分数注意力机制，能够为重要的行为特征赋予高的权重，使模型更加关注那些表现明显的行为特征，从而使得母猪行为特征识别结果更接近实际情况；
71、(4)本发明对于母猪发情的温度特征判别模型，即yolov8模型，本发明提出了一种基于阴臀温差的母猪发情概率计算方法，结合了猪屁股检测概率来计算母猪的阴臀温差达到发情状态的概率，提高了母猪温度特征预测结果的置信度；
72、(5)本发明基于母猪发情的各个特征概率，提出了一种母猪发情预测方式的选择方法，其中的发情预测方式包括了单值预测或多值加权预测，能够综合考虑各个特征概率大小之间的关系，提升了母猪发情预测的效率。
1.一种母猪发情监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种母猪发情监控方法，其特征在于，步骤s3包括以下步骤：
3.根据权利要求2所述的一种母猪发情监控方法，其特征在于，在步骤s31中，在two-stream模型中添加分数注意力机制，将母猪行为特征中的爬栏行为分数、爬跨行为分数、被爬跨行为分数、静立行为分数和其他行为分数分别赋予权重参数3：3：3：2：1。
4.根据权利要求2所述的一种母猪发情监控方法，其特征在于，步骤s35包括以下步骤：
5.根据权利要求1所述的一种母猪发情监控方法，其特征在于，步骤s4包括以下步骤：
6.根据权利要求5所述的一种母猪发情监控方法，其特征在于，在步骤s43中，采用多值加权预测获取母猪发情片段预测结果，具体为：
7.根据权利要求1所述的一种母猪发情监控方法，其特征在于，在步骤s6中，利用训练数据集对多值加权预测中的权重参数进行微调，包括以下步骤：
8.根据权利要求7所述的一种母猪发情监控方法，其特征在于，步骤a2包括以下步骤：
9.根据权利要求7所述的一种母猪发情监控方法，其特征在于，步骤a4包括以下步骤：
10.一种应用权利要求1-9任一所述方法的母猪发情监控系统，其特征在于，包括：
